Um recorte das notificações de pacientes de centros de câncer no Brasil de 2000 à 2019

Introdução

Contextualização:

O câncer representa uma das maiores preocupações em saúde pública globalmente (Lopes-Júnior (2021)) e o Brasil não está isento dessa realidade. Com uma população vasta e diversificada, o país enfrenta desafios consideráveis no enfrentamento e na prevenção dessa enfermidade (Guerra et al. (2005)).

Nesse contexto brasileiro, o câncer se destaca pela sua complexidade e diversidade, trazendo consigo desafios únicos. Questões como acesso aos serviços de saúde e disparidades socioeconômicas e ambientais desempenham um papel significativo na incidência e no tratamento da doença (Guerra et al. (2005)). Assim, compreender os dados relacionados ao câncer no Brasil torna-se crucial para a implementação de políticas de saúde eficazes e para a alocação adequada de recursos, visando enfrentar esse desafio de saúde pública de forma assertiva (Oliveira et al. (2021)).

Contexto dos Dados:

Para produzir estimativas de câncer no Brasil, o governo, mais especificamente o Instituto Nacional de Câncer (INCA), possui centros sistemáticos de coleta de dados conhecidos como RCBP (Registros de Câncer com Base Populacional) (Oliveira et al. (2021)). Esses dados estão em conformidade com as leis regionais e podem ser requisitados por qualquer pessoa.

Os dados aqui trabalhados foram coletados no site do Kaggle, disponibilizado pelo usuário João Pedro Medeiros. O texto completo pode ser encontrado no site do Kaggle:

“Aqui eu traduzi as variáveis para ajudar em qualquer análise, mas a maioria dos valores não são traduzidos(…) No entanto, quase todos os termos são traduzíveis usando o google ou parte de um sistema de código internacional (CID-10 – classificação de doenças – ou CID-O3 - classificação de cânceres tendo em mente a topografia morfologia). Mais sobre os termos podem ser vistos aqui(…) Manual de Rotinas e Procedimentos para registros de Câncer - INCA (…)”.

Plano de Abordagem:

Nossa análise se concentrará na base de dados denominada pelo João Pedro de “cancer_data_eng”. Planejamos aplicar técnicas analíticas e estatísticas aos dados para extrair insights relevantes sobre a situação do câncer no Brasil. Não faremos utilização da base de dados populacional acrescida por ele.

Os dados coletados no Kaggle nos fornecem uma ideia abrangente da situação do câncer no Brasil. Pretendemos explorar esses dados para identificar padrões, tendências e disparidades relacionadas à incidência, tratamento e desfechos do câncer. Nossa análise buscará fornecer uma compreensão mais profunda dos fatores que influenciam o câncer no Brasil e como essas informações podem informar políticas de saúde pública e intervenções direcionadas.

Os resultados de nossa análise serão valiosos para uma variedade de partes interessadas, incluindo pesquisadores, profissionais de saúde, formuladores de políticas e organizações de saúde pública. Nossa análise fornecerá insights acionáveis sobre a situação do câncer no Brasil, que podem ser utilizados para orientar a tomada de decisões, desenvolver estratégias de prevenção e tratamento mais eficazes e alocar recursos de forma mais eficiente para enfrentar esse desafio de saúde pública.

Requisitos

Pacotes Necessários:

Os pacotes a seguir são necessários para executar o código sem erros:

Pacote Utilização
plotly para visualização de gráficos interativos.
dplyr para manipulação avançada dos DataFrames.
knitr para geração de tabelas.
DT para criação de tabelas funcionais em HTML.
viridis para seleção de paleta de cores utilizada em alguns gráficos.

Vamos carregar nossos Pacotes necessários, conforme segue abaixo:

# Carregando os Pacotes que serão utilizados
library("plotly")
library("dplyr")
library("knitr")
library("DT")
library("viridis")

Importação e Preparação dos Dados

Nesta seção, serão apresentadas de forma detalhada as ações executadas para padronizar o conjunto de dados.

Carregando os dados

Nossos dados estão no formato .CSV e importaremos utilizando a função read.csv(), passando os dados para o Data Frame denominado dataset_cancer, conforme pode ser observado abaixo:

# Carregando a base de dados de csv para a variavel dataset_cancer
dataset_cancer<-read.csv("cancer_data_eng.csv",header=T, strip.white = T,na.strings = c("","NA"),stringsAsFactors = FALSE,fileEncoding = "latin1")

A visualização destes dados sem nenhuma modificação, ou seja, de forma crua, pode ser vista a seguir:

# Mostrando as 10 primeiras linhas do dataset cru:
datatable(head(dataset_cancer, n=10))

Como visto acima, os nomes das nossas variáveis (ou Colunas) está em inglês e temos um total de 1778176 observações ou notificações de câncer. Faremos a tradução delas e para nossa análise não usaremos todas as 38 variáveis. Porém, somente utilizaremos as variáveis principais, dentre as variáveis que não utilizaremos, destaca-se as variáveis como Código de Profissão, Código de Topografia, Extensão do câncer, Descrição Morfológica; pois, não é nosso objetivo fazer análises das características dos câncers e nem evidência os códigos utilizados nos registros dos casos coletados. Também contamos com ausências de dados que, no caso do nosso data frame, na hora de importação foram inseridos NAs. Como pode ser visto acima:


# REMOVENDO AS COLUNAS QUE NÃO SÃO INTERESANTES PARA TRABALHAMOS:
dataset_cancer<- dataset_cancer%>% 
  select(-Code.Profession, -Topography.Code, -Code.of.Morphology,-Illness.Code, 
         -Child.Illness.Description, -Child.Illness.Code,-Youth.Adult.Illness.Description, 
         -Code.of.Disease.Adult.Young.,-Extension, -Laterality, -Statement, -TNM, 
         -Distant.metastasis,-Description.of.Topography,-Morphology.Description,-Diagnostic.means,
         -Date.of.Birth, -Date.of.Death, -Date.of.Last.Contact, -Date.of.Diagnostic, -Nationality, 
         -Naturality.State, -Naturality, -Status.Vital, -Type.of.Death)

# Realizando a tradução dos nomes de cada coluna do nosso dataset:
colnames(dataset_cancer) <- c(
  "Codigo.Paciente","RCBP.Nome","Sexo","Idade","Cor.Raca","Grau.Educacao",
  "Estado.Civil","Nome.Ocupacao","Estado.Endereco","Cidade.Endereco","Descricao.Doenca",
  "Indicador.Caso.Raro","Ano.Diagnostico")

# Imprimindo uma tabela com as 10 primeiras linhas depois das alterações de Nome das colunas e remoção das colunas indesejadas:
datatable(head(dataset_cancer, n=10))

Uma outra situação é, quando utilizamos a função str() no nosso conjunto de dados, função esta que mostra a estrutura das nossas variáveis (ou colunas), poderemos encontrar algumas variáveis com suas estruturas erradas:

# Visualizando as estruturas:
str(dataset_cancer)
## 'data.frame':    1778176 obs. of  13 variables:
##  $ Codigo.Paciente    : int  672054 673213 673396 673425 673745 676350 679877 676400 676553 679345 ...
##  $ RCBP.Nome          : chr  "RCBP CAMPINAS-UNICAMP" "RCBP CAMPINAS-UNICAMP" "RCBP CAMPINAS-UNICAMP" "RCBP CAMPINAS-UNICAMP" ...
##  $ Sexo               : chr  "MASCULINO" "FEMININO" "FEMININO" "FEMININO" ...
##  $ Idade              : int  30 53 51 73 71 71 57 50 52 74 ...
##  $ Cor.Raca           : chr  "BRANCO" NA "PARDA" NA ...
##  $ Grau.Educacao      : chr  NA NA NA NA ...
##  $ Estado.Civil       : chr  "CASADO" NA "SOLTEIRO" NA ...
##  $ Nome.Ocupacao      : chr  "TRABALHADORES NOS SERVIÇOS DE EMBELEZAMENTO E CUIDADOS PESSOAIS   \t" "SEM INFORMAÇÃO\t" "SEM INFORMAÇÃO\t" "SEM INFORMAÇÃO\t" ...
##  $ Estado.Endereco    : chr  "SÃO PAULO" "SÃO PAULO" "SÃO PAULO" "SÃO PAULO" ...
##  $ Cidade.Endereco    : chr  "CAMPINAS" "CAMPINAS" "CAMPINAS" "CAMPINAS" ...
##  $ Descricao.Doenca   : chr  "RETO" "COLON DESCENDENTE" "MAMA , SOE" "PELE DO MEMBRO SUPERIOR E DO OMBRO" ...
##  $ Indicador.Caso.Raro: chr  "false" "false" "false" "false" ...
##  $ Ano.Diagnostico    : int  2005 2003 2003 2003 2005 2005 2005 2003 2005 2005 ...

Como também algumas com dados discrepantes. Observadas ao usar a função summary():

# Aplicando Summary:
summary(dataset_cancer)
##  Codigo.Paciente    RCBP.Nome             Sexo               Idade        
##  Min.   :    101   Length:1778176     Length:1778176     Min.   :   0.00  
##  1st Qu.: 448324   Class :character   Class :character   1st Qu.:  49.00  
##  Median : 694134   Mode  :character   Mode  :character   Median :  62.00  
##  Mean   : 711348                                         Mean   :  60.03  
##  3rd Qu.: 940809                                         3rd Qu.:  73.00  
##  Max.   :1464035                                         Max.   :1067.00  
##  NA's   :74429                                           NA's   :79972    
##    Cor.Raca         Grau.Educacao      Estado.Civil       Nome.Ocupacao     
##  Length:1778176     Length:1778176     Length:1778176     Length:1778176    
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##  Estado.Endereco    Cidade.Endereco    Descricao.Doenca   Indicador.Caso.Raro
##  Length:1778176     Length:1778176     Length:1778176     Length:1778176     
##  Class :character   Class :character   Class :character   Class :character   
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character   
##                                                                              
##                                                                              
##                                                                              
##                                                                              
##  Ano.Diagnostico
##  Min.   :2000   
##  1st Qu.:2004   
##  Median :2009   
##  Mean   :2008   
##  3rd Qu.:2012   
##  Max.   :2019   
##  NA's   :63842

Mais adiante iremos fazer as manipulações necessárias para as variáveis que precisam ser padronizadas e/ou normalizadas. Conforme pode ser visto nas subguias seguintes.

Idade

Verificando e Mostrando os erros na coluna/variável Idade:

# Verificando a estrutura da variável:
str(dataset_cancer$Idade)
##  int [1:1778176] 30 53 51 73 71 71 57 50 52 74 ...
# Imprimindo as frequências de observações:
table(dataset_cancer$Idade)
## 
##     0     1     2     3     4     5     6     7     8     9    10    11    12 
##  1630  1854  2009  1929  1801  1522  1354  1234  1169  1106  1182  1278  1309 
##    13    14    15    16    17    18    19    20    21    22    23    24    25 
##  1416  1660  1840  2044  2127  2299  2515  3196  3566  4006  4603  5083  5952 
##    26    27    28    29    30    31    32    33    34    35    36    37    38 
##  6386  7138  7649  8437  9048  9599 10173 10760 11105 12129 12717 13180 14235 
##    39    40    41    42    43    44    45    46    47    48    49    50    51 
## 14997 16390 17510 18490 19758 21012 23187 23869 25088 26586 27674 28848 29753 
##    52    53    54    55    56    57    58    59    60    61    62    63    64 
## 30778 32457 32427 35242 34894 35494 36448 37286 37772 38257 38687 39066 39421 
##    65    66    67    68    69    70    71    72    73    74    75    76    77 
## 41396 39060 39088 39615 38786 38718 38360 37641 36956 35868 37490 33222 31764 
##    78    79    80    81    82    83    84    85    86    87    88    89    90 
## 30221 28246 25577 23494 21453 19560 17851 17515 13741 11850 10079  8140  6523 
##    91    92    93    94    95    96    97    98    99   100   101   102   103 
##  5394  4164  3337  2630  2104  1382   988   783   557   379   208   140    99 
##   104   105   106   107   108   109   110   111   112   113   114   115   117 
##    52    29    21    16    14     8     7     7     5     2     3     4     1 
##   118   124   151   152   153   154   157   164   166   199  1067 
##     1     1     1     1     1     1     3     1     1    13     1
# Examinando o Sumario da variável:
summary(dataset_cancer$Idade)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    0.00   49.00   62.00   60.03   73.00 1067.00   79972

Conforme observado acima, não há erros evidênciados na estrutura str() da variável. Porém, ao visualizar as frequências das observações podemos ver que a quantidade de dados fora da curva de idade é expressiva e com alguns dados muito além do aceitavel como o caso da idade de 1067 anos. Isso é evidênciado também ao utilizarmos o summary(). Vamos fazer as devidas correções abaixo:

dataset_cancer$Idade[dataset_cancer$Idade == "1067"] <- 67
dataset_cancer$Idade[dataset_cancer$Idade == "199"] <- 99
dataset_cancer$Idade[dataset_cancer$Idade == "166"] <- 66
dataset_cancer$Idade[dataset_cancer$Idade == "164"] <- 64
dataset_cancer$Idade[dataset_cancer$Idade == "157"] <- 57
dataset_cancer$Idade[dataset_cancer$Idade == "154"] <- 54
dataset_cancer$Idade[dataset_cancer$Idade == "153"] <- 53
dataset_cancer$Idade[dataset_cancer$Idade == "152"] <- 52
dataset_cancer$Idade[dataset_cancer$Idade == "151"] <- 51

Confirmando se as alterações foram realizadas com sucesso:

# Verificando a estrutura da variável:
str(dataset_cancer$Idade)
##  num [1:1778176] 30 53 51 73 71 71 57 50 52 74 ...
# Imprimindo as frequências de observações:
table(dataset_cancer$Idade)
## 
##     0     1     2     3     4     5     6     7     8     9    10    11    12 
##  1630  1854  2009  1929  1801  1522  1354  1234  1169  1106  1182  1278  1309 
##    13    14    15    16    17    18    19    20    21    22    23    24    25 
##  1416  1660  1840  2044  2127  2299  2515  3196  3566  4006  4603  5083  5952 
##    26    27    28    29    30    31    32    33    34    35    36    37    38 
##  6386  7138  7649  8437  9048  9599 10173 10760 11105 12129 12717 13180 14235 
##    39    40    41    42    43    44    45    46    47    48    49    50    51 
## 14997 16390 17510 18490 19758 21012 23187 23869 25088 26586 27674 28848 29754 
##    52    53    54    55    56    57    58    59    60    61    62    63    64 
## 30779 32458 32428 35242 34894 35497 36448 37286 37772 38257 38687 39066 39422 
##    65    66    67    68    69    70    71    72    73    74    75    76    77 
## 41396 39061 39089 39615 38786 38718 38360 37641 36956 35868 37490 33222 31764 
##    78    79    80    81    82    83    84    85    86    87    88    89    90 
## 30221 28246 25577 23494 21453 19560 17851 17515 13741 11850 10079  8140  6523 
##    91    92    93    94    95    96    97    98    99   100   101   102   103 
##  5394  4164  3337  2630  2104  1382   988   783   570   379   208   140    99 
##   104   105   106   107   108   109   110   111   112   113   114   115   117 
##    52    29    21    16    14     8     7     7     5     2     3     4     1 
##   118   124 
##     1     1
# Examinando o Sumario da variável:
summary(dataset_cancer$Idade)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    0.00   49.00   62.00   60.03   73.00  124.00   79972

Com isso, temos os dados em Idade padronizados. Passemos para a próxima variável que precisa de ajustes.

Indicador.Caso.Raro

Verificando e Mostrando os erros da coluna/variável Indicador.Caso.Raro:

# Verificando a estrutura da variável:
str(dataset_cancer$Indicador.Caso.Raro)
##  chr [1:1778176] "false" "false" "false" "false" "false" "false" "false" ...
# Imprimindo as frequências de observações:
table(dataset_cancer$Indicador.Caso.Raro)
## 
##   false    true 
## 1039863    7002
# Examinando o Sumario da variável:
summary(dataset_cancer$Indicador.Caso.Raro)
##    Length     Class      Mode 
##   1778176 character character

Conforme observado acima, há erro evidênciado na estrutura str() da variável, pois, ela é do tipo Lógico, Verdade ou Falso, e esta como caractere. Ajustemos isso a seguir:

dataset_cancer$Indicador.Caso.Raro<-as.logical(dataset_cancer$Indicador.Caso.Raro)

Confirmando se os ajustes foram realizadas com sucesso:

# Verificando a estrutura da variável:
str(dataset_cancer$Indicador.Caso.Raro)
##  logi [1:1778176] FALSE FALSE FALSE FALSE FALSE FALSE ...
# Imprimindo as frequências de observações:
table(dataset_cancer$Indicador.Caso.Raro)
## 
##   FALSE    TRUE 
## 1039863    7002
# Examinando o Sumario da variável:
summary(dataset_cancer$Indicador.Caso.Raro)
##    Mode   FALSE    TRUE    NA's 
## logical 1039863    7002  731311

Com isso, temos os dados em Indicador.Caso.Raro normalizados. Passemos para a próxima variável que precisa de ajustes.

DataSet Normalizado

Abaixo você pode visualizar uma tabela com as descrições de todas as 13 variaveis:

Variavel Descrição
Codigo.Paciente Esta variável representa um código único atribuído a cada paciente registrado no conjunto de dados.
RCBP.Nome Esta variável se refere ao nome do Registro de Câncer com Base Populacional (RCBP) ao qual o paciente está associado.
Sexo Indica o gênero ou sexo do paciente.
Idade Reflete a idade do paciente em anos no momento do diagnóstico.
Cor.Raca Esta variável indica a cor ou raça do paciente.
Grau.Educacao Reflete o nível de educação do paciente.
Estado.Civil Indica o estado civil do paciente.
Nome.Ocupacao Esta variável se refere à ocupação ou profissão do paciente.
Estado.Endereco Indica o estado onde o paciente reside ou residia.
Cidade.Endereco Fornece informações adicionais sobre a cidade ou município onde o paciente reside ou residia dentro do estado fornecido.
Descricao.Doenca Reflete a descrição da doença ou condição médica do paciente, neste caso, relacionada ao câncer.
Indicador.Caso.Raro Esta variável indica se o caso de câncer do paciente é considerado raro ou não, sendo TRUE para casos raros e FALSE para casos não raros.
Ano.Diagnostico Esta variável representa o ano do diagnóstico de câncer do paciente.

A seguir podemos ver a visualização das 100 primeiras linhas do nosso DataSet Normalizado:

Análise exploratória dos dados

Aqui realizaremos Análises Exploratórias na nossa base de dados. Com isso, pretendemos encontrar insights e conhecimentos do que os dados tem a nós falar.

Casos x Local

Casos por Estados:

Primeiro começaremos verificando qual a quantidade de casos por Estados para isso utilizaremos nossa variável Estado.Endereco. Conforme segue abaixo:

Vamos verificar se nossa variável tem ausências de valores NA. Para isso, utilizaremos a função is.na() que retorna verdadeiro (TRUE) para as observações em que há valores NA ou falso (FALSE) para as observações que existe registro. Utilizaremos esta função em conjunto com a função table() para resumir o retorno da função is.na().

# Verificando faltas de dados da na coluna Estado.Endereco
table(is.na(dataset_cancer$Estado.Endereco))
## 
##   FALSE    TRUE 
## 1713979   64197

Como observado acima, temos 64197 valores ausentes na nossa variável. Uma ideia para corrigirmos isso é ir em busca desses valores partindo da variavel RCBP.Nome, com isso, teremos uma ideia de quais Estados esses são atribuídos. Conforme pode se ver abaixo:

# Verificando o nome dos RCBP onde não existe dados na coluna Estado.Endereco:
dataset_cancer %>%
  filter(is.na(Estado.Endereco)) %>%
  count(RCBP.Nome)
##                      RCBP.Nome     n
## 1          RCBP BELO HORIZONTE     3
## 2            RCBP CAMPO GRANDE     1
## 3                  RCBP CUIABA     5
## 4                RCBP CURITIBA     3
## 5           RCBP FLORIANOPOLIS    18
## 6                 RCBP GOIÂNIA 63842
## 7             RCBP JOAO PESSOA   321
## 8  RCBP MATO GROSSO (INTERIOR)     1
## 9                   RCBP NATAL     2
## 10                RCBP RORAIMA     1

Perfeito, temos agora os dados que precisamos para localizar o Estado ao qual o dado está vinculado, já que toda a RCBP está localizada na Capital do Estado. Vamos fazer uma atribuição uma a uma e com isso temos todos os Estados preenchidos.

# Atribuindo os estados sem endereço:
dataset_cancer <- dataset_cancer %>%
  mutate(Estado.Endereco = case_when(
    RCBP.Nome == "RCBP GOIÂNIA" ~ "GOIAS",
    RCBP.Nome == "RCBP JOAO PESSOA" ~ "PARAÍBA",
    RCBP.Nome == "RCBP BELO HORIZONTE" ~ "MINAS GERAIS",
    RCBP.Nome == "RCBP CAMPO GRANDE" ~ "MATO GROSSO DO SUL",
    RCBP.Nome == "RCBP CURITIBA" ~ "PARANÁ",
    RCBP.Nome == "RCBP RORAIMA" ~ "RORAIMA",
    RCBP.Nome == "RCBP FLORIANOPOLIS" ~ "SANTA CATARINA",
    RCBP.Nome == "RCBP MATO GROSSO (INTERIOR)" | RCBP.Nome == "RCBP CUIABA" ~ "MATO GROSSO",
    RCBP.Nome == "RCBP NATAL" ~ "RIO GRANDE DO NORTE",
    TRUE ~ Estado.Endereco
  ))

Agora para responder a nossa pergunta de qual Estado teve maior quantidade de casos de câncer, bem como para mostrar gráficamente isso será utilizado o gráfico abaixo:

# Agrupando os dados para facilitar na plotagem dos dados:
Contagem_Estados <- dataset_cancer %>%
  group_by(Estado.Endereco) %>%
  summarise(Quantidade = n())

# Plotando o gráfico da contagem de Casos por Estado:
plot_ly(data = Contagem_Estados,
        x = ~Estado.Endereco, 
        y = ~Quantidade, 
        type = 'bar', 
        color = ~Estado.Endereco,
        colors = rainbow(length(Contagem_Estados$Estado.Endereco)))%>%
  layout(title = "Quantidade casos de câncer por Estado",
         xaxis = list(title = "Estado"),
         yaxis = list(title = "Quantidade de Casos"))

Como podemos ver a quantidade de casos está mais centralizado no estado de São Paulo 757625, chegando a serem quase metade (42.6068623%) dos dados totais da nossa base de notificações.

Casos por Região:

Agora que temos a verificação por estados. Por que não verificamos qual a quantidade de casos por Região? Para isso, teremos que criar uma nova variavél que chamaremos de Regiao e atribuir para os valores a partir da variavel Estado.Endereco e por fim verificar se existe alguma observação sem essa informação. Conforme segue abaixo:

# Criando a variavel Regiao:
dataset_cancer$Regiao <- ""

# Atribuindo a ela as respectivas regiões a partir do estado (Estado.Endereco):
dataset_cancer$Regiao[dataset_cancer$Estado.Endereco=="PERNAMBUCO"|dataset_cancer$Estado.Endereco=="CEARÁ" 
                      |dataset_cancer$Estado.Endereco=="PIAUÍ"|dataset_cancer$Estado.Endereco=="MARANHÃO"
                      |dataset_cancer$Estado.Endereco=="RIO GRANDE DO NORTE"|dataset_cancer$Estado.Endereco=="PARAÍBA"
                      |dataset_cancer$Estado.Endereco=="BAHIA"|dataset_cancer$Estado.Endereco=="ALAGOAS"
                      |dataset_cancer$Estado.Endereco=="SERGIPE"]<-"NE"

dataset_cancer$Regiao[dataset_cancer$Estado.Endereco=="AMAZONAS"|dataset_cancer$Estado.Endereco=="PARÁ" 
                      |dataset_cancer$Estado.Endereco=="RORAIMA"|dataset_cancer$Estado.Endereco=="AMAPA"
                      |dataset_cancer$Estado.Endereco=="RONDONIA"|dataset_cancer$Estado.Endereco=="ACRE"
                      |dataset_cancer$Estado.Endereco=="TOCANTINS"]<-"N"

dataset_cancer$Regiao[dataset_cancer$Estado.Endereco=="RIO GRANDE DO SUL"|dataset_cancer$Estado.Endereco=="PARANÁ" 
                      |dataset_cancer$Estado.Endereco=="SANTA CATARINA"]<-"S"

dataset_cancer$Regiao[dataset_cancer$Estado.Endereco=="MATO GROSSO DO SUL"|dataset_cancer$Estado.Endereco=="MATO GROSSO" 
                      |dataset_cancer$Estado.Endereco=="GOIAS"|dataset_cancer$Estado.Endereco=="DISTRITO FEDERAL"]<-"CO"

dataset_cancer$Regiao[dataset_cancer$Estado.Endereco=="SÃO PAULO"|dataset_cancer$Estado.Endereco=="RIO DE JANEIRO" 
                      |dataset_cancer$Estado.Endereco=="ESPIRITO SANTO"|dataset_cancer$Estado.Endereco=="MINAS GERAIS"]<-"SE"


table(dataset_cancer$Regiao[dataset_cancer$Regiao == ""])
## < table of extent 0 >

Segue abaixo o gráfico mostrando a contagem de casos em cada Região:

# Agrupando os dados para facilitar na plotagem dos dados:
Contagem_Regiao <- dataset_cancer %>%
  group_by(Regiao) %>%
  summarise(Quantidade = n())

# Plotando o gráfico da contagem de Casos por Região:
plot_ly(data = Contagem_Regiao,
        labels = ~Regiao, 
        values = ~Quantidade, 
        type = 'pie')%>%
  layout(title = "Quantidade casos de câncer por Região")

Percebe-se que o acúmulo de casos está concentrado na região do Sudeste que tem 953792 dos casos, chegando a ter um total de 53.6387849% dos casos. O que não nos surpreende por conta do Estado de São Paulo como já foi mencionado anteriormente.

Casos por Cidade:

Por fim, vamos analisar os casos por cidade, lembrando que a cidade aqui analisada é a cidade informada como endereço do paciente. Para essa analise utilizaremos a variável/coluna Cidade.Endereco. Como a quantidade é um pouco grande, 470 cidades no total. Então, colocaremos uma lista para a visualização das cidades. Conforme segue abaixo:

# Grupando os dados para facilitar na contagem dos dados:
Contagem_Cidade <- dataset_cancer%>%
  filter(!is.na(Cidade.Endereco)) %>%
  group_by(Cidade = Cidade.Endereco) %>%
  summarise(Quantidade = n())

# Plotando a tabela:
datatable(Contagem_Cidade)

Com isso, podemos notar que uma grande massa dos dados está concentrada na Cidade e Estado de São Paulo.

Casos x Sexo

Agora vamos análisar a quantidade de casos por sexo, para realizar essa analise utilizaremos a variável Sexo. Ao utilizarmos a função table() passando como argumento essa variável podemos notar que os dados são divididos em apenas três categorias (Masculino, Feminino e Ignorado).

table(dataset_cancer$Sexo)
## 
##  FEMININO  IGNORADO MASCULINO 
##    971471       171    806534

Visualizemos graficamente essa váriavel:

Contagem_Sexo <- dataset_cancer %>%
  group_by(Sexo) %>%
  summarise(Quantidade = n())

plot_ly(data = Contagem_Sexo,
        labels = ~Sexo, 
        values = ~Quantidade, 
        type = 'pie')%>%
  layout(title = "Quantidade casos de câncer por Sexo")

Conforme observado podemos notar que a quantidade de casos que tem como sexo ignorado é muito ínfima e que mesmo sendo indicado no gráfico não aparece nitidamente. Uma outra análise é o fato da maioria de casos virem do sexo feminino, cerca de 54.633006% da nossa base de dados ou 971471 de casos.

Casos x Raça

Agora, vamos analisar a quantidade de casos por cor/raça. Utilizaremos a variável Cor.Raca para essa análise. Como podemos verificar abaixo, a distribuição dos dados em relação às Cor/Raças mostra que existem muitos dados faltando. Portanto, trabalharemos apenas com os registros disponíveis.

# Verificando a distribuição dos dados na variável Cor.Raca
table(dataset_cancer$Cor.Raca)
## 
##  AMARELA   BRANCO INDÍGENA    PARDA    PRETA 
##    24727   616662     1356   300258    50125
table(is.na(dataset_cancer$Cor.Raca))
## 
##  FALSE   TRUE 
## 993128 785048

Podemos ver que cerca de 44.1490606% dos casos são NA's. Agora, visualizemos graficamente essa variável, lembrando que descartaremos os valores de NA.:

# Agrupando os dados para facilitar na plotagem dos dados:
Contagem_Raca <- dataset_cancer %>%
  filter(!is.na(Cor.Raca)) %>%
  group_by(Cor.Raca) %>%
  summarise(Quantidade = n())

# Plotando o gráfico da contagem de Casos por Cor.Raca:
plot_ly(data = Contagem_Raca,
        labels = ~Cor.Raca, 
        values = ~Quantidade, 
        type = 'pie')%>%
  layout(title = "Quantidade casos de câncer por Cor.Raca")

Observando os dados, podemos notar a distribuição da quantidade de casos de câncer por cor/raça em nossa base. Isso nos permite ter uma visão geral da incidência em diferentes grupos raciais. Também podemos observar duas curiosidades: a predominância da cor branca nessa análise e a baixa quantidade ou ocultação de dados referentes à raça indígena.

Casos x Escolaridade

Vamos analisar a quantidade de casos por nível de escolaridade. A variável que usaremos para essa análise é Grau.Educacao. Primeiro vamos começar olhando como essa variável se comporta:

# Imprimindo as frequências de observações:
table(dataset_cancer$Grau.Educacao)
## 
##  FUNDAMENTAL I (1ª A 4ª SÉRIE) FUNDAMENTAL II (5ª A 8ª SÉRIE) 
##                         129760                          81001 
##    MÉDIO (ANTIGO SEGUNDO GRAU)               SEM ESCOLARIDADE 
##                          82490                          46585 
##              SUPERIOR COMPLETO            SUPERIOR INCOMPLETO 
##                          60097                           5895
table(is.na(dataset_cancer$Grau.Educacao))
## 
##   FALSE    TRUE 
##  405828 1372348

Como vemos na análise anterior a falta de dados NA's na nossa variável é bem expressiva certa de 77.1772873% dos dados faltando.

Primeiro, vamos excluir os valores NA dessa variável e depois agrupar os dados para contar a quantidade de casos em cada nível de escolaridade. Em seguida, plotaremos o gráfico da contagem de casos por nível de escolaridade.

# Agrupando os dados e excluindo os NA's na variável Grau.Educacao:
Contagem_Escolaridade <- dataset_cancer %>%
  filter(!is.na(Grau.Educacao)) %>%
  group_by(Grau.Educacao) %>%
  summarise(Quantidade = n())

# Plotando o gráfico da contagem de Casos por Grau de Escolaridade:
plot_ly(data = Contagem_Escolaridade,
        x = ~Grau.Educacao, 
        y = ~Quantidade, 
        type = 'bar',
        color = ~Grau.Educacao,
        colors= rainbow(length(~Grau.Educacao)))%>%
  layout(title = "Quantidade casos de câncer por Grau de Escolaridade",
         xaxis = list(title = "Escolaridade"),
         yaxis = list(title = "Quantidade de Casos"))

O gráfico resultante mostra que a maior quantidade de casos está concentrada no nível de escolaridade denominado FUNDAMENTAL 1 (1ª a 4ª série). Esta observação sugere uma possível relação entre o nível de escolaridade e a incidência de câncer, destacando a importância de investigações mais detalhadas nesse contexto.

Casos x Estado Civil

Vamos realizar uma análise semelhante para a variável Estado.Civil, considerando a quantidade de casos por estado civil.

# Verificando a distribuição dos dados na variável Cor.Raca
table(dataset_cancer$Estado.Civil)
## 
##                 CASADO SEPARADO JUDICIALMENTE               SOLTEIRO 
##                 311278                  41569                 134152 
##       UNIÃO CONSENSUAL                  VIÚVO 
##                  12980                  99156
table(is.na(dataset_cancer$Estado.Civil))
## 
##   FALSE    TRUE 
##  599135 1179041

Assim como observado na análise da variável Grau.Educacao, a variável Estado.Civil também apresenta uma grande quantidade de dados ausentes, representando aproximadamente 66.3062037% dos registros (NA's).

Para visualizarmos graficamente essa variável, inicialmente excluímos os valores NA e, em seguida, agrupamos os dados para contabilizar a quantidade de casos em cada estado civil. Posteriormente, plotamos o gráfico da contagem de casos por estado civil. Conforme segue abaixo:

# Agrupando os dados e excluindo os NA's na variável Estado.Civil:
Contagem_Estado_Civil <- dataset_cancer %>%
  filter(!is.na(Estado.Civil)) %>%
  group_by(Estado.Civil) %>%
  summarise(Quantidade = n())

# Plotando o gráfico da contagem de Casos por Estado Civil:
plot_ly(data = Contagem_Estado_Civil,
        labels = ~Estado.Civil, 
        values = ~Quantidade, 
        type = 'pie', 
        hole = 0.6) %>%
  layout(title = "Quantidade casos de câncer por Estado Civil")

O gráfico de rosca ilustra a distribuição da quantidade de casos de câncer por estado civil, destacando que cerca de 51.9545678% dos casos ocorreram em pessoas casadas.

Casos x Ocupação

Analisemos agora a variável Nome.Ocupacao, considerando a quantidade de casos por ocupação.Vamos realizar a listagem da tabela sem os valores NA dessa variável e depois agruparemos os dados para contar a quantidade de casos em cada ocupação. Em seguida, escolheremos uma tebela, porque temos ao todo 193 ocupações para visualizar esses dados. Vamos prosseguir com uma tabela para esta análise:

# Agrupando os dados e excluindo os NA's na variável Nome.Ocupacao:
Contagem_Ocupacao <- dataset_cancer %>%
  filter(!is.na(Nome.Ocupacao)) %>%
  group_by(Ocupação=Nome.Ocupacao) %>%
  summarise(Quantidade = n())

datatable(Contagem_Ocupacao)

Mesmo retirando os valores NA da nossa análise e listagem, note que, a quantidade de casos com o valor SEM INFORMAÇÃO é muito significativo 1302961 casos e a quantidade de NA's nessa variável é 140150 casos. Ao visualizarmos a tabela podemos notar que a ocupação com mais casos de cancer é TRABALHADORES NOS SERVIÇOS DE ADMINISTRAÇÃO, CONSERVAÇÃO E MANUTENÇÃO DE EDIFÍCIOS E LOGRADOUROS.

Casos x Idade

Para analisar a quantidade de casos de câncer por idade, primeiro vamos verificar se há valores NA na variável Idade e, em seguida, agrupar os dados para contar a quantidade de casos em cada faixa etária. Depois, podemos escolher um tipo de gráfico adequado para visualizar esses dados. E depois, vamos prosseguir com a plotagem para esta análise:

# Verificando valores NA na variável Idade
sum(is.na(dataset_cancer$Idade))
## [1] 79972
# Agrupando os dados por idade e excluindo os NA's
Contagem_Idade <- dataset_cancer %>%
  filter(!is.na(Idade)) %>%
  group_by(Idade=Idade) %>%
  summarise(Quantidade = n())

# Plotando o gráfico de barras da distribuição de casos por idade
plot_ly(data = Contagem_Idade,
        x = ~Idade,
        y = ~Quantidade,
        type = 'bar',
        color = ~Quantidade,
        colors = mako(length(Contagem_Idade$Idade)))%>%
  layout(title = "Distribuição de Casos por Idade",
         xaxis = list(title = "Idade"),
         yaxis = list(title = "Quantidade de casos"))

Podemos perceber que a idade com maior quantidade de casos é 65 anos, coincidentemente o início da velhice.

Casos x Tipo de Câncer

Agora, vamos analisar a quantidade de casos de câncer por tipo de câncer, considerando a variável Descricao.Doenca. Vamos agrupar os dados para contar a quantidade de casos em cada tipo de câncer e, em seguida, optaremos por criar uma tabela para expor essa análise. Visto que temos um total de 513 tipos de câncer.

# Agrupando os dados por tipo de câncer e excluindo os NA's:
Contagem_Tipo_Cancer <- dataset_cancer %>%
  group_by(Descricao.Doenca) %>%
  summarise(Quantidade = n())

# Listando a tabela com os valores por tipo de câncer:
datatable(Contagem_Tipo_Cancer)

Ao analisarmos a tabela, podemos ver que os tipos de câncer MAMA, SOE, PELE DE OUTRAS PARTES DA FACE e PRÓSTATA apresentam as maiores contagens de casos na amostra. Isso sugere que esses tipos de câncer são os mais prevalentes entre os pacientes estudados. É importante destacar que esses resultados podem fornecer insights valiosos para direcionar recursos e estratégias de prevenção e tratamento para esses tipos específicos de câncer.

Casos x Raridade

Nesta análise, investigaremos a distribuição da quantidade de casos de câncer com base na classificação de raridade, utilizando a variável Indicador.Caso.Raro. Vamos examinar se os casos de câncer são classificados como TRUE para casos Raros ou FALSE para casos não raros.

# Imprimindo as frequências de observações:
table(dataset_cancer$Indicador.Caso.Raro)
## 
##   FALSE    TRUE 
## 1039863    7002
# Verificando valores NA na variável Idade
sum(is.na(dataset_cancer$Indicador.Caso.Raro))
## [1] 731311

Como observamos, temos uma quantidade considerável de NA's nesta variável, certa de 41.1270313% é NA's. Em seguida, visualizamos a quantidade de casos em cada categoria. Para isso, utilizaremos um gráfico de rosca para destacar a diferença na quantidade de casos entre as categorias de raridade.

# Agrupando os dados por Indicador.Caso.Raro
Contagem_Caso_Raro <- dataset_cancer %>%
  filter(!is.na(Indicador.Caso.Raro)) %>%
  group_by(Indicador.Caso.Raro) %>%
  summarise(Quantidade = n())

# Plotando o gráfico de rosca da quantidade de casos considerando se são raros ou não raros
plot_ly(data = Contagem_Caso_Raro,
        labels = ~Indicador.Caso.Raro,
        values = ~Quantidade,
        type = 'pie',
        hole = 0.6) %>%
  layout(title = "Distribuição da Quantidade de Casos por Raridade",
         showlegend = TRUE)

Como podemos ver, a grande maioria dos casos não são raros: cerca de 99.3311458% dos registros.

Casos x Ano

Por fim, investigaremos a quantidade de casos de câncer ao decorrer dos anos, utilizando a variável Ano.Diagnostico. Vamos explorar a distribuição desses casos ao longo dos anos e visualizar os resultados por meio de dois tipos de gráficos: gráfico de dispersão e gráfico de barras. Essa análise nos permitirá entender melhor a evolução dos casos de câncer ao longo do tempo e identificar padrões ou tendências significativas.


# Imprimindo um resumo da variavel:
table(dataset_cancer$Ano.Diagnostico)
## 
##   2000   2001   2002   2003   2004   2005   2006   2007   2008   2009   2010 
##  86069  91591  93881  87701  91328 100737  95622  98629 106792 113616 123654 
##   2011   2012   2013   2014   2015   2016   2017   2018   2019 
## 128046 127240 109473  93761  84194  49629  28629   2851    891

# Agrupando os dados por ano de diagnóstico:
Contagem_Ano_Diagnostico <- dataset_cancer  %>%
  filter(!is.na(Ano.Diagnostico))%>%
  group_by(Ano.Diagnostico) %>%
  summarise(Quantidade = n())

# Plotando o gráfico de barras da quantidade de casos por ano de diagnóstico:
plot_ly(data = Contagem_Ano_Diagnostico,
        x = ~Ano.Diagnostico,
        y = ~Quantidade,
        type = 'bar',
        color = ~as.character(Ano.Diagnostico),
        colors = inferno(length(Contagem_Ano_Diagnostico$Ano.Diagnostico)))%>%
  layout(title = "Quantidade de Casos por Ano de Diagnóstico",
         xaxis = list(title = "Ano de Diagnóstico"),
         yaxis = list(title = "Quantidade de Casos"))

# Plotando o gráfico de Dispersão da quantidade de casos por ano de diagnóstico:
plot_ly(data = Contagem_Ano_Diagnostico,
        x = ~Ano.Diagnostico,
        y = ~Quantidade,
        type = 'scatter',
        mode = 'lines+markers',
        color = ~as.character(Ano.Diagnostico),
        colors = turbo(length(unique(Contagem_Ano_Diagnostico$Ano.Diagnostico))),
        marker = list(size = 10,color = turbo(length(unique(Contagem_Ano_Diagnostico$Ano.Diagnostico))))) %>%
  layout(title = "Quantidade de Casos por Ano de Diagnóstico",
         xaxis = list(title = "Ano de Diagnóstico"),
         yaxis = list(title = "Quantidade de Casos"))

Ao analisarmos os gráficos acima, podemos perceber duas tendências distintas ao longo do tempo. De 2000 a 2011, há uma tendência de aumento no número de casos de câncer, enquanto de 2012 a 2015 observa-se uma diminuição. No entanto, nos anos subsequentes, de 2016 a 2019, há uma diminuição considerável na quantidade de casos, culminando em apenas 891 casos registrados em 2019. Essa queda acentuada nos últimos anos indica uma possível mudança ou impacto em fatores de risco, acesso a cuidados de saúde, políticas de prevenção e diagnóstico precoce ou, até mesmo, variações na coleta e registro dos casos de câncer, o que pode ser um ponto de interesse para análises mais detalhadas e intervenções futuras.

Conclusão

A análise exploratória dos dados revelou insights valiosos sobre a distribuição e características dos casos de câncer em nossa base de dados. Vamos recapitular as principais conclusões:

  1. Casos por Estado: Ao analisar a quantidade de casos por estado, observamos que São Paulo é o estado com o maior número de casos de câncer, representando quase metade de todos os casos registrados na nossa base de dados.

  2. Casos por Região: A região Sudeste concentra a maior quantidade de casos de câncer, com destaque para o estado de São Paulo como o principal contribuinte para essa concentração.

  3. Casos por Cidade: A análise por cidade revelou que a maioria dos casos está concentrada na cidade e estado de São Paulo.

  4. Casos por Sexo: Notamos que a maioria dos casos está associada ao sexo feminino, enquanto a quantidade de casos com sexo ignorado é muito baixa.

  5. Casos por Cor/Raça: A cor branca é predominante entre os casos de câncer, embora haja uma baixa quantidade de dados referentes à raça indígena.

  6. Casos por Escolaridade: A maior quantidade de casos está associada ao nível de escolaridade denominado FUNDAMENTAL 1 (1ª a 4ª série), sugerindo uma possível relação entre nível de escolaridade e incidência de câncer.

  7. Casos por Estado Civil: Cerca de metade dos casos ocorreram em pessoas casadas, destacando-se como a categoria dominante.

  8. Casos por Ocupação: A ocupação com mais casos de câncer é “TRABALHADORES NOS SERVIÇOS DE ADMINISTRAÇÃO, CONSERVAÇÃO E MANUTENÇÃO DE EDIFÍCIOS E LOGRADOUROS”.

  9. Casos por Idade: A idade com maior quantidade de casos é concentrada no início da velhice.

  10. Casos por Tipo de Câncer: Os tipos de câncer “MAMA, SOE”, “PELE DE OUTRAS PARTES DA FACE” e “PRÓSTATA” apresentam as maiores contagens de casos na amostra.

  11. Casos Raros: A maioria dos casos não são classificados como raros, enquanto uma quantidade significativa de dados está ausente nessa classificação.

  12. Casos por Ano: Ao longo do tempo, observamos duas tendências distintas: um aumento nos casos de câncer de 2000 a 2011, seguido por uma diminuição de 2012 a 2015, e uma queda considerável na quantidade de casos nos anos posteriores, indicando possíveis mudanças ou impactos em fatores de risco e políticas de saúde.

Essas conclusões fornecem uma visão abrangente da distribuição dos casos de câncer em nossa base de dados, permitindo insights importantes para direcionar políticas de prevenção, tratamento e pesquisa futuras.

Trabalhos Futuros

Além das análises realizadas até o momento, há várias oportunidades para trabalhos futuros com base em nosso conjunto de dados e nas conclusões alcançadas:

  1. Análise Temporal Detalhada: Realizar uma análise temporal mais detalhada para identificar padrões sazonais ou tendências de longo prazo nos casos de câncer ao longo dos anos, utilizando métodos estatísticos avançados.

  2. Modelagem Preditiva: Desenvolver modelos preditivos para prever a incidência de câncer com base em variáveis demográficas, socioeconômicas e ambientais, o que pode ajudar na alocação eficiente de recursos e no desenvolvimento de estratégias de prevenção.

  3. Análise de Sobrevivência: Realizar análises de sobrevivência para entender a sobrevida dos pacientes após o diagnóstico de câncer, considerando diferentes variáveis como idade, tipo de câncer, tratamentos recebidos, entre outros.

  4. Estudo de Associações: Investigar associações entre variáveis, como a relação entre nível de escolaridade e tipo de câncer, estado civil e acesso aos cuidados de saúde, ou ocupação e exposição a fatores de risco ambientais.

  5. Avaliação de Qualidade de Dados: Realizar uma avaliação detalhada da qualidade dos dados, incluindo a identificação e tratamento de valores ausentes, inconsistências ou erros nos registros, para garantir a confiabilidade das análises e resultados.

Esses trabalhos futuros podem contribuir significativamente para uma compreensão mais abrangente do câncer e para o desenvolvimento de estratégias eficazes de prevenção, diagnóstico e tratamento, visando melhorar os resultados de saúde para pacientes e populações em geral.

Bibliografia

Guerra, Maximiliano Ribeiro, Cláudia Vitória de Moura Gallo, Gulnar Azevedo, and Silva Mendonça. 2005. “Risco de câncer No Brasil: Tendências e Estudos Epidemiológicos Mais Recentes.” Revista Brasileira de Cancerologia 51 (3): 227–34.
Lopes-Júnior, Luı́s Carlos. 2021. “Carga Global de câncer No Contexto Das Doenças Crônicas não Transmissı́veis Nas Próximas décadas.” Journal Health NPEPS 6 (2).
Oliveira, Maria do Rosario Dias de, Ana Beatriz Machado de Almeida, Beatriz Bertuzzo Möller, Tarsila Guimarães Vieira da Silva, Tatiana Natasha Toporcov, et al. 2021. “A Importância Do Registro de câncer No Planejamento Em Saúde.” Revista USP, no. 128: 27–44.