Análises de duplicidades e inconsistências dos dados do Sistema de Informação sobre Mortalidade

Introdução

O presente relatório automatizado tem como objetivo reportar os resultados de análises de duplicidades e inconsistências dos dados do Sistema de Informação sobre Mortalidade (SIM). Estas análises representam uma importante etapa de trabalho com dados, denominada checagem de dados. A etapa de checagem de dados visa principalmente a identificação de erros de mensuração (erros de preenchimento/digitação; e dados inconsistentes/aberrantes), assim como de dados ausentes, em branco ou ignorados. Depois de analisar cuidadosamente estas situações, busca-se corrigir os problemas identificados em sua origem ou retificar os problemas encontrados nos bancos de dados, tendo em vista possibilitar a execução de etapas posteriores de processamento e análise de dados.

Um conjunto de 30 críticas de qualidade, organizadas em 7 blocos, foi aplicado aos dados preliminares sobre óbitos fetais e não fetais do SIM (2023). Os blocos de avaliação da qualidade dos dados do SIM incluem: (i) críticas gerais sobre município de ocorrência/residência do falecido, local de ocorrência do óbito, estabelecimentos de saúde e duplicidades de registros; (ii) críticas preliminares sobre o preenchimento da causa básica de morte; (iii) críticas gerais sobre a validade da causa básica e das causas associadas ao óbito; (iv) críticas específicas sobre os óbitos fetais; (v) críticas específicas sobre os óbitos não fetais e a variável idade; (vi) críticas específicas sobre os óbitos não fetais e a variável sexo; e, (vii) críticas específicas relativas às condições maternas. O usuário pode acessar facilmente os resultados das análises de qualidade por meio a tabela de conteúdo, apresentada à esquerda deste relatório.

Esta mesma rotina pode ser aplicada a qualquer conjunto de dados do SIM, sendo necessário simplesmente informar os arquivos de dados de interesse na fase de importação de microdados. Espera-se que este produto contribua para o aperfeiçoamento da qualidade das informações do SIM, assim como para a agilidade das atividades regulares de produção e disseminação de informações relevantes sobre a mortalidade no Brasil.

Carregar pacotes

Para executar a rotina de checagem de dados, será necessário instalar/carregar os pacotes tidyverse, rio, openxlsx e hablar. O pacote tidyverse reúne uma série de ferramentas de ciência de dados, bastante úteis para realizar tarefas corriqueiras com dados tabulares. O pacote rio contém as funções import() e export(), capazes de realizar a importação e a exportação de dados em variadas extensões. O pacote openxlsx permite operações sofisticadas de importação e exportação de arquivos em formato Excel, sendo usado especialmente na construção de um arquivo de auditoria dos dados SIM. O pacote hablar oferece recursos seguros para operações aritméticas com variáveis que tenham dados faltantes, indefinições matemáticas ou valores infinitos. Adicionalmente, o pacote pacman foi usado para o carregamento dos pacotes supracitados (isto porque, caso algum pacote não esteja instalado localmente, o mesmo será instalado automaticamente).

t0 <- Sys.time()
pacman::p_load(tidyverse, rio, openxlsx, hablar)

Esta rotina de checagem de dados começou em 2024-05-24 14:29:49.014656.

Importar microdados

Esta seção apresenta os códigos de importação dos microdados do SIM (2023). Foram selecionadas 36 variáveis (ls_vars) para a checagem de dados. Os dados de óbitos fetais foram importados diretamente do arquivo bruto em formato *.dbf. Os dados de óbitos não fetais passaram por uma etapa anterior de ingestão de arquivos em formato *.dbc. Aqui, ambos os conjuntos de dados são importados e combinados no objeto sim_crude.

ls_vars <- c("NUMERODO", "NUMERODV", "CODINST", "TIPOBITO", "DTNASC", "DTOBITO", "SEXO", "IDADE", "CODMUNRES", "CODMUNOCOR", "LOCOCOR", "CODESTAB", "IDADEMAE", "ESCMAE", "ESCMAE2010", "SERIESCMAE", "OCUPMAE", "QTDFILVIVO", "QTDFILMORT", "GESTACAO", "SEMAGESTAC", "GRAVIDEZ", "PARTO", "OBITOPARTO", "PESO", "NUMERODN", "OBITOGRAV", "OBITOPUERP", "TPMORTEOCO", "CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO")

sim_crude <- 
  bind_rows(
    import("./sim_data_treated/sim_crude_data_2023_temp.csv", colClasses = "character", select = ls_vars),
    import("./sim_data_raw/DOFET23/DOFET23.dbf", colClasses = "character") %>% select(any_of(ls_vars)))

Um resumo da estrutura e do conteúdo do objeto sim_crude é apresentado abaixo:

glimpse(sim_crude)

## Rows: 1,485,653
## Columns: 36
## $ NUMERODO   <chr> "32971990", "33648744", "31408707", "32970175", "27406350",…
## $ NUMERODV   <chr> "4", "4", "9", "4", "6", "8", "6", "3", "9", "1", "4", "1",…
## $ CODINST    <chr> "MAC1200100001", "MAC1200200002", "MAC1200300001", "MRO1100…
## $ TIPOBITO   <chr> "2", "2", "2", "2", "2", "2", "2", "2", "2", "2", "2", "2",…
## $ DTNASC     <chr> "26011941", "20081966", "15061968", "14111965", "12021958",…
## $ DTOBITO    <chr> "01012023", "01012023", "01012023", "01012023", "01012023",…
## $ SEXO       <chr> "1", "2", "2", "1", "2", "1", "1", "1", "1", "1", "1", "2",…
## $ IDADE      <chr> "481", "456", "454", "457", "464", "431", "423", "462", "44…
## $ CODMUNRES  <chr> "120070", "120020", "120030", "120040", "120035", "120043",…
## $ CODMUNOCOR <chr> "120010", "120020", "120030", "110010", "120035", "120040",…
## $ LOCOCOR    <chr> "1", "3", "1", "1", "1", "1", "5", "1", "3", "5", "4", "1",…
## $ CODESTAB   <chr> "2001500", "", "2000636", "2497468", "2001594", "2001578", …
## $ IDADEMAE   <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "23", "…
## $ ESCMAE     <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "3", ""…
## $ ESCMAE2010 <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "2", ""…
## $ SERIESCMAE <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "", "",…
## $ OCUPMAE    <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "999992…
## $ QTDFILVIVO <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "03", "…
## $ QTDFILMORT <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "00", "…
## $ GESTACAO   <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "5", ""…
## $ SEMAGESTAC <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "38", "…
## $ GRAVIDEZ   <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "1", ""…
## $ PARTO      <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "2", ""…
## $ OBITOPARTO <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "3", ""…
## $ PESO       <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "2334",…
## $ NUMERODN   <chr> "", "", "", "", "", "", "", "", "", "", "", "", "", "889992…
## $ OBITOGRAV  <chr> "", "2", "", "", "9", "", "", "", "", "", "", "", "", "", "…
## $ OBITOPUERP <chr> "", "3", "", "", "9", "", "", "", "", "", "", "", "", "", "…
## $ TPMORTEOCO <chr> "", "8", "", "", "9", "", "", "", "", "", "", "", "", "", "…
## $ CAUSABAS   <chr> "C349", "J159", "I219", "C169", "B342", "J189", "X935", "B5…
## $ LINHAA     <chr> "*N189", "", "*I219", "*C787*C788", "*J960", "*A419", "*R57…
## $ LINHAB     <chr> "*D649", "*J159*U049", "*I249", "*C169", "*J159", "*A418", …
## $ LINHAC     <chr> "", "", "", "", "*B342*U071", "*J189", "*X935", "*B57X", ""…
## $ LINHAD     <chr> "", "", "", "", "", "*J969", "", "", "", "", "", "", "", ""…
## $ LINHAII    <chr> "*I11X*C349", "*I10X", "*F10X", "", "*I10X*I500", "", "", "…
## $ ATESTADO   <chr> "N189/D649*I11 C349", "/J159 U049*I10", "I219/I249*F10", "C…

Importar dados auxiliares

Esta seção apresenta os códigos de importação de dados auxiliares, ou seja, material de apoio à checagem de dados. O objeto aux_data contém uma lista de tabelas de referência para análises de inconsistências dos campos relacionados às causas de morte. Estas tabelas foram elaboradas pela equipe técnica da CGIAE/SVSA/MS. O objeto tb_munic contém informações gerais sobre os municípios brasileiros, especialmente seus códigos IBGE. O objeto tb_sim_cnes contém informações básicas sobre os estabelecimentos de saúde registrados no conjunto de dados de interesse (sim_crude), inclusive informando se os códigos numéricos dos estabelecimentos de saúde são válidos no CNES. As informações sobre os estabelecimentos de saúde foram recuperadas em uma fase anterior de checagem de dados.

aux_data <- import_list("../../auxiliary/TabAux_10_CID_10_v2021_RFSA.xlsx")

tb_munic <- import("../../auxiliary/aux_tables.xlsx", sheet = 1) %>% filter(SCOPE %in% 7:8)

tb_sim_cnes <- import("./sim_data_results/tb_cnes_sim_data_2023_temp/df_search_cnes_api.csv", colClasses = "character")

1. Checagem de dados: Críticas gerais

Este bloco é composto por três críticas gerais sobre os dados do SIM, incluindo duplicidades de registros, inconsistências dos campos município de ocorrência e município de residência do falecido e inconsistências entre as variáveis local de ocorrência do óbito e código do estabelecimento de saúde.

Crítica C29: Duplicidade de número de DO

Inicialmente, verificou-se a quantidade de caracteres dos números das DO. Todos os registros tiveram 8 caracteres no número da DO.

sim_crude %>% count(str_count(NUMERODO))

Posteriormente, verificou-se a presença de registros com o mesmo número de DO. Esta crítica retorna os casos notificados em duplicidade, por terem sido informados em duas instalações distintas. Um total de 20 registros apresentou repetição de número de DO. Os resultados foram armazenados no objeto tb_c29.

tb_c29 <- janitor::get_dupes(sim_crude, "NUMERODO", "NUMERODV")
tb_c29

Também, foram identificados 4 registros com o mesmo número de DO e com as mesmas informações de data de nascimento e sexo.

janitor::get_dupes(sim_crude, "NUMERODO", "NUMERODV", "DTNASC", "SEXO") # NOME

Crítica C26: Registros com município de residência ou ocorrência em branco

Definição: Pesquisam-se os registros em que os campos munícipio de residência e município de ocorrência estejam em branco. Caso não seja possível recuperar o código exato do município, a regra é usar o código da UF e “0000”, por exemplo, “530000” ou “330000”.

sort(setdiff(unique(c(sim_crude$CODMUNRES, sim_crude$CODMUNOCOR)), tb_munic$LOCAL_CODE))

##  [1] "110000" "120000" "130000" "150000" "170000" "210000" "220000" "230000"
##  [9] "240000" "250000" "260000" "280000" "290000" "310000" "320000" "330000"
## [17] "350000" "410000" "420000" "430000" "500000" "510000" "520000"

sim_crude %>% count(is.na(CODMUNRES), is.na(CODMUNOCOR))

sim_crude %>% count(CODMUNRES == "", CODMUNOCOR == "")

Não foram identificados códigos inválidos ou em branco para os municípios de residência e ocorrência. Os resultados foram armazenados no objeto tb_c26

tb_c26 <- sim_crude %>% filter(CODMUNRES == "" | CODMUNOCOR == "")
tb_c26

Crítica C28: Registros com incoerência entre código do estabelecimento e local de ocorrência do óbito

Definição: Pesquisam-se os registros onde o local de ocorrência é: (i) Hospital ou outros estabelecimentos de saúde (LOCOCOR = 1 ou 2) e o código de estabelecimento esteja em branco; (ii) Domicílio, via pública, outros e ignorado (LOCOCOR = 3, 4, 5 ou 9) e o código de estabelecimento de saúde esteja preenchido.

sim_crude %>% count(LOCOCOR)

sim_crude %>% count(CODESTAB == "")

sim_crude %>% filter(LOCOCOR %in% 1:2, CODESTAB == "") %>% count()

sim_crude %>% filter(!LOCOCOR %in% 1:2, CODESTAB != "") %>% count()

Não foram identificadas inconsistências para esta regra. Isto é, houve preenchimento da variável CODESTAB para os óbitos ocorridos em hospitais e outros estabelecimentos de saúde, assim como não houve preenchimento desta variável para os óbitos ocorridos em domicílios, vias públicas e outros locais. Entretanto, foram identificados 337 códigos inválidos de CNES no total de 11.572 códigos, o que corresponde a 405.590 óbitos.

tb_sim_cnes %>% count(fl_status)

sim_crude %>% 
  filter(CODESTAB %in% tb_sim_cnes$codigo_cnes[tb_sim_cnes$fl_status == "status error"]) %>% 
  count()

Os resultados foram armazenados no objeto tb_c28.

tb_c28 <- 
  sim_crude %>% 
  filter(LOCOCOR %in% 1:2, CODESTAB %in% tb_sim_cnes$codigo_cnes[tb_sim_cnes$fl_status == "status error"])
tb_c28

2. Checagem de dados: Críticas preliminares

Este bloco apresenta resultados preliminares sobre o preenchimento da causa básica de morte, incluindo a verificação de causas não codificadas e de códigos que não começam com letra e/ou não terminam com número ou “X”.

sim_crude %>% count(str_count(CAUSABAS))

sim_crude %>% count(str_detect(CAUSABAS, "^[:alpha:]"), str_detect(CAUSABAS, "[:digit:]$"))

Os resultados foram armazenados no objeto tb_c00.

tb_c00 <- sim_crude %>% filter(!str_detect(CAUSABAS, "^[:alpha:]") | !str_detect(CAUSABAS, "[:digit:]$"))
tb_c00

3. Checagem de dados: Críticas específicas 1 (relacionada a validade das causas de morte)

Este bloco é composto por dez críticas gerais sobre o preenchimento da causa básica e das causas associadas ao óbito, conforme apresentado a seguir.

Crítica C01: Registros com causa básica e atestado em branco

Definição: Nesta consulta devemos procurar os registros onde a causa básica de morte, linhas A, B, C, D e parte II do atestado médico estejam em branco.

sim_crude %>% 
  mutate(across(c("CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO"), ~str_remove_all(., "[^[:alnum:]]"))) %>% 
  mutate(across(c("CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO"), ~str_to_upper(.))) %>% 
  mutate(across(c("CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO"), ~dplyr::na_if(., ""))) %>% 
  summarise(NA_CAUSABAS = sum_(is.na(CAUSABAS)),
            NA_LINHAA = sum_(is.na(LINHAA)),
            NA_LINHAB = sum_(is.na(LINHAB)),
            NA_LINHAC = sum_(is.na(LINHAC)),
            NA_LINHAD = sum_(is.na(LINHAD)),
            NA_LINHAII = sum_(is.na(LINHAII)),
            NA_ATESTADO = sum_(is.na(ATESTADO)))

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c01.

tb_c01 <- 
  sim_crude %>% 
  mutate(across(c("CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO"), ~str_remove_all(., "[^[:alnum:]]"))) %>% 
  mutate(across(c("CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO"), ~str_to_upper(.))) %>% 
  mutate(across(c("CAUSABAS", "LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII", "ATESTADO"), ~dplyr::na_if(., ""))) %>% 
  filter(is.na(LINHAA), is.na(LINHAB), is.na(LINHAC), is.na(LINHAD), is.na(LINHAII))
tb_c01

Crítica C02: Registros com CID incorreto

Definição: Nesta consulta são apresentados os casos com CID que não existem na tabela CID10, ou que apresentam falta de um caracter.

icd10_codes <- aux_data$TabAux_10_CID_10_v2021$SUBCAT4c # 12.481 codigos

sim_crude %>% count(C02_CAUSABAS = !CAUSABAS %in% icd10_codes) # OK!

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c02.

tb_c02 <- sim_crude %>% filter(!CAUSABAS %in% icd10_codes)
tb_c02

Crítica C12: Registros com CID excluídos

Definição: Pesquisam-se os registros com CID excluído na última publicação da CID-10. Estes códigos continuam na versão 3.2 do SCB/SIM, mas só devem ser usados para óbitos ocorridos até 2009.

icd10_codes <- c("C141", "M723", "M725", "Q314", "Q350", "Q352", "Q354", "Q356", "R500", "R501", "X591", "X592", "X593", "X594", "X595", "X596", "X597", "X598") # 18 codigos excluidos

sim_crude %>% count(C12_CAUSABAS = CAUSABAS %in% icd10_codes) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c12.

tb_c12 <- sim_crude %>% filter(CAUSABAS %in% icd10_codes)
tb_c12

Crítica C23: Registros com CID que não podem ser usados como causa básica de morte

Definição: Estes CIDs são definidos como aqueles que não podem ser usados como causa básica de morte.

#icd10_codes <- aux_data$TabAux_02_CIDs_que_nao_podem_se %>% mutate(REGEX = `CID Inicial` == `CID Final`)
icd10_codes <- c("B9[5-7]|E89|F0[1-9]|F1[0-9]0|F7[0-9]|G8[1-3]|G97|H54[0-7]|H59|H9[0-1,5]|I15[8-9]|I23|I240|I252|I5[0-2]|I6[5-6]|I97|J95|K91|M9[6-7,9]|N46|O08|O30|O8[0-4]|P0[7-8]|P70[3-9]|P71|P720|P72[2-9]|P7[3-4]|R69|Y9|[S,T,Z]")

sim_crude %>% count(C23_CAUSABAS = str_detect(CAUSABAS, icd10_codes)) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c23.

tb_c23 <- sim_crude %>% filter(str_detect(CAUSABAS, icd10_codes))
tb_c23

Crítica C14: Registros com causas asterisco

Definição: As causas asterisco não podem ser causa básica de morte e devem ser substituídas por uma causa cruz.

icd10_codes <- aux_data$TabAux_01_Causas_asterisco$CO_CATEG_SUBCATEG_SP # 370 codigos

sim_crude %>% count(C14_CAUSABAS = CAUSABAS %in% icd10_codes) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c14.

tb_c14 <- sim_crude %>% filter(CAUSABAS %in% icd10_codes)
tb_c14

Crítica C13: Registros com causa trivial

Definição: Pesquisam-se os registros com CID de causa básica definida como trivial.

icd10_codes <- aux_data$TabAux_05_CID_10_v2008_triviais$SUBCAT4c # 1.142 codigos

sim_crude %>% count(C13_CAUSABAS = CAUSABAS %in% icd10_codes) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c13.

tb_c13 <- sim_crude %>% filter(CAUSABAS %in% icd10_codes)
tb_c13

Crítica C22: Registros onde a causa básica de morte não tem plausibilidade epidemiológica de ocorrer no Brasil

Definição: Pesquisam-se os registros onde a causa básica de morte não tenha plausibilidade epidemiológica de ocorrer no Brasil ou na UF de ocorrência, ou ainda tenham códigos mais adequados para representa-las.

icd10_codes <- c("W00|X3[4-5]|Z|Y36|R4[1-2,5-6]|I460|I469") 

sim_crude %>% count(C22_CAUSABAS = str_detect(CAUSABAS, icd10_codes)) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c22.

tb_c22 <- sim_crude %>% filter(str_detect(CAUSABAS, icd10_codes))
tb_c22

Crítica C27: Registros com causa básica de morte que constam na lista de afecções improváveis

Definição: Pesquisam-se os registros com CID de causa básica de morte que constam na lista de afecções improváveis da CID10, volume 2.

icd10_codes <- aux_data$TabAux_06_CID_10_v2008_Improváv$SUBCAT4c # 78 codigos

sim_crude %>% count(C27_CAUSABAS = CAUSABAS %in% icd10_codes) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c27.

tb_c27 <- sim_crude %>% filter(CAUSABAS %in% icd10_codes) 
tb_c27

Crítica C16: Registros com causas erradicadas ou controladas, causas U e resultados de exames do vírus HIV

Definição: Pesquisam-se os registros em que a causa de óbito é uma doença erradicada ou controlada, as causas U que indicam o aparecimento de novas doenças ainda sem códigos específicos definidos na CID10, ou o código de resultado de exame (R75).

icd10_codes <- c("A00|A20|A80|A82|B03|B05|R75|U")

sim_crude %>% count(C16_CAUSABAS = str_detect(CAUSABAS, icd10_codes)) # PROBLEMA! 1 ocorrência

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c16.

tb_c16 <- sim_crude %>% filter(str_detect(CAUSABAS, icd10_codes))
tb_c16

Crítica C15: Registros com causas de interesse epidemiológico

Definição: A listagem de óbitos com causas incluídas, nesta pesquisa, tem como objetivo estimular as atitudes de vigilância ativa, com fins a contribuir com o SINAN e a vigilância epidemiológica em geral.

icd10_codes <- aux_data$`Lista de Afecções de interesse `$COD_CID # 268 codigos

sim_crude %>% count(C15_CAUSABAS = CAUSABAS %in% icd10_codes)

Foram encontrados registros de interesse para esta regra. Os resultados foram armazenados no objeto tb_c15.

tb_c15 <- sim_crude %>% filter(CAUSABAS %in% icd10_codes)
tb_c15

4. Checagem de dados: Críticas específicas 2 (relativa aos óbitos fetais)

Inicialmente, apresentam-se as contagens e as proporções de óbitos fetais e não fetais.

sim_crude %>% count(TIPOBITO) %>% mutate(prop = round((n/sum_(n))*100,2))

Este bloco é composto por seis críticas específicas sobre o preenchimento da causa básica, conforme apresentado a seguir.

Crítica C03: Registros de óbitos não fetais com nome do falecido relacionado a feto

Definição: Pesquisam-se os registros onde o tipo de óbito seja não fetal (TIPOBITO = 2) ou nulo (em branco) e o nome do falecido contenha a palavra “natimorto” ou “morto” em qualquer parte do nome, ou começar com as palavras “feto”, “nm”, “fm” ou “nati”. Esta pesquisa baseia-se no conceito que natimorto acontece somente em óbitos fetais (TIPOBITO = 1).

Embora a variável “NOME” não esteja disponível, apresentam-se os códigos que podem ser usados nesta análise.

sim_crude %>% 
  filter(!TIPOBITO %in% 1) %>% 
  mutate(NOME = str_to_lower(NOME)) %>% 
  count(C03_NOME = str_detect(NOME, "natimorto|morto|feto|nm|fm|nati")) 

Crítica C04: Registros de óbitos fetais com o nome do falecido iniciando com “RN”

Definição: Pesquisam-se os registros onde o tipo de óbito seja fetal (TIPOBITO = 1) ou nulo (em branco) e o nome do falecido comece com “RN” (recém-nascido). Esta pesquisa baseia-se no conceito que recém-nascido acontece somente em óbitos não fetais (TIPOBITO = 2).

Embora a variável “NOME” não esteja disponível, apresentam-se os códigos que podem ser usados nesta análise.

sim_crude %>% 
  filter(!TIPOBITO %in% 2) %>% 
  mutate(NOME = str_to_lower(NOME)) %>% 
  count(C03_NOME = str_detect(NOME, "^rn"))

Crítica C05: Óbito fetal com idade e/ou data de nascimento

Definição: Pesquisam-se os registros de óbitos fetais (TIPOBITO = 1) com idade ou data de nascimento preenchida.

sim_crude %>% 
  filter(TIPOBITO %in% 1) %>% 
  count(IDADE, DTNASC)

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c05.

tb_c05 <- 
  sim_crude %>% 
  filter(TIPOBITO %in% 1) %>% 
  filter(!is.na(IDADE) | !is.na(DTNASC))
tb_c05

Crítica C19: Registro de óbitos fetais com causa básica não fetal

Definição: Esta listagem busca óbitos do tipo fetal onde a causa básica de morte não coincide com os CID de causas de óbitos fetais.

icd10_codes <- aux_data$TabAux_07_CID_10_v2008_Fetal$CO_CATEG_SUBCATEG_SP # 895 codigos

sim_crude %>% 
  filter(TIPOBITO %in% 1) %>% 
  count(C19_CAUSABAS = !CAUSABAS %in% icd10_codes) # 

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c19.

tb_c19 <- sim_crude %>% filter(TIPOBITO %in% 1, !CAUSABAS %in% icd10_codes)
tb_c19

Crítica C25: Registros com óbito não fetal com causa exclusivamente fetal

Definição: Pesquisam-se os óbitos não fetais onde a causa básica de morte esteja preenchido com o CID P95 que só pode ser usado para causa exclusivamente fetal.

icd10_codes <- c("P560|P569|P95")

sim_crude %>% 
  filter(TIPOBITO %in% 2) %>% 
  count(C25_CAUSABAS = str_detect(CAUSABAS, icd10_codes)) # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c25.

tb_c25 <- sim_crude %>% filter(TIPOBITO %in% 2, str_detect(CAUSABAS, icd10_codes))
tb_c25

Crítica C24: Registros de óbitos em maiores de 1 ano com o bloco de dados fetais preenchido

Definição: Pesquisam-se os registros onde um ou mais campos do bloco de informações sobre menores de 1 ano ou óbitos fetais estejam preenchidos em falecidos maiores de 1 ano. Trata-se do bloco V do modelo antigo da DO, ou bloco IV do modelo novo da DO.

sim_crude %>% 
  filter(str_detect(IDADE, "40[1-9]|^4[1-9]|^5")) %>% 
  count(IDADEMAE, ESCMAE, ESCMAE2010, SERIESCMAE, OCUPMAE, QTDFILVIVO, QTDFILMORT, GESTACAO, SEMAGESTAC, 
        GRAVIDEZ, PARTO, OBITOPARTO, PESO, NUMERODN) # OK!

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c24.

tb_c24 <- 
  sim_crude %>% 
  filter(str_detect(IDADE, "40[1-9]|^4[1-9]|^5")) %>% 
  mutate(across(c("IDADEMAE", "ESCMAE", "ESCMAE2010", "SERIESCMAE", "OCUPMAE", "QTDFILVIVO", "QTDFILMORT",
                  "GESTACAO", "SEMAGESTAC", "GRAVIDEZ", "PARTO", "OBITOPARTO", "PESO", 
                  "NUMERODN"), ~dplyr::na_if(., ""))) %>% 
  filter(!is.na(IDADEMAE), !is.na(ESCMAE), !is.na(ESCMAE2010), !is.na(SERIESCMAE), !is.na(OCUPMAE),
         !is.na(QTDFILVIVO), !is.na(QTDFILMORT), !is.na(GESTACAO), !is.na(SEMAGESTAC), !is.na(GRAVIDEZ),
         !is.na(PARTO), !is.na(OBITOPARTO), !is.na(PESO), !is.na(NUMERODN))
tb_c24

5. Checagem de dados: Críticas específicas 3 (relativa aos óbitos não fetais e a variável idade)

Este bloco é composto por cinco críticas específicas sobre o preenchimento da causa básica, conforme apresentado a seguir.

Crítica C07: Registros de óbitos não fetais e com idade em branco

Definição: Pesquisam-se os registros onde o tipo de óbito seja não fetal (TIPOBITO = 2) e idade não está preenchida.

sim_crude %>% 
  filter(TIPOBITO %in% 2) %>% 
  mutate(across(c("IDADE", "DTNASC"), ~str_remove_all(., "[^[:digit:]]"))) %>% 
  count(IDADE == "", DTNASC == "") # OK!

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c07.

tb_c07 <- 
  sim_crude %>% 
  mutate(across(c("IDADE", "DTNASC"), ~str_remove_all(., "[^[:digit:]]"))) %>% 
  filter(TIPOBITO %in% 2) %>% 
  filter(IDADE == "")
tb_c07

Crítica C06: Registros de óbitos com idade superior a 125 anos

Definição: Pesquisam-se os registros de óbitos com idade maior que 125 anos, ou seja, uma idade pouco provável.

sim_crude %>% filter(TIPOBITO %in% 2, str_detect(IDADE, "52[5-9]|^5[3-9]")) %>% count()

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c06.

tb_c06 <- sim_crude %>% filter(TIPOBITO %in% 2, str_detect(IDADE, "52[5-9]|^5[3-9]"))
tb_c06

Crítica C11: Registros com idade inválida

Definição: Pesquisam-se os registros, com valores inválidos para idade. Assim, se o óbito for não fetal, considerar as seguintes idades inconsistentes e os respectivos valores corretos esperados:
- idade 0, 00 ou 000 quando o correto deveria ser 999;
- Idade 061 quando o correto deveria ser 101;
- Idade de 062 a 098 quando o correto deveria ser 099;
- Idade 124 quando o correto deveria ser 201;
- Idade de125 a 199 quando o correto deveria ser 100;
- Idade 230 quando o correto deveria ser 301;
- Idade de 231 a 300 quando o correto deveria ser 200;
- Idade de 312 quando o correto deveria ser 401;
- Idade de 313 a 399 quando o correto deveria ser 300.

sim_crude %>% 
  filter(TIPOBITO %in% 2, IDADE == "0"|IDADE == "00"|IDADE == "000"|IDADE == "061"|IDADE == "124"|IDADE == "230"|IDADE == "312"|str_detect(IDADE, "06[2-9]|^0[7-8]|09[0-8]")|str_detect(IDADE, "12[5-9]|^1[3-9]")|str_detect(IDADE, "23[1-9]|^2[4-9]|300")|str_detect(IDADE, "31[3-9]^3[2-9]")) %>% 
  count()

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c11.

tb_c11 <- 
  sim_crude %>% 
  filter(TIPOBITO %in% 2, IDADE == "0"|IDADE == "00"|IDADE == "000"|IDADE == "061"|IDADE == "124"|IDADE == "230"|IDADE == "312"|str_detect(IDADE, "06[2-9]|^0[7-8]|09[0-8]")|str_detect(IDADE, "12[5-9]|^1[3-9]")|str_detect(IDADE, "23[1-9]|^2[4-9]|300")|str_detect(IDADE, "31[3-9]^3[2-9]"))
tb_c11

Crítica C20: Registro de causa básica de morte não pode ocorrer em determinada faixa etária

Definição: Buscam-se os registros em que a causa básica de morte não pode ocorrer em determinada faixa etária.

Importante destacar, um algoritmo (icd10_critica_idade.R) foi desenvolvido para analisar as críticas C20 e C21.

source("../../functions/icd10_criticas/icd10_critica_idade.R")

sim_crude <- icd10_critica_idade(sim_crude, sim_crude$CAUSABAS, sim_crude$IDADE)

sim_crude %>% count(str_sub(FLAG, end = 2)) # PROBLEMA!

sim_crude %>% count(FLAG) %>% arrange(desc(n))

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c20.

tb_c20 <- sim_crude %>% filter(str_detect(FLAG, "^M5"))
tb_c20

Crítica C21: Registros em que a causa básica de morte é pouco provável ocorrer em determinada faixa etária

Definição: Buscam-se os registros em que a causa básica de morte é pouco provável ocorrer em determinada faixa etária.

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c21.

tb_c21 <- sim_crude %>% filter(str_detect(FLAG, "^M6"))
tb_c21

6. Checagem de dados: Críticas específicas 4 (relativa aos óbitos não fetais e a variável sexo)

Este bloco é composto por duas críticas específicas sobre o preenchimento da causa básica, conforme apresentado a seguir.

Crítica C09: Registros do sexo masculino com causa básica do sexo feminino

Definição: Nesta consulta são selecionados os óbitos masculinos que foram atribuídos causas básicas exclusivamente femininas.

icd10_codes <- aux_data$TabAux_03_Cid_p_Sexo_Fem$CID_4c # 894 codigos

sim_crude %>% filter(TIPOBITO %in% 2, SEXO == 1, CAUSABAS %in% icd10_codes) %>% count()

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c09.

tb_c09 <- sim_crude %>% filter(TIPOBITO %in% 2, SEXO == 1, CAUSABAS %in% icd10_codes) 
tb_c09

Crítica C10: Registros do sexo feminino com causa básica do sexo masculino

Definição: Nesta consulta são selecionados os óbitos femininos que foram atribuídos causas básicas exclusivamente masculinas.

icd10_codes <- aux_data$TabAux_04_Cid_p_Sexo_Masc$CID_4c # 147 codigos

sim_crude %>% filter(TIPOBITO %in% 2, SEXO == 2, CAUSABAS %in% icd10_codes) %>% count() # OK!

Não foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c10.

tb_c10 <- sim_crude %>% filter(TIPOBITO %in% 2, SEXO == 2, CAUSABAS %in% icd10_codes)
tb_c10

7. Checagem de dados: Críticas específicas 5 (relativa a condições maternas)

Este bloco é composto por três críticas específicas sobre o preenchimento da causa básica e das causas associadas de óbito, conforme apresentado a seguir.

Crítica C08: Casos inconsistentes caso sejam materno declarado

Definição: A partir da definição do algoritmo das causas de óbitos materno declaradas, pesquisam-se os possíveis registros incoerentes com a definição. Recomenda-se dar prioridade, nesta correção, devido à importância do indicador. Buscam-se os registros em que:
- Causa básica está entre “O000” e “O998” e sexo for diferente de feminino;
- Causa básica está entre “O00” e “O95” ou entre “O98” e “O99” e idade menor de 410, ou idade maior de 450 ou idade em branco ou idade iniciada com 9;
- Causa básica igual M830, A34 e F32 e óbito no puerpério diferente de “Sim até 42 dias”.

sim_crude %>% 
  filter(TIPOBITO == 2, !SEXO %in% 2, str_detect(CAUSABAS, "^O")) %>% 
  count(SEXO) # PROBLEMA!

sim_crude %>% 
  mutate(IDADE = str_remove_all(IDADE, "[^[:digit:]]")) %>% 
  filter(TIPOBITO == 2, str_detect(CAUSABAS, "^O[0-8]|O9[0-5,8-9]")) %>% 
  filter(str_detect(IDADE, "^40|410|^4[5-9]|^9") | IDADE == "") %>% 
  count(IDADE) # PROBLEMA!

sim_crude %>% 
  filter(TIPOBITO == 2, str_detect(CAUSABAS, "M830|^A34|^F32")) %>% 
  filter(!OBITOPUERP %in% 1) %>% 
  count() # PROBLEMA!

tb_c08a <- sim_crude %>% filter(TIPOBITO == 2, !SEXO %in% 2, str_detect(CAUSABAS, "^O"))
tb_c08a

tb_c08b <- sim_crude %>% 
  mutate(IDADE = str_remove_all(IDADE, "[^[:digit:]]")) %>% 
  filter(TIPOBITO == 2, str_detect(CAUSABAS, "^O[0-8]|O9[0-5,8-9]")) %>% 
  filter(str_detect(IDADE, "^40|410|^4[5-9]|^9") | IDADE == "")
tb_c08b

tb_c08c <- sim_crude %>% 
  filter(TIPOBITO == 2, str_detect(CAUSABAS, "M830|^A34|^F32")) %>% 
  filter(!OBITOPUERP %in% 1)
tb_c08c

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c08.

tb_c08 <- bind_rows(tb_c08a, tb_c08b, tb_c08c) %>% distinct()
tb_c08

Crítica C18: Registros que podem ser óbitos maternos

Definição: Pesquisam-se os registros que contenham nos campos do atestado médico (LINHAA, LINHAB, LINHAC, LINHAD e PARTEII) CID que sejam do Capítulo XV - Gravidez, parto e puerpério (O00-O99), menos O96 e O97, e que tenha causa básica de morte fora do intervalo entre O00-O99.

sim_crude %>% 
  filter(TIPOBITO == 2) %>% 
  mutate(across(c("LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII"), ~replace_na(., ""))) %>% # "ATESTADO"
  mutate(ALL_CAUSE = str_c(LINHAA, LINHAB, LINHAC, LINHAD, LINHAII, sep = "")) %>% 
  filter(str_detect(ALL_CAUSE, "O[0-8]|O9[0-5,8-9]")) %>% 
  filter(!str_detect(CAUSABAS, "^O")) %>% 
  count() # PROBLEMA!

Foram encontradas inconsistências para esta regra. Os resultados foram armazenados no objeto tb_c18.

tb_c18 <- sim_crude %>% 
  filter(TIPOBITO == 2) %>% 
  mutate(across(c("LINHAA", "LINHAB", "LINHAC", "LINHAD", "LINHAII"), ~replace_na(., ""))) %>% # "ATESTADO"
  mutate(ALL_CAUSE = str_c(LINHAA, LINHAB, LINHAC, LINHAD, LINHAII, sep = "")) %>% 
  filter(str_detect(ALL_CAUSE, "O[0-8]|O9[0-5,8-9]")) %>% 
  filter(!str_detect(CAUSABAS, "^O"))
tb_c18

Crítica C17: Consulta para qualificação dos campos “OBITOGRAV”, “OBITOPUERP” e “TPMORTEOCO”

Definição: Esta listagem visa melhorar o preenchimento dos campos óbito no parto (OBITOGRAV) e óbito no puerpério (OBITOPUERP) no modelo de DO antiga e, no modelo de DO nova, o campo óbito em mulher em idade fértil (TPMORTEOCO) em duas situações: (i) Óbitos em mulheres de idade fértil (MIF), entre 10 e 49 anos; (ii) Óbitos em mulheres onde a causa básica de morte está contida no capítulo 15 da CID 10 “Gravidez, parto e puerpério” (O00-O99).

sim_crude %>% 
  filter(TIPOBITO %in% 2, SEXO %in% 2) %>% 
  filter(str_detect(IDADE, "^4[1-4]") | str_detect(CAUSABAS, "^O")) %>% 
  summarise(NA_TPMORTEOCO = sum_(TPMORTEOCO == ""), # ATENCAO: var de obito MIF
            #NA_OBITOPARTO = sum_(OBITOPARTO == ""), # ATENCAO: var de obito fetal ou infantil
            NA_OBITOGRAV = sum_(OBITOGRAV == ""), # ATENCAO: var de obito MIF
            NA_OBITOPUERP = sum_(OBITOPUERP == "")) # ATENCAO: var de obito MIF

tb_c17 <- 
  sim_crude %>% 
  filter(TIPOBITO %in% 2, SEXO %in% 2) %>% 
  filter(str_detect(IDADE, "^4[1-4]") | str_detect(CAUSABAS, "^O")) %>% 
  filter(TPMORTEOCO == "", OBITOGRAV == "", OBITOPUERP == "")
tb_c17

Salvar resultados

tb_check_sim <- 
  list(tb_info = aux_data$tb_criticas %>% select(id, bloco, codigo, descricao),
       tb_c29 = tb_c29, tb_c26 = tb_c26, tb_c28 = tb_c28, tb_c01 = tb_c01, tb_c02 = tb_c02, tb_c12 = tb_c12, tb_c23 = tb_c23, tb_c14 = tb_c14, tb_c13 = tb_c13, tb_c22 = tb_c22, tb_c27 = tb_c27, tb_c16 = tb_c16, tb_c15 = tb_c15, tb_c05 = tb_c05, tb_c19 = tb_c19, tb_c25 = tb_c25, tb_c24 = tb_c24, tb_c07 = tb_c07, tb_c06 = tb_c06, tb_c11 = tb_c11, tb_c20 = tb_c20, tb_c21 = tb_c21, tb_c09 = tb_c09, tb_c10 = tb_c10, tb_c08 = tb_c08, tb_c18 = tb_c18, tb_c17 = tb_c17) # tb_c03, tb_c04

wb <- createWorkbook()

for(i in seq_along(tb_check_sim)){
  
  addWorksheet(wb, sheetName = names(tb_check_sim[i]))
  modifyBaseFont(wb, fontSize = 10, fontName = "Arial Narrow")
  writeDataTable(wb, sheet = names(tb_check_sim[i]), x = tb_check_sim[[i]])
  
}

saveWorkbook(wb, "./sim_data_results/tb2_check_sim_criticas.xlsx", overwrite = T)

# ls()[str_detect(ls(), "tb_")]
tb1_check_sim_criticas <- 
  sim_crude %>% 
  mutate(C29_duplicidade = case_when(NUMERODO %in% tb_c29$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C26_municipio = case_when(NUMERODO %in% tb_c26$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C28_lococor_estab = case_when(NUMERODO %in% tb_c28$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C00_preliminares = case_when(NUMERODO %in% tb_c00$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C01_cb_branco = case_when(NUMERODO %in% tb_c01$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C02_cb_incorreto = case_when(NUMERODO %in% tb_c02$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C12_cb_excluido = case_when(NUMERODO %in% tb_c12$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C23_cb_naopode = case_when(NUMERODO %in% tb_c23$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C14_cb_asterisco = case_when(NUMERODO %in% tb_c14$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C13_cb_trivial = case_when(NUMERODO %in% tb_c13$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C22_cb_plausibilidade = case_when(NUMERODO %in% tb_c22$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C27_cb_improvavel = case_when(NUMERODO %in% tb_c27$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C16_cb_erradicada = case_when(NUMERODO %in% tb_c16$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C15_cb_interesse = case_when(NUMERODO %in% tb_c15$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  #mutate(C03_naofetal_nome = case_when(NUMERODO %in% tb_c03$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  #mutate(C04_fetal_nome = case_when(NUMERODO %in% tb_c04$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C05_fetal_idade = case_when(NUMERODO %in% tb_c05$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C19_fetal_cb_naofetal = case_when(NUMERODO %in% tb_c19$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C25_naofetal_cb_fetal = case_when(NUMERODO %in% tb_c25$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C24_maior1ano = case_when(NUMERODO %in% tb_c24$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C07_naofetal_idade = case_when(NUMERODO %in% tb_c07$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C06_maior125anos = case_when(NUMERODO %in% tb_c06$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C11_idade_invalida = case_when(NUMERODO %in% tb_c11$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C20_cb_idade_naopode = case_when(NUMERODO %in% tb_c20$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C21_cb_idade_improvavel = case_when(NUMERODO %in% tb_c21$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C09_cb_masc_fem = case_when(NUMERODO %in% tb_c09$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C10_cb_fem_masc = case_when(NUMERODO %in% tb_c10$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C08_materno_inconsistente = case_when(NUMERODO %in% tb_c08$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C18_materno_podeser = case_when(NUMERODO %in% tb_c18$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(C17_materno_qualifica = case_when(NUMERODO %in% tb_c17$NUMERODO ~ 1L, TRUE ~ 0L)) %>% 
  mutate(TOTAL_CRITICAS = C29_duplicidade + C26_municipio + C28_lococor_estab + C00_preliminares + C01_cb_branco + C02_cb_incorreto + C12_cb_excluido + C23_cb_naopode + C14_cb_asterisco + C13_cb_trivial + C22_cb_plausibilidade + C27_cb_improvavel + C16_cb_erradicada + C15_cb_interesse + C05_fetal_idade + C19_fetal_cb_naofetal + C25_naofetal_cb_fetal + C24_maior1ano + C07_naofetal_idade + C06_maior125anos + C11_idade_invalida + C20_cb_idade_naopode + C21_cb_idade_improvavel + C09_cb_masc_fem + C10_cb_fem_masc + C08_materno_inconsistente + C18_materno_podeser + C17_materno_qualifica) %>% 
  filter(TOTAL_CRITICAS > 0)

wb <- createWorkbook()

addWorksheet(wb, sheetName = "tb_info")
addWorksheet(wb, sheetName = "tb_revisao")
modifyBaseFont(wb, fontSize = 10, fontName = "Arial Narrow")
writeDataTable(wb, sheet = "tb_info", x = aux_data$tb_criticas %>% select(id, bloco, codigo, nome_abrev, descricao))
writeDataTable(wb, sheet = "tb_revisao", x = tb1_check_sim_criticas)

saveWorkbook(wb, "./sim_data_results/tb1_check_sim_criticas.xlsx", overwrite = T)

Conclusão

Um resumo dos resultados das análises de duplicidades e inconsistências é apresentado na tabela abaixo. Observou-se um total de 105.720 ‘alertas’ de duplicidades/inconsistências em dados (preliminares) de 1.485.653 óbitos fetais e não fetais ocorridos no Brasil em 2023. Isto corresponde a 7,2% dos registros. As três maiores ocorrências foram nas críticas C23 (Registros com CID que não podem ser usados como causa básica de morte), c15 (Registros com causas de interesse epidemiológico), C17 (Consulta para qualificação dos campos “OBITOPARTO”, “OBITOPUERP” e “TPMORTEOCO”). Adicionalmente, estes resultados podem ser explorados segundo características de lugar e tempo para melhor compreender seu padrão de ocorrência.

tb1_check_sim_criticas %>% 
  select(38:66) %>% 
  summarise(across(everything(), sum_)) %>% 
  pivot_longer(everything(.), names_to = "CRITICAS", values_to = "NÚMERO DE REGISTROS") %>% 
  arrange(desc(`NÚMERO DE REGISTROS`)) %>% 
  mutate(`% no total de críticas` = round((`NÚMERO DE REGISTROS`/105720)*100, 2)) %>% 
  mutate(`% no total de óbitos` = round((`NÚMERO DE REGISTROS`/1459167)*100, 2))

Esta rotina de checagem de dados terminou em 2024-05-24 14:40:12.607127.

Sys.time() - t0 

## Time difference of 10.4331 mins