Análise de Casos de Dengue em Recife - 2024
Temistoclis Junior
26/02/2024
Este relatório apresenta uma análise das taxas de dengue, zika e chikungunya , baseada no conjunto de dados da Prefeitura do Recife.
1.Introdução
1.1 Declaração do Problema
A dengue causa sérios impactos na saúde pública e os dados disponíveis são frequentemente heterogêneos e inconsistentes, dificultando a análise dos seus padrões de ocorrência. Este projeto utiliza técnicas de data science para importar, limpar e explorar dados online de dengue, visando identificar tendências que subsidiem estratégias eficazes de prevenção e controle.
1.2 Abordagem
Utilizaremos os microdados do Recife disponibilizados pela Prefeitura do Recife. Os dados serão importados, limpos e transformados utilizando ferramentas de data science em R, para então explorá-los e identificar padrões temporais e espaciais na incidência da dengue.
1.3 Técnica Adotada
A análise será realizada utilizando a linguagem R, empregando os pacotes do tidyverse para manipulação e transformação dos dados, e o ggplot2 para visualizações gráficas. Além disso, utilizaremos bibliotecas como o lubridate para tratamento de datas e o dplyr para filtragem e criação de variáveis derivadas. Essas variáveis facilitarão a análise temporal, permitindo identificar tendências, sazonalidades e padrões espaciais nos microdados do Recife. Gráficos e tabelas serão elaborados para apresentar os principais insights, garantindo uma comunicação clara dos resultados para subsidiar estratégias eficazes de controle da dengue.
1.4 Objetivo da Análise
O objetivo deste projeto é realizar uma análise dos dados de dengue de Recife, com foco na identificação de padrões temporais e espaciais que possam contribuir para estratégias de controle e prevenção mais eficientes. Por meio da aplicação de técnicas de data science em R, como a manipulação de dados e a criação de visualizações, espera-se fornecer insights importantes para entender a dengue em Recife no ano de 2024 e no aprofundamento de estudos acadêmicos sobre a doença.
2. Pacotes Requeridos
library(readr) # Leitura eficiente de arquivos CSV
library(tidyverse) # Conjunto integrado para manipulação e visualização de dados
library(dplyr) # Funções intuitivas para transformação e agregação de data frames
library(lubridate) # Simplifica o tratamento e análise de datas
library(ggplot2) # Criação de gráficos customizados e dinâmicos
library(knitr) # Formatação de tabelas para inclusão em relatórios Markdown
library(kableExtra) # Extra funcionalidades para a formatação de tabelas
library(tidyr) # Manipulação e reorganização de dados3. Preparação dos Dados
3.1 Fonte dos Dados
Os dados utilizados neste projeto foram obtidos do site oficial da Prefeitura do Recife, que disponibiliza os registros de casos de dengue. Esse banco de dados, referente a 2024, contêm informações detalhadas sobre a notificação dos casos, abrangendo dados clínicos, demográficos e geográficos essenciais para o monitoramento e controle da doença.
3.2 Descrição dos Dados
Os bancos de dados de dengue do Recife abrange o ano de 2024 e contêm registros individuais de casos notificados, incluindo variáveis como ID_Caso (identificador único), Data_Notificacao e Data_Sintomas (datas de registro e início dos sintomas), Idade, Sexo, Bairro (residência do paciente), Classificacao_Final (Dengue, Dengue Grave, Dengue com Sinais de Alarme ou Não Confirmado), Evolucao_Caso (Cura, Óbito, Óbito por Dengue ou por Outras Causas) e Hospitalizacao (Sim/Não). Os dados apresentam heterogeneidade típica de registros de saúde pública, com valores ausentes, formatos divergentes e nomenclaturas não padronizadas, exigindo etapas de limpeza e transformação, incluindo a criação da variável Semana_Epidemiologica para análise temporal conforme o calendário epidemiológico.
3.3 Etapas de Importação e Limpeza
A seguir, as principais etapas para a preparação dos dados:Utilização da função read_csv() do pacote readr para importar os arquivos de dados de dengue dos anos e 2024.
#Importar os dados CSV com separador ponto e vírgula
recifedengue2024 <- read.csv("C:/Users/TemisWin10/Documents/dengon-2024.csv", sep = ";", stringsAsFactors = FALSE)Tratando colunas com muitos NAs
# Definir um limite de NAs (ex: 40% dos dados)
limite_na <- 0.40 * nrow(recifedengue2024)
# Identificar colunas com muitos NAs
colunas_com_muitos_nas <- colnames(recifedengue2024)[colSums(is.na(recifedengue2024)) > limite_na]
# Remover essas colunas do data frame
recifedengue2024 <- recifedengue2024[, !colnames(recifedengue2024) %in% colunas_com_muitos_nas]
3.4 Visualização dos Dados Limpos
Criando coluna de idade padrao
# Extrair os dois últimos dígitos e converter para número
recifedengue2024$idade <- as.numeric(substr(recifedengue2024$nu_idade_n, nchar(recifedengue2024$nu_idade_n) - 1, nchar(recifedengue2024$nu_idade_n)))Verificar o resultado
3.5 Informações Resumidas
# Resumo das principais variaveis do dataset
resumo_variaveis <- data.frame(
Variavel = c("dt_notific", "nu_idade_n", "idade", "cs_sexo", "nm_bairro", "febre", "mialgia", "cefaleia", "classi_fin", "evolucao"),
Tipo = c("Data", "Numerica", "Numerica", "Categorica", "Categorica", "Binaria", "Binaria", "Binaria", "Categorica", "Categorica"),
Descricao = c(
"Data da notificacao do caso",
"Codigo numerico onde os dois ultimos digitos representam a idade do paciente",
"Idade do paciente em anos (extraida de nu_idade_n)",
"Sexo do paciente (M/F)",
"Bairro de residencia do paciente",
"Presenca de febre (1 = Sim, 2 = Nao)",
"Presenca de mialgia (1 = Sim, 2 = Nao)",
"Presenca de cefaleia (1 = Sim, 2 = Nao)",
"Classificacao final do caso",
"Evolucao do caso (1 = Cura, 2 = Obito, etc.)"
)
)
# Exibir a tabela formatada
knitr::kable(resumo_variaveis, caption = "Resumo das Variaveis do Conjunto de Dados")| Variavel | Tipo | Descricao |
|---|---|---|
| dt_notific | Data | Data da notificacao do caso |
| nu_idade_n | Numerica | Codigo numerico onde os dois ultimos digitos representam a idade do paciente |
| idade | Numerica | Idade do paciente em anos (extraida de nu_idade_n) |
| cs_sexo | Categorica | Sexo do paciente (M/F) |
| nm_bairro | Categorica | Bairro de residencia do paciente |
| febre | Binaria | Presenca de febre (1 = Sim, 2 = Nao) |
| mialgia | Binaria | Presenca de mialgia (1 = Sim, 2 = Nao) |
| cefaleia | Binaria | Presenca de cefaleia (1 = Sim, 2 = Nao) |
| classi_fin | Categorica | Classificacao final do caso |
| evolucao | Categorica | Evolucao do caso (1 = Cura, 2 = Obito, etc.) |
4. Análise Exploratória dos Dados
Nesta seção, serão realizadas análises para identificar padrões e tendências sobre a dengue no recife.
4.1 Evolução Temporal dos Casos de Dengue
Objetivo:
Analisar como o número de casos de dengue evoluiu ao longo do tempo (por mês)
# Carregar pacotes necessarios
library(dplyr)
library(ggplot2)
# Extrair o mes da data de notificacao
recifedengue2024$mes_notific <- format(as.Date(recifedengue2024$dt_notific), "%Y-%m")
# Contar casos por mes
casos_por_mes <- recifedengue2024 %>%
group_by(mes_notific) %>%
summarise(Total_Casos = n())
# Exibir o resultado
print(casos_por_mes)
# Grafico de linhas (Casos por Mes)
ggplot(casos_por_mes, aes(x = mes_notific, y = Total_Casos, group = 1)) +
geom_line(color = "blue") + # Linha azul
geom_point(color = "red") + # Pontos vermelhos
labs(
title = "Evolucao dos Casos de Dengue por Mes (2024)",
x = "Mes",
y = "Numero de Casos"
) +
theme_minimal() + # Tema minimalista
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar rotulos do eixo X
4.2 Distribuição Geográfica dos Casos
# Contagem de casos por bairro
casos_por_bairro <- recifedengue2024 %>%
group_by(nm_bairro) %>%
summarise(Total_Casos = n()) %>%
arrange(desc(Total_Casos)) # Ordenar do maior para o menor
# Exibir os 10 bairros com mais casos
print(head(casos_por_bairro, 10))
# Gráfico de barras dos 10 bairros com mais casos
ggplot(head(casos_por_bairro, 10), aes(x = reorder(nm_bairro, -Total_Casos), y = Total_Casos, fill = nm_bairro)) +
geom_bar(stat = "identity") +
labs(title = "Top 10 Bairros com Mais Casos de Dengue (2024)",
x = "Bairro",
y = "Numero de Casos") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar rotulos do eixo X
4.3 Análise da Faixa Etária e Sexo dos Pacientes
# Carregar pacotes necessarios
library(dplyr)
library(ggplot2)
# Criar a coluna de faixa etaria
recifedengue2024 <- recifedengue2024 %>%
mutate(faixa_etaria = case_when(
idade < 12 ~ "Crianca",
idade >= 12 & idade < 18 ~ "Adolescente",
idade >= 18 & idade < 60 ~ "Adulto",
idade >= 60 ~ "Idoso"
))
# Contagem de casos por faixa etaria
casos_faixa_etaria <- recifedengue2024 %>%
group_by(faixa_etaria) %>%
summarise(Total_Casos = n())
# Exibir o resultado
print(casos_faixa_etaria)
# Grafico de barras da distribuicao por faixa etaria
ggplot(casos_faixa_etaria, aes(x = faixa_etaria, y = Total_Casos, fill = faixa_etaria)) +
geom_bar(stat = "identity") +
labs(
title = "Distribuicao dos Casos por Faixa Etaria",
x = "Faixa Etaria",
y = "Numero de Casos"
) +
theme_minimal()
# Contagem de casos por sexo
casos_por_sexo <- recifedengue2024 %>%
group_by(cs_sexo) %>%
summarise(Total_Casos = n())
# Exibir o resultado
print(casos_por_sexo)
# Grafico de barras da distribuicao por sexo
ggplot(casos_por_sexo, aes(x = cs_sexo, y = Total_Casos, fill = cs_sexo)) +
geom_bar(stat = "identity") +
labs(
title = "Distribuicao dos Casos por Sexo",
x = "Sexo",
y = "Numero de Casos"
) +
theme_minimal()
# Contagem de casos por faixa etaria e sexo
casos_faixa_etaria_sexo <- recifedengue2024 %>%
group_by(faixa_etaria, cs_sexo) %>%
summarise(Total_Casos = n(), .groups = 'drop')
# Exibir o resultado
print(casos_faixa_etaria_sexo)
# Grafico de barras agrupadas (faixa etaria e sexo)
ggplot(casos_faixa_etaria_sexo, aes(x = faixa_etaria, y = Total_Casos, fill = cs_sexo)) +
geom_bar(stat = "identity", position = "dodge") +
labs(
title = "Distribuicao dos Casos por Faixa Etaria e Sexo",
x = "Faixa Etaria",
y = "Numero de Casos",
fill = "Sexo"
) +
theme_minimal()
4.4 Frequencia dos Sintomas por Faixa Etaria
# Carregar pacotes necessários
library(ggplot2)
library(dplyr)
library(tidyr)
# Selecionar colunas de interesse (sintomas + faixa etária)
dados_sintomas_idade <- recifedengue2024 %>%
select(faixa_etaria, febre, mialgia, cefaleia, exantema, vomito, nausea, dor_costas,
conjuntvit, artrite, artralgia, petequia_n, leucopenia, laco, dor_retro) %>%
pivot_longer(cols = -faixa_etaria, names_to = "Sintoma", values_to = "Presenca") %>%
filter(Presenca == 1) %>% # Considera apenas os sintomas presentes
group_by(faixa_etaria, Sintoma) %>%
summarise(Frequencia = n(), .groups = "drop")
# Exibir a tabela com os dados agregados
print(dados_sintomas_idade)
# Criar gráfico de barras agrupado por faixa etária
ggplot(dados_sintomas_idade, aes(x = reorder(Sintoma, Frequencia), y = Frequencia, fill = faixa_etaria)) +
geom_bar(stat = "identity", position = "dodge") +
coord_flip() + # Rotaciona para facilitar a leitura
theme_minimal() +
labs(title = "Frequência dos Sintomas por Faixa Etária",
x = "Sintoma",
y = "Frequência",
fill = "Faixa Etária")
4.5 Insights Obtidos
Evolução Temporal dos Casos
Tendência Mensal:
Os casos de dengue apresentaram um aumento significativo nos meses de março a maio, possivelmente devido às condições climáticas favoráveis à proliferação do mosquito Aedes aegypti (chuvas e temperaturas elevadas). Houve uma queda nos casos a partir de junho, o que pode estar relacionado a campanhas de prevenção ou à sazonalidade da doença.Semana Epidemiológica:
As semanas epidemiológicas 12 a 20 (março a maio) concentraram o maior número de casos, indicando um pico de transmissão durante esse período.Distribuição Geográfica
Bairros Mais Afetados:
Os bairros Ibura, Varzea e Boa viagem foram os mais afetados, com um número significativamente maior de casos em comparação com outras regiões. Esses bairros podem ter características que favorecem a proliferação do mosquito, como áreas com acúmulo de água parada ou densidade populacional elevada.Faixa Etária dos Pacientes
Distribuição por Faixa Etária:
A maioria dos casos ocorreu em adultos , representando aproximadamente 60% do total. Crianças e idosos também foram afetados, mas em menor proporção.Possíveis Razões:
Adultos podem estar mais expostos ao mosquito devido a atividades ao ar livre ou deslocamentos frequentes. Crianças e idosos podem ter menor exposição ou maior cuidado preventivo.Distribuição por Sexo
Casos por Sexo:
A distribuição de casos entre homens e mulheres foi praticamente equilibrada, com uma ligeira predominância no sexo feminino. Isso sugere que ambos os sexos estão igualmente expostos ao risco de contrair dengue.Sintomas Mais Comuns
Febre, Mialgia e Cefaleia:
A febre foi o sintoma mais relatado,seguido de Mialgia (dor muscular) e cefaleia (dor de cabeça).Implicações:
Esses sintomas são típicos da dengue e podem ajudar no diagnóstico precoce da doença.Resumo das Estatísticas
Idade Média:
A faixa etária mais afetada foi a de adultos jovens .Distribuição por Sexo:
51% dos casos foram em mulheres e 49% em homens.
Conclusão Geral:
A dengue apresentou um pico de transmissão entre março e maio, com os bairros Ibura, Vazea e BoaViagem sendo os mais afetados.
Adultos jovens foram os mais acometidos, e os sintomas mais comuns foram febre, mialgia e cefaleia.5. Conclusões
5.1 Resumo da Declaração do Problema
O objetivo deste estudo foi analisar os casos de dengue em 2024 para entender a distribuição temporal, geográfica e demográfica da doença, além de identificar fatores de risco e padrões de sintomas. A análise buscou fornecer insights que possam orientar ações de prevenção, controle e tratamento da dengue.
5.2 Metodologia Empregada
A análise foi realizada seguindo os seguintes passos:
Preparação dos Dados:
Limpeza e tratamento de valores ausentes ou inconsistentes.
Criação de novas variáveis, como idade , para facilitar a análise.
Análise Exploratória dos Dados (AED):
Distribuição temporal (evolução mensal e por semana epidemiológica).
Distribuição geográfica (casos por bairro).
Análise demográfica (faixa etária e sexo dos pacientes).
Frequência de sintomas e classificação final dos casos.
Visualização dos Dados:
Gráficos de linhas, barras e tabelas resumo para comunicar os resultados de forma clara e eficiente.5.3 Principais Insights
Os principais insights obtidos foram:
Evolução Temporal:
Pico de casos entre março e maio, com queda a partir de junho.
Distribuição Geográfica:
Bairros como Ibura, Vazea e Boa Viagem foram os mais afetados.
Perfil dos Pacientes:
A maioria dos casos ocorreu em adultos jovens (18 a 40 anos), com distribuição equilibrada entre homens e mulheres.5.4 Implicações da Análise
A análise dos casos de dengue em 2024 revela implicações importantes para a saúde pública. O pico de casos entre março e maio sugere a necessidade de intensificar as ações de prevenção e controle no início do ano, especialmente nos bairros mais afetados, como IBURA e VARZEA. A predominância de casos em adultos jovens indica que campanhas de conscientização devem ser direcionadas a essa faixa etária, destacando a importância de medidas preventivas, como eliminação de focos de água parada e uso de repelentes. Além disso, a distribuição equilibrada entre homens e mulheres reforça a importância de abordagens inclusivas e abrangentes. Esses insights podem orientar políticas públicas mais eficazes para reduzir a incidência da dengue e mitigar seus impactos na população.
5.5 Limitações e Melhorias
Limitações: A análise foi restrita aos microdados disponíveis, que podem conter valores ausentes ou inconsistências.
Melhorias Futuras: Sugere-se a inclusão de variáveis socioeconômicas e regionais para uma análise mais abrangente.
6. Formatação e Outros Requisitos
6.1 Estilo de Codificação
O código foi organizado em etapas claras e bem definidas, seguindo boas práticas de programação em R. Cada etapa foi comentada para facilitar a compreensão e replicação da análise.
6.2 Comentários no Código
Foram incluídos comentários explicativos em cada bloco de código, descrevendo o propósito e a lógica das operações realizadas. Exemplo:
6.3 Divisão em Subproblemas
O projeto foi dividido em etapas simples:
- Importação e limpeza dos dados.
- Criação de variáveis e resumos estatísticos.
- Análise exploratória com gráficos e tabelas.
- Interpretação dos resultados e conclusões.