Analise_Fem
Bruna Morim, Matilde Tavares
2024-11-21
knitr::opts_chunk$set(echo = TRUE, include = TRUE, warning = TRUE, message = TRUE, error = TRUE,
fig.width = 6, fig.height = 4, fig.align = "center", fig.cap = "")Abertura de librarias e Preparação dos Dados
Para a análise estatística, mantivemos apenas a variável referente a queimaduras de grau 3, uma vez que esta já engloba a gravidade máxima considerada no estudo e está subjacente à nossa abordagem analítica. Dessa forma, queimaduras de grau 1 e grau 2, sendo categorias inferiores dentro da mesma classificação, não foram incluídas como variáveis separadas.
Além disso, verificou-se que as variáveis Tabagismo e Doença Psiquiátrica estavam completamente explicadas uma pela outra, indicando uma redundância no modelo estatístico posterir. Diante disso, optou-se por remover, com concentimento do clínico, uma das variáveis e manter apenas “Tabagismo”.
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(gtsummary)
library(ggplot2)
library(corrplot)## corrplot 0.95 loadedlibrary(FSA)## ## FSA v0.9.5. See citation('FSA') if used in publication.
## ## Run fishR() for related website and fishR('IFAR') for related book.library(car)## Loading required package: carData
## Registered S3 methods overwritten by 'car':
## method from
## hist.boot FSA
## confint.boot FSA
##
## Attaching package: 'car'
##
## The following object is masked from 'package:FSA':
##
## bootCase
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following object is masked from 'package:purrr':
##
## somelibrary(readxl)
library(broom)
library(nnet)
library(caret)## Loading required package: lattice
##
## Attaching package: 'caret'
##
## The following object is masked from 'package:purrr':
##
## liftlibrary(QuantPsyc)## Loading required package: boot
##
## Attaching package: 'boot'
##
## The following object is masked from 'package:lattice':
##
## melanoma
##
## The following object is masked from 'package:car':
##
## logit
##
## Loading required package: MASS
##
## Attaching package: 'MASS'
##
## The following object is masked from 'package:gtsummary':
##
## select
##
## The following object is masked from 'package:dplyr':
##
## select
##
##
## Attaching package: 'QuantPsyc'
##
## The following object is masked from 'package:base':
##
## normlibrary(lmtest)## Loading required package: zoo
##
## Attaching package: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(GGally)## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2library(MASS)
library(foreign)
library(report)
library(sjPlot)## Learn more about sjPlot with 'browseVignettes("sjPlot")'.library(finalfit)
library(ppcor)
library(dplyr)
library(graphics)
library(Metrics)##
## Attaching package: 'Metrics'
##
## The following objects are masked from 'package:caret':
##
## precision, recall
##
## The following object is masked from 'package:FSA':
##
## selibrary(pROC)## Type 'citation("pROC")' for a citation.
##
## Attaching package: 'pROC'
##
## The following object is masked from 'package:Metrics':
##
## auc
##
## The following objects are masked from 'package:stats':
##
## cov, smooth, varlibrary(lm.beta)##
## Attaching package: 'lm.beta'
##
## The following object is masked from 'package:QuantPsyc':
##
## lm.betalibrary(ResourceSelection)## ResourceSelection 0.3-6 2023-06-27rm(list=ls())
path<-getwd(); path## [1] "C:/Users/Lenovo/OneDrive - Universidade de Aveiro/Documents/Tese queimaduras"setwd(path)
library(readxl)
Dados_FEM <- read_excel("Bases de Dados_Aleatorizada.xlsx")
View(Dados_FEM)
table(Dados_FEM$Outcome)##
## Morte Vivo
## 81 690str(Dados_FEM)## tibble [772 × 37] (S3: tbl_df/tbl/data.frame)
## $ Identificação : num [1:772] 1.94e+10 1.94e+10 1.97e+10 1.96e+10 1.98e+10 ...
## $ Sexo : chr [1:772] "masculino" "feminino" "masculino" "feminino" ...
## $ Idade : num [1:772] 79 82 44 62 37 82 78 54 79 84 ...
## $ IMC : chr [1:772] "21.2" "23.05" NA NA ...
## $ TBSA % : chr [1:772] "7" "7" "1" "10" ...
## $ Áreas afetadas : chr [1:772] "MI" "MI" "MS" "Tronco anterior, MS, nádegas, MI" ...
## $ Área queimada: cabeça e pescoço : chr [1:772] NA NA NA NA ...
## $ Área queimada: Tronco : chr [1:772] NA NA NA NA ...
## $ Área queimada: Períneo : chr [1:772] NA NA NA NA ...
## $ Área queimada: Extremidade superior: chr [1:772] NA NA NA NA ...
## $ Área queimada: Extremidade inferior: chr [1:772] NA NA NA NA ...
## $ Grau : chr [1:772] NA NA NA NA ...
## $ Grau: 1º : chr [1:772] NA NA NA NA ...
## $ Grau: 2º : chr [1:772] NA NA NA NA ...
## $ Grau: 3º : chr [1:772] NA NA NA NA ...
## $ Causa : chr [1:772] "Fogo" "Fogo" "Fogo" "Líquido fervente" ...
## $ Tipo de acidente : chr [1:772] "Doméstico" "Doméstico" "Doméstico" "Doméstico" ...
## $ Tempo entre acidente e admissão : chr [1:772] NA NA NA NA ...
## $ Mês : chr [1:772] "Janeiro" "Janeiro" "Janeiro" "Janeiro" ...
## $ ABSI : num [1:772] 7 6 5 5 7 7 6 6 7 6 ...
## $ Baux revisto : chr [1:772] "9" "10" "1" "6" ...
## $ Indíce Charlson : chr [1:772] "*" "*" "0" "2" ...
## $ HTA : chr [1:772] NA NA NA NA ...
## $ Dislipidémia : chr [1:772] NA NA NA NA ...
## $ DCV : chr [1:772] NA NA NA NA ...
## $ Doença psiquiátrica : chr [1:772] NA NA NA NA ...
## $ Alcoolismo : chr [1:772] NA NA NA NA ...
## $ Tabagismo : chr [1:772] NA NA NA NA ...
## $ Lesão inalatória : chr [1:772] "Não" "Não" "Não" "Não" ...
## $ Ventilação mecânica : chr [1:772] "Sim" "Não" "Sim" "Não" ...
## $ Substituição renal : chr [1:772] NA NA NA NA ...
## $ CVC : chr [1:772] "Não" "Não" "Não" "Não" ...
## $ Sépsis : chr [1:772] NA NA NA NA ...
## $ Aminas : chr [1:772] NA NA NA NA ...
## $ Nº cirurgias : num [1:772] NA 2 NA NA NA NA NA NA NA NA ...
## $ Dias de internamento : num [1:772] 28 18 2 13 9 15 21 6 29 16 ...
## $ Outcome : chr [1:772] "Morte" "Vivo" "Vivo" "Vivo" ...head(Dados_FEM) ## # A tibble: 6 × 37
## Identificação Sexo Idade IMC `TBSA %` `Áreas afetadas`
## <dbl> <chr> <dbl> <chr> <chr> <chr>
## 1 19390200940 masculino 79 21.2 7 MI
## 2 19360300504 feminino 82 23.05 7 MI
## 3 19741201640 masculino 44 <NA> 1 MS
## 4 19560200701 feminino 62 <NA> 10 Tronco anterior, MS, nádegas, MI
## 5 19810501648 masculino 37 <NA> 25 Cabeça, Tronco anterior, MS
## 6 19361000790 feminino 82 20.41 2 Cabeça
## # ℹ 31 more variables: `Área queimada: cabeça e pescoço` <chr>,
## # `Área queimada: Tronco` <chr>, `Área queimada: Períneo` <chr>,
## # `Área queimada: Extremidade superior` <chr>,
## # `Área queimada: Extremidade inferior` <chr>, Grau <chr>, `Grau: 1º` <chr>,
## # `Grau: 2º` <chr>, `Grau: 3º` <chr>, Causa <chr>, `Tipo de acidente` <chr>,
## # `Tempo entre acidente e admissão` <chr>, Mês <chr>, ABSI <dbl>,
## # `Baux revisto` <chr>, `Indíce Charlson` <chr>, HTA <chr>, …colSums(is.na(Dados_FEM))## Identificação Sexo
## 1 0
## Idade IMC
## 0 163
## TBSA % Áreas afetadas
## 1 5
## Área queimada: cabeça e pescoço Área queimada: Tronco
## 122 122
## Área queimada: Períneo Área queimada: Extremidade superior
## 122 122
## Área queimada: Extremidade inferior Grau
## 122 126
## Grau: 1º Grau: 2º
## 126 126
## Grau: 3º Causa
## 126 0
## Tipo de acidente Tempo entre acidente e admissão
## 0 129
## Mês ABSI
## 0 1
## Baux revisto Indíce Charlson
## 1 2
## HTA Dislipidémia
## 125 125
## DCV Doença psiquiátrica
## 125 125
## Alcoolismo Tabagismo
## 125 125
## Lesão inalatória Ventilação mecânica
## 0 0
## Substituição renal CVC
## 125 0
## Sépsis Aminas
## 124 125
## Nº cirurgias Dias de internamento
## 124 0
## Outcome
## 1#Seleção das variaveis de interesse
dados = Dados_FEM[, c("Sexo", "Idade", "TBSA %", "Causa", "Tipo de acidente", "ABSI", "Baux revisto","Indíce Charlson", "Lesão inalatória", "Ventilação mecânica","CVC","Dias de internamento","Outcome","Mês", "Nº cirurgias","Doença psiquiátrica","Alcoolismo", "Tabagismo", "Substituição renal","Sépsis","Aminas","Área queimada: cabeça e pescoço","Área queimada: Tronco", "Área queimada: Períneo", "Área queimada: Extremidade superior","Área queimada: Extremidade inferior","Grau: 3º")]
View(dados)Limpeza da Base de Dados e Recodificação de Variáveis
Omissão de caracteres inconclusivos e NAs da base de dados. Recodificação das variáveis quantitativas como as.numeric, categóricas como as.factor.
Para variáveis com mais de quatro subgrupos, optou-se por simplificar a estrutura categórica: os dois subgrupos de maior relevância foram mantidos separadamente, enquanto os demais foram agrupados sob uma categoria genérica que denominamos “Outra”.
colnames(Dados_FEM)## [1] "Identificação" "Sexo"
## [3] "Idade" "IMC"
## [5] "TBSA %" "Áreas afetadas"
## [7] "Área queimada: cabeça e pescoço" "Área queimada: Tronco"
## [9] "Área queimada: Períneo" "Área queimada: Extremidade superior"
## [11] "Área queimada: Extremidade inferior" "Grau"
## [13] "Grau: 1º" "Grau: 2º"
## [15] "Grau: 3º" "Causa"
## [17] "Tipo de acidente" "Tempo entre acidente e admissão"
## [19] "Mês" "ABSI"
## [21] "Baux revisto" "Indíce Charlson"
## [23] "HTA" "Dislipidémia"
## [25] "DCV" "Doença psiquiátrica"
## [27] "Alcoolismo" "Tabagismo"
## [29] "Lesão inalatória" "Ventilação mecânica"
## [31] "Substituição renal" "CVC"
## [33] "Sépsis" "Aminas"
## [35] "Nº cirurgias" "Dias de internamento"
## [37] "Outcome"cols_to_replace = c("Sexo", "Idade", "TBSA %", "Causa", "Tipo de acidente", "ABSI", "Baux revisto","Indíce Charlson", "Lesão inalatória", "Ventilação mecânica","CVC","Dias de internamento","Outcome","Mês", "Nº cirurgias","Alcoolismo", "Tabagismo", "Substituição renal","Sépsis","Aminas","Área queimada: cabeça e pescoço","Área queimada: Tronco", "Área queimada: Períneo", "Área queimada: Extremidade superior","Área queimada: Extremidade inferior","Grau: 3º")
dados[cols_to_replace] = lapply(dados[cols_to_replace], function(x) {
x[ x %in% c("*","*1","*2","*3","*4","*5", "*10","*25","*43", "Sim ?")] <- NA
return(x)
})
#Verificar mudanças
lapply(dados, function(col) table(col, useNA = "ifany"))## $Sexo
## col
## feminino masculino
## 339 433
##
## $Idade
## col
## 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
## 5 7 4 4 5 8 3 7 4 3 5 7 10 5 8 4 4 5 11 10
## 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57
## 2 14 9 11 11 13 12 9 13 10 8 7 17 13 13 9 14 9 12 11
## 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77
## 11 10 5 13 9 17 14 14 12 15 9 13 8 20 9 11 21 9 13 23
## 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 95 96 97 98
## 17 17 10 11 13 13 16 11 13 18 6 10 6 5 3 2 2 2 1 1
## 99 101
## 2 1
##
## $`TBSA %`
## col
## 1 1.5 10 10.5 100 11 11.5 12 12.5 13 14 14.5 15 15.5 16 16.5
## 26 6 54 3 1 15 1 32 5 15 8 2 14 3 9 4
## 17 17.5 18 18.5 19 19.5 2 2.5 20 20.5 21 21.5 22 22.5 23 23.5
## 15 2 11 1 5 1 54 10 10 1 5 2 5 3 5 1
## 24 25 25.5 26 27 28 29 3 3.2 3.5 30 31 32.5 33.5 34 35
## 2 12 1 3 3 6 3 44 1 9 4 2 1 1 2 7
## 38 39.5 4 4.5 40 41.5 42 42.5 43 44 45 45.5 46 47.5 48 5
## 1 1 43 9 7 1 2 1 1 1 4 1 2 1 1 53
## 5.5 50 51 51.5 52 52.5 54 55 56 57.5 58 59 6 6.5 60 65
## 7 1 1 1 1 1 2 2 1 1 1 2 46 4 2 1
## 66 67 7 7.5 70 75 77 78.5 79 8 8.5 80 82 84 85 87.5
## 1 2 45 2 1 2 1 1 1 33 8 3 2 1 1 1
## 89 9 9.5 90 91 95 96 <NA>
## 2 23 1 1 2 2 1 2
##
## $Causa
## col
## Contacto Elétrica Explosão Fogo
## 39 36 2 396
## Líquido fervente Nádega, coxa Outra Química
## 241 1 16 41
##
## $`Tipo de acidente`
## col
## Agressão Doméstico Outra
## 1 582 30
## Tentativa de suicídio Trabalho Viação
## 16 136 7
##
## $ABSI
## col
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 1 6 14 56 130 205 192 64 28 18 14 15 6 13 5 2
## 17 75 <NA>
## 1 1 1
##
## $`Baux revisto`
## col
## 1 10 100 102 103 104 104.5 106 107 108 108.5 109 11
## 6 6 6 2 2 6 2 1 3 2 1 3 8
## 111 112 112.5 113 114.5 115 116 118 118.5 119 119.5 12 123
## 2 1 1 1 1 1 2 1 1 3 2 5 1
## 123.5 124 125 126.5 128 129 13 130 132 134 135 137 138
## 1 1 2 1 1 1 3 4 1 4 1 2 1
## 139 14 140 141 143 146 147 148 15 157 159 160.5 165.5
## 1 3 1 1 1 3 2 2 1 1 1 1 1
## 166 17 178 18 188 2 20 21 22 23 25 26 26.2
## 1 2 1 1 1 17 2 2 2 2 1 3 1
## 26.5 27 28 28.5 29 3 30 30.5 32 33 34 34.5 35
## 1 1 2 1 1 13 10 1 3 2 2 1 7
## 35.5 36 37 38 39 4 40 41 42 42.5 43 43.5 44
## 2 3 6 5 5 7 2 2 5 1 4 3 5
## 44.5 45 45.5 46 46.5 47 47.5 48 48.5 49 5 50 51
## 1 4 1 3 1 4 1 3 1 6 4 6 4
## 51.5 52 53 53.5 54 55 55.5 56 57 57.5 58 58.5 59
## 1 7 9 1 12 6 1 7 4 1 7 2 13
## 6 60 61 61.5 62 63 63.5 64 64.5 65 65.5 66 67
## 5 8 7 3 9 7 1 5 5 8 1 2 7
## 67.5 68 68.5 69 69.5 7 70 71 71.5 72 73 73.5 74
## 1 9 1 14 2 10 15 8 1 6 14 3 8
## 74.5 75 76 77 77.5 78 78.5 79 79.5 8 80 80.5 81
## 2 8 8 11 2 18 1 13 2 11 11 5 12
## 82 83 83.5 84 85 85.5 86 86.2 87 87.5 88 88.5 89
## 5 3 1 7 6 2 11 1 5 2 9 1 8
## 89.5 9 90 90.5 91 91.5 92 92.5 93 93.5 94 95 95.5
## 1 5 11 3 10 2 5 1 8 1 12 3 1
## 96 96.5 97 98 99 <NA>
## 8 2 7 3 9 2
##
## $`Indíce Charlson`
## col
## 0 1 11 2 3 38 4 5 54 6 7 <NA>
## 220 88 2 86 87 1 99 58 1 35 11 84
##
## $`Lesão inalatória`
## col
## Não Sim
## 701 71
##
## $`Ventilação mecânica`
## col
## Não Sim
## 568 204
##
## $CVC
## col
## Não Sim
## 483 289
##
## $`Dias de internamento`
## col
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 13 20 16 20 14 26 38 30 33 37 30 24 28 26 23 25 37 29 16
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 21 21 15 15 10 15 8 11 10 13 11 11 6 6 7 7 5 5 3 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 59 61 63 64 65
## 3 3 3 4 2 6 3 3 2 1 2 2 3 2 2 2 1 2 3 1
## 66 67 68 70 72 73 75 76 78 79 81 85 87 90 93 94 97 98 101 119
## 1 2 2 1 2 1 2 1 3 2 1 2 1 1 2 2 1 1 1 1
## 140 146
## 1 1
##
## $Outcome
## col
## Morte Vivo <NA>
## 81 690 1
##
## $Mês
## col
## Abril Agosto Dezembro Fevereiro Janeiro Julho Junho Maio
## 55 72 82 51 59 76 68 58
## Março Novembro Outubro Setembro
## 60 81 42 68
##
## $`Nº cirurgias`
## col
## 0 1 2 3 4 5 6 7 8 9 10 11 <NA>
## 201 191 123 43 33 16 13 9 11 2 4 2 124
##
## $`Doença psiquiátrica`
## col
## não Não Sim <NA>
## 2 538 107 125
##
## $Alcoolismo
## col
## Não Sim <NA>
## 577 70 125
##
## $Tabagismo
## col
## Não sim Sim <NA>
## 528 1 118 125
##
## $`Substituição renal`
## col
## Não Sim <NA>
## 638 9 125
##
## $Sépsis
## col
## Não Sim <NA>
## 500 147 125
##
## $Aminas
## col
## Não Sim <NA>
## 517 130 125
##
## $`Área queimada: cabeça e pescoço`
## col
## Não Sim <NA>
## 354 296 122
##
## $`Área queimada: Tronco`
## col
## Não Sim <NA>
## 345 305 122
##
## $`Área queimada: Períneo`
## col
## Não Sim <NA>
## 594 56 122
##
## $`Área queimada: Extremidade superior`
## col
## Não Sim <NA>
## 236 414 122
##
## $`Área queimada: Extremidade inferior`
## col
## Não Sim <NA>
## 286 364 122
##
## $`Grau: 3º`
## col
## Não Sim <NA>
## 296 350 126sapply(dados, function(col) any(col == "*", na.rm = TRUE)) ## Sexo Idade
## FALSE FALSE
## TBSA % Causa
## FALSE FALSE
## Tipo de acidente ABSI
## FALSE FALSE
## Baux revisto Indíce Charlson
## FALSE FALSE
## Lesão inalatória Ventilação mecânica
## FALSE FALSE
## CVC Dias de internamento
## FALSE FALSE
## Outcome Mês
## FALSE FALSE
## Nº cirurgias Doença psiquiátrica
## FALSE FALSE
## Alcoolismo Tabagismo
## FALSE FALSE
## Substituição renal Sépsis
## FALSE FALSE
## Aminas Área queimada: cabeça e pescoço
## FALSE FALSE
## Área queimada: Tronco Área queimada: Períneo
## FALSE FALSE
## Área queimada: Extremidade superior Área queimada: Extremidade inferior
## FALSE FALSE
## Grau: 3º
## FALSE#Recodificação de variaveis
dados$Sexo=as.factor(dados$Sexo)
summary(dados$Idade)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 18.0 45.0 63.0 60.2 77.0 101.0dados$Idade = as.numeric(dados$Idade)
dados$Idade=cut(dados$Idade, breaks = c(18, 64, 74, 84, Inf),
labels = c("18-64 anos", "65-74 anos", "75-84 anos", "> 85 anos"))
dados$Causa=ifelse(dados$Causa == "Fogo", "Fogo",
ifelse(dados$Causa == "Líquido fervente", "Líquido fervente",
"Outra"))
dados$Causa=factor(dados$Causa, levels = c("Fogo", "Líquido fervente", "Outra"))
dados$`Tipo de acidente`=ifelse(dados$`Tipo de acidente` == "Doméstico", "Doméstico",
ifelse(dados$`Tipo de acidente` == "Trabalho", "Trabalho",
"Outra"))
dados$`Tipo de acidente`=factor(dados$`Tipo de acidente`, levels = c("Doméstico", "Trabalho", "Outra"))
#Varivel Mês, passar Janeiro-Dezembro para 1-12
dados$Mês = factor(dados$Mês,
levels = c("Janeiro", "Fevereiro", "Março", "Abril", "Maio", "Junho","Julho", "Agosto", "Setembro", "Outubro", "Novembro", "Dezembro"), labels = 1:12)
dados$Tabagismo=ifelse(dados$Tabagismo == "sim", "Sim",
ifelse(dados$`Doença psiquiátrica` == "Não", "Não",
"Sim"))
dados$Tabagismo=as.factor(dados$Tabagismo)
dados$`Nº cirurgias`= as.numeric(dados$`Nº cirurgias`)
dados$Alcoolismo=as.factor(dados$Alcoolismo)
dados$`Substituição renal`=as.factor(dados$`Substituição renal`)
dados$Sépsis=as.factor(dados$Sépsis)
dados$Aminas=as.factor(dados$Aminas)
dados$`Área queimada: cabeça e pescoço`=as.factor(dados$`Área queimada: cabeça e pescoço`)
dados$`Área queimada: Tronco`=as.factor(dados$`Área queimada: Tronco`)
dados$`Área queimada: Períneo`=as.factor(dados$`Área queimada: Períneo`)
dados$`Área queimada: Extremidade superior`=as.factor(dados$`Área queimada: Extremidade superior`)
dados$`Área queimada: Extremidade inferior`=as.factor(dados$`Área queimada: Extremidade inferior`)
dados$`Grau: 3º`=as.factor(dados$`Grau: 3º`)
dados$ABSI = as.numeric(dados$ABSI)
dados$`Baux revisto` = as.numeric(dados$`Baux revisto`)
dados$`Indíce Charlson` = as.numeric(dados$`Indíce Charlson`)
dados$`Lesão inalatória` = as.factor(dados$`Lesão inalatória`)
dados$`Ventilação mecânica` = as.factor(dados$`Ventilação mecânica`)
dados$CVC = as.factor(dados$CVC)
dados$`Dias de internamento` = as.numeric(dados$`Dias de internamento`)
dados$Outcome = as.factor(dados$Outcome)
dados$`TBSA %`=as.numeric(dados$`TBSA %`)
dados_clean = dados[, c("Sexo", "Idade", "TBSA %", "Causa", "Tipo de acidente", "ABSI", "Baux revisto","Indíce Charlson", "Lesão inalatória", "Ventilação mecânica","CVC","Dias de internamento","Outcome","Mês", "Nº cirurgias","Alcoolismo", "Tabagismo", "Substituição renal","Sépsis","Aminas","Área queimada: cabeça e pescoço","Área queimada: Tronco", "Área queimada: Períneo", "Área queimada: Extremidade superior","Área queimada: Extremidade inferior","Grau: 3º")]
#Omitir NA´s e Confirmar
dados_clean= na.omit(dados_clean)
head(dados_clean)## # A tibble: 6 × 26
## Sexo Idade `TBSA %` Causa `Tipo de acidente` ABSI `Baux revisto`
## <fct> <fct> <dbl> <fct> <fct> <dbl> <dbl>
## 1 masculino 75-84 anos 5 Líquido… Doméstico 7 83
## 2 masculino 18-64 anos 20 Líquido… Trabalho 6 43
## 3 feminino > 85 anos 1.5 Fogo Doméstico 7 90.5
## 4 feminino 18-64 anos 5 Líquido… Doméstico 6 69
## 5 feminino 18-64 anos 5 Líquido… Doméstico 5 48
## 6 feminino 18-64 anos 4 Líquido… Doméstico 5 67
## # ℹ 19 more variables: `Indíce Charlson` <dbl>, `Lesão inalatória` <fct>,
## # `Ventilação mecânica` <fct>, CVC <fct>, `Dias de internamento` <dbl>,
## # Outcome <fct>, Mês <fct>, `Nº cirurgias` <dbl>, Alcoolismo <fct>,
## # Tabagismo <fct>, `Substituição renal` <fct>, Sépsis <fct>, Aminas <fct>,
## # `Área queimada: cabeça e pescoço` <fct>, `Área queimada: Tronco` <fct>,
## # `Área queimada: Períneo` <fct>,
## # `Área queimada: Extremidade superior` <fct>, …any(is.na(dados_clean))## [1] FALSEView(dados_clean)Análise Descritiva (Tabelas Resumo)
#Tabela 1: Comparação entre grupos etários (<64 anos e ≥64 anos)
summary(dados$Idade)## 18-64 anos 65-74 anos 75-84 anos > 85 anos NA's
## 410 132 142 83 5dados_clean = dados_clean %>%
mutate(grupo_etario = ifelse(Idade == "18-64 anos", "<64 anos", "≥64 anos"))
tabela_1 = dados_clean %>%
tbl_summary(by = grupo_etario) %>%
add_p(
test = list(
all_categorical() ~ "chisq.test",
all_continuous() ~ "kruskal.test"
),
pvalue_fun = ~style_pvalue(.x, digits = 2)
)## The following warnings were returned during `add_p()`:
## ! For variable `Substituição renal` (`grupo_etario`) and "statistic",
## "p.value", and "parameter" statistics: Chi-squared approximation may be
## incorrecttabela_1| Characteristic | <64 anos N = 3461 |
≥64 anos N = 2941 |
p-value2 |
|---|---|---|---|
| Sexo | <0.001 | ||
| feminino | 118 (34%) | 160 (54%) | |
| masculino | 228 (66%) | 134 (46%) | |
| Idade | <0.001 | ||
| 18-64 anos | 346 (100%) | 0 (0%) | |
| 65-74 anos | 0 (0%) | 119 (40%) | |
| 75-84 anos | 0 (0%) | 104 (35%) | |
| > 85 anos | 0 (0%) | 71 (24%) | |
| TBSA % | 10 (5, 17) | 8 (4, 13) | 0.011 |
| Causa | <0.001 | ||
| Fogo | 178 (51%) | 151 (51%) | |
| Líquido fervente | 87 (25%) | 113 (38%) | |
| Outra | 81 (23%) | 30 (10%) | |
| Tipo de acidente | <0.001 | ||
| Doméstico | 200 (58%) | 277 (94%) | |
| Trabalho | 111 (32%) | 4 (1.4%) | |
| Outra | 35 (10%) | 13 (4.4%) | |
| ABSI | 6.00 (5.00, 7.00) | 7.00 (6.00, 8.00) | <0.001 |
| Baux revisto | 59 (47, 70) | 88 (79, 97) | <0.001 |
| Indíce Charlson | 0.00 (0.00, 1.00) | 4.00 (3.00, 5.00) | <0.001 |
| Lesão inalatória | 0.95 | ||
| Não | 315 (91%) | 269 (91%) | |
| Sim | 31 (9.0%) | 25 (8.5%) | |
| Ventilação mecânica | 0.30 | ||
| Não | 244 (71%) | 219 (74%) | |
| Sim | 102 (29%) | 75 (26%) | |
| CVC | 0.53 | ||
| Não | 194 (56%) | 173 (59%) | |
| Sim | 152 (44%) | 121 (41%) | |
| Dias de internamento | 16 (10, 24) | 18 (11, 31) | 0.012 |
| Outcome | <0.001 | ||
| Morte | 21 (6.1%) | 45 (15%) | |
| Vivo | 325 (94%) | 249 (85%) | |
| Mês | 0.003 | ||
| 1 | 17 (4.9%) | 30 (10%) | |
| 2 | 21 (6.1%) | 18 (6.1%) | |
| 3 | 22 (6.4%) | 28 (9.5%) | |
| 4 | 21 (6.1%) | 24 (8.2%) | |
| 5 | 26 (7.5%) | 23 (7.8%) | |
| 6 | 42 (12%) | 13 (4.4%) | |
| 7 | 43 (12%) | 22 (7.5%) | |
| 8 | 33 (9.5%) | 26 (8.8%) | |
| 9 | 35 (10%) | 20 (6.8%) | |
| 10 | 15 (4.3%) | 16 (5.4%) | |
| 11 | 32 (9.2%) | 34 (12%) | |
| 12 | 39 (11%) | 40 (14%) | |
| Nº cirurgias | 1.00 (0.00, 2.00) | 1.00 (1.00, 3.00) | <0.001 |
| Alcoolismo | 0.28 | ||
| Não | 304 (88%) | 267 (91%) | |
| Sim | 42 (12%) | 27 (9.2%) | |
| Tabagismo | 0.20 | ||
| Não | 280 (81%) | 250 (85%) | |
| Sim | 66 (19%) | 44 (15%) | |
| Substituição renal | 0.36 | ||
| Não | 343 (99%) | 288 (98%) | |
| Sim | 3 (0.9%) | 6 (2.0%) | |
| Sépsis | 0.049 | ||
| Não | 278 (80%) | 216 (73%) | |
| Sim | 68 (20%) | 78 (27%) | |
| Aminas | 0.004 | ||
| Não | 291 (84%) | 219 (74%) | |
| Sim | 55 (16%) | 75 (26%) | |
| Área queimada: cabeça e pescoço | <0.001 | ||
| Não | 163 (47%) | 185 (63%) | |
| Sim | 183 (53%) | 109 (37%) | |
| Área queimada: Tronco | 0.087 | ||
| Não | 172 (50%) | 167 (57%) | |
| Sim | 174 (50%) | 127 (43%) | |
| Área queimada: Períneo | >0.99 | ||
| Não | 317 (92%) | 269 (91%) | |
| Sim | 29 (8.4%) | 25 (8.5%) | |
| Área queimada: Extremidade superior | <0.001 | ||
| Não | 102 (29%) | 126 (43%) | |
| Sim | 244 (71%) | 168 (57%) | |
| Área queimada: Extremidade inferior | 0.29 | ||
| Não | 159 (46%) | 122 (41%) | |
| Sim | 187 (54%) | 172 (59%) | |
| Grau: 3º | 0.002 | ||
| Não | 177 (51%) | 113 (38%) | |
| Sim | 169 (49%) | 181 (62%) | |
| 1 n (%); Median (Q1, Q3) | |||
| 2 Pearson’s Chi-squared test; Kruskal-Wallis rank sum test | |||
#Tabela 2: Comparação entre os 4 grupos etários de interesse
tabela_2 = dados_clean %>%
tbl_summary(
by = Idade,
include = c("Sexo", "Área queimada: cabeça e pescoço",
"Área queimada: Tronco", "Área queimada: Períneo",
"Área queimada: Extremidade superior", "Área queimada: Extremidade inferior", "Mês", "Grau: 3º", "TBSA %", "ABSI", "Baux revisto", "Indíce Charlson",
"Alcoolismo", "Tabagismo", "Lesão inalatória", "Ventilação mecânica",
"Substituição renal", "CVC", "Sépsis", "Aminas", "Nº cirurgias",
"Dias de internamento", "Outcome")
) %>%
add_p(
test = list(
all_categorical() ~ "chisq.test",
all_continuous() ~ "kruskal.test"
),
pvalue_fun = ~style_pvalue(.x, digits = 2)
)## The following warnings were returned during `add_p()`:
## ! For variable `Mês` (`Idade`) and "statistic", "p.value", and "parameter"
## statistics: Chi-squared approximation may be incorrect
## ! For variable `Substituição renal` (`Idade`) and "statistic", "p.value", and
## "parameter" statistics: Chi-squared approximation may be incorrecttabela_2| Characteristic | 18-64 anos N = 3461 |
65-74 anos N = 1191 |
75-84 anos N = 1041 |
> 85 anos N = 711 |
p-value2 |
|---|---|---|---|---|---|
| Sexo | <0.001 | ||||
| feminino | 118 (34%) | 53 (45%) | 62 (60%) | 45 (63%) | |
| masculino | 228 (66%) | 66 (55%) | 42 (40%) | 26 (37%) | |
| Área queimada: cabeça e pescoço | <0.001 | ||||
| Não | 163 (47%) | 72 (61%) | 61 (59%) | 52 (73%) | |
| Sim | 183 (53%) | 47 (39%) | 43 (41%) | 19 (27%) | |
| Área queimada: Tronco | 0.11 | ||||
| Não | 172 (50%) | 62 (52%) | 59 (57%) | 46 (65%) | |
| Sim | 174 (50%) | 57 (48%) | 45 (43%) | 25 (35%) | |
| Área queimada: Períneo | 0.19 | ||||
| Não | 317 (92%) | 113 (95%) | 95 (91%) | 61 (86%) | |
| Sim | 29 (8.4%) | 6 (5.0%) | 9 (8.7%) | 10 (14%) | |
| Área queimada: Extremidade superior | <0.001 | ||||
| Não | 102 (29%) | 38 (32%) | 47 (45%) | 41 (58%) | |
| Sim | 244 (71%) | 81 (68%) | 57 (55%) | 30 (42%) | |
| Área queimada: Extremidade inferior | 0.020 | ||||
| Não | 159 (46%) | 57 (48%) | 46 (44%) | 19 (27%) | |
| Sim | 187 (54%) | 62 (52%) | 58 (56%) | 52 (73%) | |
| Mês | 0.009 | ||||
| 1 | 17 (4.9%) | 9 (7.6%) | 15 (14%) | 6 (8.5%) | |
| 2 | 21 (6.1%) | 11 (9.2%) | 4 (3.8%) | 3 (4.2%) | |
| 3 | 22 (6.4%) | 11 (9.2%) | 7 (6.7%) | 10 (14%) | |
| 4 | 21 (6.1%) | 9 (7.6%) | 7 (6.7%) | 8 (11%) | |
| 5 | 26 (7.5%) | 8 (6.7%) | 11 (11%) | 4 (5.6%) | |
| 6 | 42 (12%) | 6 (5.0%) | 1 (1.0%) | 6 (8.5%) | |
| 7 | 43 (12%) | 10 (8.4%) | 10 (9.6%) | 2 (2.8%) | |
| 8 | 33 (9.5%) | 12 (10%) | 10 (9.6%) | 4 (5.6%) | |
| 9 | 35 (10%) | 9 (7.6%) | 7 (6.7%) | 4 (5.6%) | |
| 10 | 15 (4.3%) | 7 (5.9%) | 6 (5.8%) | 3 (4.2%) | |
| 11 | 32 (9.2%) | 17 (14%) | 11 (11%) | 6 (8.5%) | |
| 12 | 39 (11%) | 10 (8.4%) | 15 (14%) | 15 (21%) | |
| Grau: 3º | 0.010 | ||||
| Não | 177 (51%) | 50 (42%) | 37 (36%) | 26 (37%) | |
| Sim | 169 (49%) | 69 (58%) | 67 (64%) | 45 (63%) | |
| TBSA % | 10 (5, 17) | 8 (4, 15) | 8 (4, 14) | 7 (4, 12) | 0.065 |
| ABSI | 6.00 (5.00, 7.00) | 7.00 (6.00, 8.00) | 7.00 (6.00, 8.00) | 7.00 (7.00, 8.00) | <0.001 |
| Baux revisto | 59 (47, 70) | 79 (74, 86) | 88 (83, 95) | 97 (92, 104) | <0.001 |
| Indíce Charlson | 0.00 (0.00, 1.00) | 3.00 (3.00, 4.00) | 4.00 (3.50, 5.00) | 5.00 (4.00, 5.00) | <0.001 |
| Alcoolismo | 0.25 | ||||
| Não | 304 (88%) | 104 (87%) | 96 (92%) | 67 (94%) | |
| Sim | 42 (12%) | 15 (13%) | 8 (7.7%) | 4 (5.6%) | |
| Tabagismo | 0.26 | ||||
| Não | 280 (81%) | 101 (85%) | 85 (82%) | 64 (90%) | |
| Sim | 66 (19%) | 18 (15%) | 19 (18%) | 7 (9.9%) | |
| Lesão inalatória | 0.94 | ||||
| Não | 315 (91%) | 109 (92%) | 94 (90%) | 66 (93%) | |
| Sim | 31 (9.0%) | 10 (8.4%) | 10 (9.6%) | 5 (7.0%) | |
| Ventilação mecânica | 0.51 | ||||
| Não | 244 (71%) | 92 (77%) | 77 (74%) | 50 (70%) | |
| Sim | 102 (29%) | 27 (23%) | 27 (26%) | 21 (30%) | |
| Substituição renal | 0.57 | ||||
| Não | 343 (99%) | 117 (98%) | 102 (98%) | 69 (97%) | |
| Sim | 3 (0.9%) | 2 (1.7%) | 2 (1.9%) | 2 (2.8%) | |
| CVC | 0.79 | ||||
| Não | 194 (56%) | 69 (58%) | 64 (62%) | 40 (56%) | |
| Sim | 152 (44%) | 50 (42%) | 40 (38%) | 31 (44%) | |
| Sépsis | 0.14 | ||||
| Não | 278 (80%) | 90 (76%) | 77 (74%) | 49 (69%) | |
| Sim | 68 (20%) | 29 (24%) | 27 (26%) | 22 (31%) | |
| Aminas | 0.006 | ||||
| Não | 291 (84%) | 89 (75%) | 82 (79%) | 48 (68%) | |
| Sim | 55 (16%) | 30 (25%) | 22 (21%) | 23 (32%) | |
| Nº cirurgias | 1.00 (0.00, 2.00) | 1.00 (1.00, 3.00) | 2.00 (1.00, 2.00) | 1.00 (0.00, 2.00) | <0.001 |
| Dias de internamento | 16 (10, 24) | 18 (9, 31) | 19 (13, 31) | 18 (10, 34) | 0.046 |
| Outcome | <0.001 | ||||
| Morte | 21 (6.1%) | 15 (13%) | 15 (14%) | 15 (21%) | |
| Vivo | 325 (94%) | 104 (87%) | 89 (86%) | 56 (79%) | |
| 1 n (%); Median (Q1, Q3) | |||||
| 2 Pearson’s Chi-squared test; Kruskal-Wallis rank sum test | |||||
Conlusões: Esta tabela de sumários, com adição dos valores p, serviu para verificar (através do teste não paramétrico Kruskal Wallis para as variáveis numéricas e do teste de Qui-Quadrado para as variáveis categóricas) se existiam realmente diferenças significativas entre estas variáveis e os vários grupos de Idade.
Os valores obtidos foram, mais tarde, comparados com os obtidos nos testes individuais e verificamos que efetivamente levaram a conclusões idênticas.
Análise de variáveis e testes de hipóteses
Variaveis Quantitativas- Teste de Shapiro Wilk (Testar Normalidade)
Hipótese Nula (H0) : Os dados seguem uma Distribuição Normal vs
Hipótese Alternativa (H1): Os dados não seguem uma Distribuição Normal
numeric_vars = c("TBSA %", "ABSI", "Baux revisto", "Dias de internamento", "Nº cirurgias")
for (var in numeric_vars) {
cat("\nShapiro-Wilk test for", var, ":\n")
print(shapiro.test(dados_clean[[var]]))
}##
## Shapiro-Wilk test for TBSA % :
##
## Shapiro-Wilk normality test
##
## data: dados_clean[[var]]
## W = 0.67172, p-value < 2.2e-16
##
##
## Shapiro-Wilk test for ABSI :
##
## Shapiro-Wilk normality test
##
## data: dados_clean[[var]]
## W = 0.48254, p-value < 2.2e-16
##
##
## Shapiro-Wilk test for Baux revisto :
##
## Shapiro-Wilk normality test
##
## data: dados_clean[[var]]
## W = 0.96604, p-value = 5.187e-11
##
##
## Shapiro-Wilk test for Dias de internamento :
##
## Shapiro-Wilk normality test
##
## data: dados_clean[[var]]
## W = 0.7691, p-value < 2.2e-16
##
##
## Shapiro-Wilk test for Nº cirurgias :
##
## Shapiro-Wilk normality test
##
## data: dados_clean[[var]]
## W = 0.76965, p-value < 2.2e-16#Visualização: Os boxplots mostram a visualização da distribuição das variáveis numéricas entre os vários grupos etários.
for (var in numeric_vars) {
p <- ggplot(dados_clean, aes(x = Idade, y = .data[[var]], fill = Idade)) +
geom_boxplot() +
labs(title = paste("Distribution of", var, "by Age Group"),
x = "Age Group", y = var) +
theme_minimal()
print(p)
}
Conclusão: Todos os valores p < 0.05, logo Rejeitamos H0 e concluímos que os dados, em todas as variáveis númericas, não seguem uma Distribuição Normal.
Abordagem não paramétrica:
Kruskal Wallis- Variáveis Quantitativas
Verificar diferenças significativas entre os grupos de idade em variáveis que não seguem uma distribuição normal, comparando as medianas dos grupos.
Hipótese nula (H₀): Não há diferenças significativas entre as variaveis numéricas testadas e as medianas dos grupos de idade vs
Hipótese alternativa (H₁): Pelo menos uma das distribuições das variáveis numéricas é diferente entre os grupos de idade
for (var in numeric_vars) {
cat("\nKruskal-Wallis test for", var, ":\n")
print(kruskal.test(dados_clean[[var]] ~ dados_clean$Idade))
}##
## Kruskal-Wallis test for TBSA % :
##
## Kruskal-Wallis rank sum test
##
## data: dados_clean[[var]] by dados_clean$Idade
## Kruskal-Wallis chi-squared = 7.2253, df = 3, p-value = 0.06505
##
##
## Kruskal-Wallis test for ABSI :
##
## Kruskal-Wallis rank sum test
##
## data: dados_clean[[var]] by dados_clean$Idade
## Kruskal-Wallis chi-squared = 104.03, df = 3, p-value < 2.2e-16
##
##
## Kruskal-Wallis test for Baux revisto :
##
## Kruskal-Wallis rank sum test
##
## data: dados_clean[[var]] by dados_clean$Idade
## Kruskal-Wallis chi-squared = 325.87, df = 3, p-value < 2.2e-16
##
##
## Kruskal-Wallis test for Dias de internamento :
##
## Kruskal-Wallis rank sum test
##
## data: dados_clean[[var]] by dados_clean$Idade
## Kruskal-Wallis chi-squared = 7.9856, df = 3, p-value = 0.04631
##
##
## Kruskal-Wallis test for Nº cirurgias :
##
## Kruskal-Wallis rank sum test
##
## data: dados_clean[[var]] by dados_clean$Idade
## Kruskal-Wallis chi-squared = 22.72, df = 3, p-value = 4.62e-05Conclusão: Todas as variáveis testadas (ABSI, Baux Revisto, Dias de Internamento, Nº Cirurgias), excepto a variável TBSA %, apresentam pelo menos uma diferença significativa entre os grupos de idade.
Comparações Múltiplas: Pairwise Wilcox Test
Após o teste de Kruskal Wallis, onde detetamos uma diferença geral na distribuição entre os grupos de idade, realizamos o teste de Wilcoxon para comparações múltiplas. Podemos assim perceber onde se encontram essas diferenças, ou seja, quais pares de grupos apresentam diferenças estatisticamente significativas.
for (var in numeric_vars) {
cat("\nPairWise Wilcox's test for", var, ":\n")
print(pairwise.wilcox.test(g=dados_clean$Idade, x= dados_clean[[var]], method = "bonferroni"))
print(p)
}##
## PairWise Wilcox's test for TBSA % :
##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: dados_clean[[var]] and dados_clean$Idade
##
## 18-64 anos 65-74 anos 75-84 anos
## 65-74 anos 0.68 - -
## 75-84 anos 0.25 1.00 -
## > 85 anos 0.25 1.00 1.00
##
## P value adjustment method: holm
##
## PairWise Wilcox's test for ABSI :
##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: dados_clean[[var]] and dados_clean$Idade
##
## 18-64 anos 65-74 anos 75-84 anos
## 65-74 anos 1.3e-08 - -
## 75-84 anos 1.4e-09 0.49027 -
## > 85 anos 3.0e-15 0.00031 0.00126
##
## P value adjustment method: holm
##
## PairWise Wilcox's test for Baux revisto :
##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: dados_clean[[var]] and dados_clean$Idade
##
## 18-64 anos 65-74 anos 75-84 anos
## 65-74 anos < 2e-16 - -
## 75-84 anos < 2e-16 2.0e-11 -
## > 85 anos < 2e-16 1.1e-15 2.9e-08
##
## P value adjustment method: holm
##
## PairWise Wilcox's test for Dias de internamento :
##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: dados_clean[[var]] and dados_clean$Idade
##
## 18-64 anos 65-74 anos 75-84 anos
## 65-74 anos 1.000 - -
## 75-84 anos 0.037 1.000 -
## > 85 anos 0.560 1.000 1.000
##
## P value adjustment method: holm
##
## PairWise Wilcox's test for Nº cirurgias :
##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: dados_clean[[var]] and dados_clean$Idade
##
## 18-64 anos 65-74 anos 75-84 anos
## 65-74 anos 0.00467 - -
## 75-84 anos 0.00021 0.70142 -
## > 85 anos 0.39764 0.70142 0.39764
##
## P value adjustment method: holm
#O ajuste dos valores p (como Bonferroni) é usado para controlar o erro do tipo I devido às múltiplas comparações.Conclusão: Para a variável TBSA não observamos diferenças significativas entre os grupos etários.
ABSI: Observamos diferenças significativas entre todos os grupos, excepto nos grupos de 65-74 anos e 75-84 anos (p value = 0.1215)- faixas etárias bastante próximas.
Baux Revisto %: Observamos diferenças dignificativas entre todos os grupos da idade (todos p values<0.05)
Dias de Internamento: Observamos diferenças significativas entre o grupo dos 18-64 anos e o grupo dos 75-84 anos (p value = 0.014)
Por fim, para a variável Nº cirurgias observamos diferenças entre o grupo dos mais novos (18-64 anos) e os grupos de 65-74 anos e 75-84 anos.
Matriz de Correlação
corr_matrix = cor(dados_clean[numeric_vars], use = "complete.obs")
corrplot(corr_matrix, method = "number")
Conclusão: As variaveis TBSA, ABSI e Baux Revisto % apresentam uma correlação moderada positiva entre si.
A variável Dias de Internamento está fortemente correlacionada com o Nº cirurgias (r=0.84).
Análise das Variaveis Qualitativas- Teste de Qui-Quadrado (Chisq Test)
Hipótese nula (H0): As variáveis categóricas são independentes (não há associação entre elas).
Hipótese alternativa (H1): As variáveis categóricas não são independentes (há associação entre elas).
categorical_vars = c("Sexo", "Causa", "Tipo de acidente", "Lesão inalatória",
"Ventilação mecânica", "CVC", "Outcome", "Área queimada: cabeça e pescoço","Área queimada: Tronco", "Área queimada: Períneo", "Área queimada: Extremidade superior", "Área queimada: Extremidade inferior", "Tabagismo", "Alcoolismo", "Aminas","Sépsis", "Substituição renal","Grau: 3º")
for (var in categorical_vars) {
cat("\nChi-square test for", var, "and Idade:\n")
print(chisq.test(table(dados_clean$Idade, dados_clean[[var]])))
}##
## Chi-square test for Sexo and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 34.898, df = 3, p-value = 1.28e-07
##
##
## Chi-square test for Causa and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 25.703, df = 6, p-value = 0.0002528
##
##
## Chi-square test for Tipo de acidente and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 122.89, df = 6, p-value < 2.2e-16
##
##
## Chi-square test for Lesão inalatória and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 0.39382, df = 3, p-value = 0.9415
##
##
## Chi-square test for Ventilação mecânica and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 2.3228, df = 3, p-value = 0.5082
##
##
## Chi-square test for CVC and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 1.0271, df = 3, p-value = 0.7947
##
##
## Chi-square test for Outcome and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 18.289, df = 3, p-value = 0.0003834
##
##
## Chi-square test for Área queimada: cabeça e pescoço and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 20.116, df = 3, p-value = 0.0001606
##
##
## Chi-square test for Área queimada: Tronco and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 6.0827, df = 3, p-value = 0.1077
##
##
## Chi-square test for Área queimada: Períneo and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 4.7143, df = 3, p-value = 0.194
##
##
## Chi-square test for Área queimada: Extremidade superior and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 25.706, df = 3, p-value = 1.099e-05
##
##
## Chi-square test for Área queimada: Extremidade inferior and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 9.8385, df = 3, p-value = 0.01999
##
##
## Chi-square test for Tabagismo and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 3.9859, df = 3, p-value = 0.263
##
##
## Chi-square test for Alcoolismo and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 4.0618, df = 3, p-value = 0.2549
##
##
## Chi-square test for Aminas and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 12.381, df = 3, p-value = 0.006185
##
##
## Chi-square test for Sépsis and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 5.4046, df = 3, p-value = 0.1445
##
##
## Chi-square test for Substituição renal and Idade:## Warning in chisq.test(table(dados_clean$Idade, dados_clean[[var]])):
## Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 2.0096, df = 3, p-value = 0.5704
##
##
## Chi-square test for Grau: 3º and Idade:
##
## Pearson's Chi-squared test
##
## data: table(dados_clean$Idade, dados_clean[[var]])
## X-squared = 11.432, df = 3, p-value = 0.009603#Visualização das variaveis qualitativas- Gráfico de Barras
for (var in categorical_vars) {
p <- ggplot(dados_clean, aes(x = Idade, fill = .data[[var]])) +
geom_bar(position = "fill") +
labs(title = paste("Distribution of", var, "by Age Group"),
x = "Age Group", y = "Proportion") +
theme_minimal()
print(p)
}
Conclusão: As variáveis Lesão Inalatória, Ventilação Mecânica, CVC, Área queimada: Tronco, Área queimada: Períneo, Tabagismo , Alcoolismo, Doença psiquiátrica e Sépsis apresentaram valores p > 0.05, Não rejeitamos H0 e concluímos que não há uma associação significativa entre estas variáveis e os vários grupos de Idade.
Para as restantes variáveis (Sexo, Causa, Outcome, Tipo de acidente, Área queimada: cabeça e pescoço, Área queimada: Extremidade superior, Área queimada: Extremidade inferior, Aminas e Grau: 3º) os valores p < 0.05, Rejeitando H0 e concluíndo que estas variáveis apresentam uma associação estatisticamente significativa entre os vários grupos de Idade.
Alternativa ao teste de Qui-Quadrado- Teste de Fisher
Ao realizar o teste de Qui Quadrado entre a variável “Substituição renal” pelos vários grupos da Idade, verificamos frequências bastante pequenas, e portanto o teste de Qui Quadrado não seria o mais adequado nessa situação- Warning Chi-squared approximation may be incorrect.
Passamos portanto para o teste exato de Fisher.
fisher.test(dados_clean$Idade, dados_clean$`Substituição renal`)##
## Fisher's Exact Test for Count Data
##
## data: dados_clean$Idade and dados_clean$`Substituição renal`
## p-value = 0.3644
## alternative hypothesis: two.sidedConclusão: p-value > 0.05 logo Não rejeitamos H0, não há associação entre as variáveis Substituição Renal e Idade.
Regressões
Regressão Logística
Verificar significância estatística dos coeficientes do modelo logístico:
𝐻0: 𝛽𝑖 =0 (Não há relação significativa entre os regressores e a variável de resposta (Outcome-Morte)) vs 𝐻1: 𝛽𝑖 ≠0 (Há relação significativa entre os regressores e a variável de resposta (Outcome-Morte))
dados_clean$Outcome = ifelse(dados_clean$Outcome == "Morte", 1, 0)
binary_model = glm(Outcome ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` +
ABSI + `Baux revisto` + `Lesão inalatória` +
`Ventilação mecânica` + CVC + `Dias de internamento`+ `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` + `Área queimada: Períneo`+ `Área queimada: Extremidade superior`+`Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo + Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` + `Grau: 3º` , family = binomial(link = "logit"),
data = dados_clean)
table(dados_clean$Causa)##
## Fogo Líquido fervente Outra
## 329 200 111summary(binary_model)##
## Call:
## glm(formula = Outcome ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`, family = binomial(link = "logit"), data = dados_clean)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -8.58823 2.00773 -4.278 1.89e-05
## Sexomasculino 0.44792 0.65144 0.688 0.49172
## Idade65-74 anos 1.73590 1.06223 1.634 0.10222
## Idade75-84 anos 2.79356 1.24990 2.235 0.02542
## Idade> 85 anos 3.25360 1.34054 2.427 0.01522
## `TBSA %` 0.05910 0.03065 1.928 0.05384
## CausaLíquido fervente 0.58042 0.93979 0.618 0.53684
## CausaOutra 0.54650 0.90986 0.601 0.54807
## `Tipo de acidente`Trabalho -1.37916 1.23894 -1.113 0.26563
## `Tipo de acidente`Outra -1.56725 1.24968 -1.254 0.20980
## ABSI 0.05623 0.05947 0.946 0.34437
## `Baux revisto` -0.02151 0.02284 -0.942 0.34621
## `Lesão inalatória`Sim 0.81308 0.80254 1.013 0.31100
## `Ventilação mecânica`Sim 0.80275 0.87528 0.917 0.35907
## CVCSim 0.84377 1.28066 0.659 0.50999
## `Dias de internamento` -0.05366 0.02318 -2.315 0.02060
## `Área queimada: cabeça e pescoço`Sim 1.02577 0.75768 1.354 0.17579
## `Área queimada: Tronco`Sim -0.02452 0.67155 -0.037 0.97087
## `Área queimada: Períneo`Sim -0.23596 0.90028 -0.262 0.79325
## `Área queimada: Extremidade superior`Sim -0.60466 0.64311 -0.940 0.34711
## `Área queimada: Extremidade inferior`Sim 0.85560 0.71429 1.198 0.23098
## TabagismoSim -0.52574 0.81887 -0.642 0.52085
## AlcoolismoSim 0.70465 0.69530 1.013 0.31085
## SépsisSim 1.96708 0.88483 2.223 0.02621
## `Substituição renal`Sim 0.66275 0.94768 0.699 0.48434
## AminasSim 3.17094 1.01313 3.130 0.00175
## `Nº cirurgias` -0.14268 0.19880 -0.718 0.47293
## `Grau: 3º`Sim 2.06733 0.75362 2.743 0.00608
##
## (Intercept) ***
## Sexomasculino
## Idade65-74 anos
## Idade75-84 anos *
## Idade> 85 anos *
## `TBSA %` .
## CausaLíquido fervente
## CausaOutra
## `Tipo de acidente`Trabalho
## `Tipo de acidente`Outra
## ABSI
## `Baux revisto`
## `Lesão inalatória`Sim
## `Ventilação mecânica`Sim
## CVCSim
## `Dias de internamento` *
## `Área queimada: cabeça e pescoço`Sim
## `Área queimada: Tronco`Sim
## `Área queimada: Períneo`Sim
## `Área queimada: Extremidade superior`Sim
## `Área queimada: Extremidade inferior`Sim
## TabagismoSim
## AlcoolismoSim
## SépsisSim *
## `Substituição renal`Sim
## AminasSim **
## `Nº cirurgias`
## `Grau: 3º`Sim **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 424.83 on 639 degrees of freedom
## Residual deviance: 113.62 on 612 degrees of freedom
## AIC: 169.62
##
## Number of Fisher Scoring iterations: 8#Pr(>|z|) Valores menores que 0.05 indicam que a variável tem um efeito significativo na variavel de resposta (Outcome- Morte)Conclusão Pr(>|z|):
Idade, Dias de Internamento, Sépsis, Aminas e Grau: 3º, apresentam valores p inferiores a 0.05. Rejeitamos H0 e concluimos, portanto, que estas variáveis têm um efeito significativo na variável de resposta Outcome (Morte).
Considerando a variável dependente outcome, a variável “TBSA %” apresentou um valor de p = 0.05384, situando-se no limiar da significância estatística, o que sugere uma possível associação que, embora próxima, não atinge o nível convencional de significância.
As restantes variaveis apresentam valores p ≥ 0.05: Não rejeitamos a hipótese nula, indicando que a evidência não suporta que as restantes variáveis tenham um efeito significativo no desfecho (Morte).
Interpretação dos Coeficientes (Odd Ratio):
OR > 1: Aumenta a probabilidade do desfecho ocorrer (Morte)
OR < 1: Diminui a probabilidade do desfecho ocorrer (Morte)
OR=1 Não há associação entre a varivel e o Outcome (Morte)
IC: Se o intervalo de confiança não inclui 1, a associação é considerada estatisticamente significativa.
exp(cbind(OR=coef(binary_model),confint(binary_model))) ## Waiting for profiling to be done...## OR 2.5 % 97.5 %
## (Intercept) 1.862846e-04 2.234984e-06 6.993103e-03
## Sexomasculino 1.565050e+00 4.329007e-01 5.750958e+00
## Idade65-74 anos 5.674032e+00 6.920005e-01 4.939231e+01
## Idade75-84 anos 1.633908e+01 1.409605e+00 2.119632e+02
## Idade> 85 anos 2.588344e+01 1.791002e+00 3.986139e+02
## `TBSA %` 1.060877e+00 9.955657e-01 1.128346e+00
## CausaLíquido fervente 1.786782e+00 2.670038e-01 1.137622e+01
## CausaOutra 1.727204e+00 2.882678e-01 1.062565e+01
## `Tipo de acidente`Trabalho 2.517908e-01 1.885546e-02 2.558343e+00
## `Tipo de acidente`Outra 2.086182e-01 1.702187e-02 2.319532e+00
## ABSI 1.057843e+00 NA 1.152482e+00
## `Baux revisto` 9.787186e-01 9.376260e-01 1.031347e+00
## `Lesão inalatória`Sim 2.254832e+00 4.624488e-01 1.136060e+01
## `Ventilação mecânica`Sim 2.231673e+00 4.186028e-01 1.372839e+01
## CVCSim 2.325106e+00 1.822267e-01 3.268952e+01
## `Dias de internamento` 9.477541e-01 9.024512e-01 9.875455e-01
## `Área queimada: cabeça e pescoço`Sim 2.789238e+00 6.440318e-01 1.301645e+01
## `Área queimada: Tronco`Sim 9.757792e-01 2.593755e-01 3.713608e+00
## `Área queimada: Períneo`Sim 7.898139e-01 1.290483e-01 4.620814e+00
## `Área queimada: Extremidade superior`Sim 5.462625e-01 1.509958e-01 1.929744e+00
## `Área queimada: Extremidade inferior`Sim 2.352792e+00 5.848669e-01 9.886132e+00
## TabagismoSim 5.911166e-01 1.094919e-01 2.824145e+00
## AlcoolismoSim 2.023139e+00 5.047617e-01 7.975923e+00
## SépsisSim 7.149769e+00 1.379250e+00 4.715883e+01
## `Substituição renal`Sim 1.940126e+00 2.913636e-01 1.282173e+01
## AminasSim 2.382988e+01 3.718850e+00 2.047737e+02
## `Nº cirurgias` 8.670309e-01 5.861741e-01 1.274921e+00
## `Grau: 3º`Sim 7.903687e+00 1.964222e+00 3.892361e+01Nota: Conclusões sobre os Odd Ratios na secção Resultados/Discussão do Artigo entregue.
Variáveis fortemente associadas à mortalidade: Idade avançada, Sépsis, uso de aminas e queimaduras de 3º grau. Um aumento nos dias de internamento mostra, contrariamente, uma redução no risco de morte.
Sexo masculino (OR = 1.57, IC = 0.43–5.75) → Sem significância estatística.
O OR de 1.57 sugere que o sexo masculino pode estar associado a um maior risco de mortalidade. No entanto, o intervalo de confiança (IC 95% = 0.43–5.75) inclui o valor 1, o que indica que a associação não é estatisticamente significativa. Isso significa que, embora possa haver uma tendência de maior risco, não podemos descartar a possibilidade de que essa diferença ocorra por acaso.
Idade (≥65 anos) → O risco de morte aumenta com a idade, especialmente para ≥85 anos (OR = 25.88, IC = 1.79–398.61). No entanto IC muito amplo?
TBSA % (OR = 1.06, IC = 0.99–1.13) → Próximo ao limiar. O OR de 1.06 sugere que um aumento na TBSA (%) pode estar associado a um maior risco de mortalidade. No entanto, o intervalo de confiança (IC 95% = 0.99–1.13) inclui o valor 1, indicando que essa associação não é estatisticamente significativa. O p-valor de 0.05384 reforça que a variável está no limiar da significância, sugerindo uma possível relação com o desfecho, mas sem evidência estatística suficiente para uma conclusão definitiva.
Baux revisto (OR = 0.98, IC = 0.94–1.03) → Sem efeito significativo.
Ventilação mecânica (OR = 2.23, IC = 0.42–13.73) → Pode estar associada a maior mortalidade, embora, mais uma vez verificamos a presença do valor 1 no IC.
Dias de internamento (OR = 0.95, IC = 0.90–0.99) → Pequena redução do risco com mais tempo de internamento. Possível discussão clínica no relatório.
Áreas queimadas– Sem significância estatística clara.
Sépsis (OR = 7.15, IC = 1.38–47.16) → Forte associação com maior mortalidade.
Substituição renal (OR = 1.94, IC = 0.29–12.82) → Possível aumento do risco, mas sem significância devido ao IC.
Aminas vasoativas (OR = 23.83, IC = 3.72–204.77) → Fortemente associadas à mortalidade.
Nº de cirurgias (OR = 0.87, IC = 0.59–1.27) → Sem efeito significativo.
Queimadura de 3º grau (OR = 7.90, IC = 1.96–38.92) → Aumento do risco de morte associado a queimaduras profundas.
Atenção: Focar apenas nas variáveis que foram significativas (mencionadas inicialmente), apresentamos nesta discussão as restantes variáveis apenas para melhor interpretação do porquê de não serem consideradas significativas e, por sua vez, não apresentarem associação com o Outcome.
Avaliação do Significado e Qualidade da Regressão Logística
VIF (Variance inflation factor) - Multicolinearidade
#interpretando acima de 5:
vif(binary_model) #Idade, TBSA%, Baux revisto, Dias de internamento ## GVIF Df GVIF^(1/(2*Df))
## Sexo 1.552734 1 1.246088
## Idade 8.326532 3 1.423674
## `TBSA %` 7.397049 1 2.719752
## Causa 2.832285 2 1.297282
## `Tipo de acidente` 4.017709 2 1.415776
## ABSI 1.362726 1 1.167359
## `Baux revisto` 5.743962 1 2.396656
## `Lesão inalatória` 2.089739 1 1.445593
## `Ventilação mecânica` 2.500957 1 1.581441
## CVC 2.307394 1 1.519011
## `Dias de internamento` 5.599051 1 2.366231
## `Área queimada: cabeça e pescoço` 2.262505 1 1.504163
## `Área queimada: Tronco` 1.806162 1 1.343935
## `Área queimada: Períneo` 1.670405 1 1.292441
## `Área queimada: Extremidade superior` 1.534869 1 1.238898
## `Área queimada: Extremidade inferior` 1.984144 1 1.408596
## Tabagismo 1.394906 1 1.181061
## Alcoolismo 1.410067 1 1.187463
## Sépsis 1.832336 1 1.353638
## `Substituição renal` 1.264328 1 1.124423
## Aminas 2.393017 1 1.546938
## `Nº cirurgias` 4.942916 1 2.223267
## `Grau: 3º` 1.658114 1 1.287678Conclusões: Valores elevados de VIF (consideramos >5) indicam multicolinearidade- correlações fortes entre as variaveis preditoras.
Considerando os VIFs elevados, uma opção seria remover uma das variáveis altamente correlacionadas.
LUIS: Como resultado da aplicação do step AIC, o modelo apresentou uma melhora significativa, tanto no summary do modelo, com a redução de variáveis redundantes e um ajuste mais robusto: o NA presente no IC da variável ABSI também desapareceu, como nos valores de vif que correspondem a multicolinearidade. Portanto, as interpretações e conclusões a serem utilizadas serão baseadas no modelo resultante do step AIC, conforme apresentado no código subsequente!!!!!!
Teste da Razão de Verossimilhança:
H0: Os regressores no modelo completo não têm efeito sobre a variável dependente
H1: Pelo menos um dos regressores tem efeito na variável dependente
library(lmtest)
binary_model0 = glm(Outcome ~1,family=binomial, data=dados_clean)
lrtest(binary_model,binary_model0)## Likelihood ratio test
##
## Model 1: Outcome ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
## Model 2: Outcome ~ 1
## #Df LogLik Df Chisq Pr(>Chisq)
## 1 28 -56.81
## 2 1 -212.41 -27 311.21 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusões: p-value=2.2e-16 < 0.05, rejeitamos H0, pelo menos um dos regressores tem efeito na variável de resposta
O modelo com regressores é significativamente melhor que o modelo nulo.
Pressuposto validado.
Desviância:
deviance(binary_model)## [1] 113.6192deviance(binary_model0)## [1] 424.8263Conclusões: Como a desviância do modelo (113.6192) é inferior à do modelo nulo (424.8263), podemos concluir que o modelo completo ajustado com os regressores tem um ajuste significativamente melhor quando comparado com o modelo nulo.
Pressuposto cumprido.
AIC - Akaike’s Information Criteria:
AIC(binary_model)## [1] 169.6192AIC(binary_model0)## [1] 426.8263Conclusões: O AIC de 169.6192 do modelo ajustado é inferior ao do modelo nulo (426.8263), o que indica que o modelo com os regressores ajusta melhor os dados, equilibrando a qualidade do ajuste com a complexidade do modelo.
Esse valor mais baixo sugere que a inclusão das variáveis explicativas foi eficaz, fornecendo um ajuste mais eficiente, levando em consideração a penalização pela complexidade do modelo.
Teste de Hosmer e Lameshow:
H0: O modelo corrente é apropriado (modelo ajustado)
H1: O modelo corrente não é apropriado (modelo nao ajustado)
library(ResourceSelection)
hoslem.test(dados_clean$Outcome,fitted(binary_model),g=10) ##
## Hosmer and Lemeshow goodness of fit (GOF) test
##
## data: dados_clean$Outcome, fitted(binary_model)
## X-squared = 3.7908, df = 8, p-value = 0.8755Conclusões: p-value = 0.8755 > 0.05, logo não Rejeitamos H0 , concluindo que o modelo logístico corrente é apropriado.
Tabela de Classificação:
predicted=predict(binary_model,type="response")
table=table(dados_clean$Outcome, predicted > 0.5)
table##
## FALSE TRUE
## 0 565 9
## 1 16 50sensitivity = table[2, 2] / sum(table[2, ])
sensitivity ## [1] 0.7575758specificity = table[1, 1] / sum(table[1, ])
specificity ## [1] 0.9843206accuracy_Test=sum(diag(table))/sum(table)
accuracy_Test## [1] 0.9609375Conclusão: Foram identificados 9 casos de falsos positivos e 16 casos de falsos negativos. A Sensibilidade, de 75.75%, reflete a capacidade do modelo em identificar corretamente os vivos, indicando que tem alta eficácia nessa tarefa, resultando em poucos falsos negativos. Já a Especificidade, de 98.43%, demonstra igualmente uma elevada eficácia em classificar corretamente as mortes, revelando uma excelente capacidade nesse sentido,com poucos falsos positivos. A precisão global (accuracy), de 96%, indica um bom desempenho geral do modelo.
Curva ROC:
Hipóteses Estatísticas: H0: AUC = 0.5 vs H1: AUC != 0.5
library(pROC)
AUC=auc(dados_clean$Outcome,predicted) ## Setting levels: control = 0, case = 1## Setting direction: controls < casesAUC## Area under the curve: 0.9875ci(dados_clean$Outcome,predicted)## Setting levels: control = 0, case = 1
## Setting direction: controls < cases## 95% CI: 0.9806-0.9943 (DeLong)plot.roc(dados_clean$Outcome,predicted)## Setting levels: control = 0, case = 1
## Setting direction: controls < cases
Conclusão: A AUC obtida foi de 0.9875, o que indica um bom desempenho do modelo, já que valores próximos de 1 refletem uma excelente capacidade de discriminação. Além disso, o intervalo de confiança a 95% (0.9806-0.9943) não inclui o valor 0.5, o que reforça a conclusão de que o modelo ajustado apresenta uma capacidade discriminatória estatisticamente significativa.
Seleção de Variáveis - StepAIC:
library(MASS)
step=stepAIC(binary_model,direction="both")## Start: AIC=169.62
## Outcome ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Deviance AIC
## - Causa 2 114.19 166.19
## - `Área queimada: Tronco` 1 113.62 167.62
## - `Área queimada: Períneo` 1 113.69 167.69
## - `Tipo de acidente` 2 115.76 167.76
## - Tabagismo 1 114.04 168.04
## - ABSI 1 114.05 168.05
## - CVC 1 114.05 168.05
## - Sexo 1 114.09 168.09
## - `Substituição renal` 1 114.11 168.10
## - `Nº cirurgias` 1 114.14 168.14
## - `Baux revisto` 1 114.40 168.40
## - `Ventilação mecânica` 1 114.49 168.49
## - `Área queimada: Extremidade superior` 1 114.51 168.51
## - Alcoolismo 1 114.63 168.63
## - `Lesão inalatória` 1 114.65 168.65
## - `Área queimada: Extremidade inferior` 1 115.07 169.07
## - `Área queimada: cabeça e pescoço` 1 115.50 169.50
## <none> 113.62 169.62
## - Idade 3 119.71 169.71
## - `TBSA %` 1 116.97 170.97
## - Sépsis 1 119.18 173.18
## - `Dias de internamento` 1 120.63 174.63
## - `Grau: 3º` 1 122.47 176.47
## - Aminas 1 125.75 179.75
##
## Step: AIC=166.19
## Outcome ~ Sexo + Idade + `TBSA %` + `Tipo de acidente` + ABSI +
## `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Deviance AIC
## - `Tipo de acidente` 2 115.91 163.91
## - `Área queimada: Tronco` 1 114.21 164.21
## - `Área queimada: Períneo` 1 114.30 164.30
## - CVC 1 114.55 164.55
## - ABSI 1 114.56 164.56
## - Sexo 1 114.59 164.59
## - Tabagismo 1 114.65 164.65
## - `Nº cirurgias` 1 114.71 164.71
## - `Substituição renal` 1 114.76 164.76
## - `Baux revisto` 1 114.92 164.92
## - `Área queimada: Extremidade superior` 1 114.94 164.94
## - `Lesão inalatória` 1 115.10 165.10
## - Alcoolismo 1 115.26 165.26
## - `Ventilação mecânica` 1 115.40 165.40
## - `Área queimada: cabeça e pescoço` 1 115.69 165.69
## <none> 114.19 166.19
## - Idade 3 120.31 166.31
## - `Área queimada: Extremidade inferior` 1 116.89 166.89
## - `TBSA %` 1 117.11 167.11
## + Causa 2 113.62 169.62
## - Sépsis 1 119.62 169.62
## - `Dias de internamento` 1 121.09 171.09
## - `Grau: 3º` 1 122.89 172.89
## - Aminas 1 126.29 176.29
##
## Step: AIC=163.91
## Outcome ~ Sexo + Idade + `TBSA %` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` +
## `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Deviance AIC
## - `Área queimada: Períneo` 1 115.95 161.95
## - `Área queimada: Tronco` 1 115.96 161.96
## - Sexo 1 116.04 162.04
## - ABSI 1 116.31 162.31
## - CVC 1 116.38 162.38
## - `Lesão inalatória` 1 116.52 162.52
## - `Substituição renal` 1 116.63 162.63
## - `Nº cirurgias` 1 116.64 162.63
## - `Baux revisto` 1 116.68 162.68
## - `Área queimada: Extremidade superior` 1 116.74 162.74
## - Tabagismo 1 117.20 163.20
## - Alcoolismo 1 117.21 163.21
## - `Ventilação mecânica` 1 117.22 163.22
## - `Área queimada: cabeça e pescoço` 1 117.55 163.55
## <none> 115.91 163.91
## - `Área queimada: Extremidade inferior` 1 118.41 164.41
## - `TBSA %` 1 118.83 164.84
## + `Tipo de acidente` 2 114.19 166.19
## - Idade 3 124.69 166.69
## - Sépsis 1 121.41 167.41
## + Causa 2 115.76 167.76
## - `Dias de internamento` 1 122.25 168.25
## - `Grau: 3º` 1 123.86 169.86
## - Aminas 1 127.69 173.69
##
## Step: AIC=161.95
## Outcome ~ Sexo + Idade + `TBSA %` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + Sépsis + `Substituição renal` +
## Aminas + `Nº cirurgias` + `Grau: 3º`
##
## Df Deviance AIC
## - `Área queimada: Tronco` 1 116.00 160.00
## - Sexo 1 116.08 160.08
## - ABSI 1 116.33 160.33
## - CVC 1 116.45 160.45
## - `Lesão inalatória` 1 116.58 160.58
## - `Substituição renal` 1 116.66 160.66
## - `Nº cirurgias` 1 116.66 160.66
## - `Baux revisto` 1 116.70 160.70
## - `Área queimada: Extremidade superior` 1 116.74 160.74
## - `Ventilação mecânica` 1 117.23 161.23
## - Tabagismo 1 117.24 161.24
## - Alcoolismo 1 117.25 161.25
## - `Área queimada: cabeça e pescoço` 1 117.81 161.81
## <none> 115.95 161.95
## - `Área queimada: Extremidade inferior` 1 118.44 162.44
## - `TBSA %` 1 118.87 162.87
## + `Área queimada: Períneo` 1 115.91 163.91
## + `Tipo de acidente` 2 114.30 164.30
## - Idade 3 124.69 164.69
## - Sépsis 1 121.48 165.48
## + Causa 2 115.78 165.78
## - `Dias de internamento` 1 122.30 166.30
## - `Grau: 3º` 1 123.88 167.88
## - Aminas 1 127.69 171.69
##
## Step: AIC=160.01
## Outcome ~ Sexo + Idade + `TBSA %` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Deviance AIC
## - Sexo 1 116.12 158.12
## - ABSI 1 116.40 158.40
## - CVC 1 116.52 158.52
## - `Lesão inalatória` 1 116.63 158.63
## - `Nº cirurgias` 1 116.68 158.68
## - `Substituição renal` 1 116.71 158.71
## - `Baux revisto` 1 116.74 158.74
## - `Área queimada: Extremidade superior` 1 116.76 158.76
## - Tabagismo 1 117.28 159.28
## - `Ventilação mecânica` 1 117.28 159.28
## - Alcoolismo 1 117.29 159.29
## <none> 116.00 160.00
## - `Área queimada: cabeça e pescoço` 1 118.08 160.08
## - `Área queimada: Extremidade inferior` 1 118.45 160.45
## - `TBSA %` 1 119.01 161.01
## + `Área queimada: Tronco` 1 115.95 161.95
## + `Área queimada: Períneo` 1 115.96 161.96
## + `Tipo de acidente` 2 114.33 162.32
## - Idade 3 124.69 162.69
## + Causa 2 115.80 163.80
## - Sépsis 1 121.83 163.82
## - `Dias de internamento` 1 122.42 164.42
## - `Grau: 3º` 1 123.88 165.88
## - Aminas 1 127.70 169.70
##
## Step: AIC=158.12
## Outcome ~ Idade + `TBSA %` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Deviance AIC
## - ABSI 1 116.59 156.59
## - CVC 1 116.69 156.69
## - `Nº cirurgias` 1 116.71 156.71
## - `Área queimada: Extremidade superior` 1 116.82 156.82
## - `Lesão inalatória` 1 116.85 156.85
## - `Substituição renal` 1 116.92 156.92
## - `Baux revisto` 1 117.03 157.03
## - `Ventilação mecânica` 1 117.32 157.32
## - Tabagismo 1 117.38 157.38
## - Alcoolismo 1 117.62 157.62
## <none> 116.12 158.12
## - `Área queimada: cabeça e pescoço` 1 118.38 158.38
## - `Área queimada: Extremidade inferior` 1 118.85 158.85
## - `TBSA %` 1 119.45 159.45
## + Sexo 1 116.00 160.00
## + `Área queimada: Períneo` 1 116.07 160.07
## + `Área queimada: Tronco` 1 116.08 160.08
## + `Tipo de acidente` 2 114.70 160.70
## - Idade 3 125.56 161.56
## - Sépsis 1 121.84 161.84
## + Causa 2 115.93 161.93
## - `Dias de internamento` 1 122.98 162.98
## - `Grau: 3º` 1 123.94 163.94
## - Aminas 1 128.17 168.17
##
## Step: AIC=156.59
## Outcome ~ Idade + `TBSA %` + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Deviance AIC
## - CVC 1 117.10 155.10
## - `Nº cirurgias` 1 117.19 155.19
## - `Área queimada: Extremidade superior` 1 117.32 155.32
## - `Lesão inalatória` 1 117.38 155.38
## - `Baux revisto` 1 117.42 155.42
## - `Substituição renal` 1 117.43 155.43
## - Tabagismo 1 117.81 155.81
## - `Ventilação mecânica` 1 117.89 155.89
## - Alcoolismo 1 118.12 156.12
## <none> 116.59 156.59
## - `Área queimada: cabeça e pescoço` 1 118.87 156.87
## - `Área queimada: Extremidade inferior` 1 119.46 157.46
## + ABSI 1 116.12 158.12
## - `TBSA %` 1 120.39 158.39
## + Sexo 1 116.40 158.40
## + `Área queimada: Tronco` 1 116.55 158.55
## + `Área queimada: Períneo` 1 116.56 158.56
## + `Tipo de acidente` 2 115.17 159.17
## - Idade 3 126.19 160.19
## - Sépsis 1 122.36 160.36
## + Causa 2 116.43 160.43
## - `Dias de internamento` 1 123.41 161.41
## - `Grau: 3º` 1 124.61 162.61
## - Aminas 1 128.56 166.56
##
## Step: AIC=155.1
## Outcome ~ Idade + `TBSA %` + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + Sépsis + `Substituição renal` +
## Aminas + `Nº cirurgias` + `Grau: 3º`
##
## Df Deviance AIC
## - `Nº cirurgias` 1 117.76 153.76
## - `Área queimada: Extremidade superior` 1 117.81 153.81
## - `Lesão inalatória` 1 117.81 153.81
## - `Baux revisto` 1 117.87 153.87
## - `Substituição renal` 1 118.10 154.10
## - Tabagismo 1 118.36 154.36
## - Alcoolismo 1 118.50 154.50
## - `Ventilação mecânica` 1 119.08 155.08
## <none> 117.10 155.10
## - `Área queimada: cabeça e pescoço` 1 119.22 155.22
## - `Área queimada: Extremidade inferior` 1 119.78 155.78
## + CVC 1 116.59 156.59
## + ABSI 1 116.69 156.69
## + Sexo 1 116.85 156.85
## - `TBSA %` 1 120.85 156.85
## + `Área queimada: Períneo` 1 117.04 157.04
## + `Área queimada: Tronco` 1 117.06 157.06
## + `Tipo de acidente` 2 115.64 157.64
## - Idade 3 126.44 158.44
## + Causa 2 116.96 158.96
## - `Dias de internamento` 1 123.72 159.72
## - `Grau: 3º` 1 125.34 161.34
## - Sépsis 1 125.75 161.75
## - Aminas 1 129.72 165.72
##
## Step: AIC=153.76
## Outcome ~ Idade + `TBSA %` + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + Sépsis + `Substituição renal` +
## Aminas + `Grau: 3º`
##
## Df Deviance AIC
## - `Área queimada: Extremidade superior` 1 118.34 152.34
## - `Lesão inalatória` 1 118.66 152.66
## - `Baux revisto` 1 118.67 152.67
## - Alcoolismo 1 118.90 152.90
## - Tabagismo 1 119.05 153.05
## - `Substituição renal` 1 119.07 153.07
## - `Ventilação mecânica` 1 119.60 153.60
## <none> 117.76 153.76
## - `Área queimada: cabeça e pescoço` 1 120.46 154.46
## - `Área queimada: Extremidade inferior` 1 120.73 154.73
## + `Nº cirurgias` 1 117.10 155.10
## + CVC 1 117.19 155.19
## + ABSI 1 117.35 155.35
## - `TBSA %` 1 121.43 155.43
## + Sexo 1 117.65 155.65
## + `Área queimada: Períneo` 1 117.72 155.72
## + `Área queimada: Tronco` 1 117.75 155.75
## + `Tipo de acidente` 2 116.03 156.03
## - Idade 3 127.41 157.41
## + Causa 2 117.61 157.61
## - `Grau: 3º` 1 125.61 159.61
## - Sépsis 1 125.90 159.90
## - Aminas 1 131.04 165.04
## - `Dias de internamento` 1 162.96 196.96
##
## Step: AIC=152.34
## Outcome ~ Idade + `TBSA %` + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Grau: 3º`
##
## Df Deviance AIC
## - `Baux revisto` 1 119.27 151.27
## - `Lesão inalatória` 1 119.46 151.46
## - Alcoolismo 1 119.48 151.49
## - Tabagismo 1 119.54 151.54
## - `Substituição renal` 1 119.76 151.76
## - `Ventilação mecânica` 1 119.99 151.99
## <none> 118.34 152.34
## - `Área queimada: cabeça e pescoço` 1 120.64 152.64
## - `TBSA %` 1 121.76 153.76
## + `Área queimada: Extremidade superior` 1 117.76 153.76
## + CVC 1 117.80 153.80
## + `Nº cirurgias` 1 117.81 153.81
## - `Área queimada: Extremidade inferior` 1 121.85 153.85
## + ABSI 1 117.90 153.90
## + Sexo 1 118.27 154.27
## + `Área queimada: Períneo` 1 118.33 154.33
## + `Área queimada: Tronco` 1 118.34 154.34
## + `Tipo de acidente` 2 116.56 154.56
## + Causa 2 118.25 156.25
## - Idade 3 128.55 156.55
## - `Grau: 3º` 1 126.08 158.08
## - Sépsis 1 127.07 159.07
## - Aminas 1 132.13 164.13
## - `Dias de internamento` 1 164.59 196.59
##
## Step: AIC=151.27
## Outcome ~ Idade + `TBSA %` + `Lesão inalatória` + `Ventilação mecânica` +
## `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Grau: 3º`
##
## Df Deviance AIC
## - `Lesão inalatória` 1 119.68 149.68
## - Alcoolismo 1 120.23 150.23
## - Tabagismo 1 120.67 150.67
## - `Substituição renal` 1 120.76 150.76
## <none> 119.27 151.27
## - `Ventilação mecânica` 1 121.28 151.28
## - `Área queimada: cabeça e pescoço` 1 121.74 151.74
## + `Baux revisto` 1 118.34 152.34
## + `Nº cirurgias` 1 118.60 152.60
## + `Área queimada: Extremidade superior` 1 118.67 152.67
## + CVC 1 118.78 152.78
## + ABSI 1 118.89 152.89
## - `Área queimada: Extremidade inferior` 1 122.98 152.98
## + Sexo 1 119.07 153.07
## + `Área queimada: Períneo` 1 119.26 153.26
## + `Área queimada: Tronco` 1 119.27 153.26
## + `Tipo de acidente` 2 117.53 153.53
## - `TBSA %` 1 124.33 154.33
## + Causa 2 119.18 155.18
## - `Grau: 3º` 1 127.45 157.45
## - Sépsis 1 127.77 157.77
## - Aminas 1 132.40 162.40
## - Idade 3 142.78 168.78
## - `Dias de internamento` 1 165.30 195.30
##
## Step: AIC=149.68
## Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + Sépsis + `Substituição renal` +
## Aminas + `Grau: 3º`
##
## Df Deviance AIC
## - Alcoolismo 1 120.56 148.56
## - `Substituição renal` 1 121.14 149.15
## - Tabagismo 1 121.30 149.30
## <none> 119.68 149.68
## - `Ventilação mecânica` 1 122.23 150.23
## - `Área queimada: cabeça e pescoço` 1 122.68 150.68
## + `Área queimada: Extremidade superior` 1 118.94 150.94
## + `Nº cirurgias` 1 118.95 150.95
## + ABSI 1 119.21 151.21
## + CVC 1 119.24 151.24
## + `Lesão inalatória` 1 119.27 151.27
## - `Área queimada: Extremidade inferior` 1 123.40 151.40
## + Sexo 1 119.46 151.46
## + `Baux revisto` 1 119.46 151.46
## + `Área queimada: Períneo` 1 119.66 151.66
## + `Área queimada: Tronco` 1 119.67 151.67
## + `Tipo de acidente` 2 118.38 152.38
## + Causa 2 119.62 153.62
## - `TBSA %` 1 125.64 153.64
## - `Grau: 3º` 1 128.20 156.20
## - Sépsis 1 128.44 156.44
## - Aminas 1 132.80 160.80
## - Idade 3 142.98 166.98
## - `Dias de internamento` 1 165.32 193.32
##
## Step: AIC=148.56
## Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade inferior` +
## Tabagismo + Sépsis + `Substituição renal` + Aminas + `Grau: 3º`
##
## Df Deviance AIC
## - Tabagismo 1 122.14 148.14
## - `Substituição renal` 1 122.38 148.38
## <none> 120.56 148.56
## - `Ventilação mecânica` 1 123.53 149.53
## + Alcoolismo 1 119.68 149.68
## + `Área queimada: Extremidade superior` 1 119.84 149.84
## + ABSI 1 120.06 150.06
## - `Área queimada: cabeça e pescoço` 1 124.07 150.07
## + `Nº cirurgias` 1 120.09 150.09
## + Sexo 1 120.15 150.15
## + `Lesão inalatória` 1 120.23 150.23
## + CVC 1 120.23 150.23
## - `Área queimada: Extremidade inferior` 1 124.36 150.36
## + `Baux revisto` 1 120.37 150.37
## + `Área queimada: Períneo` 1 120.54 150.54
## + `Área queimada: Tronco` 1 120.56 150.56
## + `Tipo de acidente` 2 119.31 151.31
## - `TBSA %` 1 125.86 151.86
## + Causa 2 120.53 152.53
## - Sépsis 1 129.15 155.15
## - `Grau: 3º` 1 129.94 155.94
## - Aminas 1 133.87 159.87
## - Idade 3 143.55 165.55
## - `Dias de internamento` 1 168.41 194.41
##
## Step: AIC=148.14
## Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade inferior` +
## Sépsis + `Substituição renal` + Aminas + `Grau: 3º`
##
## Df Deviance AIC
## <none> 122.14 148.14
## - `Substituição renal` 1 124.22 148.22
## + Tabagismo 1 120.56 148.56
## - `Ventilação mecânica` 1 125.12 149.12
## - `Área queimada: cabeça e pescoço` 1 125.12 149.12
## + Alcoolismo 1 121.30 149.30
## + `Área queimada: Extremidade superior` 1 121.48 149.48
## - `Área queimada: Extremidade inferior` 1 125.58 149.58
## + `Lesão inalatória` 1 121.63 149.63
## + `Nº cirurgias` 1 121.64 149.64
## + ABSI 1 121.67 149.67
## + CVC 1 121.75 149.75
## + Sexo 1 121.78 149.78
## + `Baux revisto` 1 121.93 149.93
## + `Área queimada: Tronco` 1 122.12 150.12
## + `Área queimada: Períneo` 1 122.12 150.12
## + `Tipo de acidente` 2 120.26 150.26
## - `TBSA %` 1 127.51 151.51
## + Causa 2 122.14 152.14
## - Sépsis 1 130.66 154.66
## - `Grau: 3º` 1 131.65 155.65
## - Aminas 1 134.77 158.77
## - Idade 3 148.31 168.31
## - `Dias de internamento` 1 169.08 193.08step$anova## Stepwise Model Path
## Analysis of Deviance Table
##
## Initial Model:
## Outcome ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Final Model:
## Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` + `Dias de internamento` +
## `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade inferior` +
## Sépsis + `Substituição renal` + Aminas + `Grau: 3º`
##
##
## Step Df Deviance Resid. Df Resid. Dev
## 1 612 113.6192
## 2 - Causa 2 0.56742807 614 114.1866
## 3 - `Tipo de acidente` 2 1.72248217 616 115.9091
## 4 - `Área queimada: Períneo` 1 0.03643019 617 115.9455
## 5 - `Área queimada: Tronco` 1 0.05963676 618 116.0052
## 6 - Sexo 1 0.11292008 619 116.1181
## 7 - ABSI 1 0.46912761 620 116.5872
## 8 - CVC 1 0.51595319 621 117.1032
## 9 - `Nº cirurgias` 1 0.66066993 622 117.7638
## 10 - `Área queimada: Extremidade superior` 1 0.57977886 623 118.3436
## 11 - `Baux revisto` 1 0.92264579 624 119.2663
## 12 - `Lesão inalatória` 1 0.41071710 625 119.6770
## 13 - Alcoolismo 1 0.88426275 626 120.5612
## 14 - Tabagismo 1 1.58057211 627 122.1418
## AIC
## 1 169.6192
## 2 166.1866
## 3 163.9091
## 4 161.9455
## 5 160.0052
## 6 158.1181
## 7 156.5872
## 8 155.1032
## 9 153.7638
## 10 152.3436
## 11 151.2663
## 12 149.6770
## 13 148.5612
## 14 148.1418exp(cbind(OR=coef(step),confint(step)))## Waiting for profiling to be done...## OR 2.5 % 97.5 %
## (Intercept) 9.929929e-05 5.089269e-06 1.041629e-03
## Idade65-74 anos 9.465024e+00 2.403208e+00 4.277645e+01
## Idade75-84 anos 1.471929e+01 3.316432e+00 7.681188e+01
## Idade> 85 anos 2.113957e+01 5.135789e+00 1.038505e+02
## `TBSA %` 1.030536e+00 1.004510e+00 1.060446e+00
## `Ventilação mecânica`Sim 3.570588e+00 8.430013e-01 1.685260e+01
## `Dias de internamento` 9.394017e-01 9.152424e-01 9.599121e-01
## `Área queimada: cabeça e pescoço`Sim 2.771833e+00 8.716412e-01 9.230310e+00
## `Área queimada: Extremidade inferior`Sim 2.994883e+00 9.397913e-01 1.017642e+01
## SépsisSim 8.331466e+00 1.970169e+00 4.135445e+01
## `Substituição renal`Sim 3.732001e+00 6.114262e-01 2.233311e+01
## AminasSim 1.942464e+01 3.655990e+00 1.177355e+02
## `Grau: 3º`Sim 6.525609e+00 1.923336e+00 2.578348e+01summary(step)##
## Call:
## glm(formula = Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` +
## `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Extremidade inferior` + Sépsis + `Substituição renal` +
## Aminas + `Grau: 3º`, family = binomial(link = "logit"),
## data = dados_clean)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -9.21737 1.34390 -6.859 6.95e-12
## Idade65-74 anos 2.24760 0.72660 3.093 0.001979
## Idade75-84 anos 2.68916 0.79322 3.390 0.000698
## Idade> 85 anos 3.05115 0.75864 4.022 5.77e-05
## `TBSA %` 0.03008 0.01363 2.207 0.027291
## `Ventilação mecânica`Sim 1.27273 0.75526 1.685 0.091961
## `Dias de internamento` -0.06251 0.01208 -5.174 2.29e-07
## `Área queimada: cabeça e pescoço`Sim 1.01951 0.59682 1.708 0.087592
## `Área queimada: Extremidade inferior`Sim 1.09691 0.60254 1.820 0.068687
## SépsisSim 2.12004 0.76702 2.764 0.005710
## `Substituição renal`Sim 1.31694 0.90250 1.459 0.144506
## AminasSim 2.96654 0.87862 3.376 0.000734
## `Grau: 3º`Sim 1.87573 0.65758 2.852 0.004338
##
## (Intercept) ***
## Idade65-74 anos **
## Idade75-84 anos ***
## Idade> 85 anos ***
## `TBSA %` *
## `Ventilação mecânica`Sim .
## `Dias de internamento` ***
## `Área queimada: cabeça e pescoço`Sim .
## `Área queimada: Extremidade inferior`Sim .
## SépsisSim **
## `Substituição renal`Sim
## AminasSim ***
## `Grau: 3º`Sim **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 424.83 on 639 degrees of freedom
## Residual deviance: 122.14 on 627 degrees of freedom
## AIC: 148.14
##
## Number of Fisher Scoring iterations: 8vif(step)## GVIF Df GVIF^(1/(2*Df))
## Idade 1.835125 3 1.106482
## `TBSA %` 1.695588 1 1.302148
## `Ventilação mecânica` 1.973101 1 1.404671
## `Dias de internamento` 1.429543 1 1.195635
## `Área queimada: cabeça e pescoço` 1.503994 1 1.226374
## `Área queimada: Extremidade inferior` 1.518628 1 1.232326
## Sépsis 1.511652 1 1.229492
## `Substituição renal` 1.147404 1 1.071169
## Aminas 1.979580 1 1.406975
## `Grau: 3º` 1.363542 1 1.167708modelo_log_STEPAIC= glm(formula = Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` +
`Dias de internamento` + `Área queimada: cabeça e pescoço` +
`Área queimada: Extremidade inferior` + Sépsis + `Substituição renal` +
Aminas + `Grau: 3º`, family = binomial(link = "logit"),
data = dados_clean)
summary(modelo_log_STEPAIC)##
## Call:
## glm(formula = Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` +
## `Dias de internamento` + `Área queimada: cabeça e pescoço` +
## `Área queimada: Extremidade inferior` + Sépsis + `Substituição renal` +
## Aminas + `Grau: 3º`, family = binomial(link = "logit"),
## data = dados_clean)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -9.21737 1.34390 -6.859 6.95e-12
## Idade65-74 anos 2.24760 0.72660 3.093 0.001979
## Idade75-84 anos 2.68916 0.79322 3.390 0.000698
## Idade> 85 anos 3.05115 0.75864 4.022 5.77e-05
## `TBSA %` 0.03008 0.01363 2.207 0.027291
## `Ventilação mecânica`Sim 1.27273 0.75526 1.685 0.091961
## `Dias de internamento` -0.06251 0.01208 -5.174 2.29e-07
## `Área queimada: cabeça e pescoço`Sim 1.01951 0.59682 1.708 0.087592
## `Área queimada: Extremidade inferior`Sim 1.09691 0.60254 1.820 0.068687
## SépsisSim 2.12004 0.76702 2.764 0.005710
## `Substituição renal`Sim 1.31694 0.90250 1.459 0.144506
## AminasSim 2.96654 0.87862 3.376 0.000734
## `Grau: 3º`Sim 1.87573 0.65758 2.852 0.004338
##
## (Intercept) ***
## Idade65-74 anos **
## Idade75-84 anos ***
## Idade> 85 anos ***
## `TBSA %` *
## `Ventilação mecânica`Sim .
## `Dias de internamento` ***
## `Área queimada: cabeça e pescoço`Sim .
## `Área queimada: Extremidade inferior`Sim .
## SépsisSim **
## `Substituição renal`Sim
## AminasSim ***
## `Grau: 3º`Sim **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 424.83 on 639 degrees of freedom
## Residual deviance: 122.14 on 627 degrees of freedom
## AIC: 148.14
##
## Number of Fisher Scoring iterations: 8exp(cbind(OR=coef(modelo_log_STEPAIC),confint(modelo_log_STEPAIC))) ## Waiting for profiling to be done...## OR 2.5 % 97.5 %
## (Intercept) 9.929929e-05 5.089269e-06 1.041629e-03
## Idade65-74 anos 9.465024e+00 2.403208e+00 4.277645e+01
## Idade75-84 anos 1.471929e+01 3.316432e+00 7.681188e+01
## Idade> 85 anos 2.113957e+01 5.135789e+00 1.038505e+02
## `TBSA %` 1.030536e+00 1.004510e+00 1.060446e+00
## `Ventilação mecânica`Sim 3.570588e+00 8.430013e-01 1.685260e+01
## `Dias de internamento` 9.394017e-01 9.152424e-01 9.599121e-01
## `Área queimada: cabeça e pescoço`Sim 2.771833e+00 8.716412e-01 9.230310e+00
## `Área queimada: Extremidade inferior`Sim 2.994883e+00 9.397913e-01 1.017642e+01
## SépsisSim 8.331466e+00 1.970169e+00 4.135445e+01
## `Substituição renal`Sim 3.732001e+00 6.114262e-01 2.233311e+01
## AminasSim 1.942464e+01 3.655990e+00 1.177355e+02
## `Grau: 3º`Sim 6.525609e+00 1.923336e+00 2.578348e+01Conclusões:
O modelo inicial continha todos os regressores, apresentando um AIC de 169.61. Após as análises realizadas, o modelo final permaneceu apenas com os regressores Idade, TBSA %, Ventilação mecânica, Dias de internamento, Área queimada: cabeça e pescoço, Área queimada: Extremidade inferior, Sépsis, Substituição renal, Aminas e Grau: 3º`, resultando num AIC de 148.14. Este resultado indica que as variáveis excluídas, são irrelevantes para o modelo logístico.
Final Model: Outcome ~ Idade + `TBSA %` + `Ventilação mecânica` + `Dias de internamento` + `Área queimada: cabeça e pescoço` + `Área queimada: Extremidade inferior` + Sépsis + `Substituição renal` + Aminas + `Grau: 3º`
Interpretações valores p, OR e IC para este modelo:
Com base nos valores de p, as variáveis significativamente associadas ao desfecho (<0.05) foram Idade (65-74 anos, 75-84 anos e >85 anos), TBSA %, Dias de internamento, Sépsis, Aminas e Grau 3º.
As variáveis Ventilação mecânica, Área queimada: cabeça e pescoço e Área queimada: extremidade inferior apresentaram p-valores próximos do limiar de significância, indicando uma tendência, mas não alcançaram a significância estatística convencional.
OR e IC:
Idade 65-74 anos (OR = 9.47, IC = 2.40 – 42.78): A chance de morte para indivíduos de 65 a 74 anos é aproximadamente 9.5 vezes maior em comparação com o grupo de referência (menos de 65 anos). O IC não inclui 1, indicando uma associação estatisticamente significativa.
Idade 75-84 anos (OR = 14.72, IC = 3.32 – 76.81): Para indivíduos entre 75 e 84 anos, a chance de morte é aproximadamente 14.7 vezes maior. O IC não inclui 1, indicando uma forte associação significativa.
Idade > 85 anos (OR = 21.14, IC = 5.14 – 103.85): Indivíduos com mais de 85 anos têm uma chance aproximadamente 21.1 vezes maior de morrer em comparação com o grupo de referência. O IC também não inclui 1, mostrando uma associação significativa.
TBSA % (OR = 1.03, IC = 1.00 – 1.06): Para cada aumento de 1% na superfície corporal queimada (TBSA), a chance de morte aumenta em 3%. O IC inclui 1, mas o valor de p anterior indicava significância, sugerindo um impacto marginal, mas relevante.
Dias de internamento (OR = 0.94, IC = 0.92 – 0.96): Cada dia adicional de internamento diminui a chance de morte em 6%. O IC não inclui 1, indicando uma associação significativa.
Sépsis (OR = 8.33, IC = 1.97 – 41.35): A presença de sépsis aumenta a chance de morte em cerca de 8.3 vezes. O IC não inclui 1, mostrando uma associação significativa.
Aminas vasoativas (OR = 19.42, IC = 3.66 – 117.74): O uso de aminas vasoativas aumenta a chance de morte em cerca de 19.4 vezes. O IC não inclui 1, indicando uma forte associação significativa.
Grau 3 de queimadura (OR = 6.53, IC = 1.92 – 25.78): Pacientes com queimaduras de grau 3 têm uma chance 6.5 vezes maior de morte. O IC não inclui 1, indicando uma associação estatisticamente significativa.
Tabela com Análise Univariada e Múltipla:
tuni=tbl_uvregression(
data = dados_clean,
method = glm,
method.args = list(family = binomial),
exponentiate = TRUE,
y = Outcome, hide_n = TRUE,
pvalue_fun = function(x) style_pvalue(x, digits = 3)) %>%
bold_labels()%>%bold_p( t=0.05)## There was a warning constructing the model for variable "ABSI". See message
## below.
## ! glm.fit: fitted probabilities numerically 0 or 1 occurred
## There was a warning running `tbl_regression()` for variable "ABSI". See message
## below.
## ! glm.fit: fitted probabilities numerically 0 or 1 occurred and glm.fit: fitted
## probabilities numerically 0 or 1 occurredtmult=tbl_regression(modelo_log_STEPAIC, exponentiate = T,pvalue_fun = function(x) style_pvalue(x, digits = 3)) %>%bold_labels()%>%bold_p( t=0.05)
tbl_merge_1 = tbl_merge(
tbls = list(tuni,tmult),
tab_spanner = c("Simples","Múltipla")
)
tbl_merge_1| Characteristic |
Simples
|
Múltipla
|
||||
|---|---|---|---|---|---|---|
| OR1 | 95% CI1 | p-value | OR1 | 95% CI1 | p-value | |
| Sexo | ||||||
| feminino | — | — | ||||
| masculino | 2.40 | 1.38, 4.39 | 0.003 | |||
| Idade | ||||||
| 18-64 anos | — | — | — | — | ||
| 65-74 anos | 2.23 | 1.09, 4.46 | 0.024 | 9.47 | 2.40, 42.8 | 0.002 |
| 75-84 anos | 2.61 | 1.27, 5.24 | 0.008 | 14.7 | 3.32, 76.8 | <0.001 |
| > 85 anos | 4.15 | 1.99, 8.49 | <0.001 | 21.1 | 5.14, 104 | <0.001 |
| TBSA % | 1.08 | 1.06, 1.09 | <0.001 | 1.03 | 1.00, 1.06 | 0.027 |
| Causa | ||||||
| Fogo | — | — | ||||
| Líquido fervente | 0.10 | 0.03, 0.25 | <0.001 | |||
| Outra | 0.28 | 0.10, 0.62 | 0.004 | |||
| Tipo de acidente | ||||||
| Doméstico | — | — | ||||
| Trabalho | 0.44 | 0.17, 0.97 | 0.065 | |||
| Outra | 1.37 | 0.54, 3.03 | 0.473 | |||
| ABSI | 1.68 | 1.50, 1.88 | <0.001 | |||
| Baux revisto | 1.08 | 1.06, 1.09 | <0.001 | |||
| Indíce Charlson | 1.07 | 1.00, 1.14 | 0.038 | |||
| Lesão inalatória | ||||||
| Não | — | — | ||||
| Sim | 11.8 | 6.36, 21.9 | <0.001 | |||
| Ventilação mecânica | ||||||
| Não | — | — | — | — | ||
| Sim | 32.6 | 15.5, 80.0 | <0.001 | 3.57 | 0.84, 16.9 | 0.092 |
| CVC | ||||||
| Não | — | — | ||||
| Sim | 55.9 | 17.3, 343 | <0.001 | |||
| Dias de internamento | 1.0 | 0.98, 1.01 | 0.497 | 0.94 | 0.92, 0.96 | <0.001 |
| Mês | ||||||
| 1 | — | — | ||||
| 2 | 2.16 | 0.49, 11.1 | 0.315 | |||
| 3 | 3.22 | 0.89, 15.3 | 0.095 | |||
| 4 | 0.68 | 0.09, 4.31 | 0.683 | |||
| 5 | 1.67 | 0.39, 8.53 | 0.502 | |||
| 6 | 1.80 | 0.45, 8.91 | 0.427 | |||
| 7 | 1.49 | 0.37, 7.37 | 0.586 | |||
| 8 | 1.97 | 0.52, 9.58 | 0.345 | |||
| 9 | 1.80 | 0.45, 8.91 | 0.427 | |||
| 10 | 1.57 | 0.27, 9.02 | 0.596 | |||
| 11 | 1.20 | 0.28, 6.11 | 0.808 | |||
| 12 | 1.89 | 0.53, 8.84 | 0.361 | |||
| Nº cirurgias | 0.98 | 0.86, 1.11 | 0.817 | |||
| Alcoolismo | ||||||
| Não | — | — | ||||
| Sim | 1.78 | 0.84, 3.48 | 0.108 | |||
| Tabagismo | ||||||
| Não | — | — | ||||
| Sim | 0.96 | 0.46, 1.83 | 0.906 | |||
| Substituição renal | ||||||
| Não | — | — | — | — | ||
| Sim | 7.34 | 1.78, 28.4 | 0.004 | 3.73 | 0.61, 22.3 | 0.145 |
| Sépsis | ||||||
| Não | — | — | — | — | ||
| Sim | 56.7 | 25.7, 151 | <0.001 | 8.33 | 1.97, 41.4 | 0.006 |
| Aminas | ||||||
| Não | — | — | — | — | ||
| Sim | 72.0 | 32.4, 192 | <0.001 | 19.4 | 3.66, 118 | <0.001 |
| Área queimada: cabeça e pescoço | ||||||
| Não | — | — | — | — | ||
| Sim | 3.93 | 2.25, 7.17 | <0.001 | 2.77 | 0.87, 9.23 | 0.088 |
| Área queimada: Tronco | ||||||
| Não | — | — | ||||
| Sim | 3.68 | 2.11, 6.73 | <0.001 | |||
| Área queimada: Períneo | ||||||
| Não | — | — | ||||
| Sim | 5.04 | 2.60, 9.49 | <0.001 | |||
| Área queimada: Extremidade superior | ||||||
| Não | — | — | ||||
| Sim | 1.68 | 0.96, 3.06 | 0.080 | |||
| Área queimada: Extremidade inferior | ||||||
| Não | — | — | — | — | ||
| Sim | 3.23 | 1.80, 6.18 | <0.001 | 2.99 | 0.94, 10.2 | 0.069 |
| Grau: 3º | ||||||
| Não | — | — | — | — | ||
| Sim | 7.00 | 3.48, 16.1 | <0.001 | 6.53 | 1.92, 25.8 | 0.004 |
| grupo_etario | ||||||
| <64 anos | — | — | ||||
| ≥64 anos | 2.80 | 1.64, 4.90 | <0.001 | |||
| 1 OR = Odds Ratio, CI = Confidence Interval | ||||||
A análise univariada avalia cada variável de forma isolada, sem considerar possíveis efeitos de confusão de outras variáveis. Já a análise multivariada inclui múltiplas variáveis simultaneamente no modelo, permitindo ajustar os efeitos e identificar quais fatores permanecem significativamente associados ao desfecho após esse ajuste. Diferenças entre os resultados das duas abordagens podem surgir devido a interações entre variáveis ou efeitos confundidores que são controlados na análise multivariada.
Na presente análise, tendo como categoria de referência a faixa etária dos 18-64 anos, verificou-se que as restantes categorias de idade permaneceram significativas na análise multivariada, com valores de p inferiores a 0,05. A variável TBSA também manteve a sua significância, sugerindo a sua relevância na predição do desfecho. Por outro lado, a ventilação mecânica, que inicialmente apresentava significância na análise univariada, deixou de ser significativa no modelo ajustado, possivelmente devido à influência de outras variáveis correlacionadas.
Os dias de internamento, que na análise univariada não apresentavam associação estatisticamente significativa, tornaram-se significativos na análise multivariada. A substituição renal, que era significativa na análise univariada, perdeu a sua significância no modelo ajustado, sugerindo que o seu impacto pode ser explicado por outras variáveis. A sépsis e o uso de aminas mantiveram-se como fatores significativamente associados ao desfecho, reforçando a sua importância clínica.
Por fim, as variáveis “Área queimada: cabeça e pescoço” e “Área queimada: Extremidade inferior” deixaram de ser significativas na análise multivariada, possivelmente devido à interação com outras variáveis, enquanto a variável “Grau 3 de queimadura” permaneceu significativa.
Tabela com Análise Univariada e Múltipla + “Sem outliers”:
res = residuals(binary_model, type = 'pearson')
res## 1 2 3 4 5 6
## -0.007779115 -0.012910895 -0.056488840 -0.007933690 -0.017314984 -0.010405624
## 7 8 9 10 11 12
## -0.007801947 -0.014770304 -0.015401359 -0.060317687 -0.487853154 -0.020922010
## 13 14 15 16 17 18
## -0.028262952 -0.084530976 -0.097167595 -0.095602323 -0.249655655 -0.095076737
## 19 20 21 22 23 24
## -1.296179375 -0.131784086 -1.832354794 -0.049238502 -0.013063761 -0.013807938
## 25 26 27 28 29 30
## -0.005568025 -0.006790352 -0.011616063 -0.074723090 -0.089779416 -0.017278440
## 31 32 33 34 35 36
## -0.292608281 -0.084688375 -0.029740570 -0.009371513 -0.167757764 -0.306231137
## 37 38 39 40 41 42
## 0.589415758 0.665576790 -0.080557137 -0.065590072 0.051779660 -0.108085393
## 43 44 45 46 47 48
## -0.394320696 -0.015482697 -0.063717133 -0.052112893 -0.014496564 -0.055325293
## 49 50 51 52 53 54
## -0.018240348 -5.889506160 -0.167394191 -0.022499405 -0.030511827 -0.148490483
## 55 56 57 58 59 60
## -0.018601764 -0.005891157 -0.024615403 -1.220794255 1.530975640 -0.027934422
## 61 62 63 64 65 66
## -0.033313989 -0.089425161 -0.318914789 1.982602719 -0.116803138 -0.009950772
## 67 68 69 70 71 72
## -0.010503630 -0.063835258 -0.021775023 -0.018703792 -0.110838764 -0.019278406
## 73 74 75 76 77 78
## 1.277393210 -0.024605050 -0.380467512 -0.022885980 -0.009816167 -0.034061256
## 79 80 81 82 83 84
## -0.005927008 -0.078505405 -0.885294222 -0.025622184 -0.032884681 -0.918741864
## 85 86 87 88 89 90
## -0.058312283 -0.012372717 -0.023182242 -0.097065366 0.070231315 -0.018599043
## 91 92 93 94 95 96
## -0.061008845 -0.007558539 -0.050314435 -0.005193960 -0.468990782 -0.049504719
## 97 98 99 100 101 102
## -0.072939685 -0.049348170 -0.020580230 -0.028549194 -0.022175992 -0.015694215
## 103 104 105 106 107 108
## -0.059109492 -0.009953039 -0.015756534 -0.023650869 -0.015372069 -0.025861772
## 109 110 111 112 113 114
## -0.012133555 -0.019489258 -0.021315195 -0.599916770 -0.020250891 -0.119565913
## 115 116 117 118 119 120
## 0.605765551 -0.026488990 -0.021355729 -0.008191735 -0.075371529 -0.008043118
## 121 122 123 124 125 126
## -0.103910758 0.576086029 -0.023644021 -0.080500948 -0.655840413 -0.536956115
## 127 128 129 130 131 132
## -0.088892786 -0.367435140 3.399297865 -0.233733673 -0.025683886 0.939497880
## 133 134 135 136 137 138
## -0.023791811 -0.093773913 -0.006551260 -0.041256986 -0.027417678 -0.032862453
## 139 140 141 142 143 144
## 0.507246068 0.409038284 -0.041126480 -0.015262931 0.453818623 -0.023342746
## 145 146 147 148 149 150
## -0.417013986 -0.006462405 -0.030815879 -0.078669681 -0.016817898 -0.041161309
## 151 152 153 154 155 156
## -0.011479426 -0.026243364 -0.236904717 -0.177236853 -0.074648739 0.167770547
## 157 158 159 160 161 162
## -0.056641117 -0.023088391 -0.031359489 0.834640512 -0.011496539 0.066225711
## 163 164 165 166 167 168
## -0.011682826 -0.021664018 -0.024783994 -0.033107678 -0.014480585 -0.059301627
## 169 170 171 172 173 174
## -0.011923925 -0.005562301 -0.431917953 -0.019667148 -0.082035213 -0.034049908
## 175 176 177 178 179 180
## -0.093572920 -0.072515097 -0.015952623 -0.035489684 -0.023339042 -0.042378834
## 181 182 183 184 185 186
## -0.063847606 -0.029782170 -0.047235295 -0.132333843 0.229973393 0.157266583
## 187 188 189 190 191 192
## -0.310887303 -0.016150781 -0.023015753 -0.006420246 -0.035716476 -0.041075183
## 193 194 195 196 197 198
## -0.014993238 -0.092531360 -0.062933737 -0.101334809 -0.897057804 -0.015342201
## 199 200 201 202 203 204
## -0.048076741 -0.189548533 -0.007535316 -0.099686066 -0.070997575 -0.028083209
## 205 206 207 208 209 210
## -0.011707064 -0.007139722 0.086273575 -0.047621445 -0.010662033 -0.034701749
## 211 212 213 214 215 216
## -0.034989813 -0.067817375 -0.062397319 -0.012866638 -0.012423422 -0.071136635
## 217 218 219 220 221 222
## -0.011646518 -0.007707415 -0.015682671 -0.222503733 -0.010106971 -0.090547274
## 223 224 225 226 227 228
## -0.003906916 -0.008145374 -0.085324219 -0.142409861 0.953116605 -0.038265415
## 229 230 231 232 233 234
## -0.033473589 -0.010660535 -0.014372317 -0.068483510 -0.085297421 -0.041111380
## 235 236 237 238 239 240
## -0.160244395 0.126347863 -0.020634069 -0.021344368 -0.430570452 -0.038071211
## 241 242 243 244 245 246
## -0.108124899 -0.054581097 0.294744063 0.382023390 -0.010464089 -0.012593340
## 247 248 249 250 251 252
## -0.013651649 -0.098997621 -0.029229547 -0.107563572 -0.027723308 -0.016715880
## 253 254 255 256 257 258
## -0.422741430 -0.016944342 -0.036815425 -0.083727760 -0.040981108 -0.006305781
## 259 260 261 262 263 264
## 0.307623452 -0.061695721 -0.018765866 -0.044319964 2.760134466 -0.002731138
## 265 266 267 268 269 270
## 0.396433810 -0.046272398 -0.040048626 -0.075350926 -0.024382259 -0.033094359
## 271 272 273 274 275 276
## 0.147540178 -0.030904293 -0.014145609 -0.014041668 -0.010640297 -0.046729568
## 277 278 279 280 281 282
## -0.046148966 -0.211839734 -0.104126563 -0.039230419 -1.263254190 -0.074781058
## 283 284 285 286 287 288
## -0.032400984 -0.060597017 -0.028204827 -0.132011915 -0.017149748 -0.009790536
## 289 290 291 292 293 294
## -0.194174792 -0.058731327 -0.013566226 -0.007224070 -0.246049574 -0.010925487
## 295 296 297 298 299 300
## -0.010393895 -0.023593551 -0.029215180 -0.026038524 -0.007200088 -0.007109785
## 301 302 303 304 305 306
## 0.110466424 -0.107437009 -2.079379184 -0.025393269 -0.497408092 -0.025483499
## 307 308 309 310 311 312
## -0.046878818 -0.030284640 -0.146014428 -0.390304927 -0.021436044 -0.005915261
## 313 314 315 316 317 318
## -0.042143651 -0.026835580 -0.017268334 -0.053596922 -0.029892399 -0.352531172
## 319 320 321 322 323 324
## -0.060957064 0.253518909 -0.030223708 -0.013555779 -0.008358042 -0.008295519
## 325 326 327 328 329 330
## -0.026843991 -0.016207901 -0.011188311 -0.018837676 -0.017492470 -0.017658713
## 331 332 333 334 335 336
## -0.091002092 -0.022315830 -0.064574499 -0.034848810 -0.010035807 -0.032884633
## 337 338 339 340 341 342
## -0.062230696 -0.044966022 -0.034989645 -0.023891533 -0.014535760 -0.099146420
## 343 344 345 346 347 348
## -0.015439386 -0.011266715 -0.019895037 -0.006769672 -0.010983709 -0.065834479
## 349 350 351 352 353 354
## -0.078864079 -0.013666153 -0.101569839 -0.131683227 -0.041418825 0.175054003
## 355 356 357 358 359 360
## -0.104861924 -0.491363113 -0.046816364 -0.024955101 -0.015506564 -0.070685386
## 361 362 363 364 365 366
## -0.010482562 -0.694286810 -0.034695242 0.117317990 0.402425702 -0.013615336
## 367 368 369 370 371 372
## 1.883151030 -0.012193247 -0.020971620 -0.039698882 -0.017076908 -0.055602936
## 373 374 375 376 377 378
## 0.477352454 -0.019197060 -0.148290685 -0.012597989 -0.035443077 -0.254448114
## 379 380 381 382 383 384
## -0.083630585 -0.011611667 -0.025395738 -0.007017556 -0.008284137 -0.012228345
## 385 386 387 388 389 390
## -0.102564742 -0.087971029 -0.748943824 -0.020593231 -0.024236364 -0.765155944
## 391 392 393 394 395 396
## -0.008776525 -0.011146975 -0.005759131 -0.094705674 -0.075717138 1.617497838
## 397 398 399 400 401 402
## -0.157326204 -0.031487542 -0.033495048 -0.017163130 -0.038922141 -0.012812427
## 403 404 405 406 407 408
## -0.023713671 -0.151955842 1.613545091 -0.040456784 0.138660217 -0.039864954
## 409 410 411 412 413 414
## -0.059966609 -0.063006567 -0.655985538 1.187331858 -0.122683526 -0.006040249
## 415 416 417 418 419 420
## -0.032690060 -0.023807350 -0.004677058 -0.010932206 1.368860244 -0.027145649
## 421 422 423 424 425 426
## -0.044849310 -0.019146903 -0.135752376 -0.019905085 -0.012213660 -0.009752558
## 427 428 429 430 431 432
## 1.708730225 -0.011334725 -0.038888410 -0.077321290 -0.069876382 -0.005582173
## 433 434 435 436 437 438
## -0.041559358 -0.028447391 3.115645984 -0.049937065 -0.012674315 -0.049401000
## 439 440 441 442 443 444
## -0.050442312 -0.345616686 -0.023609058 -0.240757699 -0.053836457 -0.017713899
## 445 446 447 448 449 450
## -0.052835624 -0.013918531 -0.010925337 -0.022957503 -0.091121915 -0.024185906
## 451 452 453 454 455 456
## -0.005642966 -0.028525570 0.265410325 -0.701582520 -0.013505345 -0.022092606
## 457 458 459 460 461 462
## -0.279142804 -0.026851267 0.572466576 -0.015146370 -1.230637627 -0.004036220
## 463 464 465 466 467 468
## -0.010088257 -0.011585411 -7.021346966 -0.029184541 -0.008324873 -0.023610341
## 469 470 471 472 473 474
## -0.026507526 0.221918642 -0.026646980 -0.014495164 -0.007629487 -0.027105544
## 475 476 477 478 479 480
## -0.009315140 0.123358037 0.332039682 -0.012574328 0.188141627 1.024997374
## 481 482 483 484 485 486
## -0.030106323 -0.002688522 -0.012058051 0.424378013 -0.342176405 -0.044008227
## 487 488 489 490 491 492
## -0.111914188 -0.320005458 0.170464583 -0.038157900 -0.012913195 -0.036468440
## 493 494 495 496 497 498
## -0.009691889 -0.375854290 -0.028333931 -0.029335193 -0.033364984 -0.134511455
## 499 500 501 502 503 504
## -0.024442331 -0.284438215 -0.422564349 -0.031416655 -0.007925575 -0.006086026
## 505 506 507 508 509 510
## -0.749981601 0.645318582 -0.005630238 -0.004035061 -0.013081184 -0.102671732
## 511 512 513 514 515 516
## -0.428618867 -0.011841856 -0.047546840 -0.079978303 0.336307774 -0.054049378
## 517 518 519 520 521 522
## -0.059774535 -0.018038428 -0.028836671 -0.069930759 -0.009607821 -0.029641382
## 523 524 525 526 527 528
## -0.011902340 -0.873383023 -0.049459411 -0.012711959 -0.026177334 -0.043794976
## 529 530 531 532 533 534
## -0.009167274 -0.032724812 -0.040560201 -0.014714053 -0.011930556 -0.016092119
## 535 536 537 538 539 540
## -0.009912926 -0.011085427 -0.573190428 -0.006844775 -0.156744936 -0.021769544
## 541 542 543 544 545 546
## -0.124527799 -0.030384949 -0.043081681 -0.011552846 -0.011428980 -0.039488578
## 547 548 549 550 551 552
## -0.003604957 -0.043659222 1.654392051 -0.010571311 -0.015322029 -0.026193347
## 553 554 555 556 557 558
## -0.135049632 -0.052822281 -0.019319201 -0.084869815 -0.022306730 -0.013371046
## 559 560 561 562 563 564
## -0.012649874 -0.005471153 2.288718588 -0.065074872 -0.034579782 -0.004744720
## 565 566 567 568 569 570
## -0.036863980 -0.007739162 -0.072905014 -0.063274018 -0.018494690 0.240288872
## 571 572 573 574 575 576
## 1.232566706 -0.014587129 -0.013821318 -0.063999630 -0.100833349 -0.023902973
## 577 578 579 580 581 582
## -0.035398068 -0.057302001 -0.067269307 -0.013412957 -0.014194899 0.077639284
## 583 584 585 586 587 588
## -0.185700953 -0.014469441 -0.082920257 -0.050384931 -0.008845132 0.129687064
## 589 590 591 592 593 594
## -0.053373088 0.235930167 -0.054512166 -0.139222764 -0.038330781 -0.012366611
## 595 596 597 598 599 600
## -0.043714632 -0.030094263 -0.520415734 -0.015944735 -0.017539414 -0.023133540
## 601 602 603 604 605 606
## -0.034703534 -0.008534107 -0.009581837 -0.027784348 0.355418719 0.140511896
## 607 608 609 610 611 612
## -0.091706744 -0.026716305 -0.058351957 -0.008186653 -0.014503878 -0.040507876
## 613 614 615 616 617 618
## -0.014095115 0.090429918 -0.124960252 -0.035296405 -0.060068819 -0.028441817
## 619 620 621 622 623 624
## -0.010016428 -0.014274026 0.044995277 -1.421413010 -0.103477499 -0.033156490
## 625 626 627 628 629 630
## -0.004777748 -0.536500134 -0.030084748 -0.012173666 -0.010158808 -0.035730551
## 631 632 633 634 635 636
## 0.117798022 -0.158124944 -0.022612194 -0.075828287 -0.015219347 -0.140394882
## 637 638 639 640
## 0.179848724 -0.015232003 -0.004542896 -0.088370151outliers_d = abs(res)>1.96
dados_sem=dados_clean[!outliers_d,]
tout=tbl_regression(modelo_log_STEPAIC, exponentiate = T,pvalue_fun = function(x) style_pvalue(x, digits = 3)) %>%bold_labels()%>%bold_p( t=0.05)
tbl_merge_2 = tbl_merge(
tbls = list(tuni,tmult,tout),
tab_spanner = c("Simples","Múltipla","Sem outliers")
)
tbl_merge_2 | Characteristic |
Simples
|
Múltipla
|
Sem outliers
|
||||||
|---|---|---|---|---|---|---|---|---|---|
| OR1 | 95% CI1 | p-value | OR1 | 95% CI1 | p-value | OR1 | 95% CI1 | p-value | |
| Sexo | |||||||||
| feminino | — | — | |||||||
| masculino | 2.40 | 1.38, 4.39 | 0.003 | ||||||
| Idade | |||||||||
| 18-64 anos | — | — | — | — | — | — | |||
| 65-74 anos | 2.23 | 1.09, 4.46 | 0.024 | 9.47 | 2.40, 42.8 | 0.002 | 9.47 | 2.40, 42.8 | 0.002 |
| 75-84 anos | 2.61 | 1.27, 5.24 | 0.008 | 14.7 | 3.32, 76.8 | <0.001 | 14.7 | 3.32, 76.8 | <0.001 |
| > 85 anos | 4.15 | 1.99, 8.49 | <0.001 | 21.1 | 5.14, 104 | <0.001 | 21.1 | 5.14, 104 | <0.001 |
| TBSA % | 1.08 | 1.06, 1.09 | <0.001 | 1.03 | 1.00, 1.06 | 0.027 | 1.03 | 1.00, 1.06 | 0.027 |
| Causa | |||||||||
| Fogo | — | — | |||||||
| Líquido fervente | 0.10 | 0.03, 0.25 | <0.001 | ||||||
| Outra | 0.28 | 0.10, 0.62 | 0.004 | ||||||
| Tipo de acidente | |||||||||
| Doméstico | — | — | |||||||
| Trabalho | 0.44 | 0.17, 0.97 | 0.065 | ||||||
| Outra | 1.37 | 0.54, 3.03 | 0.473 | ||||||
| ABSI | 1.68 | 1.50, 1.88 | <0.001 | ||||||
| Baux revisto | 1.08 | 1.06, 1.09 | <0.001 | ||||||
| Indíce Charlson | 1.07 | 1.00, 1.14 | 0.038 | ||||||
| Lesão inalatória | |||||||||
| Não | — | — | |||||||
| Sim | 11.8 | 6.36, 21.9 | <0.001 | ||||||
| Ventilação mecânica | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 32.6 | 15.5, 80.0 | <0.001 | 3.57 | 0.84, 16.9 | 0.092 | 3.57 | 0.84, 16.9 | 0.092 |
| CVC | |||||||||
| Não | — | — | |||||||
| Sim | 55.9 | 17.3, 343 | <0.001 | ||||||
| Dias de internamento | 1.0 | 0.98, 1.01 | 0.497 | 0.94 | 0.92, 0.96 | <0.001 | 0.94 | 0.92, 0.96 | <0.001 |
| Mês | |||||||||
| 1 | — | — | |||||||
| 2 | 2.16 | 0.49, 11.1 | 0.315 | ||||||
| 3 | 3.22 | 0.89, 15.3 | 0.095 | ||||||
| 4 | 0.68 | 0.09, 4.31 | 0.683 | ||||||
| 5 | 1.67 | 0.39, 8.53 | 0.502 | ||||||
| 6 | 1.80 | 0.45, 8.91 | 0.427 | ||||||
| 7 | 1.49 | 0.37, 7.37 | 0.586 | ||||||
| 8 | 1.97 | 0.52, 9.58 | 0.345 | ||||||
| 9 | 1.80 | 0.45, 8.91 | 0.427 | ||||||
| 10 | 1.57 | 0.27, 9.02 | 0.596 | ||||||
| 11 | 1.20 | 0.28, 6.11 | 0.808 | ||||||
| 12 | 1.89 | 0.53, 8.84 | 0.361 | ||||||
| Nº cirurgias | 0.98 | 0.86, 1.11 | 0.817 | ||||||
| Alcoolismo | |||||||||
| Não | — | — | |||||||
| Sim | 1.78 | 0.84, 3.48 | 0.108 | ||||||
| Tabagismo | |||||||||
| Não | — | — | |||||||
| Sim | 0.96 | 0.46, 1.83 | 0.906 | ||||||
| Substituição renal | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 7.34 | 1.78, 28.4 | 0.004 | 3.73 | 0.61, 22.3 | 0.145 | 3.73 | 0.61, 22.3 | 0.145 |
| Sépsis | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 56.7 | 25.7, 151 | <0.001 | 8.33 | 1.97, 41.4 | 0.006 | 8.33 | 1.97, 41.4 | 0.006 |
| Aminas | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 72.0 | 32.4, 192 | <0.001 | 19.4 | 3.66, 118 | <0.001 | 19.4 | 3.66, 118 | <0.001 |
| Área queimada: cabeça e pescoço | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 3.93 | 2.25, 7.17 | <0.001 | 2.77 | 0.87, 9.23 | 0.088 | 2.77 | 0.87, 9.23 | 0.088 |
| Área queimada: Tronco | |||||||||
| Não | — | — | |||||||
| Sim | 3.68 | 2.11, 6.73 | <0.001 | ||||||
| Área queimada: Períneo | |||||||||
| Não | — | — | |||||||
| Sim | 5.04 | 2.60, 9.49 | <0.001 | ||||||
| Área queimada: Extremidade superior | |||||||||
| Não | — | — | |||||||
| Sim | 1.68 | 0.96, 3.06 | 0.080 | ||||||
| Área queimada: Extremidade inferior | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 3.23 | 1.80, 6.18 | <0.001 | 2.99 | 0.94, 10.2 | 0.069 | 2.99 | 0.94, 10.2 | 0.069 |
| Grau: 3º | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 7.00 | 3.48, 16.1 | <0.001 | 6.53 | 1.92, 25.8 | 0.004 | 6.53 | 1.92, 25.8 | 0.004 |
| grupo_etario | |||||||||
| <64 anos | — | — | |||||||
| ≥64 anos | 2.80 | 1.64, 4.90 | <0.001 | ||||||
| 1 OR = Odds Ratio, CI = Confidence Interval | |||||||||
Após a realização da análise multivariada considerando a base de dados sem outliers, verificou-se que os valores de p obtidos permaneceram consistentes com os da análise com a base de dados original.
Isto indica que a presença de outliers não teve um impacto significativo nas conclusões do modelo, reforçando a robustez dos resultados encontrados.
Regressão Linear
Hipóteses estatísticas:
𝐻0: 𝛽𝑖 = 0 (Não há relação significativa entre os regressores e a variável de resposta Dias de internamento)
𝐻1: 𝛽𝑖 ≠ 0 (Há relação significativa entre os regressores e a variável de resposta Dias de internamento)
linear_model = lm(`Dias de internamento` ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` + ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` + CVC + Outcome + `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` + `Área queimada: Períneo`+ `Área queimada: Extremidade superior`+`Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo + Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` + `Grau: 3º` , data = dados_clean)
summary(linear_model)##
## Call:
## lm(formula = `Dias de internamento` ~ Sexo + Idade + `TBSA %` +
## Causa + `Tipo de acidente` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`, data = dados_clean)
##
## Residuals:
## Min 1Q Median 3Q Max
## -63.399 -5.322 -0.923 3.845 79.030
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.79366 2.37353 3.705 0.000231
## Sexomasculino -0.78446 0.93275 -0.841 0.400665
## Idade65-74 anos 1.45496 1.42324 1.022 0.307050
## Idade75-84 anos 3.31357 1.72355 1.923 0.055003
## Idade> 85 anos 4.34458 2.10225 2.067 0.039189
## `TBSA %` 0.02021 0.05458 0.370 0.711332
## CausaLíquido fervente 0.23348 1.03585 0.225 0.821745
## CausaOutra -2.15987 1.26703 -1.705 0.088764
## `Tipo de acidente`Trabalho 0.63990 1.34607 0.475 0.634684
## `Tipo de acidente`Outra -1.12646 1.57212 -0.717 0.473943
## ABSI 0.04368 0.13933 0.313 0.754030
## `Baux revisto` -0.05533 0.03797 -1.457 0.145604
## `Lesão inalatória`Sim 4.36683 1.72644 2.529 0.011676
## `Ventilação mecânica`Sim -2.08950 1.45200 -1.439 0.150646
## CVCSim 3.71573 1.15399 3.220 0.001350
## Outcome -10.43323 1.91419 -5.450 7.29e-08
## `Área queimada: cabeça e pescoço`Sim 2.15847 1.00160 2.155 0.031550
## `Área queimada: Tronco`Sim 0.32779 0.89221 0.367 0.713453
## `Área queimada: Períneo`Sim 1.56849 1.51650 1.034 0.301411
## `Área queimada: Extremidade superior`Sim 1.10645 0.93060 1.189 0.234915
## `Área queimada: Extremidade inferior`Sim 2.55018 0.96460 2.644 0.008409
## TabagismoSim -2.00564 1.07906 -1.859 0.063551
## AlcoolismoSim -0.06766 1.32526 -0.051 0.959301
## SépsisSim 1.61135 1.63065 0.988 0.323463
## `Substituição renal`Sim 6.99888 3.44138 2.034 0.042408
## AminasSim 6.26938 1.79664 3.490 0.000519
## `Nº cirurgias` 7.15465 0.24191 29.576 < 2e-16
## `Grau: 3º`Sim -1.48845 0.89169 -1.669 0.095580
##
## (Intercept) ***
## Sexomasculino
## Idade65-74 anos
## Idade75-84 anos .
## Idade> 85 anos *
## `TBSA %`
## CausaLíquido fervente
## CausaOutra .
## `Tipo de acidente`Trabalho
## `Tipo de acidente`Outra
## ABSI
## `Baux revisto`
## `Lesão inalatória`Sim *
## `Ventilação mecânica`Sim
## CVCSim **
## Outcome ***
## `Área queimada: cabeça e pescoço`Sim *
## `Área queimada: Tronco`Sim
## `Área queimada: Períneo`Sim
## `Área queimada: Extremidade superior`Sim
## `Área queimada: Extremidade inferior`Sim **
## TabagismoSim .
## AlcoolismoSim
## SépsisSim
## `Substituição renal`Sim *
## AminasSim ***
## `Nº cirurgias` ***
## `Grau: 3º`Sim .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.69 on 612 degrees of freedom
## Multiple R-squared: 0.753, Adjusted R-squared: 0.7421
## F-statistic: 69.09 on 27 and 612 DF, p-value: < 2.2e-16Pressupostos do Modelo de Regressão Linear
Normalidade dos resíduos:
H0: Os resíduos seguem uma distribuição normal
H1: Os resíduos não seguem uma distribuição normal
NOTA: Para que o pressuposto de normalidade dos resíduos seja cumprido, não podemos rejeitar H0, ou seja, os resíduos devem seguir uma distribuição normal
shapiro_test=shapiro.test(resid(linear_model))
shapiro_test ##
## Shapiro-Wilk normality test
##
## data: resid(linear_model)
## W = 0.86216, p-value < 2.2e-16#Através de gráficos QQ-plot:
qqnorm(residuals(linear_model), pch = 20, main = "QQ-plot: Resíduos")
qqline(residuals(linear_model), col = "pink", lwd = 2) 
Conclusões:
Através do Teste de Shapiro-Wilk, podemos afirmar que o pressuposto para a normalidade dos resíduos não se encontra cumprido pois p-value< 2.2e-16, que por sua vez é inferior ao nível de significância 0.05, rejeitando assim a hipótese nula (H0).
O grafico de resíduos através do qqnorm e qqline, confirma o que já tinhamos concluído anteriormente, através do deste de Shapiro, em que os resíduos não seguem uma distribuição normal nos seus extremos.
Teste de Breush-Pagan (homocedasticidade):
H0: Há homogeneidade de variâncias
H1: Não há homogeneidade de variâncias
NOTA: Para que o pressuposto de homocedasticidade seja cumprido, não podemos rejeitar H0, ou seja, as variâncias devem ser homogéneas
bp_test=bptest(linear_model)
bp_test ##
## studentized Breusch-Pagan test
##
## data: linear_model
## BP = 64.109, df = 27, p-value = 7.446e-05Conclusões:
- Através do Teste de Breush-Pagan, podemos afirmar que o pressuposto para a homocedasticidade não se encontra cumprido pois p-value = 7.446e-05 é inferior ao nível de significância 0.05, rejeitando assim a hipótese nula (H0).
Teste de Durbin-Watson (autocorrelação):
H0: A autocorrelação é nula
H1: Há autocorrelação
NOTA: Para que o pressuposto de ausência de autocorrelação seja cumprido, não podemos rejeitar H0, ou seja, a autocorrelação é nula
dw_test=dwtest(linear_model)
dw_test ##
## Durbin-Watson test
##
## data: linear_model
## DW = 2.0663, p-value = 0.7909
## alternative hypothesis: true autocorrelation is greater than 0Conclusões:
- Através do Teste de Durbin-Watson, podemos afirmar que o pressuposto para a autocorrelação nos resíduos está cumprido pois p-value = 0.7909 é superior ao nível de significância 0.05, não rejeitando a hipótese nula (H0).
NOTA:
Dado que a maioria dos pressupostos do modelo de regressão linear não foi cumprida, a aplicação desse modelo poderia resultar em estimativas enviesadas e interpretações inadequadas dos coeficientes.
Como alternativa, optou-se por aplicar a transformação logarítmica à variável dependente, com o objetivo de melhorar a adequação do modelo aos dados, tornando o modelo mais robusto.
Caso os pressupostos sejam satisfeitos após a transformação, será possível proceder à avaliação da qualidade e do significado do modelo, bem como à interpretação adequada dos coeficientes.
Regressão Linear Logarítimica
linear_model_log <- lm(log1p(`Dias de internamento`) ~ Sexo + Idade + `TBSA %` + Causa + `Tipo de acidente` + ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` + CVC + Outcome + `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo + Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` + `Grau: 3º`, data = dados_clean)
#Pr(>|z|) Valores menores que 0.05 indicam que a variável tem um efeito significativo na variavel de resposta (Outcome- Morte)Pressupostos do Modelo de Regressão Linear Logarítimico
Normalidade dos resíduos:
H0: Os resíduos seguem uma distribuição normal
H1: Os resíduos não seguem uma distribuição normal
NOTA: Para que o pressuposto de normalidade dos resíduos seja cumprido, não podemos rejeitar H0, ou seja, os resíduos devem seguir uma distribuição normal
shapiro_test=shapiro.test(resid(linear_model_log))
shapiro_test##
## Shapiro-Wilk normality test
##
## data: resid(linear_model_log)
## W = 0.95042, p-value = 7.864e-14#Através do QQ-plot:
qqnorm(residuals(linear_model_log), pch = 20, main = "QQ-plot: Resíduos")
qqline(residuals(linear_model_log), col = "pink", lwd = 2)
Conclusões:
- Dado que temos 640 observações, o teste de Shapiro-Wilk pode não ser o mais adequado para avaliar a normalidade dos resíduos, pelo que recorremos à inspeção visual através do QQ-plot e da QQ-line. Após a transformação logarítmica, verificámos que os pontos se alinharam de forma mais próxima à reta, indicando uma melhoria na adequação à normalidade. O pressuposto foi, portanto, cumprido.
Teste de Breush-Pagan (homocedasticidade):
H0: Há homogeneidade de variâncias
H1: Não há homogeneidade de variâncias
NOTA: Para que o pressuposto de homocedasticidade seja cumprido, não podemos rejeitar H0, ou seja, as variâncias devem ser homogéneas
bp_test=bptest(linear_model_log)
bp_test ##
## studentized Breusch-Pagan test
##
## data: linear_model_log
## BP = 19.23, df = 27, p-value = 0.8615Conclusões:
- Através do Teste de Breush-Pagan, podemos afirmar que o pressuposto para a homocedasticidade está cumprido pois p-value = 0.8615 é superior ao nível de significância 0.05, não rejeitando assim a hipótese nula (H0).
Teste de Durbin-Watson (autocorrelação):
H0: A autocorrelação é nula
H1: Há autocorrelação
NOTA: Para que o pressuposto de ausência de autocorrelação seja cumprido, não podemos rejeitar H0, ou seja, a autocorrelação é nula
dw_test=dwtest(linear_model_log)
dw_test ##
## Durbin-Watson test
##
## data: linear_model_log
## DW = 2.0106, p-value = 0.5411
## alternative hypothesis: true autocorrelation is greater than 0Conclusões:
- Através do Teste de Durbin-Watson, podemos afirmar que o pressuposto para a autocorrelação nos resíduos está cumprido pois p-value = 0.5411 é superior ao nível de significância 0.05, não rejeitando a hipótese nula (H0).
Avaliar o significado e a qualidade do Modelo de Regressão Linear Logarítmica
VIF (Variance inflation factor) - Multicolinearidade:
Mede o quanto a variância de um coeficiente de regressão está a ser inflacionada devido à multicolinearidade entre as variáveis independentes.
Quanto maior o VIF, mais uma variável está correlacionada com as outras
VIF > 5 → Há problemas graves de multicolinearidade
vif(linear_model_log)## GVIF Df GVIF^(1/(2*Df))
## Sexo 1.456972 1 1.207051
## Idade 4.385628 3 1.279397
## `TBSA %` 5.839727 1 2.416553
## Causa 1.977486 2 1.185846
## `Tipo de acidente` 1.979546 2 1.186155
## ABSI 1.648760 1 1.284040
## `Baux revisto` 6.966397 1 2.639393
## `Lesão inalatória` 1.622094 1 1.273615
## `Ventilação mecânica` 2.875122 1 1.695619
## CVC 2.220244 1 1.490048
## Outcome 2.309929 1 1.519845
## `Área queimada: cabeça e pescoço` 1.696380 1 1.302451
## `Área queimada: Tronco` 1.351669 1 1.162613
## `Área queimada: Períneo` 1.211002 1 1.100455
## `Área queimada: Extremidade superior` 1.353724 1 1.163496
## `Área queimada: Extremidade inferior` 1.561958 1 1.249783
## Tabagismo 1.129620 1 1.062836
## Alcoolismo 1.151493 1 1.073076
## Sépsis 3.191344 1 1.786433
## `Substituição renal` 1.119199 1 1.057922
## Aminas 3.561276 1 1.887134
## `Nº cirurgias` 1.607195 1 1.267752
## `Grau: 3º` 1.342970 1 1.158866Conclusões:
As variáveis TBSA % e Baux Revisto apresentaram um VIF>5, sugerindo uma elevada correlação entre elas. Essa relação pode ser explicada pelo facto de que a idade é um fator determinante na gravidade das queimaduras e no prognóstico dos pacientes.
O índice de TBSA % quantifica a extensão das queimaduras e tende a ser mais elevado em pacientes mais velhos, devido à maior fragilidade da pele e à menor capacidade de recuperação.
O Baux Revisto, que combina idade e TBSA %, é um preditor de mortalidade e, por construção, está diretamente influenciado por essas duas variáveis.
Dado o elevado nível de multicolinearidade, uma possível solução seria a remoção de uma dessas variáveis para garantir maior estabilidade e interpretabilidade do modelo.
IC dos coeficientes e estatística de teste:
confint(linear_model_log)## 2.5 % 97.5 %
## (Intercept) 1.9975950441 2.444107858
## Sexomasculino -0.0844760907 0.090994032
## Idade65-74 anos -0.2431862116 0.024556915
## Idade75-84 anos -0.1202000848 0.204037045
## Idade> 85 anos -0.2408553304 0.154624586
## `TBSA %` -0.0122020707 -0.001934305
## CausaLíquido fervente -0.0518934266 0.142972048
## CausaOutra -0.2934059974 -0.055049104
## `Tipo de acidente`Trabalho -0.0087717071 0.244454132
## `Tipo de acidente`Outra -0.1199056836 0.175844276
## ABSI -0.0067495174 0.019462112
## `Baux revisto` -0.0020663695 0.005077546
## `Lesão inalatória`Sim -0.1915711880 0.133210774
## `Ventilação mecânica`Sim -0.3917493973 -0.118596800
## CVCSim 0.2174702412 0.434560507
## Outcome -0.5774743551 -0.217372228
## `Área queimada: cabeça e pescoço`Sim -0.0853401425 0.103083235
## `Área queimada: Tronco`Sim -0.0355111426 0.132333092
## `Área queimada: Períneo`Sim -0.1041129561 0.181173401
## `Área queimada: Extremidade superior`Sim 0.0009795407 0.176046143
## `Área queimada: Extremidade inferior`Sim 0.0199784461 0.201441647
## TabagismoSim -0.1475235199 0.055471912
## AlcoolismoSim -0.0910549320 0.158256568
## SépsisSim -0.1427045127 0.164057237
## `Substituição renal`Sim -0.0767475148 0.570651446
## AminasSim 0.1147349459 0.452722237
## `Nº cirurgias` 0.2069635285 0.252472234
## `Grau: 3º`Sim -0.0976565680 0.070090301summary(linear_model_log)##
## Call:
## lm(formula = log1p(`Dias de internamento`) ~ Sexo + Idade + `TBSA %` +
## Causa + `Tipo de acidente` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`, data = dados_clean)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6513 -0.2536 0.0386 0.2761 1.5653
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.220851 0.113683 19.535 < 2e-16
## Sexomasculino 0.003259 0.044675 0.073 0.941871
## Idade65-74 anos -0.109315 0.068168 -1.604 0.109317
## Idade75-84 anos 0.041918 0.082551 0.508 0.611786
## Idade> 85 anos -0.043115 0.100690 -0.428 0.668657
## `TBSA %` -0.007068 0.002614 -2.704 0.007046
## CausaLíquido fervente 0.045539 0.049613 0.918 0.359039
## CausaOutra -0.174228 0.060686 -2.871 0.004234
## `Tipo de acidente`Trabalho 0.117841 0.064472 1.828 0.068067
## `Tipo de acidente`Outra 0.027969 0.075299 0.371 0.710435
## ABSI 0.006356 0.006674 0.952 0.341238
## `Baux revisto` 0.001506 0.001819 0.828 0.408126
## `Lesão inalatória`Sim -0.029180 0.082690 -0.353 0.724295
## `Ventilação mecânica`Sim -0.255173 0.069545 -3.669 0.000265
## CVCSim 0.326015 0.055272 5.898 6.07e-09
## Outcome -0.397423 0.091683 -4.335 1.71e-05
## `Área queimada: cabeça e pescoço`Sim 0.008872 0.047973 0.185 0.853347
## `Área queimada: Tronco`Sim 0.048411 0.042734 1.133 0.257718
## `Área queimada: Períneo`Sim 0.038530 0.072635 0.530 0.595981
## `Área queimada: Extremidade superior`Sim 0.088513 0.044572 1.986 0.047499
## `Área queimada: Extremidade inferior`Sim 0.110710 0.046201 2.396 0.016862
## TabagismoSim -0.046026 0.051683 -0.891 0.373526
## AlcoolismoSim 0.033601 0.063475 0.529 0.596753
## SépsisSim 0.010676 0.078102 0.137 0.891315
## `Substituição renal`Sim 0.246952 0.164829 1.498 0.134589
## AminasSim 0.283729 0.086052 3.297 0.001033
## `Nº cirurgias` 0.229718 0.011587 19.826 < 2e-16
## `Grau: 3º`Sim -0.013783 0.042709 -0.323 0.747014
##
## (Intercept) ***
## Sexomasculino
## Idade65-74 anos
## Idade75-84 anos
## Idade> 85 anos
## `TBSA %` **
## CausaLíquido fervente
## CausaOutra **
## `Tipo de acidente`Trabalho .
## `Tipo de acidente`Outra
## ABSI
## `Baux revisto`
## `Lesão inalatória`Sim
## `Ventilação mecânica`Sim ***
## CVCSim ***
## Outcome ***
## `Área queimada: cabeça e pescoço`Sim
## `Área queimada: Tronco`Sim
## `Área queimada: Períneo`Sim
## `Área queimada: Extremidade superior`Sim *
## `Área queimada: Extremidade inferior`Sim *
## TabagismoSim
## AlcoolismoSim
## SépsisSim
## `Substituição renal`Sim
## AminasSim **
## `Nº cirurgias` ***
## `Grau: 3º`Sim
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4641 on 612 degrees of freedom
## Multiple R-squared: 0.6049, Adjusted R-squared: 0.5875
## F-statistic: 34.71 on 27 and 612 DF, p-value: < 2.2e-16Conclusões:
TBSA % (Coef: -0.007068) - Para cada aumento no TBSA %, o número de dias de internamento diminui. Este efeito é estatisticamente significativo com p-value = 0.007046.
Causa Outra (Coef: -0.174228) - Pacientes com causa de queimadura “Outra” (comparado com a causa de queimadura padrão) apresentam uma redução nos dias de internamento. Este efeito é estatisticamente significativo com p-value = 0.004234.
Ventilação Mecânica (Coef: -0.255173) - Pacientes que necessitaram de ventilação mecânica apresentam uma redução nos dias de internamento. Este efeito é altamente significativo com p-value = 0.000265.
CVC (Coef: 0.326015) - A presença de CVC está associada a um aumento nos dias de internamento. Este efeito é altamente significativo com p-value = 6.07e-09.
Outcome (Coef: -0.397423) - Para pacientes com desfecho negativo (em comparação com desfechos positivos), o número de dias de internamento é reduzido. Este efeito é altamente significativo com p-value = 1.71e-05.
Área queimada: Extremidade superior (Coef: 0.088513) - Para pacientes com queimaduras na extremidade superior, o número de dias de internamento aumenta. Como o p-value = 0.047499, este efeito é estatisticamente significativo.
Área queimada: Extremidade inferior (Coef: 0.110710) - Pacientes com queimaduras nas extremidades inferiores têm um aumento nos dias de internamento. Este efeito é significativo com p-value = 0.016862.
Aminas (Coef: 0.283729) - A presença de aminas está associada a um aumento nos dias de internamento. Este efeito é altamente significativo com p-value = 0.001033.
Nº cirurgias (Coef: 0.229718) - O aumento de uma cirurgia adicional, o número de dias de internamento aumenta. Este efeito é altamente significativo com p-value < 2e-16.
Cálculo do Coeficiente de Determinação (R²) e R² Ajustado:
summary(linear_model_log)$adj.r.square## [1] 0.587496summary(linear_model_log)$r.square## [1] 0.6049258Conclusões:
O valor de R^2=0.6049 indica que aproximadamente 60,49% da variabilidade da variável dependente é explicada pelo modelo, o que sugere um bom ajuste.
A diferença relativamente pequena entre 𝑅^2 e R^2 ajustado confirma que as variáveis independentes utilizadas são, relevantes pois o R^2 ajustado penaliza a inclusão de variáveis irrelevantes. Se essa diferença fosse maior, poderia indicar a presença de variáveis desnecessárias no modelo.
Dessa forma, os resultados sugerem que o modelo é adequado para representar a relação entre as variáveis, oferecendo uma explicação estatisticamente significativa da variação da variável dependente.
Quando R^2 está próximo de 1, significa que o modelo consegue prever a variável dependente com alta precisão, capturando a maior parte da variabilidade presente nos dados. Isso indica um bom ajuste e um modelo preditivo mais confiável.
Seleção Automática de Variáveis- StepAIC
library(MASS)
step=stepAIC(linear_model_log,direction="both")## Start: AIC=-955.19
## log1p(`Dias de internamento`) ~ Sexo + Idade + `TBSA %` + Causa +
## `Tipo de acidente` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Sum of Sq RSS AIC
## - Sexo 1 0.001 131.83 -957.18
## - Sépsis 1 0.004 131.83 -957.17
## - `Área queimada: cabeça e pescoço` 1 0.007 131.83 -957.15
## - `Grau: 3º` 1 0.022 131.85 -957.08
## - `Lesão inalatória` 1 0.027 131.85 -957.06
## - Alcoolismo 1 0.060 131.89 -956.89
## - `Área queimada: Períneo` 1 0.061 131.89 -956.89
## - `Baux revisto` 1 0.148 131.97 -956.47
## - Tabagismo 1 0.171 132.00 -956.36
## - ABSI 1 0.195 132.02 -956.24
## - `Área queimada: Tronco` 1 0.276 132.10 -955.84
## - `Tipo de acidente` 2 0.720 132.55 -955.70
## <none> 131.83 -955.19
## - `Substituição renal` 1 0.484 132.31 -954.84
## - Idade 3 1.381 133.21 -954.51
## - `Área queimada: Extremidade superior` 1 0.849 132.68 -953.07
## - `Área queimada: Extremidade inferior` 1 1.237 133.06 -951.21
## - `TBSA %` 1 1.575 133.40 -949.59
## - Causa 2 2.637 134.46 -946.51
## - Aminas 1 2.342 134.17 -945.92
## - `Ventilação mecânica` 1 2.900 134.73 -943.26
## - Outcome 1 4.047 135.87 -937.83
## - CVC 1 7.494 139.32 -921.80
## - `Nº cirurgias` 1 84.670 216.50 -639.69
##
## Step: AIC=-957.18
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + Outcome + `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` +
## `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Df Sum of Sq RSS AIC
## - Sépsis 1 0.004 131.83 -959.16
## - `Área queimada: cabeça e pescoço` 1 0.008 131.84 -959.14
## - `Grau: 3º` 1 0.023 131.85 -959.07
## - `Lesão inalatória` 1 0.026 131.85 -959.05
## - `Área queimada: Períneo` 1 0.061 131.89 -958.88
## - Alcoolismo 1 0.066 131.89 -958.86
## - `Baux revisto` 1 0.146 131.97 -958.47
## - Tabagismo 1 0.178 132.01 -958.32
## - ABSI 1 0.205 132.03 -958.19
## - `Área queimada: Tronco` 1 0.277 132.10 -957.84
## - `Tipo de acidente` 2 0.785 132.61 -957.38
## <none> 131.83 -957.18
## - `Substituição renal` 1 0.486 132.31 -956.83
## - Idade 3 1.382 133.21 -956.50
## + Sexo 1 0.001 131.83 -955.19
## - `Área queimada: Extremidade superior` 1 0.852 132.68 -955.06
## - `Área queimada: Extremidade inferior` 1 1.243 133.07 -953.18
## - `TBSA %` 1 1.574 133.40 -951.59
## - Causa 2 2.671 134.50 -948.34
## - Aminas 1 2.341 134.17 -947.92
## - `Ventilação mecânica` 1 2.899 134.73 -945.26
## - Outcome 1 4.051 135.88 -939.81
## - CVC 1 7.505 139.33 -923.74
## - `Nº cirurgias` 1 84.682 216.51 -641.65
##
## Step: AIC=-959.16
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + Outcome + `Área queimada: cabeça e pescoço` + `Área queimada: Tronco` +
## `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## `Substituição renal` + Aminas + `Nº cirurgias` + `Grau: 3º`
##
## Df Sum of Sq RSS AIC
## - `Área queimada: cabeça e pescoço` 1 0.009 131.84 -961.12
## - `Grau: 3º` 1 0.023 131.85 -961.05
## - `Lesão inalatória` 1 0.026 131.86 -961.04
## - `Área queimada: Períneo` 1 0.062 131.89 -960.86
## - Alcoolismo 1 0.065 131.90 -960.84
## - `Baux revisto` 1 0.148 131.98 -960.44
## - Tabagismo 1 0.178 132.01 -960.30
## - ABSI 1 0.204 132.04 -960.17
## - `Área queimada: Tronco` 1 0.282 132.11 -959.79
## - `Tipo de acidente` 2 0.802 132.63 -959.28
## <none> 131.83 -959.16
## - `Substituição renal` 1 0.507 132.34 -958.70
## - Idade 3 1.391 133.22 -958.45
## + Sépsis 1 0.004 131.83 -957.18
## + Sexo 1 0.001 131.83 -957.17
## - `Área queimada: Extremidade superior` 1 0.851 132.68 -957.04
## - `Área queimada: Extremidade inferior` 1 1.255 133.09 -955.10
## - `TBSA %` 1 1.570 133.40 -953.59
## - Causa 2 2.674 134.51 -950.31
## - `Ventilação mecânica` 1 2.913 134.75 -947.17
## - Aminas 1 3.048 134.88 -946.53
## - Outcome 1 4.103 135.94 -941.55
## - CVC 1 7.858 139.69 -924.11
## - `Nº cirurgias` 1 88.442 220.27 -632.62
##
## Step: AIC=-961.12
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Lesão inalatória` + `Ventilação mecânica` +
## CVC + Outcome + `Área queimada: Tronco` + `Área queimada: Períneo` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + `Substituição renal` + Aminas +
## `Nº cirurgias` + `Grau: 3º`
##
## Df Sum of Sq RSS AIC
## - `Lesão inalatória` 1 0.024 131.87 -963.00
## - `Grau: 3º` 1 0.027 131.87 -962.99
## - `Área queimada: Períneo` 1 0.057 131.90 -962.84
## - Alcoolismo 1 0.066 131.91 -962.80
## - `Baux revisto` 1 0.146 131.99 -962.41
## - Tabagismo 1 0.176 132.02 -962.26
## - ABSI 1 0.205 132.05 -962.12
## - `Área queimada: Tronco` 1 0.283 132.12 -961.75
## <none> 131.84 -961.12
## - `Tipo de acidente` 2 0.841 132.68 -961.05
## - `Substituição renal` 1 0.502 132.34 -960.69
## - Idade 3 1.405 133.25 -960.33
## + `Área queimada: cabeça e pescoço` 1 0.009 131.83 -959.16
## + Sépsis 1 0.005 131.84 -959.14
## + Sexo 1 0.001 131.84 -959.12
## - `Área queimada: Extremidade superior` 1 0.861 132.70 -958.95
## - `Área queimada: Extremidade inferior` 1 1.295 133.14 -956.86
## - `TBSA %` 1 1.571 133.41 -955.54
## - Causa 2 2.701 134.54 -952.14
## - `Ventilação mecânica` 1 2.945 134.79 -948.98
## - Aminas 1 3.042 134.88 -948.52
## - Outcome 1 4.108 135.95 -943.48
## - CVC 1 7.942 139.78 -925.68
## - `Nº cirurgias` 1 88.608 220.45 -634.11
##
## Step: AIC=-963
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Ventilação mecânica` + CVC +
## Outcome + `Área queimada: Tronco` + `Área queimada: Períneo` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + `Substituição renal` + Aminas +
## `Nº cirurgias` + `Grau: 3º`
##
## Df Sum of Sq RSS AIC
## - `Grau: 3º` 1 0.026 131.89 -964.88
## - `Área queimada: Períneo` 1 0.061 131.93 -964.71
## - Alcoolismo 1 0.069 131.93 -964.67
## - `Baux revisto` 1 0.124 131.99 -964.40
## - Tabagismo 1 0.170 132.03 -964.18
## - ABSI 1 0.200 132.06 -964.03
## - `Área queimada: Tronco` 1 0.279 132.14 -963.65
## <none> 131.87 -963.00
## - `Tipo de acidente` 2 0.846 132.71 -962.91
## - `Substituição renal` 1 0.502 132.37 -962.57
## - Idade 3 1.390 133.25 -962.29
## + `Lesão inalatória` 1 0.024 131.84 -961.12
## + `Área queimada: cabeça e pescoço` 1 0.007 131.86 -961.04
## + Sépsis 1 0.004 131.86 -961.02
## + Sexo 1 0.001 131.86 -961.01
## - `Área queimada: Extremidade superior` 1 0.862 132.73 -960.83
## - `Área queimada: Extremidade inferior` 1 1.300 133.16 -958.72
## - `TBSA %` 1 1.547 133.41 -957.54
## - Causa 2 2.695 134.56 -954.05
## - Aminas 1 3.020 134.88 -950.51
## - `Ventilação mecânica` 1 3.295 135.16 -949.21
## - Outcome 1 4.167 136.03 -945.09
## - CVC 1 8.030 139.90 -927.17
## - `Nº cirurgias` 1 88.675 220.54 -635.85
##
## Step: AIC=-964.88
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Ventilação mecânica` + CVC +
## Outcome + `Área queimada: Tronco` + `Área queimada: Períneo` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + Alcoolismo + `Substituição renal` + Aminas +
## `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## - Alcoolismo 1 0.063 131.95 -966.57
## - `Área queimada: Períneo` 1 0.064 131.95 -966.57
## - `Baux revisto` 1 0.124 132.01 -966.27
## - ABSI 1 0.184 132.07 -965.99
## - Tabagismo 1 0.193 132.08 -965.94
## - `Área queimada: Tronco` 1 0.293 132.18 -965.45
## <none> 131.89 -964.88
## - `Tipo de acidente` 2 0.867 132.76 -964.68
## - `Substituição renal` 1 0.502 132.39 -964.45
## - Idade 3 1.376 133.27 -964.23
## + `Grau: 3º` 1 0.026 131.87 -963.00
## + `Lesão inalatória` 1 0.023 131.87 -962.99
## + `Área queimada: cabeça e pescoço` 1 0.010 131.88 -962.93
## + Sépsis 1 0.005 131.89 -962.90
## + Sexo 1 0.002 131.89 -962.88
## - `Área queimada: Extremidade superior` 1 0.872 132.76 -962.66
## - `Área queimada: Extremidade inferior` 1 1.339 133.23 -960.41
## - `TBSA %` 1 1.570 133.46 -959.30
## - Causa 2 2.881 134.77 -955.05
## - Aminas 1 3.028 134.92 -952.35
## - `Ventilação mecânica` 1 3.275 135.16 -951.18
## - Outcome 1 4.367 136.26 -946.03
## - CVC 1 8.005 139.90 -929.17
## - `Nº cirurgias` 1 93.425 225.31 -624.14
##
## Step: AIC=-966.57
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Ventilação mecânica` + CVC +
## Outcome + `Área queimada: Tronco` + `Área queimada: Períneo` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + `Substituição renal` + Aminas + `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## - `Área queimada: Períneo` 1 0.069 132.02 -968.24
## - `Baux revisto` 1 0.148 132.10 -967.86
## - Tabagismo 1 0.187 132.14 -967.66
## - ABSI 1 0.187 132.14 -967.66
## - `Área queimada: Tronco` 1 0.317 132.27 -967.03
## <none> 131.95 -966.57
## - `Tipo de acidente` 2 0.844 132.80 -966.49
## - Idade 3 1.365 133.32 -965.99
## - `Substituição renal` 1 0.539 132.49 -965.96
## + Alcoolismo 1 0.063 131.89 -964.88
## + `Lesão inalatória` 1 0.026 131.93 -964.70
## + `Grau: 3º` 1 0.020 131.93 -964.67
## + `Área queimada: cabeça e pescoço` 1 0.011 131.94 -964.62
## + Sexo 1 0.007 131.95 -964.61
## + Sépsis 1 0.004 131.95 -964.59
## - `Área queimada: Extremidade superior` 1 0.859 132.81 -964.42
## - `Área queimada: Extremidade inferior` 1 1.322 133.28 -962.19
## - `TBSA %` 1 1.744 133.70 -960.17
## - Causa 2 2.841 134.79 -956.94
## - Aminas 1 3.052 135.00 -953.94
## - `Ventilação mecânica` 1 3.266 135.22 -952.92
## - Outcome 1 4.316 136.27 -947.97
## - CVC 1 8.116 140.07 -930.37
## - `Nº cirurgias` 1 93.923 225.88 -624.55
##
## Step: AIC=-968.24
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Baux revisto` + `Ventilação mecânica` + CVC +
## Outcome + `Área queimada: Tronco` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + `Substituição renal` +
## Aminas + `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## - `Baux revisto` 1 0.132 132.16 -969.59
## - Tabagismo 1 0.187 132.21 -969.33
## - ABSI 1 0.221 132.24 -969.17
## - `Área queimada: Tronco` 1 0.325 132.35 -968.66
## <none> 132.02 -968.24
## - `Tipo de acidente` 2 0.830 132.85 -968.23
## - `Substituição renal` 1 0.541 132.56 -967.62
## - Idade 3 1.396 133.42 -967.51
## + `Área queimada: Períneo` 1 0.069 131.95 -966.57
## + Alcoolismo 1 0.068 131.95 -966.57
## + `Lesão inalatória` 1 0.030 131.99 -966.38
## - `Área queimada: Extremidade superior` 1 0.804 132.83 -966.35
## + `Grau: 3º` 1 0.022 132.00 -966.34
## + Sexo 1 0.009 132.01 -966.28
## + `Área queimada: cabeça e pescoço` 1 0.005 132.02 -966.26
## + Sépsis 1 0.004 132.02 -966.26
## - `Área queimada: Extremidade inferior` 1 1.387 133.41 -963.55
## - `TBSA %` 1 1.680 133.70 -962.14
## - Causa 2 2.852 134.87 -958.56
## - Aminas 1 3.067 135.09 -955.54
## - `Ventilação mecânica` 1 3.250 135.27 -954.67
## - Outcome 1 4.292 136.31 -949.76
## - CVC 1 8.089 140.11 -932.18
## - `Nº cirurgias` 1 93.854 225.88 -626.55
##
## Step: AIC=-969.59
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Ventilação mecânica` + CVC + Outcome + `Área queimada: Tronco` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## Tabagismo + `Substituição renal` + Aminas + `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## - Tabagismo 1 0.169 132.32 -970.78
## - ABSI 1 0.285 132.44 -970.21
## - `Área queimada: Tronco` 1 0.321 132.48 -970.04
## - `Tipo de acidente` 2 0.758 132.91 -969.94
## <none> 132.16 -969.59
## - `Substituição renal` 1 0.536 132.69 -969.00
## - Idade 3 1.490 133.65 -968.42
## + `Baux revisto` 1 0.132 132.02 -968.24
## + Alcoolismo 1 0.090 132.06 -968.03
## - `Área queimada: Extremidade superior` 1 0.763 132.92 -967.91
## + `Área queimada: Períneo` 1 0.054 132.10 -967.86
## + `Grau: 3º` 1 0.021 132.13 -967.70
## + Sépsis 1 0.006 132.15 -967.63
## + Sexo 1 0.005 132.15 -967.62
## + `Área queimada: cabeça e pescoço` 1 0.005 132.15 -967.62
## + `Lesão inalatória` 1 0.003 132.15 -967.61
## - `Área queimada: Extremidade inferior` 1 1.373 133.53 -964.98
## - `TBSA %` 1 2.008 134.16 -961.94
## - Causa 2 2.830 134.99 -960.04
## - Aminas 1 3.162 135.32 -956.46
## - `Ventilação mecânica` 1 3.255 135.41 -956.02
## - Outcome 1 4.269 136.42 -951.25
## - CVC 1 8.165 140.32 -933.22
## - `Nº cirurgias` 1 93.762 225.92 -628.43
##
## Step: AIC=-970.78
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## ABSI + `Ventilação mecânica` + CVC + Outcome + `Área queimada: Tronco` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## `Substituição renal` + Aminas + `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## - ABSI 1 0.286 132.61 -971.39
## - `Área queimada: Tronco` 1 0.337 132.66 -971.15
## <none> 132.32 -970.78
## - `Tipo de acidente` 2 0.870 133.19 -970.58
## - `Substituição renal` 1 0.569 132.89 -970.03
## - Idade 3 1.464 133.79 -969.73
## + Tabagismo 1 0.169 132.16 -969.59
## + `Baux revisto` 1 0.115 132.21 -969.33
## + Alcoolismo 1 0.082 132.24 -969.17
## + `Área queimada: Períneo` 1 0.055 132.27 -969.04
## + `Grau: 3º` 1 0.041 132.28 -968.98
## - `Área queimada: Extremidade superior` 1 0.805 133.13 -968.89
## + Sexo 1 0.017 132.31 -968.86
## + Sépsis 1 0.006 132.32 -968.80
## + `Área queimada: cabeça e pescoço` 1 0.004 132.32 -968.80
## + `Lesão inalatória` 1 0.002 132.32 -968.79
## - `Área queimada: Extremidade inferior` 1 1.401 133.72 -966.04
## - `TBSA %` 1 2.089 134.41 -962.75
## - Causa 2 2.782 135.11 -961.46
## - Aminas 1 3.128 135.45 -957.82
## - `Ventilação mecânica` 1 3.272 135.60 -957.14
## - Outcome 1 4.221 136.54 -952.68
## - CVC 1 8.175 140.50 -934.41
## - `Nº cirurgias` 1 93.596 225.92 -630.42
##
## Step: AIC=-971.39
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: Tronco` +
## `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## `Substituição renal` + Aminas + `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## - `Área queimada: Tronco` 1 0.331 132.94 -971.80
## <none> 132.61 -971.39
## - `Tipo de acidente` 2 0.900 133.51 -971.07
## + ABSI 1 0.286 132.32 -970.78
## - `Substituição renal` 1 0.575 133.19 -970.62
## - Idade 3 1.425 134.04 -970.55
## + `Baux revisto` 1 0.175 132.44 -970.24
## + Tabagismo 1 0.170 132.44 -970.21
## + Alcoolismo 1 0.094 132.52 -969.85
## + `Área queimada: Períneo` 1 0.086 132.52 -969.81
## - `Área queimada: Extremidade superior` 1 0.756 133.37 -969.76
## + Sexo 1 0.044 132.57 -969.61
## + `Grau: 3º` 1 0.016 132.59 -969.47
## + Sépsis 1 0.005 132.60 -969.42
## + `Área queimada: cabeça e pescoço` 1 0.003 132.61 -969.41
## + `Lesão inalatória` 1 0.000 132.61 -969.39
## - `Área queimada: Extremidade inferior` 1 1.459 134.07 -966.39
## - `TBSA %` 1 1.809 134.42 -964.72
## - Causa 2 2.708 135.32 -962.46
## - Aminas 1 3.118 135.73 -958.52
## - `Ventilação mecânica` 1 3.201 135.81 -958.13
## - Outcome 1 4.111 136.72 -953.85
## - CVC 1 8.091 140.70 -935.49
## - `Nº cirurgias` 1 94.295 226.91 -629.64
##
## Step: AIC=-971.8
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + `Substituição renal` +
## Aminas + `Nº cirurgias`
##
## Df Sum of Sq RSS AIC
## <none> 132.94 -971.80
## - `Tipo de acidente` 2 0.834 133.78 -971.80
## + `Área queimada: Tronco` 1 0.331 132.61 -971.39
## + ABSI 1 0.280 132.66 -971.15
## - `Substituição renal` 1 0.552 133.49 -971.14
## - Idade 3 1.427 134.37 -970.97
## + Tabagismo 1 0.186 132.76 -970.69
## + `Baux revisto` 1 0.169 132.77 -970.61
## + Alcoolismo 1 0.123 132.82 -970.39
## + `Área queimada: Períneo` 1 0.095 132.85 -970.25
## + Sexo 1 0.053 132.89 -970.05
## - `Área queimada: Extremidade superior` 1 0.801 133.74 -969.96
## + `Grau: 3º` 1 0.028 132.91 -969.93
## + Sépsis 1 0.012 132.93 -969.86
## + `Área queimada: cabeça e pescoço` 1 0.004 132.94 -969.82
## + `Lesão inalatória` 1 0.000 132.94 -969.80
## - `Área queimada: Extremidade inferior` 1 1.224 134.17 -967.93
## - `TBSA %` 1 1.497 134.44 -966.63
## - Causa 2 2.730 135.67 -962.79
## - Aminas 1 3.207 136.15 -958.54
## - `Ventilação mecânica` 1 3.563 136.50 -956.87
## - Outcome 1 4.146 137.09 -954.14
## - CVC 1 8.710 141.65 -933.18
## - `Nº cirurgias` 1 94.963 227.90 -628.83step$anova## Stepwise Model Path
## Analysis of Deviance Table
##
## Initial Model:
## log1p(`Dias de internamento`) ~ Sexo + Idade + `TBSA %` + Causa +
## `Tipo de acidente` + ABSI + `Baux revisto` + `Lesão inalatória` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: cabeça e pescoço` +
## `Área queimada: Tronco` + `Área queimada: Períneo` + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + Tabagismo + Alcoolismo +
## Sépsis + `Substituição renal` + Aminas + `Nº cirurgias` +
## `Grau: 3º`
##
## Final Model:
## log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
## `Ventilação mecânica` + CVC + Outcome + `Área queimada: Extremidade superior` +
## `Área queimada: Extremidade inferior` + `Substituição renal` +
## Aminas + `Nº cirurgias`
##
##
## Step Df Deviance Resid. Df Resid. Dev
## 1 612 131.8270
## 2 - Sexo 1 0.001146260 613 131.8282
## 3 - Sépsis 1 0.003998362 614 131.8322
## 4 - `Área queimada: cabeça e pescoço` 1 0.008825532 615 131.8410
## 5 - `Lesão inalatória` 1 0.023892788 616 131.8649
## 6 - `Grau: 3º` 1 0.025813502 617 131.8907
## 7 - Alcoolismo 1 0.062937296 618 131.9536
## 8 - `Área queimada: Períneo` 1 0.069053084 619 132.0227
## 9 - `Baux revisto` 1 0.132435330 620 132.1551
## 10 - Tabagismo 1 0.169305121 621 132.3244
## 11 - ABSI 1 0.285728728 622 132.6102
## 12 - `Área queimada: Tronco` 1 0.331357365 623 132.9415
## AIC
## 1 -955.1857
## 2 -957.1801
## 3 -959.1607
## 4 -961.1178
## 5 -963.0019
## 6 -964.8766
## 7 -966.5713
## 8 -968.2364
## 9 -969.5948
## 10 -970.7754
## 11 -971.3949
## 12 -971.7977modelo_linear_STEPAIC1= lm(log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
`Ventilação mecânica` + CVC + Outcome + `Área queimada: Extremidade superior` +
`Área queimada: Extremidade inferior` + `Substituição renal` +
Aminas + `Nº cirurgias`, family = binomial(link = "logit"),
data = dados_clean)## Warning: In lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) :
## extra argument 'family' will be disregardedsummary(modelo_linear_STEPAIC1)##
## Call:
## lm(formula = log1p(`Dias de internamento`) ~ Idade + `TBSA %` +
## Causa + `Tipo de acidente` + `Ventilação mecânica` + CVC +
## Outcome + `Área queimada: Extremidade superior` + `Área queimada: Extremidade inferior` +
## `Substituição renal` + Aminas + `Nº cirurgias`, data = dados_clean,
## family = binomial(link = "logit"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.7100 -0.2518 0.0333 0.2711 1.5432
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.340120 0.056099 41.714 < 2e-16
## Idade65-74 anos -0.065758 0.053186 -1.236 0.216789
## Idade75-84 anos 0.094793 0.056130 1.689 0.091755
## Idade> 85 anos 0.026064 0.066014 0.395 0.693104
## `TBSA %` -0.004331 0.001635 -2.649 0.008283
## CausaLíquido fervente 0.038978 0.046407 0.840 0.401275
## CausaOutra -0.176167 0.059052 -2.983 0.002964
## `Tipo de acidente`Trabalho 0.117214 0.059940 1.956 0.050968
## `Tipo de acidente`Outra 0.014779 0.073467 0.201 0.840634
## `Ventilação mecânica`Sim -0.263998 0.064604 -4.086 4.95e-05
## CVCSim 0.337965 0.052898 6.389 3.27e-10
## Outcome -0.389995 0.088474 -4.408 1.23e-05
## `Área queimada: Extremidade superior`Sim 0.084109 0.043423 1.937 0.053201
## `Área queimada: Extremidade inferior`Sim 0.101958 0.042570 2.395 0.016911
## `Substituição renal`Sim 0.259510 0.161317 1.609 0.108189
## AminasSim 0.294545 0.075975 3.877 0.000117
## `Nº cirurgias` 0.229499 0.010879 21.096 < 2e-16
##
## (Intercept) ***
## Idade65-74 anos
## Idade75-84 anos .
## Idade> 85 anos
## `TBSA %` **
## CausaLíquido fervente
## CausaOutra **
## `Tipo de acidente`Trabalho .
## `Tipo de acidente`Outra
## `Ventilação mecânica`Sim ***
## CVCSim ***
## Outcome ***
## `Área queimada: Extremidade superior`Sim .
## `Área queimada: Extremidade inferior`Sim *
## `Substituição renal`Sim
## AminasSim ***
## `Nº cirurgias` ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4619 on 623 degrees of freedom
## Multiple R-squared: 0.6016, Adjusted R-squared: 0.5914
## F-statistic: 58.79 on 16 and 623 DF, p-value: < 2.2e-16Conclusões:
O modelo inicial continha todos os regressores, apresentando um AIC de -955.19. Após as análises realizadas, o modelo final permaneceu apenas com os regressores Idade, TBSA %, Causa, Tipo de acidente, Ventilação mecânica, CVC, Outcome, Área queimada: Extremidade inferior, Substituição renal, Aminas e Nº cirurgias, resultando num AIC de -971.8. Este resultado indica que as variáveis excluídas, são irrelevantes para o modelo logístico.
Final Model:
Dias de internamento~ Idade +TBSA %+ Causa +Tipo de acidente+Ventilação mecânica+ CVC + OutcomeÁrea queimada: Extremidade inferior+Substituição renal+ Aminas +Nº cirurgiasTBSA % (Coef: -0.004331) - Pacientes com maior TBSA (%) tendem a ter menos dias de internamento. Esse efeito é estatisticamente significativo com p-value = 0.008283.
Causa (Coef: -0.176167) – Pacientes cuja causa da queimadura é classificada como “Outra” tendem a ter menos dias de internamento em comparação com a categoria de referência. Esse efeito é estatisticamente significativo com p-value = 0.002964.
Ventilação mecânica (Coef: -0.263998) – Pacientes que necessitam de ventilação mecânica tendem a ter menos dias de internamento, com um efeito estatisticamente significativo (p-value = 0.00018).
CVC (Coef: 0.337965) – Pacientes com cateter venoso central (CVC) apresentam um aumento no número de dias de internamento, e esse efeito é altamente significativo (p-value = 3.27e-10).
Outcome (Coef:0.389995) – Pacientes que sobrevivem ao internamento tendem a permanecer mais tempo hospitalizados, com um efeito estatisticamente significativo (p-value = 1.23e-05).
Área queimada: Extremidade inferior (Coef: 0.101958) – A presença de queimaduras em extremidades inferiores está associada a um aumento nos dias de internamento, mas o efeito não é estatisticamente significativo (p-value = 0.016911).
Aminas (Coef: 0.294545) – O uso de aminas vasoativas está associado a um aumento no número de dias de internamento, com um efeito estatisticamente significativo (p-value = 0.000117).
Nº cirurgias (Coef: 0.229499) – Para cada cirurgia adicional, o tempo de internamento aumenta significativamente, com um p-value extremamente pequeno (< 2e-16), indicando um efeito altamente significativo.
Tabela com Análise Univariada e Múltipla
0## [1] 0tuni = tbl_uvregression(
data = dados_clean,
method = lm,
exponentiate = FALSE,
y = log1p(`Dias de internamento`),
hide_n = TRUE,
pvalue_fun = function(x) style_pvalue(x, digits = 3)
) %>%
bold_labels() %>%
bold_p(t = 0.05)
tmult = tbl_regression(modelo_linear_STEPAIC1,
exponentiate = FALSE,
pvalue_fun = function(x) style_pvalue(x, digits = 3)) %>%
bold_labels() %>%
bold_p(t = 0.05)
tbl_merge_1 = tbl_merge(
tbls = list(tuni, tmult),
tab_spanner = c("Simples", "Múltipla")
)
tbl_merge_1| Characteristic |
Simples
|
Múltipla
|
||||
|---|---|---|---|---|---|---|
| Beta | 95% CI1 | p-value | Beta | 95% CI1 | p-value | |
| Sexo | ||||||
| feminino | — | — | ||||
| masculino | -0.01 | -0.12, 0.10 | 0.873 | |||
| Idade | ||||||
| 18-64 anos | — | — | — | — | ||
| 65-74 anos | 0.11 | -0.04, 0.26 | 0.143 | -0.07 | -0.17, 0.04 | 0.217 |
| 75-84 anos | 0.20 | 0.04, 0.36 | 0.015 | 0.09 | -0.02, 0.21 | 0.092 |
| > 85 anos | 0.09 | -0.10, 0.27 | 0.350 | 0.03 | -0.10, 0.16 | 0.693 |
| TBSA % | 0.00 | 0.00, 0.01 | 0.011 | 0.00 | -0.01, 0.00 | 0.008 |
| Causa | ||||||
| Fogo | — | — | — | — | ||
| Líquido fervente | -0.13 | -0.26, 0.00 | 0.043 | 0.04 | -0.05, 0.13 | 0.401 |
| Outra | -0.21 | -0.37, -0.06 | 0.007 | -0.18 | -0.29, -0.06 | 0.003 |
| Tipo de acidente | ||||||
| Doméstico | — | — | — | — | ||
| Trabalho | -0.08 | -0.22, 0.07 | 0.314 | 0.12 | 0.00, 0.23 | 0.051 |
| Outra | 0.01 | -0.21, 0.22 | 0.955 | 0.01 | -0.13, 0.16 | 0.841 |
| ABSI | 0.02 | 0.01, 0.04 | 0.005 | |||
| Baux revisto | 0.00 | 0.00, 0.01 | <0.001 | |||
| Indíce Charlson | 0.01 | -0.01, 0.03 | 0.308 | |||
| Lesão inalatória | ||||||
| Não | — | — | ||||
| Sim | 0.20 | 0.00, 0.40 | 0.048 | |||
| Ventilação mecânica | ||||||
| Não | — | — | — | — | ||
| Sim | 0.15 | 0.03, 0.28 | 0.017 | -0.26 | -0.39, -0.14 | <0.001 |
| CVC | ||||||
| Não | — | — | — | — | ||
| Sim | 0.51 | 0.40, 0.61 | <0.001 | 0.34 | 0.23, 0.44 | <0.001 |
| Outcome | -0.24 | -0.42, -0.05 | 0.011 | -0.39 | -0.56, -0.22 | <0.001 |
| Mês | ||||||
| 1 | — | — | ||||
| 2 | -0.33 | -0.63, -0.02 | 0.035 | |||
| 3 | -0.21 | -0.50, 0.08 | 0.149 | |||
| 4 | -0.35 | -0.64, -0.05 | 0.020 | |||
| 5 | -0.41 | -0.69, -0.12 | 0.006 | |||
| 6 | -0.22 | -0.50, 0.06 | 0.118 | |||
| 7 | -0.37 | -0.64, -0.10 | 0.007 | |||
| 8 | -0.50 | -0.77, -0.22 | <0.001 | |||
| 9 | -0.49 | -0.77, -0.21 | <0.001 | |||
| 10 | -0.48 | -0.80, -0.15 | 0.004 | |||
| 11 | -0.35 | -0.62, -0.08 | 0.011 | |||
| 12 | -0.23 | -0.49, 0.03 | 0.086 | |||
| Nº cirurgias | 0.26 | 0.24, 0.28 | <0.001 | 0.23 | 0.21, 0.25 | <0.001 |
| Alcoolismo | ||||||
| Não | — | — | ||||
| Sim | 0.19 | 0.01, 0.37 | 0.042 | |||
| Tabagismo | ||||||
| Não | — | — | ||||
| Sim | 0.04 | -0.11, 0.18 | 0.644 | |||
| Substituição renal | ||||||
| Não | — | — | — | — | ||
| Sim | 0.63 | 0.15, 1.1 | 0.010 | 0.26 | -0.06, 0.58 | 0.108 |
| Sépsis | ||||||
| Não | — | — | ||||
| Sim | 0.52 | 0.39, 0.65 | <0.001 | |||
| Aminas | ||||||
| Não | — | — | — | — | ||
| Sim | 0.48 | 0.35, 0.62 | <0.001 | 0.29 | 0.15, 0.44 | <0.001 |
| Área queimada: cabeça e pescoço | ||||||
| Não | — | — | ||||
| Sim | 0.02 | -0.10, 0.13 | 0.784 | |||
| Área queimada: Tronco | ||||||
| Não | — | — | ||||
| Sim | 0.19 | 0.08, 0.31 | <0.001 | |||
| Área queimada: Períneo | ||||||
| Não | — | — | ||||
| Sim | 0.04 | -0.16, 0.24 | 0.713 | |||
| Área queimada: Extremidade superior | ||||||
| Não | — | — | — | — | ||
| Sim | 0.10 | -0.02, 0.22 | 0.095 | 0.08 | 0.00, 0.17 | 0.053 |
| Área queimada: Extremidade inferior | ||||||
| Não | — | — | — | — | ||
| Sim | 0.11 | 0.00, 0.23 | 0.048 | 0.10 | 0.02, 0.19 | 0.017 |
| Grau: 3º | ||||||
| Não | — | — | ||||
| Sim | 0.27 | 0.15, 0.38 | <0.001 | |||
| grupo_etario | ||||||
| <64 anos | — | — | ||||
| ≥64 anos | 0.14 | 0.02, 0.25 | 0.017 | |||
| 1 CI = Confidence Interval | ||||||
No nosso estudo, a faixa etária de 18 a 64 anos foi usada como referência. Observamos que a categoria de 75 a 84 anos foi significativa na análise univariada, mas perdeu essa significância na multivariada.
Por outro lado, a variável TBSA % continuou a ser estatisticamente significativa em ambas as análises, destacando a sua importância na predição do desfecho. A Causa (Outra) também manteve a sua significância, com p-values de 0.007 na univariada e 0.003 na multivariada.
Além disso, as variáveis Ventilação mecânica, CVC, Outcome, Número de cirurgias e presença de Aminas permaneceram significativas, reforçando a sua relevância clínica.
Já a substituição renal, que foi significativa na univariada, perdeu a significância após o ajuste no modelo multivariado. Isso sugere que seu impacto pode ser explicado por outras variáveis.
Tabela com Análise Univariada e Múltipla + “Sem outliers”:
res = rstandard(modelo_linear_STEPAIC1)
outliers_d = abs(res) > 1.96
dados_sem = dados_clean[!outliers_d, ]
modelo_linear_STEPAIC1_sem_outliers = lm(log1p(`Dias de internamento`) ~ Idade + `TBSA %` + Causa + `Tipo de acidente` +
`Ventilação mecânica` + CVC + Outcome + `Área queimada: Extremidade superior` +
`Área queimada: Extremidade inferior` + `Substituição renal` +
Aminas + `Nº cirurgias`, data = dados_sem)
tuni = tbl_uvregression(
data = dados_clean,
method = lm,
exponentiate = FALSE,
y = log1p(`Dias de internamento`),
hide_n = TRUE,
pvalue_fun = function(x) style_pvalue(x, digits = 3)
) %>%
bold_labels() %>%
bold_p(t = 0.05)
tmult = tbl_regression(modelo_linear_STEPAIC1,
exponentiate = FALSE,
pvalue_fun = function(x) style_pvalue(x, digits = 3)) %>%
bold_labels() %>%
bold_p(t = 0.05)
tout = tbl_regression(modelo_linear_STEPAIC1_sem_outliers,
exponentiate = FALSE,
pvalue_fun = function(x) style_pvalue(x, digits = 3)) %>%
bold_labels() %>%
bold_p(t = 0.05)
tbl_merge_2 = tbl_merge(
tbls = list(tuni, tmult, tout),
tab_spanner = c("Simples", "Múltipla", "Sem outliers")
)
tbl_merge_2| Characteristic |
Simples
|
Múltipla
|
Sem outliers
|
||||||
|---|---|---|---|---|---|---|---|---|---|
| Beta | 95% CI1 | p-value | Beta | 95% CI1 | p-value | Beta | 95% CI1 | p-value | |
| Sexo | |||||||||
| feminino | — | — | |||||||
| masculino | -0.01 | -0.12, 0.10 | 0.873 | ||||||
| Idade | |||||||||
| 18-64 anos | — | — | — | — | — | — | |||
| 65-74 anos | 0.11 | -0.04, 0.26 | 0.143 | -0.07 | -0.17, 0.04 | 0.217 | -0.09 | -0.18, -0.01 | 0.033 |
| 75-84 anos | 0.20 | 0.04, 0.36 | 0.015 | 0.09 | -0.02, 0.21 | 0.092 | 0.11 | 0.02, 0.20 | 0.015 |
| > 85 anos | 0.09 | -0.10, 0.27 | 0.350 | 0.03 | -0.10, 0.16 | 0.693 | 0.02 | -0.09, 0.12 | 0.748 |
| TBSA % | 0.00 | 0.00, 0.01 | 0.011 | 0.00 | -0.01, 0.00 | 0.008 | 0.00 | -0.01, 0.00 | <0.001 |
| Causa | |||||||||
| Fogo | — | — | — | — | — | — | |||
| Líquido fervente | -0.13 | -0.26, 0.00 | 0.043 | 0.04 | -0.05, 0.13 | 0.401 | 0.06 | -0.01, 0.14 | 0.085 |
| Outra | -0.21 | -0.37, -0.06 | 0.007 | -0.18 | -0.29, -0.06 | 0.003 | -0.18 | -0.27, -0.08 | <0.001 |
| Tipo de acidente | |||||||||
| Doméstico | — | — | — | — | — | — | |||
| Trabalho | -0.08 | -0.22, 0.07 | 0.314 | 0.12 | 0.00, 0.23 | 0.051 | 0.08 | -0.02, 0.17 | 0.107 |
| Outra | 0.01 | -0.21, 0.22 | 0.955 | 0.01 | -0.13, 0.16 | 0.841 | -0.01 | -0.12, 0.11 | 0.918 |
| ABSI | 0.02 | 0.01, 0.04 | 0.005 | ||||||
| Baux revisto | 0.00 | 0.00, 0.01 | <0.001 | ||||||
| Indíce Charlson | 0.01 | -0.01, 0.03 | 0.308 | ||||||
| Lesão inalatória | |||||||||
| Não | — | — | |||||||
| Sim | 0.20 | 0.00, 0.40 | 0.048 | ||||||
| Ventilação mecânica | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 0.15 | 0.03, 0.28 | 0.017 | -0.26 | -0.39, -0.14 | <0.001 | -0.16 | -0.27, -0.06 | 0.002 |
| CVC | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 0.51 | 0.40, 0.61 | <0.001 | 0.34 | 0.23, 0.44 | <0.001 | 0.28 | 0.19, 0.36 | <0.001 |
| Outcome | -0.24 | -0.42, -0.05 | 0.011 | -0.39 | -0.56, -0.22 | <0.001 | -0.41 | -0.56, -0.27 | <0.001 |
| Mês | |||||||||
| 1 | — | — | |||||||
| 2 | -0.33 | -0.63, -0.02 | 0.035 | ||||||
| 3 | -0.21 | -0.50, 0.08 | 0.149 | ||||||
| 4 | -0.35 | -0.64, -0.05 | 0.020 | ||||||
| 5 | -0.41 | -0.69, -0.12 | 0.006 | ||||||
| 6 | -0.22 | -0.50, 0.06 | 0.118 | ||||||
| 7 | -0.37 | -0.64, -0.10 | 0.007 | ||||||
| 8 | -0.50 | -0.77, -0.22 | <0.001 | ||||||
| 9 | -0.49 | -0.77, -0.21 | <0.001 | ||||||
| 10 | -0.48 | -0.80, -0.15 | 0.004 | ||||||
| 11 | -0.35 | -0.62, -0.08 | 0.011 | ||||||
| 12 | -0.23 | -0.49, 0.03 | 0.086 | ||||||
| Nº cirurgias | 0.26 | 0.24, 0.28 | <0.001 | 0.23 | 0.21, 0.25 | <0.001 | 0.23 | 0.22, 0.25 | <0.001 |
| Alcoolismo | |||||||||
| Não | — | — | |||||||
| Sim | 0.19 | 0.01, 0.37 | 0.042 | ||||||
| Tabagismo | |||||||||
| Não | — | — | |||||||
| Sim | 0.04 | -0.11, 0.18 | 0.644 | ||||||
| Substituição renal | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 0.63 | 0.15, 1.1 | 0.010 | 0.26 | -0.06, 0.58 | 0.108 | 0.28 | 0.00, 0.56 | 0.052 |
| Sépsis | |||||||||
| Não | — | — | |||||||
| Sim | 0.52 | 0.39, 0.65 | <0.001 | ||||||
| Aminas | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 0.48 | 0.35, 0.62 | <0.001 | 0.29 | 0.15, 0.44 | <0.001 | 0.26 | 0.14, 0.38 | <0.001 |
| Área queimada: cabeça e pescoço | |||||||||
| Não | — | — | |||||||
| Sim | 0.02 | -0.10, 0.13 | 0.784 | ||||||
| Área queimada: Tronco | |||||||||
| Não | — | — | |||||||
| Sim | 0.19 | 0.08, 0.31 | <0.001 | ||||||
| Área queimada: Períneo | |||||||||
| Não | — | — | |||||||
| Sim | 0.04 | -0.16, 0.24 | 0.713 | ||||||
| Área queimada: Extremidade superior | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 0.10 | -0.02, 0.22 | 0.095 | 0.08 | 0.00, 0.17 | 0.053 | 0.08 | 0.02, 0.15 | 0.017 |
| Área queimada: Extremidade inferior | |||||||||
| Não | — | — | — | — | — | — | |||
| Sim | 0.11 | 0.00, 0.23 | 0.048 | 0.10 | 0.02, 0.19 | 0.017 | 0.11 | 0.05, 0.18 | 0.001 |
| Grau: 3º | |||||||||
| Não | — | — | |||||||
| Sim | 0.27 | 0.15, 0.38 | <0.001 | ||||||
| grupo_etario | |||||||||
| <64 anos | — | — | |||||||
| ≥64 anos | 0.14 | 0.02, 0.25 | 0.017 | ||||||
| 1 CI = Confidence Interval | |||||||||
Com a remoção dos outliers, as categorias 65-74 anos e 75-84 anos tornaram-se estatisticamente significativas, assim como a variável Área queimada: Extremidade superior. Isto indica que a presença de outliers (valores extremos) estava a comprometer a deteção de uma associação real com o desfecho, possivelmente ao gerar variações excessivas nos dados ou ao influenciar a estabilidade das estimativas.
Já para as restantes variáveis, os resultados mantiveram-se consistentes com a tabela anterior, o que reforça a robustez dessas associações. Isto sugere que, para estas variáveis, a relação com o desfecho é mais estável e menos sensível a valores extremos, demonstrando uma maior fiabilidade nas análises realizadas.