ICDS_grupo2
Cristiane Fumo
2025-04-26
Instalamos os pacotes tidyverse, ggpubr, table1, nortest, patchwork e abrimos o banco de dados lung.
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 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── 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(ggpubr)
library(table1)##
## Anexando pacote: 'table1'
##
## Os seguintes objetos são mascarados por 'package:base':
##
## units, units<-library (patchwork)
library(nortest)
library(readxl)
lung <- read_excel("lung(1).xlsx")Codificando as cidades
lung$cidade[lung$cidade == 0] <- "Porto Alegre"
lung$cidade[lung$cidade == 1] <- "Canoas"
lung$cidade[lung$cidade == 2] <- "Guaiba"
lung$cidade[lung$cidade == 3] <- "Gravatai"Transformando a variável cidade em fator
lung$cidade = as.factor(lung$cidade)Transformando a variável Fumante
lung$tabagismo[lung$tabagismo == 0] <- "Não fumante"
lung$tabagismo[lung$tabagismo == 1] <- "Ex-fumante"
lung$tabagismo[lung$tabagismo == 2] <- "Fumante"
lung$tabagismo <- as.factor(lung$tabagismo)Criação Tabela Demográfica
table1(~ idade + altura + peso + imc | cidade, data=lung)| Canoas (N=75) |
Gravatai (N=75) |
Guaiba (N=75) |
Porto Alegre (N=75) |
Overall (N=300) |
|
|---|---|---|---|---|---|
| idade | |||||
| Mean (SD) | 35.6 (11.2) | 29.8 (10.3) | 36.1 (11.6) | 34.0 (11.0) | 33.9 (11.3) |
| Median [Min, Max] | 35.7 [18.6, 62.9] | 26.1 [18.1, 54.2] | 34.8 [18.3, 55.9] | 35.5 [18.0, 53.8] | 33.0 [18.0, 62.9] |
| altura | |||||
| Mean (SD) | 175 (6.78) | 175 (8.13) | 172 (7.86) | 173 (7.78) | 174 (7.69) |
| Median [Min, Max] | 175 [162, 196] | 174 [150, 197] | 172 [157, 197] | 174 [157, 192] | 174 [150, 197] |
| peso | |||||
| Mean (SD) | 82.8 (14.2) | 81.1 (13.5) | 80.8 (15.6) | 82.0 (15.4) | 81.7 (14.6) |
| Median [Min, Max] | 82.0 [50.0, 132] | 80.0 [54.0, 122] | 80.0 [58.0, 140] | 82.0 [54.0, 125] | 80.0 [50.0, 140] |
| imc | |||||
| Mean (SD) | 27.0 (3.96) | 26.6 (4.32) | 27.2 (4.37) | 26.9 (5.70) | 26.9 (4.62) |
| Median [Min, Max] | 26.6 [17.7, 39.0] | 25.8 [18.6, 41.7] | 26.1 [19.6, 40.9] | 27.0 [0.00257, 38.7] | 26.4 [0.00257, 41.7] |
Tabela 2 - Função pulmonar
table1(~ fvcz + fev1z + fev1fvcz + fef2575z | cidade, data=lung)| Canoas (N=75) |
Gravatai (N=75) |
Guaiba (N=75) |
Porto Alegre (N=75) |
Overall (N=300) |
|
|---|---|---|---|---|---|
| fvcz | |||||
| Mean (SD) | -0.577 (0.830) | -1.24 (1.02) | -0.921 (0.920) | -0.980 (1.02) | -0.930 (0.974) |
| Median [Min, Max] | -0.537 [-2.84, 1.26] | -1.06 [-3.61, 0.700] | -0.872 [-3.82, 1.33] | -0.975 [-4.11, 1.61] | -0.883 [-4.11, 1.61] |
| fev1z | |||||
| Mean (SD) | -0.493 (0.848) | -1.16 (1.02) | -0.700 (0.847) | -0.760 (1.05) | -0.779 (0.972) |
| Median [Min, Max] | -0.467 [-2.73, 1.37] | -0.980 [-4.13, 1.23] | -0.589 [-3.39, 1.57] | -0.772 [-3.20, 1.34] | -0.724 [-4.13, 1.57] |
| fev1fvcz | |||||
| Mean (SD) | 0.192 (1.13) | 0.158 (1.30) | 0.444 (1.03) | 0.423 (1.18) | 0.304 (1.16) |
| Median [Min, Max] | 0.173 [-2.57, 2.46] | 0.176 [-3.65, 3.74] | 0.470 [-2.51, 3.61] | 0.348 [-2.48, 3.55] | 0.319 [-3.65, 3.74] |
| fef2575z | |||||
| Mean (SD) | -0.137 (0.899) | -0.491 (1.09) | -0.0772 (0.782) | -0.184 (0.954) | -0.222 (0.946) |
| Median [Min, Max] | -0.178 [-2.57, 1.59] | -0.440 [-4.38, 1.68] | -0.0775 [-2.53, 1.42] | -0.126 [-2.36, 1.93] | -0.175 [-4.38, 1.93] |
Testes de normalidade
lillie.test(lung$fvcz)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: lung$fvcz
## D = 0.058471, p-value = 0.01504lillie.test(lung$fev1z)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: lung$fev1z
## D = 0.050336, p-value = 0.06404lillie.test(lung$fev1fvcz)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: lung$fev1fvcz
## D = 0.050541, p-value = 0.06195lillie.test(lung$fef2575z)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: lung$fef2575z
## D = 0.056845, p-value = 0.02054Testando a diferença entre as cidades
kruskal.test(lung$cidade~lung$fvcz)##
## Kruskal-Wallis rank sum test
##
## data: lung$cidade by lung$fvcz
## Kruskal-Wallis chi-squared = 299, df = 298, p-value = 0.4728kruskal.test(lung$cidade~lung$fev1z)##
## Kruskal-Wallis rank sum test
##
## data: lung$cidade by lung$fev1z
## Kruskal-Wallis chi-squared = 299, df = 298, p-value = 0.4728kruskal.test(lung$cidade~lung$fev1fvcz)##
## Kruskal-Wallis rank sum test
##
## data: lung$cidade by lung$fev1fvcz
## Kruskal-Wallis chi-squared = 299, df = 298, p-value = 0.4728kruskal.test(lung$cidade~lung$fef2575z)##
## Kruskal-Wallis rank sum test
##
## data: lung$cidade by lung$fef2575z
## Kruskal-Wallis chi-squared = 299, df = 298, p-value = 0.4728Houve diferença entre as cidades. Agora, vamos para o post-hoc
pairwise.wilcox.test(lung$fvcz, lung$cidade, t.ajust.method="bonferroni")##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: lung$fvcz and lung$cidade
##
## Canoas Gravatai Guaiba
## Gravatai 0.0013 - -
## Guaiba 0.1360 0.2300 -
## Porto Alegre 0.0450 0.4297 0.5011
##
## P value adjustment method: holmpairwise.wilcox.test(lung$fev1z, lung$cidade, t.ajust.method="bonferroni")##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: lung$fev1z and lung$cidade
##
## Canoas Gravatai Guaiba
## Gravatai 0.00026 - -
## Guaiba 0.32408 0.01529 -
## Porto Alegre 0.22813 0.14384 0.50107
##
## P value adjustment method: holmpairwise.wilcox.test(lung$fev1fvcz, lung$cidade, t.ajust.method="bonferroni")##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: lung$fev1fvcz and lung$cidade
##
## Canoas Gravatai Guaiba
## Gravatai 1.00 - -
## Guaiba 0.70 0.41 -
## Porto Alegre 0.70 0.70 1.00
##
## P value adjustment method: holmpairwise.wilcox.test(lung$fef2575z, lung$cidade, t.ajust.method="bonferroni")##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: lung$fef2575z and lung$cidade
##
## Canoas Gravatai Guaiba
## Gravatai 0.208 - -
## Guaiba 1.000 0.035 -
## Porto Alegre 1.000 0.285 1.000
##
## P value adjustment method: holmGráfico 1 - Box Plot da função pulmonar por cidade
graf1 <- ggplot(lung, aes(x=cidade, y= fvcz) ) +
geom_boxplot() +
labs(x="Cidade", y="FEV1z") +
theme_classic()
graf2 <- ggplot(lung, aes(x=cidade, y= fev1z) ) +
geom_boxplot() +
labs(x="Cidade", y="FEV1z") +
theme_classic()
graf3 <- ggplot(lung, aes(x=cidade, y= fev1fvcz) ) +
geom_boxplot() +
labs(x="Cidade", y="FEV1/FVCz") +
theme_classic()
graf4 <- ggplot(lung, aes(x=cidade, y= fef2575z) ) +
geom_boxplot() +
labs(x="Cidade", y="FEF25/75") +
theme_classic()Juntando os gráficos
Para isso, precisamos juntar como patchowork, mas primeiro, cada grafico tem que ter um nome
figura1 <- (graf1 | graf2) / (graf3 | graf4)
figura1