1. Montar Tabela de hepatectomia parcial (benigna)
hepatectomia_benigna <- data.frame(
regiao = c("Norte", "Nordeste", "Sudeste", "Sul", "Centro-Oeste"),
AIH_aprovadas = c(405, 1191, 2604, 1403, 409),
obitos = c(41, 98, 212, 88, 45)
)
# Calcular percentual de óbitos
hepatectomia_benigna$percentual_obitos <- round(100 * hepatectomia_benigna$obitos / hepatectomia_benigna$AIH_aprovadas, 2)
hepatectomia_benigna
## regiao AIH_aprovadas obitos percentual_obitos
## 1 Norte 405 41 10.12
## 2 Nordeste 1191 98 8.23
## 3 Sudeste 2604 212 8.14
## 4 Sul 1403 88 6.27
## 5 Centro-Oeste 409 45 11.00
2. Montar Tabela de hepatectomia parcial em oncologia (maligna)
hepatectomia_maligna <- data.frame(
regiao = c("Norte", "Nordeste", "Sudeste", "Sul", "Centro-Oeste"),
AIH_aprovadas = c(420, 1777, 6415, 3066, 690),
obitos = c(50, 137, 417, 183, 53)
)
# Calcular percentual de óbitos
hepatectomia_maligna$percentual_obitos <- round(100 * hepatectomia_maligna$obitos / hepatectomia_maligna$AIH_aprovadas, 2)
hepatectomia_maligna
## regiao AIH_aprovadas obitos percentual_obitos
## 1 Norte 420 50 11.90
## 2 Nordeste 1777 137 7.71
## 3 Sudeste 6415 417 6.50
## 4 Sul 3066 183 5.97
## 5 Centro-Oeste 690 53 7.68
3. Juntar os dados para comparação
dados_comparados <- hepatectomia_benigna %>%
rename(AIH_benigna = AIH_aprovadas, obitos_benigna = obitos, perc_benigna = percentual_obitos) %>%
inner_join(
hepatectomia_maligna %>%
rename(AIH_maligna = AIH_aprovadas, obitos_maligna = obitos, perc_maligna = percentual_obitos),
by = "regiao"
)
dados_comparados
## regiao AIH_benigna obitos_benigna perc_benigna AIH_maligna
## 1 Norte 405 41 10.12 420
## 2 Nordeste 1191 98 8.23 1777
## 3 Sudeste 2604 212 8.14 6415
## 4 Sul 1403 88 6.27 3066
## 5 Centro-Oeste 409 45 11.00 690
## obitos_maligna perc_maligna
## 1 50 11.90
## 2 137 7.71
## 3 417 6.50
## 4 183 5.97
## 5 53 7.68
4. Testes de proporções por região
# Norte - p-valor = 0.4806. Não rejeita H0. Evidência sugere que as proporções são iguais
prop.test(x = c(41, 50), n = c(405, 420))
##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(41, 50) out of c(405, 420)
## X-squared = 0.49749, df = 1, p-value = 0.4806
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## -0.06292574 0.02729964
## sample estimates:
## prop 1 prop 2
## 0.1012346 0.1190476
# Nordeste - p-valor = 0.6575. Não rejeita H0. Evidência sugere que as proporções são iguais
prop.test(x = c(98, 137), n = c(1191, 1777))
##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(98, 137) out of c(1191, 1777)
## X-squared = 0.19686, df = 1, p-value = 0.6573
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## -0.01544790 0.02582303
## sample estimates:
## prop 1 prop 2
## 0.08228380 0.07709623
# Sudeste - p-valor = 0.006392. Rejeita H0. Evidência sugere que as proporções são diferentes.
prop.test(x = c(212, 417), n = c(2604, 6415))
##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(212, 417) out of c(2604, 6415)
## X-squared = 7.4363, df = 1, p-value = 0.006392
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## 0.00402657 0.02879206
## sample estimates:
## prop 1 prop 2
## 0.08141321 0.06500390
# Sul - p-value = 0.7436. Não rejeita H0. Evidência sugere que as proporções são iguais
prop.test(x = c(88, 183), n = c(1403, 3066))
##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(88, 183) out of c(1403, 3066)
## X-squared = 0.107, df = 1, p-value = 0.7436
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## -0.01269165 0.01876335
## sample estimates:
## prop 1 prop 2
## 0.06272274 0.05968689
# Centro-Oeste - p-value = 0.07874. Rejeita H0 somente a 10%. Mas 0 está contido no intervalor de confiança. Resultado é analisar com cautela.
prop.test(x = c(45, 53), n = c(409, 690))
##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(45, 53) out of c(409, 690)
## X-squared = 3.0906, df = 1, p-value = 0.07874
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## -0.004989972 0.071415683
## sample estimates:
## prop 1 prop 2
## 0.11002445 0.07681159
5. Ajustar as bases para estimar o modelo GLM
library(dplyr)
benigna <- hepatectomia_benigna %>%
mutate(tipo = "Benigna",
vivos = AIH_aprovadas - obitos)
maligna <- hepatectomia_maligna %>%
mutate(tipo = "Maligna",
vivos = AIH_aprovadas - obitos)
# Unir as duas bases
hepatectomia_total <- bind_rows(benigna, maligna)
# Verificar a base final
print(hepatectomia_total)
## regiao AIH_aprovadas obitos percentual_obitos tipo vivos
## 1 Norte 405 41 10.12 Benigna 364
## 2 Nordeste 1191 98 8.23 Benigna 1093
## 3 Sudeste 2604 212 8.14 Benigna 2392
## 4 Sul 1403 88 6.27 Benigna 1315
## 5 Centro-Oeste 409 45 11.00 Benigna 364
## 6 Norte 420 50 11.90 Maligna 370
## 7 Nordeste 1777 137 7.71 Maligna 1640
## 8 Sudeste 6415 417 6.50 Maligna 5998
## 9 Sul 3066 183 5.97 Maligna 2883
## 10 Centro-Oeste 690 53 7.68 Maligna 637
7. Fazer a comparação entre todas as regiões
# Transformar a variável 'regiao' em fator
hepatectomia_total$regiao <- as.factor(hepatectomia_total$regiao)
# Rodar o modelo novamente
modelo_regiao <- glm(cbind(obitos, vivos) ~ regiao,
data = hepatectomia_total,
family = binomial)
# Comparações múltiplas entre todos os pares de regiões
library(multcomp)
## Carregando pacotes exigidos: mvtnorm
## Carregando pacotes exigidos: survival
## Carregando pacotes exigidos: TH.data
## Carregando pacotes exigidos: MASS
##
## Anexando pacote: 'MASS'
## O seguinte objeto é mascarado por 'package:dplyr':
##
## select
##
## Anexando pacote: 'TH.data'
## O seguinte objeto é mascarado por 'package:MASS':
##
## geyser
comparacoes <- glht(modelo_regiao, linfct = mcp(regiao = "Tukey"))
# Resultados
summary(comparacoes) # Resumo do modelo
##
## Simultaneous Tests for General Linear Hypotheses
##
## Multiple Comparisons of Means: Tukey Contrasts
##
##
## Fit: glm(formula = cbind(obitos, vivos) ~ regiao, family = binomial,
## data = hepatectomia_total)
##
## Linear Hypotheses:
## Estimate Std. Error z value Pr(>|z|)
## Nordeste - Centro-Oeste == 0 -0.12978 0.12579 -1.032 0.83161
## Norte - Centro-Oeste == 0 0.23614 0.15347 1.539 0.52087
## Sudeste - Centro-Oeste == 0 -0.26688 0.11363 -2.349 0.12147
## Sul - Centro-Oeste == 0 -0.41646 0.12301 -3.386 0.00578 **
## Norte - Nordeste == 0 0.36592 0.13028 2.809 0.03678 *
## Sudeste - Nordeste == 0 -0.13709 0.07956 -1.723 0.40330
## Sul - Nordeste == 0 -0.28668 0.09246 -3.100 0.01527 *
## Sudeste - Norte == 0 -0.50302 0.11858 -4.242 < 0.001 ***
## Sul - Norte == 0 -0.65260 0.12759 -5.115 < 0.001 ***
## Sul - Sudeste == 0 -0.14958 0.07508 -1.992 0.25607
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## (Adjusted p values reported -- single-step method)
confint(comparacoes) # Intervalos de confiança
##
## Simultaneous Confidence Intervals
##
## Multiple Comparisons of Means: Tukey Contrasts
##
##
## Fit: glm(formula = cbind(obitos, vivos) ~ regiao, family = binomial,
## data = hepatectomia_total)
##
## Quantile = 2.701
## 95% family-wise confidence level
##
##
## Linear Hypotheses:
## Estimate lwr upr
## Nordeste - Centro-Oeste == 0 -0.12978 -0.46956 0.20999
## Norte - Centro-Oeste == 0 0.23614 -0.17840 0.65068
## Sudeste - Centro-Oeste == 0 -0.26688 -0.57380 0.04004
## Sul - Centro-Oeste == 0 -0.41646 -0.74871 -0.08420
## Norte - Nordeste == 0 0.36592 0.01403 0.71781
## Sudeste - Nordeste == 0 -0.13709 -0.35200 0.07781
## Sul - Nordeste == 0 -0.28668 -0.53642 -0.03693
## Sudeste - Norte == 0 -0.50302 -0.82329 -0.18274
## Sul - Norte == 0 -0.65260 -0.99722 -0.30797
## Sul - Sudeste == 0 -0.14958 -0.35238 0.05322
exp(coef(comparacoes)) # OR
## Nordeste - Centro-Oeste Norte - Centro-Oeste Sudeste - Centro-Oeste
## 0.8782866 1.2663488 0.7657671
## Sul - Centro-Oeste Norte - Nordeste Sudeste - Nordeste
## 0.6593786 1.4418401 0.8718875
## Sul - Nordeste Sudeste - Norte Sul - Norte
## 0.7507557 0.6047047 0.5206927
## Sul - Sudeste
## 0.8610694