O Serviço de Atendimento Móvel de Urgência (SAMU 192) é um serviço de utilidade pública excencial para o deslocamento emergencial de vítimas de acidentes. De 2020, em pleno ápse pandemico do Covid19 (coronavírus), até a 2025, os serviços emergenciais de atenção a saúde pública não sessaram, reafirmando as garantias constitucionais de direito a saúde pública aos quais os cidadões recifenses tanto necessitaram neste periodo.
Este trabalho tem o objetivo de análisar os dados registrados para mostrar o ranking dos serviços mais solicitados ao SAMU. Dados como os meses com maior incidência de casos de covd registrados, os horários com maior pico de solicitações e entre outras variáveis que auxiliem a opinião pública a valorar os aspectos do atendimento público recifense.
library(dplyr) # Manipulação e transformação de dados em data frames
library(tidyr) # Organização e limpeza de dados em formato “tidy”
library(DT) # Criação de tabelas interativas em HTML
library(kableExtra) # Formatação avançada de tabelas em documentos R Markdown
library(plotly) # Geração de gráficos interativos
library(stringr) # Manipulação e tratamento de strings
library(lubridate) # Manipulação de datas e horas
library(sqldf) # Consultas SQL diretamente em data frames
library(dbplyr) # Interface dplyr para bancos de dados SQL
library(ggplot2) # Criação de gráficos estáticos e personalizáveis
library(chron) # Manipulação de datas e horários simples
library(scales) # Ajuste de escalas, rótulos e formatação em gráficos
library(readr) # Leitura rápida de arquivos de dados (csv, tsv, etc.)
library(wordcloud) # Criação de nuvens de palavras
library(janitor) # Limpeza e organização de dados tabulares
library(ggpattern) # Padrões (linhas, pontos) em geometrias do ggplot2
library(RColorBrewer)# Paletas de cores pré-definidas para gráficos
library(forecast) # Funções para ARIMA/SARIMA
library(tseries)
## Series: ts_covid_log
## ARIMA(0,1,2)(2,0,0)[7]
##
## Coefficients:
## ma1 ma2 sar1 sar2
## -0.4940 0.1327 -0.0117 0.1957
## s.e. 0.0611 0.0622 0.0651 0.0744
##
## sigma^2 = 0.0891: log likelihood = -60.1
## AIC=130.21 AICc=130.42 BIC=148.63
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.01181753 0.2959543 0.207629 -Inf Inf 0.6410982 0.01194337
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,1,2)(2,0,0)[7]
## Q* = 14.63, df = 10, p-value = 0.1461
##
## Model df: 4. Total lags used: 14