R Notebook

Pacotes

pacman::p_load(knitr,
kableExtra,
tidyverse,
janitor,
summarytools,
DataExplorer,
readxl,
tableone,
psych,
stringr,
apaTable,
arsenal,
likert,
apaTables,
compareGroups,
olsrr,
ez,
ggstatsplot)

importat base

library(readxl)
ds <- read_excel("C:/Users/Lucas VDC/Meu Drive/Graduação Psicologia/Extensão tratamento de dados/dupla rota/Banco de dados Dupla Tarefa - pra siac.xlsx")
View(ds)

Codificação e Consolidação dos dados

ds <- clean_names(ds)

ds %>% names

 [1] "sexo"                                "idade"                              
 [3] "wcst_categorias_completadas"         "wcst_total_de_erros"                
 [5] "andar_velocidade_m_s"                "tempo_de_reacao_s_fluencia"         
 [7] "tempo_de_reacao_s_subtracao_seriado" "tempo_de_reacao_s_trilhas_a"        
 [9] "tempo_de_reacao_s_trilhas_b"         "velocidade_m_s_andar_bandeja"       
[11] "tempo_de_reacao_s_andar_fluencia"    "velocidade_m_s_andar_fluencia"      
[13] "tempo_de_reacao_s_andar_seriado"     "velocidade_m_s_andar_seriado"       
[15] "tempo_de_reacao_s_andar_trilhas_a"   "velocidade_m_s_andar_trilhas_a"     
[17] "tempo_de_reacao_s_andar_trilhas_b"   "velocidade_m_s_andar_trilhas_b"     

ds <- ds %>% mutate(sexo = as.factor(sexo))

ds <- ds %>% mutate(velocidade_m_s_andar_bandeja = as.numeric(velocidade_m_s_andar_bandeja        ))

Tabela descritiva

ds %>%
  select(sexo:velocidade_m_s_andar_trilhas_b) %>%
  tableby(~ ., data = .,
          control = tableby.control(
            total       = FALSE,
            test        = FALSE,
            numeric.stats = c("meansd","range"),
            cat.stats     = c("countpct"),
            stats.labels  = list(meansd = "Média (DP)", range = "Variação"),
            digits      = 2,        # casas p/ números
            digits.pct  = 1,        # casas p/ %
            format.pct  = TRUE
          )) %>%
  summary(text = TRUE)

	Overall (N=15)
sexo
- Feminino	7 (46.7%)
- Masculino	8 (53.3%)
idade
- Média (DP)	69.33 (8.41)
- Variação	52.00 - 85.00
wcst_categorias_completadas
- Média (DP)	2.87 (2.33)
- Variação	0.00 - 6.00
wcst_total_de_erros
- Média (DP)	57.00 (24.74)
- Variação	14.00 - 83.00
andar_velocidade_m_s
- Média (DP)	1.04 (0.20)
- Variação	0.76 - 1.42
tempo_de_reacao_s_fluencia
- Média (DP)	3.26 (1.01)
- Variação	1.50 - 5.00
tempo_de_reacao_s_subtracao_seriado
- Média (DP)	13.51 (9.31)
- Variação	5.00 - 33.33
tempo_de_reacao_s_trilhas_a
- Média (DP)	0.65 (0.10)
- Variação	0.54 - 0.83
tempo_de_reacao_s_trilhas_b
- Média (DP)	6.26 (5.86)
- Variação	0.76 - 20.00
velocidade_m_s_andar_bandeja
- Média (DP)	1.05 (0.16)
- Variação	0.76 - 1.40
tempo_de_reacao_s_andar_fluencia
- Média (DP)	2.75 (3.23)
- Variação	0.61 - 11.90
velocidade_m_s_andar_fluencia
- Média (DP)	0.85 (0.17)
- Variação	0.56 - 1.25
tempo_de_reacao_s_andar_seriado
- Média (DP)	9.48 (15.21)
- Variação	0.00 - 62.50
velocidade_m_s_andar_seriado
- Média (DP)	0.75 (0.18)
- Variação	0.47 - 1.10
tempo_de_reacao_s_andar_trilhas_a
- Média (DP)	15.02 (27.81)
- Variação	0.40 - 100.00
velocidade_m_s_andar_trilhas_a
- Média (DP)	1.03 (0.20)
- Variação	0.65 - 1.40
tempo_de_reacao_s_andar_trilhas_b
- Média (DP)	23.51 (32.86)
- Variação	10.00 - 133.33
velocidade_m_s_andar_trilhas_b
- Média (DP)	1.65 (3.15)
- Variação	0.54 - 13.00

NA

hipótese 1: diferença na velocidade normal e com tarefa secundária

# Pacotes necessários
library(dplyr)
library(effectsize)

# Comparar velocidade normal vs. velocidades com tarefas secundárias
# Lista de variáveis de interesse
tarefas <- c("velocidade_m_s_andar_bandeja",
             "velocidade_m_s_andar_fluencia",
             "velocidade_m_s_andar_seriado",
             "velocidade_m_s_andar_trilhas_a",
             "velocidade_m_s_andar_trilhas_b")

# Loop para rodar t-teste pareado + d de Cohen
resultados <- lapply(tarefas, function(var){
  teste <- t.test(ds$andar_velocidade_m_s, ds[[var]], paired = TRUE)
  efeito <- cohens_d(ds$andar_velocidade_m_s, ds[[var]], paired = TRUE)
  
  tibble(
    Comparação = paste("andar_velocidade_m_s vs", var),
    Media_sem_tarefa = mean(ds$andar_velocidade_m_s, na.rm = TRUE),
    Media_com_tarefa = mean(ds[[var]], na.rm = TRUE),
    t = unname(teste$statistic),
    gl = teste$parameter,
    p_valor = teste$p.value,
    cohen_d = efeito$Cohens_d,
    interpretacao = efeito$Interpretation
  )
}) %>% bind_rows()

# Visualizar resultados
print(resultados, n = Inf)

NA

hipótese 2: à medida que aumenta a demanda cognitiva (DT), haverá redução no desempenho motor em relação à condição de tarefa única, configurando uma correlação negativa entre os desempenhos.

# Selecionar variáveis de interesse
dt_vars <- c("velocidade_m_s_andar_bandeja",
             "velocidade_m_s_andar_fluencia",
             "velocidade_m_s_andar_seriado",
             "velocidade_m_s_andar_trilhas_a",
             "velocidade_m_s_andar_trilhas_b")

# Rodar correlação de Pearson entre TU e cada DT
resultados_cor <- lapply(dt_vars, function(var){
  teste <- cor.test(ds$andar_velocidade_m_s, ds[[var]], method = "pearson")
  
  tibble(
    Comparacao = paste("TU vs", var),
    r = unname(teste$estimate),
    IC_inf = teste$conf.int[1],
    IC_sup = teste$conf.int[2],
    p_valor = teste$p.value
  )
}) %>% bind_rows()

# Visualizar resultados
print(resultados_cor, n = Inf)

NA

gráfico

library(ggplot2)
library(ggpubr)

# Lista de variáveis DT
dt_vars <- c("velocidade_m_s_andar_bandeja",
             "velocidade_m_s_andar_fluencia",
             "velocidade_m_s_andar_seriado",
             "velocidade_m_s_andar_trilhas_a",
             "velocidade_m_s_andar_trilhas_b")

# Criar gráficos em loop
graficos <- lapply(dt_vars, function(var){
  ggplot(ds, aes_string(x = "andar_velocidade_m_s", y = var)) +
    geom_point(size = 2, alpha = 0.7) +
    geom_smooth(method = "lm", se = TRUE, color = "blue") +
    stat_cor(method = "pearson", label.x.npc = "left", label.y.npc = "top") +
    labs(x = "Velocidade da marcha (Tarefa Única, m/s)",
         y = paste("Velocidade da marcha com", gsub("velocidade_m_s_andar_", "", var), "(m/s)")) +
    theme_bw(base_size = 12)
})

# Exibir primeiro gráfico
graficos[[1]]

graficos[[2]]

# Se quiser ver todos de uma vez, pode usar patchwork ou cowplot:
library(patchwork)
 wrap_plots(graficos)

agora utilizando o tempo de reação

library(dplyr)

# Variáveis de interesse
tempo_vars_tu <- c("tempo_de_reacao_s_fluencia",
                   "tempo_de_reacao_s_trilhas_a",
                   "tempo_de_reacao_s_trilhas_b")

tempo_vars_dt <- c("tempo_de_reacao_s_andar_fluencia",
                   "tempo_de_reacao_s_andar_trilhas_a",
                   "tempo_de_reacao_s_andar_trilhas_b")

# Correlações TU x DT
resultados_tempo <- list(
  cor.test(ds$tempo_de_reacao_s_fluencia, ds$tempo_de_reacao_s_andar_fluencia, method = "pearson"),
  cor.test(ds$tempo_de_reacao_s_trilhas_a, ds$tempo_de_reacao_s_andar_trilhas_a, method = "pearson"),
  cor.test(ds$tempo_de_reacao_s_trilhas_b, ds$tempo_de_reacao_s_andar_trilhas_b, method = "pearson")
)

# Organizar em tabela
tabela_tempo <- tibble(
  Comparação = c("Fluência vs. Andar fluência",
                 "Trilhas A vs. Andar trilhas A",
                 "Trilhas B vs. Andar trilhas B"),
  r = sapply(resultados_tempo, function(x) unname(x$estimate)),
  IC_inf = sapply(resultados_tempo, function(x) x$conf.int[1]),
  IC_sup = sapply(resultados_tempo, function(x) x$conf.int[2]),
  p_valor = sapply(resultados_tempo, function(x) x$p.value)
)

print(tabela_tempo)

NA

h3: relação a própria percepção do paciente em relação a sua performance