Carregando pacotes
Código
Rows: 62
Columns: 19
$ localizacao <chr> "membros", "Abdomem", "tronco", "cabeça e pescoço", "…
$ castracao <dbl> 1, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 1, 0,…
$ tamanho <dbl> 5.0, NA, NA, NA, 2.5, 5.0, 7.0, 1.5, 5.0, 3.3, 3.0, 2…
$ tamanhotumor <chr> "grande (> 3cm)", NA, NA, NA, "pequeno (< 3cm)", "gra…
$ porte <chr> "Grande", "Médio", "Médio", "Grande", "Pequeno", "Gra…
$ temraca <chr> "SRD", "SRD", "SRD", "CRD", "CRD", "SRD", "CRD", "SRD…
$ raca <chr> "SRD", "SRD", "SRD", "Outras Raças", "Yorkshire Terri…
$ sexo <chr> "Fêmea", "Macho", "Macho", "Fêmea", "Fêmea", "Fêmea",…
$ alimentacao <chr> "Apenas Ração", "Mista (Ração + Comida ou petiscos)",…
$ escorecorporal <chr> "Peso ideal", NA, "Abaixo do peso ideal", "Acima do p…
$ quimioterapia <chr> "Não", "Sim", "Sim", "Sim", "Sim", "Sim", "Sim", "Não…
$ grau_histologico <chr> "baixo grau", NA, NA, NA, "alto grau", "alto grau", "…
$ metastase <chr> "Não", "Não", "Sim", "Não", "Não", "Sim", "Não", "Não…
$ raca_2 <chr> "SRD", "SRD", "SRD", "Outras Raças", "Yorkshire Terri…
$ margens_livres <chr> "Não", NA, NA, NA, NA, "Não", "Sim", NA, "Não", "Não"…
$ status <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1,…
$ data_inicial <dttm> 2017-07-04, 2017-07-14, 2017-05-17, 2018-09-06, 2019…
$ data_final <dttm> 2017-07-17, 2017-10-23, 2017-06-30, 2018-10-28, 2019…
$ tempo <dbl> 13, 101, 44, 52, 105, 259, 123, 212, 449, 591, 412, 6…Missing values
Criação a variável escorecorporal_binario
Descrição geral dos dados
──────────────────────────────────────────────────────────────────────────────
Describe ds (tbl_df, tbl, data.frame):
data frame: 62 obs. of 21 variables
41 complete cases (66.1%)
Nr Class ColName
1 chr localizacao
2 num castracao
3 num tamanho
4 chr tamanhotumor
5 chr porte
6 chr temraca
7 chr raca
8 chr sexo
9 chr alimentacao
10 chr escorecorporal
11 chr quimioterapia
12 chr grau_histologico
13 chr metastase
14 chr raca_2
15 chr margens_livres
16 num status
17 pos data_inicial
18 pos data_final
19 num tempo
20 fac escorecorporal_binario
21 fac fct_relevel(escorecorporal_binario, "Peso Não Excedente")
NAs Levels
1 (1.6%) ...
. ...
5 (8.1%) ...
5 (8.1%) ...
. ...
. ...
. ...
. ...
. ...
1 (1.6%) ...
. ...
9 (14.5%) ...
. ...
. ...
20 (32.3%) ...
. ...
. ...
. ...
. ...
1 (1.6%) ...
...
...
...
...
...
...
1 (1.6%) ...
...
...
...
...
...
...
──────────────────────────────────────────────────────────────────────────────
1 - localizacao (character)
length n NAs unique levels dupes
62 61 1 5 5 y
98.4% 1.6%
level freq perc cumfreq cumperc
1 tronco 17 27.9% 17 27.9%
2 membros 15 24.6% 32 52.5%
3 Perineo e regioes inguinogenitais 12 19.7% 44 72.1%
4 cabeça e pescoço 9 14.8% 53 86.9%
5 Abdomem 8 13.1% 61 100.0%
──────────────────────────────────────────────────────────────────────────────
2 - castracao (numeric)
length n NAs unique 0s mean meanCI'
62 62 0 2 31 0.50 0.37
100.0% 0.0% 50.0% 0.63
.05 .10 .25 median .75 .90 .95
0.00 0.00 0.00 0.50 1.00 1.00 1.00
range sd vcoef mad IQR skew kurt
1.00 0.50 1.01 0.74 1.00 0.00 -2.03
value freq perc cumfreq cumperc
1 0 31 50.0% 31 50.0%
2 1 31 50.0% 62 100.0%
' 95%-CI (classic)
──────────────────────────────────────────────────────────────────────────────
3 - tamanho (numeric)
length n NAs unique 0s mean meanCI'
62 57 5 28 0 4.34 3.32
91.9% 8.1% 0.0% 5.37
.05 .10 .25 median .75 .90 .95
0.64 1.00 1.90 3.00 6.00 10.00 10.80
range sd vcoef mad IQR skew kurt
18.70 3.86 0.89 2.22 4.10 1.70 2.90
lowest : 0.3, 0.4 (2), 0.7 (2), 1.0 (2), 1.5 (6)
highest: 9.0, 10.0 (4), 14.0, 15.0, 19.0
' 95%-CI (classic)
──────────────────────────────────────────────────────────────────────────────
4 - tamanhotumor (character - dichotomous)
length n NAs unique
62 57 5 2
91.9% 8.1%
freq perc lci.95 uci.95'
pequeno (< 3cm) 31 54.4% 41.6% 66.6%
grande (> 3cm) 26 45.6% 33.4% 58.4%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
5 - porte (character)
length n NAs unique levels dupes
62 62 0 3 3 y
100.0% 0.0%
level freq perc cumfreq cumperc
1 Médio 27 43.5% 27 43.5%
2 Grande 18 29.0% 45 72.6%
3 Pequeno 17 27.4% 62 100.0%
──────────────────────────────────────────────────────────────────────────────
6 - temraca (character - dichotomous)
length n NAs unique
62 62 0 2
100.0% 0.0%
freq perc lci.95 uci.95'
SRD 34 54.8% 42.5% 66.6%
CRD 28 45.2% 33.4% 57.5%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
7 - raca (character)
length n NAs unique levels dupes
62 62 0 11 11 y
100.0% 0.0%
level freq perc cumfreq cumperc
1 SRD 34 54.8% 34 54.8%
2 Outras Raças 10 16.1% 44 71.0%
3 Boxer 3 4.8% 47 75.8%
4 Labrador Retriever 3 4.8% 50 80.6%
5 Cocker Spaniel 2 3.2% 52 83.9%
6 Dachshund 2 3.2% 54 87.1%
7 Pinscher 2 3.2% 56 90.3%
8 Poodle 2 3.2% 58 93.5%
9 Yorkshire Terrier 2 3.2% 60 96.8%
10 Golden Retriever 1 1.6% 61 98.4%
11 Shih-Tzu 1 1.6% 62 100.0%
──────────────────────────────────────────────────────────────────────────────
8 - sexo (character - dichotomous)
length n NAs unique
62 62 0 2
100.0% 0.0%
freq perc lci.95 uci.95'
Fêmea 39 62.9% 50.5% 73.8%
Macho 23 37.1% 26.2% 49.5%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
9 - alimentacao (character)
length n NAs unique levels dupes
62 62 0 4 4 y
100.0% 0.0%
level freq perc cumfreq cumperc
1 Apenas Ração 30 48.4% 30 48.4%
2 Mista (Ração + Comida ou petiscos) 29 46.8% 59 95.2%
3 Apenas comida 2 3.2% 61 98.4%
4 Não informado 1 1.6% 62 100.0%
──────────────────────────────────────────────────────────────────────────────
10 - escorecorporal (character)
length n NAs unique levels dupes
62 61 1 4 4 y
98.4% 1.6%
level freq perc cumfreq cumperc
1 Acima do peso ideal 31 50.8% 31 50.8%
2 Peso ideal 16 26.2% 47 77.0%
3 Obesidade 12 19.7% 59 96.7%
4 Abaixo do peso ideal 2 3.3% 61 100.0%
──────────────────────────────────────────────────────────────────────────────
11 - quimioterapia (character - dichotomous)
length n NAs unique
62 62 0 2
100.0% 0.0%
freq perc lci.95 uci.95'
Não 38 61.3% 48.8% 72.4%
Sim 24 38.7% 27.6% 51.2%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
12 - grau_histologico (character - dichotomous)
length n NAs unique
62 53 9 2
85.5% 14.5%
freq perc lci.95 uci.95'
baixo grau 33 62.3% 48.8% 74.1%
alto grau 20 37.7% 25.9% 51.2%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
13 - metastase (character - dichotomous)
length n NAs unique
62 62 0 2
100.0% 0.0%
freq perc lci.95 uci.95'
Não 46 74.2% 62.1% 83.4%
Sim 16 25.8% 16.6% 37.9%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
14 - raca_2 (character)
length n NAs unique levels dupes
62 62 0 11 11 y
100.0% 0.0%
level freq perc cumfreq cumperc
1 SRD 34 54.8% 34 54.8%
2 Outras Raças 10 16.1% 44 71.0%
3 Boxer 3 4.8% 47 75.8%
4 Labrador Retriever 3 4.8% 50 80.6%
5 Cocker Spaniel 2 3.2% 52 83.9%
6 Dachshund 2 3.2% 54 87.1%
7 Pinscher 2 3.2% 56 90.3%
8 Poodle 2 3.2% 58 93.5%
9 Yorkshire Terrier 2 3.2% 60 96.8%
10 Golden Retriever 1 1.6% 61 98.4%
11 Shih-Tzu 1 1.6% 62 100.0%
──────────────────────────────────────────────────────────────────────────────
15 - margens_livres (character - dichotomous)
length n NAs unique
62 42 20 2
67.7% 32.3%
freq perc lci.95 uci.95'
Não 38 90.5% 77.9% 96.2%
Sim 4 9.5% 3.8% 22.1%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
16 - status (numeric)
length n NAs unique 0s mean meanCI'
62 62 0 2 15 0.76 0.65
100.0% 0.0% 24.2% 0.87
.05 .10 .25 median .75 .90 .95
0.00 0.00 1.00 1.00 1.00 1.00 1.00
range sd vcoef mad IQR skew kurt
1.00 0.43 0.57 0.00 0.00 -1.18 -0.63
value freq perc cumfreq cumperc
1 0 15 24.2% 15 24.2%
2 1 47 75.8% 62 100.0%
' 95%-CI (classic)
──────────────────────────────────────────────────────────────────────────────
17 - data_inicial (POSIXct, POSIXt)
$xname
[1] "data_inicial"
$label
NULL
$class
[1] "POSIXct"
$classlabel
[1] "POSIXct, POSIXt"
$length
[1] 62
$n
[1] 62
$NAs
[1] 0
$main
[1] "17 - data_inicial (POSIXct, POSIXt)"
[[9]]
[1] "unhandled class"
──────────────────────────────────────────────────────────────────────────────
18 - data_final (POSIXct, POSIXt)
$xname
[1] "data_final"
$label
NULL
$class
[1] "POSIXct"
$classlabel
[1] "POSIXct, POSIXt"
$length
[1] 62
$n
[1] 62
$NAs
[1] 0
$main
[1] "18 - data_final (POSIXct, POSIXt)"
[[9]]
[1] "unhandled class"
──────────────────────────────────────────────────────────────────────────────
19 - tempo (numeric)
length n NAs unique 0s mean meanCI'
62 62 0 60 0 616.03 457.20
100.0% 0.0% 0.0% 774.87
.05 .10 .25 median .75 .90 .95
36.20 52.40 120.75 355.00 1'174.25 1'543.00 1'821.30
range sd vcoef mad IQR skew kurt
2'124.00 625.46 1.02 421.80 1'053.50 0.89 -0.53
lowest : 11.0, 13.0, 23.0, 36.0, 40.0
highest: 1'694.0, 1'828.0, 1'973.0, 2'110.0, 2'135.0
' 95%-CI (classic)
──────────────────────────────────────────────────────────────────────────────
20 - escorecorporal_binario (factor - dichotomous)
length n NAs unique
62 61 1 2
98.4% 1.6%
freq perc lci.95 uci.95'
Peso Não Excedente 18 29.5% 19.6% 41.9%
Excesso de Peso 43 70.5% 58.1% 80.4%
' 95%-CI (Wilson)
──────────────────────────────────────────────────────────────────────────────
21 - fct_relevel(escorecorporal_binario, "Peso Não Excedente") (factor - dichotomous)
length n NAs unique
62 61 1 2
98.4% 1.6%
freq perc lci.95 uci.95'
Peso Não Excedente 18 29.5% 19.6% 41.9%
Excesso de Peso 43 70.5% 58.1% 80.4%
' 95%-CI (Wilson)
Curvas Kaplan Mayer
Código
Castracao
Código
km_by_castracao <- survfit(Surv(time = tempo, event = status) ~ castracao, data = ds)
plot_km_by_castracao <- ggsurvplot(
km_by_castracao,
data = ds,
risk.table = F,
pval = F,
pval.method = F,
conf.int = F,
xlab = "Time (Days)",
ylab = "Survival Probability",
legend.labs = c('Intact', 'Neutered'),
legend.title = 'Neutering',
font.x = c(16, 'bold'),
font.y = c(16, 'bold'),
font.tickslab = 14,
font.legend = c(16, 'bold')
)
plot_km_by_castracao
Grau histologico
Código
km_by_grau_hist <- survfit(Surv(time = tempo, event = status) ~ grau_histologico, data = ds)
plot_km_by_grau_hist <- ggsurvplot(
km_by_grau_hist,
data = ds,
risk.table = F,
pval = F,
pval.method = F,
conf.int = F,
xlab = "Time (Days)",
ylab = "Survival Probability",
legend.labs = c('Low', 'High'),
legend.title = 'Histological grade',
font.x = c(16, 'bold'),
font.y = c(16, 'bold'),
font.tickslab = 14,
font.legend = c(16, 'bold')
)
plot_km_by_grau_hist
Metastase
Código
km_by_metastase <- survfit(Surv(time = tempo, event = status) ~ metastase, data = ds)
plot_km_by_metastase <- ggsurvplot(
km_by_metastase,
data = ds,
risk.table = F,
pval = F,
pval.method = F,
conf.int = F,
xlab = "Time (Days)",
ylab = "Survival Probability",
legend.labs = c('Abscence', 'Presence'),
legend.title = 'Metastasis',
font.x = c(16, 'bold'),
font.y = c(16, 'bold'),
font.tickslab = 14,
font.legend = c(16, 'bold')
)
plot_km_by_metastase
Tamanho categórico
Código
km_by_tamanho <- survfit(Surv(time = tempo, event = status) ~ tamanhotumor, data = ds)
plot_km_by_tamanho <- ggsurvplot(
km_by_tamanho,
data = ds,
risk.table = F,
pval = F,
pval.method = F,
conf.int = F,
xlab = "Time (Days)",
ylab = "Survival Probability",
legend.labs = c('> 3cm', '< 3cm'),
legend.title = 'Size',
font.x = c(16, 'bold'),
font.y = c(16, 'bold'),
font.tickslab = 14,
font.legend = c(16, 'bold')
)
plot_km_by_tamanho
Criando os modelos univariados
Código
preditores <- c("castracao", "tamanhotumor", "grau_histologico", "metastase", 'porte', 'temraca', 'sexo', 'alimentacao', 'escorecorporal_binario')
uni_models <- map_df(preditores, ~ {
formula_str <- paste("Surv(time = tempo, event = status) ~", .x)
model <- coxph(as.formula(formula_str), data = ds)
tidy(model, exponentiate = TRUE, conf.int = TRUE)
}) %>%
mutate(p.value = round(p.value, 2),
estimate = round(estimate, 2),
std.error = round(std.error,2),
statistic = round(statistic,2),
conf.low = round(conf.low,2),
conf.high = round(conf.high,2)
) %>%
arrange(p.value)
print(uni_models, n = 50)# A tibble: 12 × 7
term estimate std.error statistic p.value conf.low conf.high
<chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 grau_histologicobaix… 0.32 0.34 -3.38 0 0.16 0.62
2 tamanhotumorpequeno … 0.44 0.31 -2.66 0.01 0.24 0.8
3 porteMédio 0.63 0.35 -1.31 0.19 0.31 1.26
4 alimentacaoNão infor… 5.29 1.27 1.31 0.19 0.44 64.0
5 metastaseSim 1.5 0.32 1.26 0.21 0.8 2.81
6 sexoMacho 1.42 0.3 1.17 0.24 0.79 2.56
7 escorecorporal_binar… 0.71 0.32 -1.05 0.29 0.38 1.34
8 castracao 0.79 0.3 -0.79 0.43 0.44 1.42
9 alimentacaoMista (Ra… 0.57 0.75 -0.74 0.46 0.13 2.48
10 alimentacaoApenas Ra… 0.69 0.74 -0.5 0.62 0.16 2.96
11 temracaSRD 1.15 0.3 0.47 0.64 0.64 2.07
12 portePequeno 0.91 0.37 -0.24 0.81 0.44 1.9 A tabela acima mostra os resultados para cada modelo univariado. Todos com exceção de castração foram significativos, partindo da referencia de p<0.25. Portanto, todos irão para o modelo multivariado.
Modelo multivariado
Código
multi_model_cph <- coxph(
Surv(time = tempo, event = status) ~ tamanhotumor + grau_histologico + metastase + porte + temraca + sexo + alimentacao + escorecorporal_binario,
data = ds,
x = TRUE, y = TRUE
)
multi_results <- tidy(multi_model_cph, exponentiate = TRUE, conf.int = TRUE) %>%
mutate(p.value = round(p.value, 2),
estimate = round(estimate, 2),
std.error = round(std.error,2),
statistic = round(statistic,2),
conf.low = round(conf.low,2),
conf.high = round(conf.high,2)
) %>%
arrange(p.value)
multi_resultsValidação do modelo
chisq df p
tamanhotumor 0.6926 1 0.4053
grau_histologico 2.6757 1 0.1019
metastase 0.0574 1 0.8106
porte 0.7570 2 0.6849
temraca 0.0972 1 0.7553
sexo 2.9147 1 0.0878
alimentacao 4.7021 3 0.1950
escorecorporal_binario 5.1815 1 0.0228
GLOBAL 26.8806 11 0.0048A tabela acima não apresenta nenhum p significativo, o que indica que atendemos o pressuposto da proporcionalidade do risco.