Introdução

Este relatório apresenta a análise estatística da aspiração broncopulmonar (ABP) em pacientes internados na unidade de gastrocirurgia.

Objetivos principais:

Descrever o perfil da amostra.
Estimar a incidência de ABP.
Comparar tempo de internação, tempo de UTI, desfechos e fatores de risco gastrointestinais entre pacientes com e sem ABP.
Identificar fatores independentemente associados à ABP por meio de regressão logística.

Dados e preparação

Importação da planilha

library(readxl)
library(dplyr)
library(janitor)
library(epitools)
library(knitr)
library(kableExtra)
library(tidyr)

caminho_arquivo <- "~/Desktop/GuilhermeABP.xlsx"

dados_abp <- read_excel(caminho_arquivo)

# Limpeza de nomes de variáveis
dados_abp <- dados_abp |>
  clean_names()

Preparação das variáveis de interesse

# Criação de variáveis derivadas
dados_abp <- dados_abp |>
  mutate(
    # ABP (0/1) e fator
    abp = abp_evento,
    abp_fac = factor(abp_evento, labels = c("Sem ABP", "Com ABP")),

    # Óbito (0/1) e fator
    obito = ifelse(desfecho == "Óbito", 1, 0),
    obito_fac = factor(obito, labels = c("Sem óbito", "Óbito")),

    # Risco gastrointestinal (qualquer)
    gi_risco_qualquer = ifelse(riscos_gastro != "Não" & !is.na(riscos_gastro), 1, 0),
    gi_risco_qualquer_fac = factor(gi_risco_qualquer,
                                   labels = c("Sem risco GI", "Com risco GI")),

    # Sexo masculino (0/1)
    male = ifelse(genero == "Masculino", 1, 0)
  )

# Verificações básicas
n_total <- nrow(dados_abp)
tab_abp <- table(dados_abp$abp_fac)
kable(as.data.frame(tab_abp), col.names = c("Grupo", "N"),
      caption = "Distribuição de ABP na amostra")

Distribuição de ABP na amostra
Grupo	N
Sem ABP	253
Com ABP	34

library(dplyr)
library(stringr)

# Agrupamento dos antecedentes pessoais
dados_abp <- dados_abp |>
  mutate(
    has = ifelse(str_detect(antecedentes_pessoais, regex("HAS|hipertens", ignore_case = TRUE)), 1, 0),
    dm = ifelse(str_detect(antecedentes_pessoais, regex("DM|diabet", ignore_case = TRUE)), 1, 0),
    dislipidemia = ifelse(str_detect(antecedentes_pessoais, regex("dislipid", ignore_case = TRUE)), 1, 0),
    cardio = ifelse(str_detect(antecedentes_pessoais, regex("cardio|AVE|infarto", ignore_case = TRUE)), 1, 0),
    pulmao = ifelse(str_detect(antecedentes_pessoais, regex("asma|DPOC|pulmon", ignore_case = TRUE)), 1, 0),
    renal = ifelse(str_detect(antecedentes_pessoais, regex("renal|DRC|IRA", ignore_case = TRUE)), 1, 0),
    hepatica = ifelse(str_detect(antecedentes_pessoais, regex("hepat|cirrose|VHC", ignore_case = TRUE)), 1, 0),
    psiq = ifelse(str_detect(antecedentes_pessoais, regex("psiq|esquiz|depress", ignore_case = TRUE)), 1, 0),
    tabagismo = ifelse(str_detect(antecedentes_pessoais, regex("tabag", ignore_case = TRUE)), 1, 0),
    etilismo = ifelse(str_detect(antecedentes_pessoais, regex("etil|alcool", ignore_case = TRUE)), 1, 0),
    obesidade = ifelse(str_detect(antecedentes_pessoais, regex("obes", ignore_case = TRUE)), 1, 0),
    cirurgias_previas = ifelse(str_detect(antecedentes_pessoais, regex("cirurg", ignore_case = TRUE)), 1, 0),
    nenhum = ifelse(str_detect(antecedentes_pessoais, regex("^Nenhum$", ignore_case = TRUE)), 1, 0),

    # Agrupamento do HD (diagnóstico de entrada)
    hd_figado = ifelse(str_detect(hd, regex("fígado|figado|hepatic|cirrose|hepatite", ignore_case = TRUE)), 1, 0),
    hd_biliar = ifelse(str_detect(hd, regex("colecist|colelit|coledoc|colang", ignore_case = TRUE)), 1, 0),
    hd_pancreas = ifelse(str_detect(hd, regex("pancrea", ignore_case = TRUE)), 1, 0),
    hd_neoplasia = ifelse(str_detect(hd, regex("neo|carcin|tumor|adenocarc", ignore_case = TRUE)), 1, 0),
    hd_posop = ifelse(str_detect(hd, regex("PO \\(|POT \\(|gastrect|esofagect|fundop|laparot|duodenopancreatect", ignore_case = TRUE)), 1, 0),
    hd_hernia = ifelse(str_detect(hd, regex("hern", ignore_case = TRUE)), 1, 0),
    hd_esofago_refluxo = ifelse(str_detect(hd, regex("acal|reflux|Nissen|megaesof", ignore_case = TRUE)), 1, 0)
  )

Resultados

1. Caracterização da amostra

1.1 Idade

idade_resumo <- dados_abp |>
  summarise(
    n = n(),
    media = mean(idade, na.rm = TRUE),
    dp = sd(idade, na.rm = TRUE),
    mediana = median(idade, na.rm = TRUE),
    q1 = quantile(idade, 0.25, na.rm = TRUE),
    q3 = quantile(idade, 0.75, na.rm = TRUE),
    min = min(idade, na.rm = TRUE),
    max = max(idade, na.rm = TRUE)
  )

kable(idade_resumo, digits = 2,
      caption = "Resumo descritivo da idade (anos)")

Resumo descritivo da idade (anos)
n	media	dp	mediana	q1	q3	min	max
287	54.3	14.79	56	43.5	65	18	94

1.2 Sexo

tab_sexo <- table(dados_abp$genero)
prop_sexo <- prop.table(tab_sexo)

kable(cbind(
  Sexo = names(tab_sexo),
  N = as.vector(tab_sexo),
  Proporcao = round(100 * as.vector(prop_sexo), 1)
),
col.names = c("Sexo", "N", "%"),
caption = "Distribuição de sexo na amostra")

Distribuição de sexo na amostra
Sexo	N	%
Feminino	150	52.3
Masculino	137	47.7

1.3 Desfechos hospitalares

tab_desfecho <- table(dados_abp$desfecho)
prop_desfecho <- prop.table(tab_desfecho)

kable(cbind(
  Desfecho = names(tab_desfecho),
  N = as.vector(tab_desfecho),
  Proporcao = round(100 * as.vector(prop_desfecho), 1)
),
col.names = c("Desfecho", "N", "%"),
caption = "Distribuição dos desfechos hospitalares")

Distribuição dos desfechos hospitalares
Desfecho	N	%
Alta	274	95.5
Óbito	11	3.8
Transferência Externa	2	0.7

1.4 Risco gastrointestinal (qualquer)

tab_gi <- table(dados_abp$gi_risco_qualquer_fac)
prop_gi <- prop.table(tab_gi)

kable(cbind(
  Risco_GI = names(tab_gi),
  N = as.vector(tab_gi),
  Proporcao = round(100 * as.vector(prop_gi), 1)
),
col.names = c("Risco GI", "N", "%"),
caption = "Distribuição de risco gastrointestinal (qualquer)")

Distribuição de risco gastrointestinal (qualquer)
Risco GI	N	%
Sem risco GI	111	38.7
Com risco GI	176	61.3

1.5 Grupo cirúrgico

tab_grupo <- table(dados_abp$grupo_cx)
prop_grupo <- prop.table(tab_grupo)

kable(cbind(
  Grupo_Cx = names(tab_grupo),
  N = as.vector(tab_grupo),
  Proporcao = round(100 * as.vector(prop_grupo), 1)
),
col.names = c("Grupo cirúrgico", "N", "%"),
caption = "Distribuição dos grupos cirúrgicos")

Distribuição dos grupos cirúrgicos
Grupo cirúrgico	N	%
Clínico / Sem Intervenção	75	26.1
Colorretal / Prócto	2	0.7
Hepatobiliar / Transplante	30	10.5
Parede Abdominal / Hérnias	7	2.4
Procedimentos Intervencionistas (Não Cirúrgicos)	65	22.6
Trato Gastrointestinal Alto	108	37.6

1.6 Tempos de internação, UTI e enfermaria

tempos_resumo <- dados_abp |>
  summarise(
    mediana_dias_internacao = median(dias_internacao, na.rm = TRUE),
    q1_dias_internacao = quantile(dias_internacao, 0.25, na.rm = TRUE),
    q3_dias_internacao = quantile(dias_internacao, 0.75, na.rm = TRUE),
    mediana_dias_uti = median(dias_uti, na.rm = TRUE),
    q1_dias_uti = quantile(dias_uti, 0.25, na.rm = TRUE),
    q3_dias_uti = quantile(dias_uti, 0.75, na.rm = TRUE),
    mediana_dias_enfermaria = median(dias_enfermaria, na.rm = TRUE),
    q1_dias_enfermaria = quantile(dias_enfermaria, 0.25, na.rm = TRUE),
    q3_dias_enfermaria = quantile(dias_enfermaria, 0.75, na.rm = TRUE)
  )

kable(tempos_resumo, digits = 2,
      caption = "Resumo dos tempos de internação, UTI e enfermaria (medianas e quartis)")

Resumo dos tempos de internação, UTI e enfermaria (medianas e quartis)
mediana_dias_internacao	q1_dias_internacao	q3_dias_internacao	mediana_dias_uti	q1_dias_uti	q3_dias_uti	mediana_dias_enfermaria	q1_dias_enfermaria	q3_dias_enfermaria
6	4	12	0	0	0	4	3	9

1.7 Antecedentes pessoais agrupados

Os antecedentes pessoais foram reagrupados em grandes categorias clínicas (hipertensão arterial sistêmica, diabetes mellitus, dislipidemia, doenças cardiovasculares, pulmonares, renais, hepáticas, transtornos psiquiátricos, tabagismo, etilismo, obesidade, cirurgias prévias e ausência de antecedentes). A tabela abaixo apresenta o número e a proporção de pacientes em cada categoria.

Antecedentes pessoais agrupados por categoria clínica
Categoria	N	%
Cirurgias prévias	176	61.3
Hipertensão arterial sistêmica (HAS)	115	40.1
Tabagismo (atual ou prévio)	75	26.1
Etilismo (atual ou prévio)	57	19.9
Diabetes mellitus (DM)	56	19.5
Dislipidemia	29	10.1
Doenças cardiovasculares	26	9.1
Sem antecedentes relatados	26	9.1
Obesidade	25	8.7
Transtornos psiquiátricos	21	7.3
Doenças pulmonares	12	4.2
Doença renal	12	4.2
Doença hepática	11	3.8

1.8 Diagnóstico de entrada (HD) – categorias agrupadas

library(dplyr)
library(stringr)
library(knitr)

# Garantir recodificação (se já fez antes, não tem problema repetir)
dados_abp <- dados_abp |>
  mutate(
    hd_figado = ifelse(str_detect(hd, regex("fígado|figado|hepatic|cirrose|hepatite", ignore_case = TRUE)), 1, 0),
    hd_biliar = ifelse(str_detect(hd, regex("colecist|colelit|coledoc|colang", ignore_case = TRUE)), 1, 0),
    hd_pancreas = ifelse(str_detect(hd, regex("pancrea", ignore_case = TRUE)), 1, 0),
    hd_neoplasia = ifelse(str_detect(hd, regex("neo|carcin|tumor|adenocarc", ignore_case = TRUE)), 1, 0),
    hd_posop = ifelse(str_detect(hd, regex("PO \\(|POT \\(|gastrect|esofagect|fundop|laparot|duodenopancreatect|colectom|herniorrafia|gastroplastia", ignore_case = TRUE)), 1, 0),
    hd_hernia = ifelse(str_detect(hd, regex("hern", ignore_case = TRUE)), 1, 0),
    hd_esofago_refluxo = ifelse(str_detect(hd, regex("acal|reflux|Nissen|megaesof|esofag", ignore_case = TRUE)), 1, 0)
  )

# Resumo em formato "comprido" (1 linha por categoria)
hd_sintetico <- tibble::tibble(
  `Categoria clínica` = c(
    "Fígado",
    "Biliar",
    "Pâncreas",
    "Neoplasias",
    "Pós-operatório",
    "Hérnias",
    "Esôfago / Refluxo / Acalásia"
  ),
  N = c(
    sum(dados_abp$hd_figado, na.rm = TRUE),
    sum(dados_abp$hd_biliar, na.rm = TRUE),
    sum(dados_abp$hd_pancreas, na.rm = TRUE),
    sum(dados_abp$hd_neoplasia, na.rm = TRUE),
    sum(dados_abp$hd_posop, na.rm = TRUE),
    sum(dados_abp$hd_hernia, na.rm = TRUE),
    sum(dados_abp$hd_esofago_refluxo, na.rm = TRUE)
  )
)

kable(
  hd_sintetico,
  caption = "Diagnóstico de entrada (HD) agrupado por categorias clínicas",
  align = c("l", "c")
)

Diagnóstico de entrada (HD) agrupado por categorias clínicas
Categoria clínica	N
Fígado	79
Biliar	93
Pâncreas	20
Neoplasias	85
Pós-operatório	177
Hérnias	9
Esôfago / Refluxo / Acalásia	30

2.2 Tempo de internação (H1)

internacao_por_abp <- dados_abp |>
  group_by(abp_fac) |>
  summarise(
    n = n(),
    mediana = median(dias_internacao, na.rm = TRUE),
    q1 = quantile(dias_internacao, 0.25, na.rm = TRUE),
    q3 = quantile(dias_internacao, 0.75, na.rm = TRUE)
  )

kable(internacao_por_abp, digits = 2,
      caption = "Tempo de internação por grupo de ABP (mediana e IIQ)")

Tempo de internação por grupo de ABP (mediana e IIQ)
abp_fac	n	mediana	q1	q3
Sem ABP	253	5	4	11.00
Com ABP	34	13	7	31.25

teste_internacao <- wilcox.test(dias_internacao ~ abp, data = dados_abp)
teste_internacao

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  dias_internacao by abp
## W = 2284.5, p-value = 8.227e-06
## alternative hypothesis: true location shift is not equal to 0

2.3 Dias de UTI e enfermaria

uti_por_abp <- dados_abp |>
  group_by(abp_fac) |>
  summarise(
    mediana_uti = median(dias_uti, na.rm = TRUE),
    q1_uti = quantile(dias_uti, 0.25, na.rm = TRUE),
    q3_uti = quantile(dias_uti, 0.75, na.rm = TRUE),
    mediana_enf = median(dias_enfermaria, na.rm = TRUE),
    q1_enf = quantile(dias_enfermaria, 0.25, na.rm = TRUE),
    q3_enf = quantile(dias_enfermaria, 0.75, na.rm = TRUE)
  )

kable(uti_por_abp, digits = 2,
      caption = "Dias de UTI e enfermaria por grupo de ABP (mediana e IIQ)")

Dias de UTI e enfermaria por grupo de ABP (mediana e IIQ)
abp_fac	mediana_uti	q1_uti	q3_uti	mediana_enf	q1_enf	q3_enf
Sem ABP	0	0	0.00	4	2	9.00
Com ABP	2	0	9.25	7	4	13.75

teste_uti <- wilcox.test(dias_uti ~ abp, data = dados_abp)
teste_enf <- wilcox.test(dias_enfermaria ~ abp, data = dados_abp)

teste_uti

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  dias_uti by abp
## W = 2535, p-value = 2.876e-07
## alternative hypothesis: true location shift is not equal to 0

teste_enf

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  dias_enfermaria by abp
## W = 3025, p-value = 0.004719
## alternative hypothesis: true location shift is not equal to 0

2.4 Mortalidade e ABP

tab_morte <- table(dados_abp$abp_fac, dados_abp$obito_fac)
kable(tab_morte, caption = "Tabela cruzada: ABP x óbito")

Tabela cruzada: ABP x óbito
	Sem óbito	Óbito
Sem ABP	248	5
Com ABP	28	6

chisq_morte <- chisq.test(tab_morte, correct = TRUE)
chisq_morte

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tab_morte
## X-squared = 15.944, df = 1, p-value = 6.525e-05

or_morte <- oddsratio(tab_morte)
or_morte

## $data
##          
##           Sem óbito Óbito Total
##   Sem ABP       248     5   253
##   Com ABP        28     6    34
##   Total         276    11   287
## 
## $measure
##          odds ratio with 95% C.I.
##           estimate    lower    upper
##   Sem ABP  1.00000       NA       NA
##   Com ABP 10.40836 2.876604 39.44726
## 
## $p.value
##          two-sided
##             midp.exact fisher.exact   chi.square
##   Sem ABP           NA           NA           NA
##   Com ABP 0.0005815753 0.0005394042 7.870005e-06
## 
## $correction
## [1] FALSE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

3. Associação entre ABP e risco gastrointestinal (H2)

tab_gi_abp <- table(dados_abp$abp_fac, dados_abp$gi_risco_qualquer_fac)
kable(tab_gi_abp, caption = "Tabela cruzada: ABP x risco gastrointestinal (qualquer)")

Tabela cruzada: ABP x risco gastrointestinal (qualquer)
	Sem risco GI	Com risco GI
Sem ABP	105	148
Com ABP	6	28

chisq_gi <- chisq.test(tab_gi_abp, correct = TRUE)
chisq_gi

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tab_gi_abp
## X-squared = 6.2206, df = 1, p-value = 0.01263

or_gi <- oddsratio(tab_gi_abp)
or_gi

## $data
##          
##           Sem risco GI Com risco GI Total
##   Sem ABP          105          148   253
##   Com ABP            6           28    34
##   Total            111          176   287
## 
## $measure
##          odds ratio with 95% C.I.
##           estimate    lower    upper
##   Sem ABP 1.000000       NA       NA
##   Com ABP 3.236004 1.370868 9.023813
## 
## $p.value
##          two-sided
##            midp.exact fisher.exact  chi.square
##   Sem ABP          NA           NA          NA
##   Com ABP 0.006101355  0.008056401 0.007326186
## 
## $correction
## [1] FALSE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

4. Associação entre ABP e grupo cirúrgico (exploratória)

tab_grupo_abp <- table(dados_abp$abp_fac, dados_abp$grupo_cx)
kable(tab_grupo_abp, caption = "Tabela cruzada: ABP x grupo cirúrgico")

Tabela cruzada: ABP x grupo cirúrgico
	Clínico / Sem Intervenção	Colorretal / Prócto	Hepatobiliar / Transplante	Parede Abdominal / Hérnias	Procedimentos Intervencionistas (Não Cirúrgicos)	Trato Gastrointestinal Alto
Sem ABP	71	2	24	7	58	91
Com ABP	4	0	6	0	7	17

chisq_grupo <- chisq.test(tab_grupo_abp)
chisq_grupo

## 
##  Pearson's Chi-squared test
## 
## data:  tab_grupo_abp
## X-squared = 7.8063, df = 5, p-value = 0.1672

Observação: caso o p-valor seja ≥ 0,05, considera-se que não houve associação estatisticamente significativa entre grupo cirúrgico e ABP na amostra.

5. Regressão logística: fatores associados à ABP

5.1 Modelo multivariado

modelo <- glm(
  abp ~ idade + male + gi_risco_qualquer,
  family = binomial,
  data = dados_abp
)

summary(modelo)

## 
## Call:
## glm(formula = abp ~ idade + male + gi_risco_qualquer, family = binomial, 
##     data = dados_abp)
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       -5.45064    1.00398  -5.429 5.67e-08 ***
## idade              0.03493    0.01491   2.343   0.0191 *  
## male               1.00472    0.40865   2.459   0.0139 *  
## gi_risco_qualquer  1.18487    0.47730   2.482   0.0130 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 208.86  on 286  degrees of freedom
## Residual deviance: 186.20  on 283  degrees of freedom
## AIC: 194.2
## 
## Number of Fisher Scoring iterations: 5

or_ci <- exp(cbind(OR = coef(modelo), confint(modelo)))
kable(or_ci, digits = 3, caption = "Razões de chances (OR) ajustadas com IC95%")

Razões de chances (OR) ajustadas com IC95%
	OR	2.5 %	97.5 %
(Intercept)	0.004	0.001	0.027
idade	1.036	1.007	1.068
male	2.731	1.257	6.332
gi_risco_qualquer	3.270	1.364	9.136

5.2 Interpretação

Idade: OR > 1 indica aumento da chance de ABP com o avanço da idade.
Sexo masculino (male): OR > 1 indica maior chance de ABP em homens comparados a mulheres.
Risco gastrointestinal: OR > 1 indica maior chance de ABP entre pacientes com algum risco GI documentado.

A significância estatística deve ser interpretada a partir dos p-valores no summary(modelo) e dos IC95% (intervalos que não incluem 1 sugerem associação estatisticamente significativa).

Conclusões

A incidência de aspiração broncopulmonar (ABP) na coorte foi de 34 casos em 287 internações.
Pacientes com ABP apresentaram idade mais avançada, maior tempo de internação, maior uso de UTI e maior mortalidade hospitalar.
A presença de risco gastrointestinal esteve associada a maior frequência de ABP, tanto em análises bivariadas quanto no modelo de regressão logística.
No modelo ajustado, idade, sexo masculino e risco gastrointestinal permaneceram independentemente associados ao desfecho ABP.

Todos os procedimentos estatísticos foram realizados de forma íntegra e reprodutível no software R (versão 4.4.1), utilizando o ambiente RStudio 2025.05.0+496 ‘Mariposa Orchid’ e Quarto 1.6.42.

Para esclarecimentos adicionais ou solicitações complementares, permaneço à disposição pelo e-mail: liliandz@unicamp.br

IMPACTO DA ASPIRAÇÃO BRONCOPULMONAR NO TEMPO DE INTERNAÇÃO E NOS DESFECHOS CLÍNICOS DE PACIENTES ACOMPANHADOS PELA ESPECIALIDADE DE GASTROCIRURGIA DE UM HOSPITAL TERCIÁRIO

Autor: Lilian Elisabete Bernardes Delazari

28/11/2025