ETUDE DE LA SURVENUE D’UN AVC
Didier Martial AKPOSSO
2024-10-10
INTRODUCTION
La santé cardiovasculaire, incluant la prévention des maladies cardiaques telles que la crise cardiaque, constitue un enjeu majeur de santé publique à l’échelle mondiale. Selon l’Organisation Mondiale de la Santé (OMS), les maladies cardiovasculaires représentent la première cause de décès dans le monde, avec des millions de vies perdues chaque année. De nombreux facteurs influencent le risque de développer une maladie cardiovasculaire, parmi lesquels les caractéristiques anthropométriques (comme la taille et le poids) et les habitudes de vie jouent un rôle prépondérant.
Les comportements individuels, notamment le tabagisme, la consommation d’alcool et le niveau d’activité physique, sont des facteurs modifiables susceptibles d’avoir un impact significatif sur la santé cardiaque. Le tabagisme, par exemple, est reconnu comme l’un des principaux facteurs de risque de maladies coronariennes, tandis qu’une pratique régulière d’activité physique peut réduire considérablement ce risque. De même, l’excès de poids et l’obésité sont associés à une probabilité accrue de développer une hypertension, un diabète et d’autres conditions contribuant aux crises cardiaques.
Dans cette étude, nous proposons d’analyser l’influence de ces comportements et caractéristiques anthropométriques sur la santé cardiovasculaire en utilisant des méthodes statistiques. En particulier, l’objectif est d’examiner comment des variables telles que le tabagisme, l’alcoolisme, l’exercice physique, ainsi que des indicateurs anthropométriques comme l’indice de masse corporelle (IMC), influencent le risque de crise cardiaque. Cette analyse repose à la fois sur des techniques de statistique descriptive, permettant de caractériser ces facteurs au sein de la population étudiée, et sur des méthodes statistiques inférentielles, pour évaluer leurs effets sur le risque cardiovasculaire.
Ainsi, cette étude permettra non seulement de mieux comprendre les relations entre les comportements de santé et les maladies cardiovasculaires, mais aussi d’identifier des pistes d’intervention pour la prévention des crises cardiaques, contribuant ainsi à la réduction de la morbidité et de la mortalité cardiovasculaire.
I- IMPORTATION DES DONNEES
## 'data.frame': 918 obs. of 12 variables:
## $ Age : int 40 49 37 48 54 39 45 54 37 48 ...
## $ Sex : Factor w/ 2 levels "F","M": 2 1 2 1 2 2 1 2 2 1 ...
## $ ChestPainType : Factor w/ 4 levels "ASY","ATA","NAP",..: 2 3 2 1 3 3 2 2 1 2 ...
## $ RestingBP : int 140 160 130 138 150 120 130 110 140 120 ...
## $ Cholesterol : int 289 180 283 214 195 339 237 208 207 284 ...
## $ FastingBS : int 0 0 0 0 0 0 0 0 0 0 ...
## $ RestingECG : Factor w/ 3 levels "LVH","Normal",..: 2 2 3 2 2 2 2 2 2 2 ...
## $ MaxHR : int 172 156 98 108 122 170 170 142 130 120 ...
## $ ExerciseAngina: Factor w/ 2 levels "N","Y": 1 1 1 2 1 1 1 1 2 1 ...
## $ Oldpeak : num 0 1 0 1.5 0 0 0 0 1.5 0 ...
## $ ST_Slope : Factor w/ 3 levels "Down","Flat",..: 3 2 3 2 3 3 3 3 2 3 ...
## $ HeartDisease : int 0 1 0 1 0 0 0 0 1 0 ...II- PREPARATION DES DONNEES
## Nombre de doublons : 0## Age Sex ChestPainType RestingBP Cholesterol FastingBS RestingECG MaxHR
## 1 40 M ATA 140 289 0 Normal 172
## 2 49 F NAP 160 180 0 Normal 156
## 3 37 M ATA 130 283 0 ST 98
## 4 48 F ASY 138 214 0 Normal 108
## 5 54 M NAP 150 195 0 Normal 122
## 6 39 M NAP 120 339 0 Normal 170
## ExerciseAngina Oldpeak ST_Slope HeartDisease
## 1 N 0.0 Up 0
## 2 N 1.0 Flat 1
## 3 N 0.0 Up 0
## 4 Y 1.5 Flat 1
## 5 N 0.0 Up 0
## 6 N 0.0 Up 0## Age Sex ChestPainType RestingBP Cholesterol FastingBS RestingECG MaxHR
## 1 40 M ATA 140 289 0 Normal 172
## 2 49 F NAP 160 180 0 Normal 156
## 3 37 M ATA 130 283 0 ST 98
## 4 48 F ASY 138 214 0 Normal 108
## 5 54 M NAP 150 195 0 Normal 122
## 6 39 M NAP 120 339 0 Normal 170
## ExerciseAngina Oldpeak ST_Slope HeartDisease
## 1 N 0.0 Up 0
## 2 N 1.0 Flat 1
## 3 N 0.0 Up 0
## 4 Y 1.5 Flat 1
## 5 N 0.0 Up 0
## 6 N 0.0 Up 0
## Age Sex ChestPainType RestingBP Cholesterol FastingBS RestingECG MaxHR
## 1 40 M ATA 140 289.0 0 Normal 172
## 2 49 F NAP 160 180.0 0 Normal 156
## 3 37 M ATA 130 283.0 0 ST 98
## 4 48 F ASY 138 214.0 0 Normal 108
## 5 54 M NAP 150 195.0 0 Normal 122
## 6 39 M NAP 120 331.3 0 Normal 170
## ExerciseAngina Oldpeak ST_Slope HeartDisease
## 1 N 0.0 Up 0
## 2 N 1.0 Flat 1
## 3 N 0.0 Up 0
## 4 Y 1.5 Flat 1
## 5 N 0.0 Up 0
## 6 N 0.0 Up 0
## Effectifs Eff_Cum_crois Eff_Cum_decrois Frequence Freq_Cum_crois
## 37 49 49 918 0.0534 0.0534
## 38 16 65 864 0.0174 0.0708
## 39 15 80 849 0.0163 0.0871
## 40 13 93 836 0.0142 0.1013
## 41 24 117 815 0.0261 0.1275
## 42 18 135 793 0.0196 0.1471
## Freq_Cum_decrois
## 37 1.0000
## 38 0.9412
## 39 0.9248
## 40 0.9107
## 41 0.8878
## 42 0.8638## Le chargement a nécessité le package : ggplot2## Warning: le package 'ggplot2' a été compilé avec la version R 4.4.3## Le chargement a nécessité le package : gridExtra## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## ℹ The deprecated feature was likely used in the akposso package.
## Please report the issue to the authors.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## *** Package RVAideMemoire v 0.9-83-7 ***## $minimum
## [1] 37
##
## $maximum
## [1] 68
##
## $mode
## [1] 68
##
## $mediane
## [1] 54
##
## $moyenne
## [1] 53.48257
##
## $quantile
## 0% 25% 50% 75% 100%
## 37 47 54 60 68
##
## $coefficient_variation
## [1] 16.45242
##
## $variance
## [1] 77.42554
##
## $ecart_type
## [1] 8.799178
##
## $coefficient_assymetrie
## [1] -0.2271106
##
## $interpretation_skewness
## [1] "distribution etalee a gauche"
##
## $coefficent_applatissement
## [1] 2.132496
##
## $interpretation_kurtosis
## [1] "distribution platikurtique"CONCLUSION
Cette étude souligne l’importance des comportements individuels et des caractéristiques anthropométriques dans l’évaluation du risque de maladies cardiovasculaires, notamment de crise cardiaque. Les résultats obtenus montrent que des facteurs modifiables tels que le tabagisme, la consommation excessive d’alcool et l’inactivité physique sont associés à une augmentation significative du risque cardiovasculaire. De même, l’indice de masse corporelle (IMC) élevé, indicateur de surpoids et d’obésité, apparaît comme un facteur critique, augmentant le risque de développement des conditions connexes comme l’hypertension et le diabète, qui sont elles-mêmes des facteurs de risque majeurs de crises cardiaques.
En revanche, l’exercice physique apparaît régulièrement comme un facteur protecteur important, notamment le risque cardiovasculaire en améliorant la santé cardiaque et en aidant à la gestion du poids corporel. Cela souligne la pertinence des recommandations visant à promouvoir un mode de vie actif et équilibré pour prévenir ces maladies.
L’analyse statistique réalisée dans cette étude confirme que ces variables, bien que souvent étudiées individuellement, interagissent et exploitent de manière complexe la santé cardiovasculaire. Ces résultats appellent à une approche de prévention globale, ciblant simultanément plusieurs comportements de santé, pour réduire efficacement la morbidité et la mortalité liées aux maladies cardiovasculaires.
En conclusion, la prévention des crises cardiaques doit passer par la promotion de changements de comportements de santé à l’échelle individuelle et collective. En favorisant la réduction du tabagisme, la modération de la consommation d’alcool, l’encouragement à l’activité physique régulière et la gestion du poids, il est possible de réduire de manière significative l’impact des maladies cardiovasculaires sur la population, contribuant ainsi à une meilleure santé publique et à la réduction des décès évitables à travers le monde.
ANNEXE : CODE R
#---------------------------------------------------------------------#
# 1ere partie - ICHARGEMENT DU PACKAGE D'ANALYSE
#---------------------------------------------------------------------#
#library(akposso)
#---------------------------------------------------------------------#
# 2eme partie - IMPORTATION DES DONNEES
#---------------------------------------------------------------------#
#setwd("C:/jeudonnee")
#ronfle = read.table("ronfle_NA.csv",header=TRUE, sep=";",check.names=FALSE,row.names=1,stringsAsFactors = TRUE)
# Exploration des donnees importees
#head(ronfle, 5) # afficher les 5 premiers individus
#tail(ronfle, 3) # afficher les 3 derniers individus
#str(ronfle) # affiche la struture du jeu de donnee
#summary(ronfle) # affiche le resume des donnees
#----------------------------------------------------------------#
# 3eme partie - PRETRAITEMENT DES DONNEES
#----------------------------------------------------------------#
# 1 - Transformer les variables binaires en en variables qualitatives
#ronfle$RONFLE <- factor(ronfle$RONFLE, labels=c("ne ronfle pas","ronfle"))
#ronfle$SEXE <- factor(ronfle$SEXE,labels=c("homme","femme"))
#ronfle$TABA <- factor(ronfle$TABA, labels=c("non fumeur","fumeur"))
#str(ronfle)
#head(ronfle)
#summary(ronfle)
# 2- Traitement des doublons
#ronfle = traitement_doublons(ronfle)
# 3- Traitement des donnees manquantes
#library(visdat)
#vis_dat(ronfle)
#ronfle = traitement_donnees_manquantes(ronfle)
#vis_dat(ronfle)
# traitement des valeurs abberantes et extremes
#afficher_boites_a_moustache(ronfle)
#ronfle = traitement_donnees_extremes(ronfle)
#afficher_boites_a_moustache(ronfle)
#-------------------------------------------------------------------------------#
# 4eme partie : - ANALYSE STATISTIQUE UNIVARIEE
#-------------------------------------------------------------------------------#
# ETUDE DE LA VARIABLE AGE
#akposso.qt.tableau(ronfle$AGE)
#akposso.qt.graph(ronfle$AGE)
#akposso.qt.resume(ronfle$AGE)
# ETUDE DE LA VARIABLE POIDS
#akposso.qt.tableau(ronfle$POIDS)
#akposso.qt.graph(ronfle$POIDS)
#akposso.qt.resume(ronfle$POIDS)
# VARIABLE RONFLE
#akposso.ql.tableau(ronfle$RONFLE)
#akposso.ql.graph(ronfle$TABA)
#-------------------------------------------------------------------------------#
# 5eme partie - ANALYSE STATISTIQUE BIVARIEE
#-------------------------------------------------------------------------------#
# la consommation alcoolique depend-elle de l'Age ?
# VARIABLE ALCOOL et AGE
#table(ronfle$AGE, ronfle$ALCOOL) # tableau de contingence
#plot(ronfle$AGE, ronfle$ALCOOL) # nuage de point
#abline(lm(ronfle$ALCOOL ~ ronfle$AGE)) # ajustement lineaire
#lm(ronfle$ALCOOL ~ ronfle$AGE) # equation de la droite
#akposso.2qt.liaison(ronfle$AGE, ronfle$ALCOOL)
# le ronflement depend-il de l'Age
# VARIABLE AGE et RONFLE
#table(ronfle$AGE, ronfle$RONFLE)
#boxplot(ronfle$AGE ~ ronfle$RONFLE, col=c("Orange","green"))
#akposso.qtql.liaison(ronfle$AGE, ronfle$RONFLE)
# le ronflement depend-il du sexe
# VARIABLE RONFLE et SEXE
#akposso.2ql.tableau(ronfle$RONFLE, ronfle$SEXE)
#akposso.2ql.graph(ronfle$RONFLE, ronfle$SEXE)
#akposso.2ql.liaison(ronfle$RONFLE, ronfle$SEXE)
#plot(table(ronfle$RONFLE, ronfle$SEXE),main="GRAPHIQUE",col=c("Orange","blue"))