# IMPORTAR BANCO DE DAdos
df <- read_xlsx("lung2026.xlsx")# AJUSTAR NOMES DE VARIAVEIS
df <- df %>%
clean_names()
#Renomear as variáveis
df <- df %>%
rename(
cvf = cvf_prbd, ## o primeiro nome é o que deseja renomear, o segundo o nome atual da coluna
vef1 = vef1_prbd,
cvf_pct = cvf_percent,
vef1_pre_pct = vef1_pre_percent,
vef1_pos_pct = vef1_pos_percent,
escolaridade_mae = escolaridade_da_mae,
tipo_servico = tipo_de_servico,
tipo_parto = tipo_de_parto,
area_residencia = area_da_residencia,
adesao_tratamento = adesao_ao_tratamento,
animais_domesticos = animais_domesticos_em_casa,
exposicao_mofo = exposicao_ao_mofo,
exacerbacoes_ano = exacerbacoes_no_ultimo_ano,
hospitalizacoes_ano = hospitalizacoes_no_ultimo_ano,
emergencia_ano = idas_a_emergencia_no_ultimo_ano,
exercicio_semana = numero_de_dias_de_exercicio_na_semana)
# Remover variavel cpf
df <- df %>% dplyr::select(-cpf)# LIMPEZA DE DADOS
# Raça
df <- df %>%
mutate(raca = tolower(raca),
raca = dplyr::case_when(
raca %in% c("amarelo", "amarela") ~ "amarela",
raca %in% c("branco", "branca") ~ "branca",
raca %in% c("indigena", "indígena") ~ "indigena",
raca %in% c("pardo", "parda") ~ "parda",
raca %in% c("preto", "preta") ~ "preta",
TRUE ~ raca))
table(df$raca)##
## amarela branca indigena parda preta
## 134 1472 112 668 276#Tabagismo passivo
df <- df %>%
mutate(tabagismo_passivo = tolower(tabagismo_passivo), # deixa todos os textos
tabagismo_passivo = stri_trans_general(tabagismo_passivo, "Latin-ASCII"), ## remove acentos
tabagismo_passivo = trimws(tabagismo_passivo), ## remove espaços em branco
tabagismo_passivo = case_when(
tabagismo_passivo %in% c("sim", "simm") ~ "sim",
tabagismo_passivo %in% c("nao") ~ "nao",
TRUE ~ NA_character_))
table(df$tabagismo_passivo)##
## nao sim
## 1587 1075#Tipo de serviço
df <- df %>%
mutate(tipo_servico = tolower(tipo_servico),
tipo_servico = stri_trans_general(tipo_servico, "Latin-ASCII"),
tipo_servico = trimws(tipo_servico),
tipo_servico = case_when(
tipo_servico %in% c("publico", "publico sistema unico de saude", "sus") ~ "publico",
tipo_servico %in% c("privado","particular") ~ "privado",
TRUE ~ NA_character_))
table(df$tipo_servico)##
## privado publico
## 785 1837#Tipo de parto
df <- df %>%
mutate(tipo_parto = tolower(tipo_parto),
tipo_parto = stri_trans_general(tipo_parto, "Latin-ASCII"),
tipo_parto = trimws(tipo_parto),
tipo_parto = case_when(
tipo_parto %in% c("cesarea", "cesaria", "cesar", "cesareo",
"parto ces", "parto cesarea", "parto cesareo",
"parto cesario", "cesaria + forceps", "cesarea + forceps") ~ "cesarea",
tipo_parto %in% c("vaginal", "pvag", "natural", "parteira") ~ "vaginal",
TRUE ~ NA_character_))
table(df$tipo_parto)##
## cesarea vaginal
## 1468 1143#Área de residencia
df <- df %>%
mutate(area_residencia = tolower(area_residencia),
area_residencia = stri_trans_general(area_residencia, "Latin-ASCII"),
area_residencia = trimws(area_residencia),
area_residencia = case_when(
area_residencia == "rural" ~ "rural",
area_residencia %in% c("urbana", "urbano") ~ "urbana",
TRUE ~ NA_character_))
table(df$area_residencia)##
## rural urbana
## 522 2140#Adesão ao tratamento
df <- df %>%
mutate(adesao_tratamento = tolower(adesao_tratamento),
adesao_tratamento = stri_trans_general(adesao_tratamento, "Latin-ASCII"),
adesao_tratamento = trimws(adesao_tratamento),
adesao_tratamento = case_when(
adesao_tratamento %in% c("alta", "alto") ~ "alta",
adesao_tratamento %in% c("media", "medio") ~ "media",
adesao_tratamento %in% c("baixa", "baixo") ~ "baixa",
TRUE ~ NA_character_))
table(df$adesao_tratamento)##
## alta baixa media
## 906 556 812# Sexo
df <- df %>%
mutate(
sexo = tolower(sexo),
sexo = stri_trans_general(sexo, "Latin-ASCII"),
sexo = trimws(sexo),
sexo = case_when(
sexo %in% c("fem", "female") ~ "feminino",
sexo %in% c("male") ~ "masculino",
TRUE ~ NA_character_))
table(df$sexo)##
## feminino masculino
## 1249 1413str(df)## tibble [2,662 × 28] (S3: tbl_df/tbl/data.frame)
## $ id : num [1:2662] 1 2 3 4 5 6 7 8 9 10 ...
## $ sexo : chr [1:2662] "masculino" "masculino" "masculino" "masculino" ...
## $ idade : num [1:2662] 7.2 7.3 7.3 7.3 7.4 7.4 7.4 7.5 7.7 8.1 ...
## $ raca : chr [1:2662] "branca" "parda" "branca" "preta" ...
## $ peso : num [1:2662] 20.2 25.5 26 30 22.9 19 24 25 30.2 26.3 ...
## $ altura : num [1:2662] 116 127 128 140 126 ...
## $ cvf : num [1:2662] 1.44 1.64 2.22 2.42 1.61 ...
## $ vef1 : num [1:2662] 1.44 1.44 2.04 2.19 1.51 ...
## $ cvf_pct : num [1:2662] 113.4 98.6 130.7 113.9 98 ...
## $ vef1_pre_pct : num [1:2662] 138 103 143 121 109 ...
## $ vef1_pos_pct : num [1:2662] 137 104 153 123 112 ...
## $ imc : num [1:2662] 14.9 15.8 15.9 15.4 14.3 ...
## $ doenca : chr [1:2662] "controles" "controles" "controles" "controles" ...
## $ escolaridade_mae : chr [1:2662] "médio completo" "médio incompleto" "fundamental incompleto" "médio incompleto" ...
## $ tabagismo_passivo : chr [1:2662] "sim" "nao" "nao" "sim" ...
## $ tipo_servico : chr [1:2662] "publico" "privado" "publico" "privado" ...
## $ tipo_parto : chr [1:2662] "cesarea" "vaginal" "cesarea" "vaginal" ...
## $ idade_gestacional : num [1:2662] 42 38 41 42 38 36 40 42 38 41 ...
## $ area_residencia : chr [1:2662] "urbana" "urbana" "urbana" "rural" ...
## $ adesao_tratamento : chr [1:2662] NA NA NA NA ...
## $ animais_domesticos : num [1:2662] 1 2 0 3 4 1 0 3 0 0 ...
## $ exposicao_mofo : chr [1:2662] "não" "sim" "não" "sim" ...
## $ dispneia_mrc : num [1:2662] 0 0 0 0 0 0 0 0 0 0 ...
## $ exacerbacoes_ano : num [1:2662] 0 0 0 0 0 0 0 0 0 0 ...
## $ hospitalizacoes_ano: num [1:2662] 0 0 0 0 0 0 0 0 0 0 ...
## $ emergencia_ano : num [1:2662] 0 0 0 0 0 0 0 0 0 0 ...
## $ exercicio_semana : num [1:2662] 1 4 1 6 6 0 2 6 3 2 ...
## $ medicacao_diaria : chr [1:2662] "nenhum" "nenhum" "nenhum" "nenhum" ...# Transformando variáveis categóricas de caractere para fator
df <- df %>%
mutate(
sexo = as.factor(sexo),
raca = as.factor(raca),
doenca = as.factor(doenca),
escolaridade_mae = as.factor(escolaridade_mae),
tabagismo_passivo = as.factor(tabagismo_passivo),
tipo_servico = as.factor(tipo_servico),
tipo_parto = as.factor(tipo_parto),
area_residencia = as.factor(area_residencia),
adesao_tratamento = as.factor(adesao_tratamento),
exposicao_mofo = as.factor(exposicao_mofo),
medicacao_diaria = as.factor(medicacao_diaria))O presente segmento detalha as características demográficas da coorte
no momento do recrutamento basal. A integridade estrutural deste
relatório é gerada de forma reprodutível, extraindo os dados
estritamente do objeto de dados principal (df).
A coorte avaliada é composta por um total de 2662 indivíduos pediátricos e adolescentes. É composta por 570 portadores de asma, 100 portadores de asma grave, 1604 portadores com confirmação genética de fibrose cística e 388 controles sadios totalizando 2662 indivíduos.
A estratificação por sexo demonstrou a inclusão de 1413 pacientes do sexo masculino (representando 53.1% da amostra) e 1249 pacientes do sexo feminino (46.9%).
A avaliação etária da população de estudo demonstrou uma média de 9.8 anos, com um desvio padrão (DP) associado de 2.7 anos. Adicionalmente, a biometria basal indicou um Índice de Massa Corporal (IMC) médio de 18.9 kg/m² (DP ± 3.7).
A avaliação espirométrica da linha de base apresentou os seguintes resultados médios globais para os volumes pulmonares estáticos e fluxos dinâmicos: