# ===================================================
# IMPORTAÇÃO DOS DADOS BRUTOS
# ===================================================

# Leitura do CSV com read_csv() do pacote readr (tidyverse).
# Utilizamos read_csv() em vez de read.csv() pois ele infere
# os tipos de dados de forma mais inteligente e retorna um tibble.
#
# ATENÇÃO: os valores ausentes da coluna 'bmi' estão armazenados
# no CSV como a string literal "N/A" (e não como célula vazia).
# Sem o argumento 'na', o readr não reconheceria "N/A" como ausente
# e leria a coluna inteira como caractere, causando erros nas etapas
# seguintes. O argumento 'na' amplia a lista de símbolos reconhecidos
# como valores ausentes para incluir "N/A".
stroke_bruto <- read_csv(
  "healthcare-dataset-stroke-data.csv",
  na = c("", "NA", "N/A")   # reconhece "N/A" como valor ausente
)

# Visualizando as primeiras linhas para uma inspeção inicial
glimpse(stroke_bruto)

# ===================================================
# TABELA DESCRITIVA DAS VARIÁVEIS ORIGINAIS
# ===================================================

# Construímos manualmente a tabela de metadados para que
# a descrição seja informativa e contextualizada.
tibble(
  Variável    = names(stroke_bruto),
  Tipo        = map_chr(stroke_bruto, ~ class(.x)[1]),
  Descrição   = c(
    "Identificador único do paciente",
    "Sexo biológico: 'Male', 'Female' ou 'Other'",
    "Idade em anos (contínua)",
    "Presença de hipertensão: 0 = Não, 1 = Sim",
    "Presença de doença cardíaca: 0 = Não, 1 = Sim",
    "Estado civil: 'Yes' ou 'No'",
    "Tipo de ocupação: Private, Self-employed, Govt_job, children, Never_worked",
    "Tipo de residência: 'Urban' ou 'Rural'",
    "Nível médio de glicose no sangue (mg/dL)",
    "Índice de Massa Corporal (IMC)",
    "Hábito de fumar: 'formerly smoked', 'never smoked', 'smokes', 'Unknown'",
    "Diagnóstico de AVC: 0 = Não, 1 = Sim (variável-alvo)"
  ),
  `Valores Ausentes` = map_chr(stroke_bruto, ~ as.character(sum(is.na(.x))))
) |>
  kable(caption = "Descrição das variáveis do dataset original") |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width        = FALSE,
    font_size         = 13
  ) |>
  row_spec(12, bold = TRUE, background = "#FFF3CD") # destaque na variável-alvo

# Visualizar a estrutura final do dataset limpo
glimpse(stroke)

# Exibir amostra do dataset final (as 10 primeiras linhas)
stroke |>
  head(10) |>
  kable(caption = "Primeiras 10 linhas do dataset limpo") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = TRUE, font_size = 11) |>
  scroll_box(width = "100%")

# ===================================================
# TABELA RESUMO CONSOLIDADA DAS VARIÁVEIS
# ===================================================

# --- Variáveis numéricas ---
resumo_num <- stroke |>
  select(age, avg_glucose_level, bmi) |>
  pivot_longer(everything(), names_to = "Variável", values_to = "valor") |>
  group_by(Variável) |>
  summarise(
    Tipo      = "Numérica",
    # first() extrai o valor escalar do grupo — necessário porque dentro
    # de summarise() a coluna agrupadora ainda é um vetor (todos iguais),
    # e case_when() sobre um vetor devolveria N linhas em vez de 1.
    Descrição = case_when(
      first(Variável) == "age"               ~ "Idade (anos)",
      first(Variável) == "avg_glucose_level" ~ "Glicose média (mg/dL)",
      first(Variável) == "bmi"               ~ "IMC (kg/m²)"
    ),
    Resumo = sprintf(
      "Média: %.1f | Mediana: %.1f | DP: %.1f | Min–Max: %.1f–%.1f",
      mean(valor), median(valor), sd(valor), min(valor), max(valor)
    ),
    `N Ausentes` = "0",
    .groups = "drop"
  )

# --- Variáveis categóricas ---
resumo_cat <- stroke |>
  select(gender, hypertension, heart_disease, ever_married,
         work_type, residence_type, smoking_status, stroke,
         faixa_etaria, categoria_imc, nivel_glicose) |>
  pivot_longer(everything(), names_to = "Variável", values_to = "valor") |>
  group_by(Variável) |>
  summarise(
    Tipo      = "Categórica",
    Descrição = case_when(
      first(Variável) == "gender"         ~ "Sexo biológico",
      first(Variável) == "hypertension"   ~ "Hipertensão (Sim/Não)",
      first(Variável) == "heart_disease"  ~ "Doença cardíaca (Sim/Não)",
      first(Variável) == "ever_married"   ~ "Já foi casado(a) (Sim/Não)",
      first(Variável) == "work_type"      ~ "Tipo de ocupação",
      first(Variável) == "residence_type" ~ "Tipo de residência",
      first(Variável) == "smoking_status" ~ "Hábito tabágico",
      first(Variável) == "stroke"         ~ "AVC (Sim/Não) — variável-alvo",
      first(Variável) == "faixa_etaria"   ~ "Faixa etária (derivada)",
      first(Variável) == "categoria_imc"  ~ "Categoria de IMC — OMS (derivada)",
      first(Variável) == "nivel_glicose"  ~ "Nível de glicose clínico (derivada)"
    ),
    Resumo = sprintf(
      "%d categorias | Mais frequente: '%s' (%s)",
      n_distinct(valor),
      names(sort(table(valor), decreasing = TRUE))[1],
      scales::percent(
        max(table(valor)) / sum(!is.na(valor)),
        accuracy = 0.1
      )
    ),
    `N Ausentes` = as.character(sum(is.na(valor))),
    .groups = "drop"
  )

# Combinar e exibir
bind_rows(resumo_num, resumo_cat) |>
  arrange(Tipo, Variável) |>
  kable(caption = "Resumo consolidado das variáveis do dataset limpo") |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width        = TRUE,
    font_size         = 12
  ) |>
  row_spec(which(bind_rows(resumo_num, resumo_cat) |>
                   arrange(Tipo, Variável) |>
                   pull(Variável) == "stroke"),
           bold = TRUE, background = "#FFF3CD") |>
  pack_rows("Variáveis Categóricas", 1, 11) |>
  pack_rows("Variáveis Numéricas",  12, 14)

# ===================================================
# TABELA: PERFIL MÉDIO (AVC vs. Sem AVC)
# ===================================================

# Comparar as médias das variáveis numéricas e as proporções das
# principais variáveis binárias entre os dois grupos de desfecho.
# Esta tabela cria uma visão consolidada que não é imediatamente
# visível ao se olhar para o dataset bruto.

perfil <- stroke |>
  group_by(`Diagnóstico` = stroke) |>
  summarise(
    `N pacientes`             = n(),
    `Idade média (anos)`      = round(mean(age), 1),
    `Glicose média (mg/dL)`   = round(mean(avg_glucose_level), 1),
    `IMC médio (kg/m²)`       = round(mean(bmi), 1),
    `% com hipertensão`       = percent(mean(hypertension  == "Sim"), accuracy = 0.1),
    `% com doença cardíaca`   = percent(mean(heart_disease == "Sim"), accuracy = 0.1),
    `% fumante ativo`         = percent(mean(smoking_status == "smokes"), accuracy = 0.1),
    .groups = "drop"
  )

perfil |>
  kable(caption = "Perfil médio dos pacientes por diagnóstico de AVC") |>
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, font_size = 13) |>
  column_spec(1, bold = TRUE) |>
  row_spec(2, background = "#FFF0F0")   # destaque no grupo com AVC

# ===================================================
# NOVA VARIÁVEL: ESCORE DE RISCO COMPOSTO
# ===================================================

# Criamos 'n_fatores_risco' somando quantos dos cinco principais
# fatores de risco clínico cada paciente apresenta:
#   1. Hipertensão
#   2. Doença cardíaca
#   3. Tabagismo ativo
#   4. Diabetes (glicose ≥ 126 mg/dL)
#   5. Sobrepeso ou obesidade (IMC ≥ 25)
# A variável resultante permite medir o efeito cumulativo dos fatores,
# algo que analisar cada fator isoladamente não revela.

stroke <- stroke |>
  mutate(
    n_fatores_risco = as.integer(hypertension   == "Sim") +
                     as.integer(heart_disease   == "Sim") +
                     as.integer(smoking_status  == "smokes") +
                     as.integer(nivel_glicose   == "Diabetes (≥126 mg/dL)") +
                     as.integer(categoria_imc   %in% c("Sobrepeso", "Obesidade"))
  )

# ===================================================
# GRÁFICO INTERATIVO (plotly): DISTRIBUIÇÃO DA IDADE
# ===================================================

# Convertemos o ggplot para plotly com ggplotly() para manter
# o controle fino de formatação do ggplot2 e adicionar interatividade.

g_idade <- ggplot(stroke, aes(x = age, fill = stroke, colour = stroke)) +
  geom_density(alpha = 0.45, linewidth = 0.8) +
  scale_fill_manual(
    values = c("Não" = "#4E9AF1", "Sim" = "#E05252"),
    name   = "AVC"
  ) +
  scale_colour_manual(
    values = c("Não" = "#2B72C8", "Sim" = "#B03030"),
    name   = "AVC"
  ) +
  labs(
    title   = "Distribuição etária por diagnóstico de AVC",
    subtitle = "Pacientes com AVC concentram-se fortemente acima dos 60 anos",
    x       = "Idade (anos)",
    y       = "Densidade"
  ) +
  theme_minimal(base_size = 13) +
  theme(legend.position = "top")

ggplotly(g_idade, tooltip = c("x", "y")) |>
  layout(legend = list(orientation = "h", x = 0.3, y = 1.1))

# ===================================================
# GRÁFICO: TAXA DE AVC POR FAIXA ETÁRIA
# ===================================================

# Calculamos a proporção de pacientes com AVC dentro de cada faixa
# etária — uma forma de "normalizar" o efeito do tamanho de cada grupo.

stroke |>
  group_by(faixa_etaria) |>
  summarise(
    taxa_avc = mean(stroke == "Sim"),
    n        = n(),
    n_avc    = sum(stroke == "Sim"),
    .groups  = "drop"
  ) |>
  ggplot(aes(x = faixa_etaria, y = taxa_avc, fill = taxa_avc)) +
  geom_col(width = 0.7, show.legend = FALSE) +
  geom_text(aes(label = paste0(percent(taxa_avc, accuracy = 0.1),
                               "\n(n = ", n_avc, ")")),
            vjust = -0.4, size = 3.2, lineheight = 1.1) +
  scale_y_continuous(labels = percent_format(), limits = c(0, 0.22)) +
  scale_fill_gradient(low = "#AED6F1", high = "#E05252") +
  labs(
    title   = "Taxa de AVC por faixa etária",
    subtitle = "Proporção de pacientes diagnosticados com AVC em cada grupo",
    x       = NULL,
    y       = "Taxa de AVC (%)"
  ) +
  theme_minimal(base_size = 13) +
  theme(axis.text.x = element_text(angle = 20, hjust = 1))

# ===================================================
# GRÁFICO FACETADO: TAXA DE AVC POR FATOR CLÍNICO
# ===================================================

# Reformulamos os dados para o formato longo, o que permite
# criar um único gráfico facetado elegante em vez de quatro
# gráficos separados — economizando espaço e facilitando comparações.

fatores_longos <- stroke |>
  select(stroke, hypertension, heart_disease, nivel_glicose, categoria_imc) |>
  pivot_longer(
    cols      = -stroke,
    names_to  = "fator",
    values_to = "categoria"
  ) |>
  mutate(
    fator = recode(fator,
      "hypertension"   = "Hipertensão",
      "heart_disease"  = "Doença Cardíaca",
      "nivel_glicose"  = "Nível de Glicose",
      "categoria_imc"  = "Categoria de IMC"
    ),
    categoria = as.character(categoria)
  ) |>
  group_by(fator, categoria) |>
  summarise(
    taxa_avc = mean(stroke == "Sim"),
    n        = n(),
    .groups  = "drop"
  )

ggplot(fatores_longos,
       aes(x = reorder(categoria, taxa_avc), y = taxa_avc, fill = taxa_avc)) +
  geom_col(width = 0.65, show.legend = FALSE) +
  geom_text(aes(label = percent(taxa_avc, accuracy = 0.1)),
            hjust = -0.15, size = 3.2) +
  scale_y_continuous(labels = percent_format(), limits = c(0, 0.21)) +
  scale_fill_gradient(low = "#AED6F1", high = "#E05252") +
  coord_flip() +
  facet_wrap(~fator, scales = "free_y", ncol = 2) +
  labs(
    title    = "Taxa de AVC por categoria de cada fator clínico",
    subtitle = "Pacientes com hipertensão, doença cardíaca ou diabetes apresentam risco marcadamente elevado",
    x        = NULL,
    y        = "Taxa de AVC (%)"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    strip.text       = element_text(face = "bold", size = 11),
    panel.spacing    = unit(1.2, "lines"),
    plot.subtitle    = element_text(colour = "grey40", size = 10)
  )

# ===================================================
# TABELA: TAXA DE AVC POR ESCORE DE RISCO COMPOSTO
# ===================================================

tabela_escore <- stroke |>
  group_by(`Fatores de Risco` = n_fatores_risco) |>
  summarise(
    `N pacientes` = n(),
    `N com AVC`   = sum(stroke == "Sim"),
    `Taxa de AVC` = percent(mean(stroke == "Sim"), accuracy = 0.1),
    .groups = "drop"
  )

tabela_escore |>
  kable(caption = "Relação entre número de fatores de risco e taxa de AVC",
        align   = c("c", "r", "r", "r")) |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE, font_size = 13) |>
  column_spec(4, bold = TRUE,
              color = c("grey50", "#2B72C8", "#5BA85A",
                        "#E0882A", "#C0392B", "#8B0000")[
                          seq_len(nrow(tabela_escore))]) |>
  footnote(general = "Fatores considerados: hipertensão, doença cardíaca, tabagismo ativo, diabetes e sobrepeso/obesidade.",
           general_title = "Nota:")

# ===================================================
# GRÁFICO: DOSE-RESPOSTA DO ESCORE DE RISCO
# ===================================================

stroke |>
  group_by(n_fatores_risco) |>
  summarise(
    taxa_avc = mean(stroke == "Sim"),
    n        = n(),
    .groups  = "drop"
  ) |>
  ggplot(aes(x = n_fatores_risco, y = taxa_avc)) +
  geom_line(colour = "#E05252", linewidth = 1.2) +
  geom_point(aes(size = n), colour = "#E05252", alpha = 0.85) +
  geom_text(aes(label = paste0(percent(taxa_avc, accuracy = 0.1),
                               "\n(n=", n, ")")),
            vjust = -1.1, size = 3.2, lineheight = 1.1, colour = "grey30") +
  scale_y_continuous(labels = percent_format(), limits = c(0, 0.35)) +
  scale_size_continuous(range = c(3, 10), name = "N pacientes") +
  labs(
    title    = "Efeito cumulativo dos fatores de risco sobre a taxa de AVC",
    subtitle = "Cada fator adicional amplifica significativamente o risco — pacientes com 4+ fatores têm risco >20%",
    x        = "Número de fatores de risco presentes",
    y        = "Taxa de AVC (%)"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.subtitle = element_text(colour = "grey40", size = 10),
    legend.position = "bottom"
  )

# ===================================================
# GRÁFICO: AVC POR HÁBITO TABÁGICO
# ===================================================

# Calculamos a taxa de AVC excluindo os "Unknown" para não distorcer
# a comparação entre os grupos com informação disponível.
stroke |>
  filter(smoking_status != "Unknown") |>
  group_by(smoking_status) |>
  summarise(
    taxa_avc  = mean(stroke == "Sim"),
    n         = n(),
    idade_med = round(median(age), 1),
    .groups   = "drop"
  ) |>
  mutate(smoking_status = fct_reorder(smoking_status, taxa_avc)) |>
  ggplot(aes(x = smoking_status, y = taxa_avc, fill = smoking_status)) +
  geom_col(width = 0.6, show.legend = FALSE) +
  geom_text(aes(label = paste0(percent(taxa_avc, accuracy = 0.1),
                               "\nIdade mediana: ", idade_med, " anos")),
            vjust = -0.4, size = 3.4, lineheight = 1.2) +
  scale_y_continuous(labels = percent_format(), limits = c(0, 0.12)) +
  scale_fill_manual(values = c(
    "never smoked"    = "#AED6F1",
    "formerly smoked" = "#E0882A",
    "smokes"          = "#E05252"
  )) +
  scale_x_discrete(labels = c(
    "never smoked"    = "Nunca fumou",
    "formerly smoked" = "Ex-fumante",
    "smokes"          = "Fumante ativo"
  )) +
  labs(
    title    = "Taxa de AVC e idade mediana por hábito tabágico",
    subtitle = "Ex-fumantes apresentam taxa mais alta que fumantes ativos — um efeito explicado pela confusão com a idade",
    x        = NULL,
    y        = "Taxa de AVC (%)"
  ) +
  theme_minimal(base_size = 13) +
  theme(plot.subtitle = element_text(colour = "grey40", size = 10))

# ===================================================
# GRÁFICO: DISTRIBUIÇÃO DE IDADE POR HÁBITO TABÁGICO
# ===================================================

# Para entender o paradoxo, comparamos as distribuições de idade
# por categoria de tabagismo — revelando o mecanismo de confusão.

stroke |>
  filter(smoking_status != "Unknown") |>
  mutate(smoking_status = recode(smoking_status,
    "never smoked"    = "Nunca fumou",
    "formerly smoked" = "Ex-fumante",
    "smokes"          = "Fumante ativo"
  )) |>
  ggplot(aes(x = smoking_status, y = age, fill = smoking_status)) +
  geom_violin(alpha = 0.6, show.legend = FALSE) +
  geom_boxplot(width = 0.15, fill = "white", outlier.size = 1,
               show.legend = FALSE) +
  scale_fill_manual(values = c(
    "Nunca fumou"  = "#AED6F1",
    "Ex-fumante"   = "#E0882A",
    "Fumante ativo"= "#E05252"
  )) +
  labs(
    title    = "Distribuição de idade por hábito tabágico",
    subtitle = "Ex-fumantes são substancialmente mais velhos — o verdadeiro fator de risco subjacente",
    x        = NULL,
    y        = "Idade (anos)"
  ) +
  theme_minimal(base_size = 13) +
  theme(plot.subtitle = element_text(colour = "grey40", size = 10))

# ===================================================
# TABELA INTERATIVA (DT): DATASET COMPLETO
# ===================================================

# Exibimos uma versão resumida e legível do dataset, com os campos
# mais relevantes para análise clínica. O DT permite que o leitor
# filtre, ordene e pesquise sem nenhum código adicional.

stroke |>
  select(
    Sexo             = gender,
    Idade            = age,
    `Faixa Etária`   = faixa_etaria,
    Hipertensão      = hypertension,
    `D. Cardíaca`    = heart_disease,
    `Glicose (mg/dL)`= avg_glucose_level,
    `Nível Glicose`  = nivel_glicose,
    `IMC`            = bmi,
    `Cat. IMC`       = categoria_imc,
    Tabagismo        = smoking_status,
    AVC              = stroke,
    `Nº Fat. Risco`  = n_fatores_risco
  ) |>
  mutate(
    Tabagismo = recode(as.character(Tabagismo),
      "never smoked"    = "Nunca fumou",
      "formerly smoked" = "Ex-fumante",
      "smokes"          = "Fumante ativo",
      "Unknown"         = "Desconhecido"
    ),
    `Glicose (mg/dL)` = round(`Glicose (mg/dL)`, 1),
    IMC               = round(IMC, 1)
  ) |>
  datatable(
    filter    = "top",
    rownames  = FALSE,
    class     = "stripe hover compact",
    caption   = "Dataset completo — use os filtros no topo de cada coluna para explorar subgrupos",
    options   = list(
      pageLength = 10,
      scrollX    = TRUE,
      language   = list(
        search      = "Buscar:",
        lengthMenu  = "Mostrar _MENU_ registros",
        info        = "Exibindo _START_ a _END_ de _TOTAL_ registros",
        paginate    = list(`previous` = "Anterior", `next` = "Próximo")
      )
    )
  ) |>
  formatStyle(
    "AVC",
    backgroundColor = styleEqual(c("Não", "Sim"), c("#EAF4FB", "#FDEDEC"))
  ) |>
  formatStyle(
    "Nº Fat. Risco",
    background = styleColorBar(range(stroke$n_fatores_risco), "#E05252"),
    backgroundSize  = "100% 70%",
    backgroundRepeat= "no-repeat",
    backgroundPosition = "center"
  )