Mortalidade Infantil
Metodologia
Os dados foram colidos no site da secretaria de saúde no Armazem de Dados. Os dados utilizados são referentes a mortalidade por faixa etária. Criou-se a taxa de mortalidade infantil somando as categorias etárias que comprendem de 0 à 4 anos e dividindo o resultado pelo número total de mortes em cada bairro. Chegando-se assim à taxa de mortalidade por bairro por ano. A taxa está por 1000 habitantes. . Os bairros selecionados para análise foram aqueles pertencentes à CAP 2.1. Os mapas e a análise espacial de Moran e LISA foram realizados através do software GEODA. Os dados relativos serão tabulados no sofware Excel e analisados pelo software R, com o pacote “Rcmdr” e relatados em “Rmarkdown”. Todos os sofwares utilizados são gratuitos. As variáveis foram submetidas à análise descritiva por meio de distribuição de frequência e tabela de medidas de tendência central e análise inferencial por meio de teste de normalidade de Komarov-Smirnov e Shapiro-Wilk para considerar normalidade na distribuição. As variáveis normais foram analisadas com testes paramétricos e representadas por gráfico de médias com 95% de intervalo de confiança, para as variáveis que não são normais se tomou uma perspectiva não-paramétrica para análises envolvendo as mesmas e Boxplot para representá-las. No caso de análise de variável categórica versus variável categórica usou-se teste de chi-quadrado. O nível de significância adotado foi de 5%. Dados mais qualitativos em relação à mortalidade infantil na cidade do Rio de Janeiro e na cap 2.1 estão presentes em seção específica.
Dados Analisados à partir dos dados relativos à CAP 2.1 colidos no Armazem de dados-Rj (2010-2015)
Análise descritiva
require(highlightHTML)
require(data.table)
require(Rcmdr)
require(knitr)Dataset <- readXL("C:/Users/Edu/Downloads/marien/BC_Taxa.XLS", rownames=FALSE, header=TRUE, na="", sheet="2010 ", stringsAsFactors=TRUE)tabela <- readXL("C:/Users/Edu/Downloads/marien/BC_Taxa.XLS", rownames=FALSE, header=TRUE, na="", sheet="Folha3",
stringsAsFactors=TRUE)
tabelabairro <- readXL("C:/Users/Edu/Desktop/tabelas.xls", rownames=FALSE, header=TRUE, na="", sheet="Folha1", stringsAsFactors=TRUE)tabelaano <- readXL("C:/Users/Edu/Desktop/tabelas.xls", rownames=FALSE,
header=TRUE, na="", sheet="Folha2", stringsAsFactors=TRUE)morte <- read.table("C:/Users/Edu/Downloads/marien/causa de morte.csv", header=TRUE, sep=";", na.strings="NA", dec=",",
strip.white=TRUE)names(Dataset)[c(1)] <- c("bairro")tabela <- within(tabela, {
X0 <- NULL
X1 <- NULL
})Resumos Numérico
require(htmlTable)
require(DT)
htmlTable(tabela)| ano | mean | sd | IQR | X0.25 | X0.5 | X0.75 | |
|---|---|---|---|---|---|---|---|
| 1 | 2010 | 15.03991 | 16.25517 | 11.56253 | 5.8883294 | 10.238282 | 17.45086 |
| 2 | 2011 | 17.03724 | 16.92514 | 19.13822 | 6.345413 | 9.860859 | 25.48363 |
| 3 | 2012 | 12.2065 | 18.24773 | 16.17647 | 0 | 5.482271 | 16.17647 |
| 4 | 2013 | 15.8093 | 20.72801 | 13.9844 | 5.4390917 | 8.772929 | 19.42349 |
| 5 | 2014 | 14.10067 | 23.93846 | 10.77941 | 0.6596306 | 5.953497 | 11.43904 |
| 6 | 2015 | 13.39866 | 11.80304 | 9.43819 | 6.8451029 | 11.499315 | 16.28329 |
datatable(Dataset)Dataset <- within(Dataset, {
ano <- as.factor(ano)
})Análise Inferencial (alfa=5%)
teste de normalidade
normalityTest(~TAXA, test="shapiro.test", data=Dataset)##
## Shapiro-Wilk normality test
##
## data: TAXA
## W = 0.74475, p-value = 2.051e-12normalityTest(~TAXA, test="lillie.test", data=Dataset)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: TAXA
## D = 0.2088, p-value = 1.382e-12**Clonclusão: Distribuição não é normal.
teste de hipótese não-paramétrico
names(Dataset)[c(1)] <- c("bairro")
require(htmlTable)
htmlTable(tabelabairro)| X__1 | Mediana_taxa | |
|---|---|---|
| 1 | Botafogo | 6.907395 |
| 2 | Catete | 16.287076 |
| 3 | Copacabana | 5.08045 |
| 4 | Cosme Velho | 40.577342 |
| 5 | Flamengo | 7.098297 |
| 6 | Gávea | 9.240324 |
| 7 | Glória | 3.030303 |
| 8 | Humaitá | 0 |
| 9 | Ipanema | 9.132849 |
| 10 | Jardim Botânico | 9.460246 |
| 11 | Lagoa | 4.504505 |
| 12 | Laranjeiras | 4.209571 |
| 13 | Leblon | 6.944593 |
| 14 | Leme | 17.807514 |
| 15 | Rocinha | 66.11637 |
| 16 | São Conrado | 5.263158 |
| 17 | Urca | 10 |
| 18 | Vidigal | 37.999038 |
kruskal.test(TAXA ~ bairro, data=Dataset)##
## Kruskal-Wallis rank sum test
##
## data: TAXA by bairro
## Kruskal-Wallis chi-squared = 45.233, df = 17, p-value = 0.0002248Boxplot(TAXA~bairro, data=Dataset, id.method="none", col=c("red", "royalblue", "yellow", "orange","purple", "pink"))
**Conclusão:A taxa diferiu centralmente de forma significante entre os bairros.
htmlTable(tabelaano)| Ano | Mediana_taxa | |
|---|---|---|
| 1 | 2010 | 10.238282 |
| 2 | 2011 | 9.860859 |
| 3 | 2012 | 5.482271 |
| 4 | 2013 | 8.772929 |
| 5 | 2014 | 5.953497 |
| 6 | 2015 | 11.499315 |
kruskal.test(TAXA ~ ano, data=Dataset)##
## Kruskal-Wallis rank sum test
##
## data: TAXA by ano
## Kruskal-Wallis chi-squared = 4.7353, df = 5, p-value = 0.449**Conclusão:A taxa não diferiu centralmente de forma significante entre os anos de 2010 e 2015.
Boxplot(TAXA~ano, data=Dataset, id.method="none", col=c("red", "royalblue", "yellow", "orange","purple", "pink"))
Análise Espacial GEODA (distância euclidiana entre os centróides =10,000)
Moran’s
2010
2011
2012
2013
2014
2015
LISA
2010
2011
2012
2012
2013
2014
2015
Mapas Cap. 2.1 (2010-2015)
*2010
*2011
*2012
*2013
*2014
*2015
TabNet-Rio de Janeiro para a Cidade do Rio de Janeiro
novq <- readXL("C:/Users/Edu/Downloads/marien/BC_Taxa.XLS", rownames=FALSE, header=TRUE, na="", sheet="Folha2", stringsAsFactors=TRUE)
htmlTable(novq)| Localidades | Jan | Fev | Mar | Abr | Mai | Jun | Jul | Ago | Set | Out | Nov | Dez | Ano | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Brasil | 3144 | 3000 | 3200 | 3288 | 3291 | 3314 | 3077 | 2789 | 2678 | 2705 | 2601 | 2532 | 35619 |
| 2 | Sudeste | 1150 | 1076 | 1167 | 1196 | 1243 | 1203 | 1141 | 1003 | 952 | 986 | 966 | 954 | 13037 |
| 3 | Rio de Janeiro | 248 | 233 | 229 | 255 | 283 | 281 | 302 | 261 | 211 | 210 | 226 | 206 | 2945 |
| 4 | Metropolitana do Rio de Janeiro | 183 | 173 | 172 | 198 | 225 | 222 | 253 | 202 | 160 | 162 | 175 | 151 | 2276 |
| 5 | Rio de Janeiro | 176 | 159 | 161 | 187 | 207 | 207 | 232 | 187 | 149 | 143 | 163 | 144 | 2115 |
| 6 | Metropolitana I | 151 | 142 | 142 | 169 | 171 | 181 | 210 | 167 | 136 | 128 | 140 | 125 | 1862 |
| 7 | Rio de Janeiro | 89 | 76 | 89 | 103 | 104 | 104 | 98 | 92 | 70 | 79 | 73 | 80 | 1057 |
Fonte: SIM - Maio de 2017
Mortalidade Infantil pela categoria CID
Fonte: SIM - Maio de 2017
Série Histórica
Fonte: SIM - Maio de 2017
Neo versus Pós-NEO
Fonte: SIM - Maio de 2017
Mortes Infantis Evitáveis pela tipo de evitabilidade
Fonte: SIM - Maio de 2017
Causa da Morte CAP 2.1
datatable(morte)