A base de dados SIVEP-Gripe (Sistema de Informação da Vigilância Epidemiológica da Gripe) tem os registros dos casos e óbitos de SRAG (Síndrome Respiratória Aguda Grave). SRAG é considerada quando o indivíduo é hospitalizado com febre, mesmo que referida, acompanhada de tosse ou dor de garganta e que apresente dispneia ou saturação de O2 < 95% ou desconforto respiratório ou que evoluiu para óbito por SRAG independente de internação. A vigilância da SRAG no Brasil é desenvolvida pelo Ministério da Saúde (MS), por meio da Secretaria de Vigilância em Saúde (SVS), desde a pandemia de Influenza A (H1N1) em 2009. Mais informações em https://coronavirus.saude.gov.br/definicao-de-caso-e-notificacao

Há atualmente 1136681 observações na base de dados e 154 variáveis. Base de dados atualizada em 11/01/2021 e disponível em https://opendatasus.saude.gov.br/dataset/bd-srag-2020. Atualmente há 53 semanas epidemiológicas (trabalho da The Lancet considerou 8-33 semanas epidemiológicas) - ver sobre semanas epidemiológicas em http://portalsinan.saude.gov.br/calendario-epidemiologico?layout=edit&id=168.

Filtragem

Vamos agora ver os casos admitidos no hospital (1-Sim, 2-Não, 9-Ignorado).

questionr::freq(
  dados$HOSPITAL,
  cum = FALSE,
  total = TRUE,
  na.last = FALSE,
  valid = FALSE
) %>%
  kable(caption = "Tabela de frequências para internação", digits = 2)
Tabela de frequências para internação
n %
1 1061254 93.4
2 39247 3.5
9 4743 0.4
NA 31437 2.8
Total 1136681 100.0

Note que há 75427 casos que não foram hospitalizados. Eles não atendem a definição de caso. O paper da The Lancet excluiu esses casos (1º box de exclusão no fluxograma). No dicionário diz: Caso o campo não seja igual a 1 – Sim o sistema emitirá um aviso indicando que não atende a definição de caso.

Abaixo mostro a distribuição conjunta de hospitalização e evolução (1-cura, 2-óbito, 3-óbito por outras causas, 9-ignorado).

Note que os casos não hospitalizados não necessariamente coincidem com os casos de óbito, o que é uma inconsistência da base ao considerar a sua definição de caso.

ctable(dados$HOSPITAL,  dados$EVOLUCAO, prop="r",  useNA = "no")
## Cross-Tabulation, Row Proportions  
## HOSPITAL * EVOLUCAO  
## Data Frame: dados  
## 
## ---------- ---------- ---------------- ---------------- -------------- -------------- -----------------
##              EVOLUCAO                1                2              3              9             Total
##   HOSPITAL                                                                                             
##          1              588117 (67.2%)   248728 (28.4%)   11004 (1.3%)   27481 (3.1%)   875330 (100.0%)
##          2               17497 (56.1%)    11619 (37.3%)     882 (2.8%)    1191 (3.8%)    31189 (100.0%)
##          9                1311 (40.2%)     1642 (50.4%)      35 (1.1%)     273 (8.4%)     3261 (100.0%)
##      Total              606925 (66.7%)   261989 (28.8%)   11921 (1.3%)   28945 (3.2%)   909780 (100.0%)
## ---------- ---------- ---------------- ---------------- -------------- -------------- -----------------

Seguindo o paper da The Lancet, vamos excluir os casos sem confirmação e que não foram hospitalizados.

dados1 <- filter(dados, HOSPITAL==1)

Ao considerarmos apenas os casos confirmados de hospitalizados, ficamos com 1061254 observações.

A segunda filtragem é considerar os casos classificados como COVID-19 na base de dados. A variável que indica a classificação é a CLASSI_FIN, com as seguintes categorias: 1-SRAG por influenza, 2-SRAG por outro vírus respiratório, 3-SRAG por outro agente etiológico, 4-SRAG não especificado e 5-SRAG por COVID-19.

questionr::freq(
  dados1$CLASSI_FIN,
  cum = FALSE,
  total = TRUE,
  na.last = FALSE,
  valid = FALSE
) %>%
  kable(caption = "Tabela de frequências para classificação do caso ", digits = 2)
Tabela de frequências para classificação do caso
n %
1 2507 0.2
2 4137 0.4
3 2929 0.3
4 365992 34.5
5 588711 55.5
NA 96978 9.1
Total 1061254 100.0

Vamos então para a seleção dos casos classificados como COVID-19.

dados2 <- filter(dados1, CLASSI_FIN==5)

Agora, há 588711 selecionados.

Vamos selecionar só os casos de COVID confirmados por RT-PCR.

Serão considerados os casos classificados como

#Filtra pacientes com PCR positivo para COVID
dados3 <- dados2 %>% 
  filter((PCR_SARS2 == 1) |
         (str_detect(DS_PCR_OUT, "SARS|COVID|COV|CORONA|CIVID") & !str_detect(DS_PCR_OUT,"63|43|229|HK|RINO|SINCI|PARE")) |
         (PCR_RESUL == 1 & CRITERIO == 1 & is.na(DS_PCR_OUT) &  ## Adicional filter: among those cases already defined as COVID-19 by laboratory criterion,
          (PCR_RINO  != 1 | is.na(PCR_RINO)) &                  ## those with a positive PCR result and not being positive for other PCRs
          (POS_PCRFLU!= 1 | is.na(POS_PCRFLU)) & 
          (PCR_OUTRO != 1 | is.na(PCR_OUTRO)) & 
          (POS_PCROUT!= 1 | is.na(POS_PCROUT)) & 
          (                 is.na(PCR_VSR)) & 
          (                 is.na(PCR_METAP)) & 
          (                 is.na(PCR_PARA1))))

Após essa seleção foram selecionados 454830 casos.

Vamos agora ver os dados segundo o sexo.

questionr::freq(
  dados3$CS_SEXO,
  cum = FALSE,
  total = TRUE,
  na.last = FALSE,
  valid = FALSE
) %>%
  kable(caption = "Tabela de frequências para sexo", digits = 2)
Tabela de frequências para sexo
n %
F 199931 44
I 74 0
M 254825 56
Total 454830 100 
dados4 <- filter(dados3, CS_SEXO == "F")

Selecionando só as pessoas do sexo feminino, ficamos com 199931 casos. A próxima seleção é considerar pessoas do sexo feminino com idade maior que 9 anos e menor que 50 (não inclusive).

dados5 <- filter(dados4, NU_IDADE_N > 9 & NU_IDADE_N < 50)

O tamanho da amostra fica em 50845 casos.

Agora vamos identificar as pessoas gestantes. Para isso, vamos analisar a variável CS_GESTANT. Essa variável assume os valores: 1-1º Trimestre; 2-2º Trimestre; 3-3º Trimestre; 4-Idade Gestacional Ignorada; 5-Não; 6-Não se aplica; 9-Ignorado.

questionr::freq(
  dados5$CS_GESTANT,
  cum = FALSE,
  total = TRUE,
  na.last = FALSE,
  valid = FALSE
) %>%
  kable(caption = "Tabela de frequências para variável sobre gestação", digits = 2)
Tabela de frequências para variável sobre gestação
n %
0 1 0.0
1 295 0.6
2 829 1.6
3 2089 4.1
4 159 0.3
5 37268 73.3
6 2056 4.0
9 8148 16.0
Total 50845 100.0

Note que há 1 casos classificado como 0 (que não tem código no dicionário), 2056 casos como não se aplica e 8148 casos como ignorado. Esses 10205 casos são excluídos.

dados6 <- filter(dados5, CS_GESTANT>=1 & CS_GESTANT<=5)
dados6$gestante_SN <- ifelse(dados6$CS_GESTANT==5,"não", "sim")
questionr::freq(
  dados6$gestante_SN,
  cum = FALSE,
  total = TRUE,
  na.last = FALSE,
  valid = FALSE
) %>%
  kable(caption = "Tabela de frequências para variável indicadora de gestação", digits = 2)
Tabela de frequências para variável indicadora de gestação
n %
não 37268 91.7
sim 3372 8.3
Total 40640 100.0

Vamos agora observar a variável indicadora de puérpera (PUERPERA, com 1-sim, 2-não e 9-Ignorado).

Tabela de frequências para variável indicadora de puérpera
n %
1 983 2.4
2 12183 30.0
9 230 0.6
NA 27244 67.0
Total 40640 100.0 
ctable(dados6$gestante_SN, dados6$puerpera, prop="n")
## Cross-Tabulation  
## gestante_SN * puerpera  
## Data Frame: dados6  
## 
## ------------- ---------- ------- ----- ------- ----- -------
##                 puerpera       0     1       2     9   Total
##   gestante_SN                                               
##           não              25038   794   11224   212   37268
##           sim               2206   189     959    18    3372
##         Total              27244   983   12183   230   40640
## ------------- ---------- ------- ----- ------- ----- -------

Veja que há 189 casos classificados como gestante e puérpera ao mesmo tempo.

dados6$gest_puerp <- ifelse(dados6$gestante_SN=="sim",1, ifelse(dados6$gestante_SN=="não" & dados6$puerpera==1,2,0) )

dados6$gest_puerp <- factor(dados6$gest_puerp, 
                     levels = c(0,1,2), 
                     labels = c("não", "gesta", "puerp"))

Consideramos todos os casos classificados como gestante como “gesta” (3372 casos), os casos classificados como não gestante e sim para puerpério como “puerp” (794 casos) e os restantes como não gestante (36474 casos).

questionr::freq(
  dados6$gest_puerp,
  cum = FALSE,
  total = TRUE,
  na.last = FALSE,
  valid = FALSE
) %>%
  kable(caption = "Tabela de frequências para variável gest_puerp", digits = 2)
Tabela de frequências para variável gest_puerp
n %
não 36474 89.7
gesta 3372 8.3
puerp 794 2.0
Total 40640 100.0

Agora vamos criar a variável que é indicadora de gestante ou puérpera que chamamos de gesta_puerp_SN: sim (se gestante ou puérpera) e não (se não for gestante e nem puérpera).

dados6$gesta_puerp_SN <- ifelse(dados6$gest_puerp=="não","não", "sim")
Tabela de frequências para variável gesta_puerp_SN
n %
não 36474 89.7
sim 4166 10.3
Total 40640 100.0

A variável SEM_NOT indica a semana epidemiológica do preenchimento da ficha de notificação. A variável SEM_PRI indica a semana epidemiológica dos primeiros sintomas.

Tabela de frequências para variável SEM_NOT
n %
1 477 1.2
2 25 0.1
9 3 0.0
10 3 0.0
11 7 0.0
12 90 0.2
13 284 0.7
14 486 1.2
15 603 1.5
16 891 2.2
17 1122 2.8
18 1327 3.3
19 1443 3.6
20 1456 3.6
21 1399 3.4
22 1344 3.3
23 1306 3.2
24 1380 3.4
25 1444 3.6
26 1416 3.5
27 1419 3.5
28 1494 3.7
29 1419 3.5
30 1479 3.6
31 1286 3.2
32 1124 2.8
33 1030 2.5
34 998 2.5
35 905 2.2
36 883 2.2
37 842 2.1
38 800 2.0
39 682 1.7
40 637 1.6
41 587 1.4
42 564 1.4
43 556 1.4
44 538 1.3
45 482 1.2
46 701 1.7
47 824 2.0
48 857 2.1
49 951 2.3
50 901 2.2
51 840 2.1
52 672 1.7
53 663 1.6
Total 40640 100.0
Tabela de frequências para variável SEM_PRI
n %
8 1 0.0
9 9 0.0
10 12 0.0
11 96 0.2
12 313 0.8
13 470 1.2
14 650 1.6
15 884 2.2
16 1205 3.0
17 1438 3.5
18 1514 3.7
19 1504 3.7
20 1503 3.7
21 1350 3.3
22 1307 3.2
23 1414 3.5
24 1449 3.6
25 1499 3.7
26 1308 3.2
27 1577 3.9
28 1457 3.6
29 1350 3.3
30 1255 3.1
31 1172 2.9
32 975 2.4
33 991 2.4
34 941 2.3
35 791 1.9
36 809 2.0
37 733 1.8
38 634 1.6
39 593 1.5
40 604 1.5
41 595 1.5
42 507 1.2
43 515 1.3
44 509 1.3
45 731 1.8
46 825 2.0
47 928 2.3
48 900 2.2
49 876 2.2
50 813 2.0
51 705 1.7
52 580 1.4
53 348 0.9
Total 40640 100.0

Agora vamos tratar as variáveis de data para depois analisá-las.

############# datas
ultim_dia <- as.Date("2021-01-11")
dados6 <-  dados6 %>% 
  mutate(dt_notific = as.Date(DT_NOTIFIC, format = "%d/%m/%Y"),
         dt_sint = as.Date(DT_SIN_PRI, format = "%d/%m/%Y"),
         dt_interna = as.Date(DT_INTERNA, format = "%d/%m/%Y"),
         dt_pcr = as.Date(DT_PCR, format = "%d/%m/%Y"),
         dt_entuti  = as.Date(DT_ENTUTI,  format = "%d/%m/%Y"),
         dt_saiduti = as.Date(DT_SAIDUTI, format = "%d/%m/%Y"),
         dt_evoluca = as.Date(DT_EVOLUCA, format = "%d/%m/%Y"),
         dt_encerra = as.Date(DT_ENCERRA, format = "%d/%m/%Y"),
         dt_digita = as.Date(DT_DIGITA, format = "%d/%m/%Y"))

dados6 <-  dados6 %>% 
  mutate(dt_interna = as.Date(case_when(
    DT_INTERNA == "16/04/7202" ~ "16/04/2020", #typo
    DT_INTERNA == "10/12/2202" ~ "10/12/2020",  #typo
    TRUE ~ as.character(DT_INTERNA)), format = "%d/%m/%Y"))

#dt_notific - Data do preenchimento da ficha de notificação
#dt_sint - Data de 1ºs sintomas (deve ser menor que dt_notific)
#dt_interna - Data da internação por SRAG
#dt_pcr - Data do Resultado RT-PCR/outro método por Biologia Molecular
#dt_entuti - Data da entrada na UTI
#dt_saiduti - Data da saída da UTI 
#dt_evoluca - Data da alta ou óbito
#dt_digita - Preenchido automaticamente pelo sistema com a data da digitação da ficha. Não é a data de preenchimento da ficha manualmente e sim a data em que é digitado no sistema.

summary(dados6$dt_notific)
##         Min.      1st Qu.       Median         Mean      3rd Qu.         Max. 
## "2020-02-27" "2020-05-29" "2020-07-18" "2020-07-31" "2020-09-28" "2021-01-11"
summary(dados6$dt_sint)
##         Min.      1st Qu.       Median         Mean      3rd Qu.         Max. 
## "2020-02-17" "2020-05-19" "2020-07-09" "2020-07-22" "2020-09-18" "2021-01-02"

Observação: Perceba que os primeiros sintomas surgiram entre a 8ª semana epidemiológica e entre 53ª semana.

Vamos criar a variável de número de comorbidades. São as comorbidades:

comorbidades <-  c("CARDIOPATI_aux", "HEMATOLOGI_aux", "HEPATICA_aux", "ASMA_aux",
                   "DIABETES_aux", "NEUROLOGIC_aux", "PNEUMOPATI_aux",
                   "IMUNODEPRE_aux", "RENAL_aux", "OBESIDADE_aux")

comorbidades1 <-  c("CARDIOPATI_aux1", "HEMATOLOGI_aux1", "HEPATICA_aux1", "ASMA_aux1",
                   "DIABETES_aux1", "NEUROLOGIC_aux1", "PNEUMOPATI_aux1",
                   "IMUNODEPRE_aux1", "RENAL_aux1", "OBESIDADE_aux1")

dados6 <- mutate(dados6, CARDIOPATI_aux=CARDIOPATI, HEMATOLOGI_aux=HEMATOLOGI, HEPATICA_aux=HEPATICA, ASMA_aux=ASMA, DIABETES_aux=DIABETES, NEUROLOGIC_aux=NEUROLOGIC, PNEUMOPATI_aux=PNEUMOPATI, IMUNODEPRE_aux=IMUNODEPRE, RENAL_aux=RENAL, OBESIDADE_aux=OBESIDADE)

dados6 <- mutate(dados6, CARDIOPATI_aux1=CARDIOPATI, HEMATOLOGI_aux1=HEMATOLOGI, HEPATICA_aux1=HEPATICA, ASMA_aux1=ASMA, DIABETES_aux1=DIABETES, NEUROLOGIC_aux1=NEUROLOGIC, PNEUMOPATI_aux1=PNEUMOPATI, IMUNODEPRE_aux1=IMUNODEPRE, RENAL_aux1=RENAL, OBESIDADE_aux1=OBESIDADE)

dados6 <-  dados6 %>% 
  mutate_at(all_of(comorbidades), function(x){case_when(x == "1" ~ 1, TRUE ~ 0)}) %>%
  mutate_at(all_of(comorbidades1), function(x){case_when(x == "1" ~ 1, x == "2" ~ 0, TRUE ~ NA_real_)}) %>%
  mutate(
      cont_comorb = CARDIOPATI_aux + HEMATOLOGI_aux +  HEPATICA_aux + ASMA_aux + DIABETES_aux + NEUROLOGIC_aux + PNEUMOPATI_aux + IMUNODEPRE_aux + RENAL_aux +
          OBESIDADE_aux) %>% 
    mutate(
        num_comorb = case_when(
            is.na(CARDIOPATI_aux1) | is.na(HEMATOLOGI_aux1) | is.na(HEPATICA_aux1) | is.na(ASMA_aux1) | is.na(DIABETES_aux1) | is.na(NEUROLOGIC_aux1) | is.na(PNEUMOPATI_aux1) |
                is.na(IMUNODEPRE_aux1) | is.na(RENAL_aux1) | is.na(OBESIDADE_aux1) ~ NA_real_,
            TRUE ~ cont_comorb
        ),
        gr_comorb = case_when(
            num_comorb == 0 ~ 0,
            num_comorb == 1 ~ 1,
            num_comorb == 2 ~ 1,
            num_comorb >  2 ~ 2, 
            TRUE ~ NA_real_)) 

dados6$gr_comorb <- factor(dados6$gr_comorb, 
                     levels = c(0, 1, 2), 
                     labels = c("nenhuma", "1 ou 2", ">2"))
sind_met <-  c("CARDIOPATI_aux", 
                   "DIABETES_aux", "OBESIDADE_aux")

sind_met1 <-  c("CARDIOPATI_aux1", 
                    "DIABETES_aux1",
                    "OBESIDADE_aux1")

dados6 <- mutate(dados6, CARDIOPATI_aux=CARDIOPATI,  DIABETES_aux=DIABETES, OBESIDADE_aux=OBESIDADE)

dados6 <- mutate(dados6, CARDIOPATI_aux1=CARDIOPATI, DIABETES_aux1=DIABETES, OBESIDADE_aux1=OBESIDADE)

dados6 <-  dados6 %>% 
  mutate_at(all_of(sind_met), function(x){case_when(x == "1" ~ 1, TRUE ~ 0)}) %>%
  mutate_at(all_of(sind_met1), function(x){case_when(x == "1" ~ 1, x == "2" ~ 0, TRUE ~ NA_real_)}) %>%
  mutate(
      cont_sind_met = CARDIOPATI_aux + DIABETES_aux + OBESIDADE_aux) %>% 
    mutate(
        num_sind_met = case_when(
            is.na(CARDIOPATI_aux1) |  is.na(DIABETES_aux1) | is.na(OBESIDADE_aux1) ~ NA_real_,
            TRUE ~ cont_sind_met
        ),
        gr_sind_met = case_when(
            num_sind_met == 0 ~ 0,
            num_sind_met == 1 ~ 0,
            num_sind_met == 2 ~ 0,
            num_sind_met == 3 ~ 1, 
            TRUE ~ NA_real_)) 

dados6$gr_sind_met <- factor(dados6$gr_sind_met, 
                     levels = c(1,0), 
                     labels = c("sim", "não"))
sintomas <-  c("FEBRE_aux", "TOSSE_aux", "GARGANTA_aux", "DISPNEIA_aux", "DESC_RESP_aux", "SATURACAO_aux", "DIARREIA_aux", "VOMITO_aux", "DOR_ABD_aux", "FADIGA_aux", "PERD_OLFT_aux", "PERD_PALA_aux")

sintomas1 <-  c("FEBRE_aux1", "TOSSE_aux1", "GARGANTA_aux1", "DISPNEIA_aux1", "DESC_RESP_aux1", "SATURACAO_aux1", "DIARREIA_aux1", "VOMITO_aux1", "DOR_ABD_aux1", "FADIGA_aux1", "PERD_OLFT_aux1", "PERD_PALA_aux1")

dados6 <- mutate(dados6, FEBRE_aux=FEBRE, TOSSE_aux=TOSSE, GARGANTA_aux=GARGANTA, DISPNEIA_aux=DISPNEIA, DESC_RESP_aux=DESC_RESP, SATURACAO_aux=SATURACAO, DIARREIA_aux=DIARREIA, VOMITO_aux=VOMITO, DOR_ABD_aux=DOR_ABD, FADIGA_aux=FADIGA, PERD_OLFT_aux=PERD_OLFT, PERD_PALA_aux=PERD_PALA)

dados6 <- mutate(dados6, FEBRE_aux1=FEBRE, TOSSE_aux1=TOSSE, GARGANTA_aux1=GARGANTA, DISPNEIA_aux1=DISPNEIA, DESC_RESP_aux1=DESC_RESP, SATURACAO_aux1=SATURACAO, DIARREIA_aux1=DIARREIA, VOMITO_aux1=VOMITO, DOR_ABD_aux1=DOR_ABD, FADIGA_aux1=FADIGA, PERD_OLFT_aux1=PERD_OLFT, PERD_PALA_aux1=PERD_PALA)

dados6 <-  dados6 %>% 
  mutate_at(all_of(sintomas), function(x){case_when(x == "1" ~ 1, TRUE ~ 0)}) %>%
  mutate_at(all_of(sintomas1), function(x){case_when(x == "1" ~ 1, x == "2" ~ 0, TRUE ~ NA_real_)}) %>%
  mutate(
      cont_sintomas = FEBRE_aux + TOSSE_aux +  GARGANTA_aux + DISPNEIA_aux + DESC_RESP_aux + SATURACAO_aux + DIARREIA_aux + VOMITO_aux + DOR_ABD_aux + FADIGA_aux + PERD_OLFT_aux + PERD_PALA_aux) %>% 
    mutate(
        num_sintomas = case_when(
            is.na(FEBRE_aux1) | is.na(TOSSE_aux1) | is.na(GARGANTA_aux1) | is.na(DISPNEIA_aux1) | is.na(DESC_RESP_aux1) | is.na(SATURACAO_aux1) | is.na(DIARREIA_aux1) |
                is.na(VOMITO_aux1) | is.na(DOR_ABD_aux1) | is.na(FADIGA_aux1) | is.na(PERD_OLFT_aux1) | is.na(PERD_PALA_aux1) ~ NA_real_,
            TRUE ~ cont_sintomas
        ),
        gr_sintomas = case_when(
            num_sintomas == 0 ~ 0,
            num_sintomas == 1 ~ 1,
            num_sintomas == 2 ~ 1,
            num_sintomas >  2 ~ 2, 
            TRUE ~ NA_real_), 
        sintomas_SN = case_when(
            gr_sintomas == 0 ~ 0,
            gr_sintomas == 1 ~ 1, 
            gr_sintomas == 2 ~ 1,
            TRUE ~ NA_real_)
        ) 

dados6$gr_sintomas <- factor(dados6$gr_sintomas, 
                     levels = c(0, 1, 2), 
                     labels = c("nenhum", "1 ou 2", ">2"))

dados6$sintomas_SN <- factor(dados6$sintomas_SN, 
                     levels = c(1, 0), 
                     labels = c("sim", "não"))
resp <-  c("DISPNEIA_aux", "DESC_RESP_aux", "SATURACAO_aux")

resp1 <-  c("DISPNEIA_aux1", "DESC_RESP_aux1", "SATURACAO_aux1")

dados6 <- mutate(dados6, DISPNEIA_aux=DISPNEIA, DESC_RESP_aux=DESC_RESP, SATURACAO_aux=SATURACAO)

dados6 <- mutate(dados6, DISPNEIA_aux1=DISPNEIA, DESC_RESP_aux1=DESC_RESP, SATURACAO_aux1=SATURACAO)

dados6 <-  dados6 %>% 
  mutate_at(all_of(resp), function(x){case_when(x == "1" ~ 1, TRUE ~ 0)}) %>%
  mutate_at(all_of(resp1), function(x){case_when(x == "1" ~ 1, x == "2" ~ 0, TRUE ~ NA_real_)}) %>%
  mutate(
      cont_resp = DISPNEIA_aux + DESC_RESP_aux + SATURACAO_aux) %>% 
    mutate(
       num_resp = case_when(
           (cont_resp == 0) & (is.na(DISPNEIA_aux1) | is.na(DESC_RESP_aux1) | is.na(SATURACAO_aux1)) ~ NA_real_,
            # is.na(DISPNEIA_aux1) & is.na(DESC_RESP_aux1) & is.na(SATURACAO_aux1)  ~ NA_real_,
            TRUE ~ cont_resp
        ),
        sint_resp = case_when(
            num_resp == 0 ~ 0,
            num_resp == 1 ~ 1,
            num_resp == 2 ~ 1,
            num_resp == 3 ~ 1,
            TRUE ~ NA_real_)) 

dados6$sint_resp <- factor(dados6$sint_resp, 
                     levels = c(1, 0), 
                     labels = c("sim", "não"))
#Sari e sari sem febre
dados6 <-  dados6 %>% 
  mutate(
    sari = case_when(
      FEBRE == "1" &
        (TOSSE == "1" | GARGANTA == "1") &
        (DESC_RESP == "1" | DISPNEIA == "1" | SATURACAO == "1") ~ 1, 
      is.na(FEBRE_aux1) | (is.na(TOSSE_aux1)  & is.na(GARGANTA_aux1)) | (is.na(DESC_RESP_aux1) & is.na(DISPNEIA_aux1) &  is.na(SATURACAO_aux1)) ~ NA_real_,
      TRUE ~ 0),
    sari_sfebre = case_when(
      (TOSSE == "1" | GARGANTA == "1") &
        (DESC_RESP == "1" | DISPNEIA == "1" | SATURACAO == "1") ~ 1,
     (is.na(TOSSE_aux1)  & is.na(GARGANTA_aux1)) | (is.na(DESC_RESP_aux1) & is.na(DISPNEIA_aux1) &  is.na(SATURACAO_aux1)) ~ NA_real_,
      TRUE ~ 0))

dados6$sari <- factor(dados6$sari, 
                     levels = c(1, 0), 
                     labels = c("sim", "não"))

dados6$sari_sfebre <- factor(dados6$sari_sfebre, 
                     levels = c(1, 0), 
                     labels = c("sim", "não"))

Comparação entre gestante ou puérpera versus não gestante e comparação entre gestante versus puérpera versus não (não gestante e não puérpera)

Variáveis de caracterização

As porcentagens estão por grupo indicador de gestante.

Para raça (CS_RACA), as categorias são: 1-branca; 2-preta; 3-amarela; 4-parda; 5-Indígena; 6-Ignorada.

kable(questionr::freq(dados6$CS_RACA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para raça",digits = 2)
Tabela de frequências para raça
n %
1 16758 41.2
2 1917 4.7
3 396 1.0
4 12706 31.3
5 114 0.3
9 6135 15.1
NA 2614 6.4
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável raca, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da raça por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$raca <- factor(dados6$CS_RACA, 
                     levels = c("1", "2", "3", "4", "5"), 
                     labels = c("branca", "preta", "amarela", "parda", "indigena"))
ctable(dados6$gest_puerp,  dados6$raca, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * raca  
## Data Frame: dados6  
## 
## 
## ------------ ------ --------------- ------------- ------------ --------------- ------------ ----------------
##                raca          branca         preta      amarela           parda     indigena            Total
##   gest_puerp                                                                                                
##          não          15418 (54.0%)   1679 (5.9%)   359 (1.3%)   10976 (38.5%)    97 (0.3%)   28529 (100.0%)
##        gesta           1102 (40.5%)    192 (7.1%)    33 (1.2%)    1382 (50.8%)    13 (0.5%)    2722 (100.0%)
##        puerp            238 (37.2%)     46 (7.2%)     4 (0.6%)     348 (54.4%)     4 (0.6%)     640 (100.0%)
##        Total          16758 (52.5%)   1917 (6.0%)   396 (1.2%)   12706 (39.8%)   114 (0.4%)   31891 (100.0%)
## ------------ ------ --------------- ------------- ------------ --------------- ------------ ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      257       8       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$raca, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * raca  
## Data Frame: dados6  
## 
## 
## ---------------- ------ --------------- ------------- ------------ --------------- ------------ ----------------
##                    raca          branca         preta      amarela           parda     indigena            Total
##   gesta_puerp_SN                                                                                                
##              não          15418 (54.0%)   1679 (5.9%)   359 (1.3%)   10976 (38.5%)    97 (0.3%)   28529 (100.0%)
##              sim           1340 (39.9%)    238 (7.1%)    37 (1.1%)    1730 (51.5%)    17 (0.5%)    3362 (100.0%)
##            Total          16758 (52.5%)   1917 (6.0%)   396 (1.2%)   12706 (39.8%)   114 (0.4%)   31891 (100.0%)
## ---------------- ------ --------------- ------------- ------------ --------------- ------------ ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     252.5      4       0    
## ----------------------------

Vamos criar uma variável indicadora de pessoa branca (sim ou não).

dados6 <- mutate(dados6, branca_SN = ifelse(raca=="branca","sim", "não") )
ctable(dados6$gest_puerp,  dados6$branca_SN, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * branca_SN  
## Data Frame: dados6  
## 
## 
## ------------ ----------- --------------- --------------- ----------------
##                branca_SN             não             sim            Total
##   gest_puerp                                                             
##          não               13111 (46.0%)   15418 (54.0%)   28529 (100.0%)
##        gesta                1620 (59.5%)    1102 (40.5%)    2722 (100.0%)
##        puerp                 402 (62.8%)     238 (37.2%)     640 (100.0%)
##        Total               15133 (47.5%)   16758 (52.5%)   31891 (100.0%)
## ------------ ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      245       2       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$branca_SN, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * branca_SN  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- --------------- --------------- ----------------
##                    branca_SN             não             sim            Total
##   gesta_puerp_SN                                                             
##              não               13111 (46.0%)   15418 (54.0%)   28529 (100.0%)
##              sim                2022 (60.1%)    1340 (39.9%)    3362 (100.0%)
##            Total               15133 (47.5%)   16758 (52.5%)   31891 (100.0%)
## ---------------- ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     242.2      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.56        0.52       0.61   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.76       0.76      0.76   
## --------------------------------

Para escolaridade (CS_ESCOL_N), as categorias são: 0-sem escolaridade/analfabeto; 1-fundamental 1º ciclo (1ª a 5ª série); 2-fundamental 2º ciclo (6ª a 9ª série); 3-médio (1º ao 3º ano); 4-Superior; 5-Não se aplica (Preenchido automaticamente com a categoria “não se aplica” quando idade for menor que 7 anos), 9-Ignorada.

kable(questionr::freq(dados6$CS_ESCOL_N, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para escolaridade",digits = 2)
Tabela de frequências para escolaridade
n %
0 228 0.6
1 1546 3.8
2 2556 6.3
3 8501 20.9
4 4403 10.8
5 1 0.0
9 11495 28.3
NA 11910 29.3
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável escol, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$escol <- factor(dados6$CS_ESCOL_N, 
                     levels = c("0","1", "2", "3", "4"), 
                     labels = c("sem escol", "fund1", "fund2", "medio", "superior"))
ctable(dados6$gest_puerp,  dados6$escol, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * escol  
## Data Frame: dados6  
## 
## 
## ------------ ------- ------------ -------------- -------------- -------------- -------------- ----------------
##                escol    sem escol          fund1          fund2          medio       superior            Total
##   gest_puerp                                                                                                  
##          não           219 (1.4%)   1417 ( 9.2%)   2244 (14.5%)   7532 (48.7%)   4058 (26.2%)   15470 (100.0%)
##        gesta             7 (0.5%)     95 ( 6.6%)    265 (18.5%)    790 (55.1%)    277 (19.3%)    1434 (100.0%)
##        puerp             2 (0.6%)     34 (10.3%)     47 (14.2%)    179 (54.2%)     68 (20.6%)     330 (100.0%)
##        Total           228 (1.3%)   1546 ( 9.0%)   2556 (14.8%)   8501 (49.3%)   4403 (25.5%)   17234 (100.0%)
## ------------ ------- ------------ -------------- -------------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     74.29      8       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$escol, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * escol  
## Data Frame: dados6  
## 
## 
## ---------------- ------- ------------ ------------- -------------- -------------- -------------- ----------------
##                    escol    sem escol         fund1          fund2          medio       superior            Total
##   gesta_puerp_SN                                                                                                 
##              não           219 (1.4%)   1417 (9.2%)   2244 (14.5%)   7532 (48.7%)   4058 (26.2%)   15470 (100.0%)
##              sim             9 (0.5%)    129 (7.3%)    312 (17.7%)    969 (54.9%)    345 (19.6%)    1764 (100.0%)
##            Total           228 (1.3%)   1546 (9.0%)   2556 (14.8%)   8501 (49.3%)   4403 (25.5%)   17234 (100.0%)
## ---------------- ------- ------------ ------------- -------------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     66.76      4       0    
## ----------------------------

Vamos criar uma variável indicadora de curso superior (sim ou não).

dados6 <- mutate(dados6, superior_SN = ifelse(escol=="superior","sim", "não") )
ctable(dados6$gest_puerp,  dados6$superior_SN, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * superior_SN  
## Data Frame: dados6  
## 
## 
## ------------ ------------- --------------- -------------- ----------------
##                superior_SN             não            sim            Total
##   gest_puerp                                                              
##          não                 11412 (73.8%)   4058 (26.2%)   15470 (100.0%)
##        gesta                  1157 (80.7%)    277 (19.3%)    1434 (100.0%)
##        puerp                   262 (79.4%)     68 (20.6%)     330 (100.0%)
##        Total                 12831 (74.5%)   4403 (25.5%)   17234 (100.0%)
## ------------ ------------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     37.31      2       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$superior_SN, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * superior_SN  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- --------------- -------------- ----------------
##                    superior_SN             não            sim            Total
##   gesta_puerp_SN                                                              
##              não                 11412 (73.8%)   4058 (26.2%)   15470 (100.0%)
##              sim                  1419 (80.4%)    345 (19.6%)    1764 (100.0%)
##            Total                 12831 (74.5%)   4403 (25.5%)   17234 (100.0%)
## ---------------- ------------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     36.73      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.68        0.60       0.77   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.92       0.92      0.92   
## --------------------------------

Vamos categorizar escolaridade como o paper do The Lancet: analfabeto, até ensino médio, ensino médio e superior.

dados6 <- mutate(dados6, escol_lancet = ifelse(escol=="fund1" | escol=="fund2", "ate medio", ifelse(escol=="medio", "medio", ifelse(escol=="superior", "superior", "sem escolaridade"))))

dados6$escol_lancet  <- factor(dados6$escol_lancet, 
                               levels = c("sem escolaridade","ate medio", "medio", "superior"), 
                     labels = c("sem escolaridade", "ate medio", "medio", "superior"))
table(dados6$escol_lancet)
## 
## sem escolaridade        ate medio            medio         superior 
##              228             4102             8501             4403
ctable(dados6$gest_puerp,  dados6$escol_lancet, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * escol_lancet  
## Data Frame: dados6  
## 
## 
## ------------ -------------- ------------------ -------------- -------------- -------------- ----------------
##                escol_lancet   sem escolaridade      ate medio          medio       superior            Total
##   gest_puerp                                                                                                
##          não                        219 (1.4%)   3661 (23.7%)   7532 (48.7%)   4058 (26.2%)   15470 (100.0%)
##        gesta                          7 (0.5%)    360 (25.1%)    790 (55.1%)    277 (19.3%)    1434 (100.0%)
##        puerp                          2 (0.6%)     81 (24.5%)    179 (54.2%)     68 (20.6%)     330 (100.0%)
##        Total                        228 (1.3%)   4102 (23.8%)   8501 (49.3%)   4403 (25.5%)   17234 (100.0%)
## ------------ -------------- ------------------ -------------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     51.39      6       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$escol_lancet, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * escol_lancet  
## Data Frame: dados6  
## 
## 
## ---------------- -------------- ------------------ -------------- -------------- -------------- ----------------
##                    escol_lancet   sem escolaridade      ate medio          medio       superior            Total
##   gesta_puerp_SN                                                                                                
##              não                        219 (1.4%)   3661 (23.7%)   7532 (48.7%)   4058 (26.2%)   15470 (100.0%)
##              sim                          9 (0.5%)    441 (25.0%)    969 (54.9%)    345 (19.6%)    1764 (100.0%)
##            Total                        228 (1.3%)   4102 (23.8%)   8501 (49.3%)   4403 (25.5%)   17234 (100.0%)
## ---------------- -------------- ------------------ -------------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     51.12      3       0    
## ----------------------------

Outra variável de caracterização é a idade (NU_IDADE_N). A seguir apresentamos as medidas descritivas de idade por grupo (gest_puerp e gesta_puerp_SN).

datasummary((gest_puerp + gesta_puerp_SN) ~ NU_IDADE_N*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados6, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 36474.00 38.22 8.25 40.00 10.00 49.00 33.00 45.00 12.00
gesta 3372.00 29.64 6.93 30.00 10.00 49.00 24.00 35.00 11.00
puerp 794.00 30.24 7.34 30.00 13.00 49.00 25.00 36.00 11.00
gesta_puerp_SN não 36474.00 38.22 8.25 40.00 10.00 49.00 33.00 45.00 12.00
sim 4166.00 29.76 7.02 30.00 10.00 49.00 25.00 35.00 10.00

Comparação da idade com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(NU_IDADE_N ~ gest_puerp,
          data=dados6)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  NU_IDADE_N by gest_puerp
## Kruskal-Wallis chi-squared = 3720.6, df = 2, p-value < 2.2e-16
pairwise.wilcox.test(dados6$NU_IDADE_N, dados6$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados6$NU_IDADE_N and dados6$gest_puerp 
## 
##       não    gesta
## gesta <2e-16 -    
## puerp <2e-16 0.034
## 
## P value adjustment method: holm

Comparação da idade com relação ao gesta_puerp_SN

#Levene
leveneTest(NU_IDADE_N ~ gesta_puerp_SN, data=dados6, center=mean)
t.test(NU_IDADE_N ~ gesta_puerp_SN, data=dados6, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  NU_IDADE_N by gesta_puerp_SN
## t = 72.315, df = 5568.7, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  8.228769 8.687347
## sample estimates:
## mean in group não mean in group sim 
##          38.21610          29.75804
dados6 <- mutate(dados6, faixa_et = ifelse(NU_IDADE_N <= 19,"<20", ifelse(NU_IDADE_N >= 20 & NU_IDADE_N < 34,"20-34",">=35")))

dados6$faixa_et <- factor(dados6$faixa_et, 
                     levels = c("<20", "20-34", ">=35"))
ctable(dados6$gest_puerp,  dados6$faixa_et, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * faixa_et  
## Data Frame: dados6  
## 
## 
## ------------ ---------- ------------- --------------- --------------- ----------------
##                faixa_et           <20           20-34            >=35            Total
##   gest_puerp                                                                          
##          não              1009 (2.8%)    8483 (23.3%)   26982 (74.0%)   36474 (100.0%)
##        gesta               250 (7.4%)    2085 (61.8%)    1037 (30.8%)    3372 (100.0%)
##        puerp                61 (7.7%)     449 (56.5%)     284 (35.8%)     794 (100.0%)
##        Total              1320 (3.2%)   11017 (27.1%)   28303 (69.6%)   40640 (100.0%)
## ------------ ---------- ------------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     3169       4       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$faixa_et, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * faixa_et  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- ------------- --------------- --------------- ----------------
##                    faixa_et           <20           20-34            >=35            Total
##   gesta_puerp_SN                                                                          
##              não              1009 (2.8%)    8483 (23.3%)   26982 (74.0%)   36474 (100.0%)
##              sim               311 (7.5%)    2534 (60.8%)    1321 (31.7%)    4166 (100.0%)
##            Total              1320 (3.2%)   11017 (27.1%)   28303 (69.6%)   40640 (100.0%)
## ---------------- ---------- ------------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     3160       2       0    
## ----------------------------

Para histórico de viagem (HISTO_VGM), com categorias 1-sim, 2-não e 9-ignorado. Veja pela tabela abaixo que tem 0, mas não é declarado no dicionário.

kable(questionr::freq(dados6$HISTO_VGM, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para histórico de viagem",digits = 2)
Tabela de frequências para histórico de viagem
n %
0 5438 13.4
1 41 0.1
2 31170 76.7
9 3991 9.8
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável hist_viagem, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$hist_viagem <- factor(dados6$HISTO_VGM, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$hist_viagem, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * hist_viagem  
## Data Frame: dados6  
## 
## 
## ------------ ------------- ----------- ---------------- ----------------
##                hist_viagem         sim              não            Total
##   gest_puerp                                                            
##          não                 39 (0.1%)   27906 ( 99.9%)   27945 (100.0%)
##        gesta                  1 (0.0%)    2643 (100.0%)    2644 (100.0%)
##        puerp                  1 (0.2%)     621 ( 99.8%)     622 (100.0%)
##        Total                 41 (0.1%)   31170 ( 99.9%)   31211 (100.0%)
## ------------ ------------- ----------- ---------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     1.948      2    0.3776  
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$hist_viagem, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * hist_viagem  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- ----------- --------------- ----------------
##                    hist_viagem         sim             não            Total
##   gesta_puerp_SN                                                           
##              não                 39 (0.1%)   27906 (99.9%)   27945 (100.0%)
##              sim                  2 (0.1%)    3264 (99.9%)    3266 (100.0%)
##            Total                 41 (0.1%)   31170 (99.9%)   31211 (100.0%)
## ---------------- ------------- ----------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.8355      1    0.3607  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.28        0.55       9.45   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.28       2.28      2.28   
## --------------------------------

Para indicador de caso proveniente de surto de SG que evoluiu para SRAG (SURTO_SG), as categorias são: 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$SURTO_SG, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para SG evoluído para SRAG",digits = 2)
Tabela de frequências para SG evoluído para SRAG
n %
1 8345 20.5
2 23608 58.1
9 3380 8.3
NA 5307 13.1
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável SG_para_SRAG, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$SG_para_SRAG <- factor(dados6$SURTO_SG, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$SG_para_SRAG, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * SG_para_SRAG  
## Data Frame: dados6  
## 
## 
## ------------ -------------- -------------- --------------- ----------------
##                SG_para_SRAG            sim             não            Total
##   gest_puerp                                                               
##          não                  7523 (26.3%)   21110 (73.7%)   28633 (100.0%)
##        gesta                   658 (24.5%)    2029 (75.5%)    2687 (100.0%)
##        puerp                   164 (25.9%)     469 (74.1%)     633 (100.0%)
##        Total                  8345 (26.1%)   23608 (73.9%)   31953 (100.0%)
## ------------ -------------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     4.074      2    0.1305  
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$SG_para_SRAG, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * SG_para_SRAG  
## Data Frame: dados6  
## 
## 
## ---------------- -------------- -------------- --------------- ----------------
##                    SG_para_SRAG            sim             não            Total
##   gesta_puerp_SN                                                               
##              não                  7523 (26.3%)   21110 (73.7%)   28633 (100.0%)
##              sim                   822 (24.8%)    2498 (75.2%)    3320 (100.0%)
##            Total                  8345 (26.1%)   23608 (73.9%)   31953 (100.0%)
## ---------------- -------------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     3.46       1    0.0629  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.08        1.00       1.18   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.06       1.06      1.06   
## --------------------------------

Para indicador de caso proveniente de infecção adquirida no hospital (NOSOCOMIAL), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$NOSOCOMIAL, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para infecção adquirida no hospital",digits = 2)
Tabela de frequências para infecção adquirida no hospital
n %
1 831 2.0
2 29891 73.6
9 2802 6.9
NA 7116 17.5
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável inf_inter, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$inf_inter <- factor(dados6$NOSOCOMIAL, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$inf_inter, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * inf_inter  
## Data Frame: dados6  
## 
## 
## ------------ ----------- ------------ --------------- ----------------
##                inf_inter          sim             não            Total
##   gest_puerp                                                          
##          não               760 (2.8%)   26748 (97.2%)   27508 (100.0%)
##        gesta                37 (1.4%)    2580 (98.6%)    2617 (100.0%)
##        puerp                34 (5.7%)     563 (94.3%)     597 (100.0%)
##        Total               831 (2.7%)   29891 (97.3%)   30722 (100.0%)
## ------------ ----------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     37.21      2       0    
## ----------------------------
#funcao para calcular OR
odds_function <- function(dat, met = "midp") {
  treatments <- c("não", "gesta", "puerp")
  ae_present <- c("nao", "sim")
  matriz <- as.matrix(dat)
  matriz[,1] <- dat[,2]
  matriz[,2] <- dat[,1]
  dimnames(matriz) <- list("Grupos" = treatments, 
                           "Var Present" = ae_present)
  if(sum(matriz==0) > 0){
    matriz <- matriz + 0.5
  }
  or_fit <- oddsratio(matriz, correction=TRUE, method = met)
  return(or_fit)
}

#funcao para calcular OR
odds_function1 <- function(dat, met = "midp") {
  treatments <- c("gesta", "não", "puerp")
  ae_present <- c("nao", "sim")
  dat <- as.matrix(dat)
  matriz <- matrix(0, ncol = dim(dat)[2], nrow = dim(dat)[1])
  matriz[1,1] <- dat[2,2]
  matriz[2,1] <- dat[1,2]
  matriz[3,1] <- dat[3,2]
  matriz[1,2] <- dat[2,1]
  matriz[2,2] <- dat[1,1]
  matriz[3,2] <- dat[3,1]
  if(sum(matriz==0) > 0){
    matriz <- matriz + 0.5
  }
  dimnames(matriz) <- list("Grupos" = treatments, 
                           "Var Present" = ae_present)
  
  or_fit <- oddsratio(matriz, correction=TRUE, method = met)
  return(or_fit)
}
oi <- table(dados6$gest_puerp, dados6$inf_inter)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   26748 760 27508
##   gesta  2580  37  2617
##   puerp   563  34   597
##   Total 29891 831 30722
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.5068696 0.3571735 0.6961166
##   puerp 2.1346848 1.4713692 2.9928548
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 9.171204e-06 1.311602e-05 5.226267e-05
##   puerp 1.467928e-04 1.353220e-04 3.279351e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  2580  37  2617
##   não   26748 760 27508
##   puerp   563  34   597
##   Total 29891 831 30722
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.972929 1.436541 2.799760
##   puerp 4.209959 2.606034 6.781236
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   9.171204e-06 1.311602e-05 5.226267e-05
##   puerp 1.493613e-08 1.217359e-08 3.658162e-10
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$inf_inter, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * inf_inter  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- ------------ --------------- ----------------
##                    inf_inter          sim             não            Total
##   gesta_puerp_SN                                                          
##              não               760 (2.8%)   26748 (97.2%)   27508 (100.0%)
##              sim                71 (2.2%)    3143 (97.8%)    3214 (100.0%)
##            Total               831 (2.7%)   29891 (97.3%)   30722 (100.0%)
## ---------------- ----------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     3.146      1    0.0761  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.26        0.98       1.61   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.25       1.25      1.25   
## --------------------------------

Para indicador de caso com contato com ave ou suíno (AVE_SUINO), as categorias são 1-sim, 2-não e 9-ignorado. Tem valor 3 não especificado.

kable(questionr::freq(dados6$AVE_SUINO, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para infecção adquirida no hospital",digits = 2)
Tabela de frequências para infecção adquirida no hospital
n %
1 344 0.8
2 28834 70.9
3 19 0.0
9 5406 13.3
NA 6037 14.9
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável cont_ave_suino, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$cont_ave_suino <- factor(dados6$AVE_SUINO, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$cont_ave_suino, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * cont_ave_suino  
## Data Frame: dados6  
## 
## 
## ------------ ---------------- ------------ --------------- ----------------
##                cont_ave_suino          sim             não            Total
##   gest_puerp                                                               
##          não                    306 (1.2%)   25896 (98.8%)   26202 (100.0%)
##        gesta                     32 (1.3%)    2378 (98.7%)    2410 (100.0%)
##        puerp                      6 (1.1%)     560 (98.9%)     566 (100.0%)
##        Total                    344 (1.2%)   28834 (98.8%)   29178 (100.0%)
## ------------ ---------------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.5547      2    0.7578  
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$cont_ave_suino, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * cont_ave_suino  
## Data Frame: dados6  
## 
## 
## ---------------- ---------------- ------------ --------------- ----------------
##                    cont_ave_suino          sim             não            Total
##   gesta_puerp_SN                                                               
##              não                    306 (1.2%)   25896 (98.8%)   26202 (100.0%)
##              sim                     38 (1.3%)    2938 (98.7%)    2976 (100.0%)
##            Total                    344 (1.2%)   28834 (98.8%)   29178 (100.0%)
## ---------------- ---------------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.1871      1    0.6653  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.91        0.65       1.28   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.91       0.91      0.91   
## --------------------------------

Agora a distribuição por estado:

ctable(dados6$SG_UF,  dados6$gesta_puerp_SN, prop="c")
## Cross-Tabulation, Column Proportions  
## SG_UF * gesta_puerp_SN  
## Data Frame: dados6  
## 
## ------- ---------------- ---------------- --------------- ----------------
##           gesta_puerp_SN              não             sim            Total
##   SG_UF                                                                   
##      AC                      155 (  0.4%)      4 (  0.1%)     159 (  0.4%)
##      AL                      251 (  0.7%)     21 (  0.5%)     272 (  0.7%)
##      AM                      518 (  1.4%)    121 (  2.9%)     639 (  1.6%)
##      AP                       47 (  0.1%)      3 (  0.1%)      50 (  0.1%)
##      BA                     1268 (  3.5%)    205 (  4.9%)    1473 (  3.6%)
##      CE                      867 (  2.4%)    164 (  3.9%)    1031 (  2.5%)
##      DF                      787 (  2.2%)    191 (  4.6%)     978 (  2.4%)
##      ES                      349 (  1.0%)     44 (  1.1%)     393 (  1.0%)
##      GO                     1287 (  3.5%)    155 (  3.7%)    1442 (  3.5%)
##      MA                      250 (  0.7%)     63 (  1.5%)     313 (  0.8%)
##      MG                     2361 (  6.5%)    218 (  5.2%)    2579 (  6.3%)
##      MS                      815 (  2.2%)     69 (  1.7%)     884 (  2.2%)
##      MT                      433 (  1.2%)     60 (  1.4%)     493 (  1.2%)
##      PA                      890 (  2.4%)    120 (  2.9%)    1010 (  2.5%)
##      PB                      355 (  1.0%)     75 (  1.8%)     430 (  1.1%)
##      PE                     1322 (  3.6%)    342 (  8.2%)    1664 (  4.1%)
##      PI                      414 (  1.1%)     96 (  2.3%)     510 (  1.3%)
##      PR                     2537 (  7.0%)    210 (  5.0%)    2747 (  6.8%)
##      RJ                     2516 (  6.9%)    286 (  6.9%)    2802 (  6.9%)
##      RN                      245 (  0.7%)     68 (  1.6%)     313 (  0.8%)
##      RO                      157 (  0.4%)     74 (  1.8%)     231 (  0.6%)
##      RR                       52 (  0.1%)      3 (  0.1%)      55 (  0.1%)
##      RS                     2435 (  6.7%)    177 (  4.2%)    2612 (  6.4%)
##      SC                     1122 (  3.1%)     87 (  2.1%)    1209 (  3.0%)
##      SE                      354 (  1.0%)     47 (  1.1%)     401 (  1.0%)
##      SP                    14535 ( 39.9%)   1233 ( 29.6%)   15768 ( 38.8%)
##      TO                      149 (  0.4%)     29 (  0.7%)     178 (  0.4%)
##    <NA>                        3 (  0.0%)      1 (  0.0%)       4 (  0.0%)
##   Total                    36474 (100.0%)   4166 (100.0%)   40640 (100.0%)
## ------- ---------------- ---------------- --------------- ----------------

Vamos agora juntar os estados nas regiões.

regions <- function(state){
  southeast <- c("SP", "RJ", "ES", "MG")
  south <- c("PR", "SC", "RS")
  central <- c("GO", "MT", "MS", "DF")
  northeast <- c("AL", "BA", "CE", "MA", "PB", "PE", "PI", "RN", "SE")
  north <- c("AC", "AP", "AM", "PA", "RO", "RR", "TO")
  out <- 
    ifelse(any(state == southeast),
           "southeast", 
           ifelse(any(state == south), 
                  "south", 
                  ifelse(any(state == central), 
                         "central", 
                         ifelse(any(state == northeast), 
                                "northeast", "north")
                         )
                  )
           )
  return(out)
}

dados6$region <- sapply(dados6$SG_UF, regions)
dados6$region <- ifelse(is.na(dados6$region)==TRUE, 0, dados6$region)
kable(questionr::freq(dados6$region, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para região do país",digits = 2)
Tabela de frequências para região do país
n %
0 4 0.0
central 3797 9.3
north 2322 5.7
northeast 6407 15.8
south 6568 16.2
southeast 21542 53.0
Total 40640 100.0

Variáveis de sintomas

Para indicador de caso com febre (FEBRE), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$FEBRE, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de febre",digits = 2)
Tabela de frequências para indicador de febre
n %
1 26759 65.8
2 9612 23.7
9 360 0.9
NA 3909 9.6
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável febre, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$febre <- factor(dados6$FEBRE, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$febre, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * febre  
## Data Frame: dados6  
## 
## 
## ------------ ------- --------------- -------------- ----------------
##                febre             sim            não            Total
##   gest_puerp                                                        
##          não           24297 (74.3%)   8405 (25.7%)   32702 (100.0%)
##        gesta            2038 (68.3%)    945 (31.7%)    2983 (100.0%)
##        puerp             424 (61.8%)    262 (38.2%)     686 (100.0%)
##        Total           26759 (73.6%)   9612 (26.4%)   36371 (100.0%)
## ------------ ------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      100       2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$febre)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   não   8405 24297 32702
##   gesta  945  2038  2983
##   puerp  262   424   686
##   Total 9612 26759 36371
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.7459848 0.6881209 0.8091994
##   puerp 0.5597023 0.4792459 0.6548731
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 2.978728e-12 3.181407e-12 1.382377e-12
##   puerp 1.313394e-12 1.342997e-12 2.117116e-13
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   gesta  945  2038  2983
##   não   8405 24297 32702
##   puerp  262   424   686
##   Total 9612 26759 36371
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   1.3405323 1.2357893 1.4532331
##   puerp 0.7503283 0.6319564 0.8920934
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   2.978728e-12 3.181407e-12 1.382377e-12
##   puerp 1.183359e-03 1.174552e-03 1.243791e-03
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$febre, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * febre  
## Data Frame: dados6  
## 
## 
## ---------------- ------- --------------- -------------- ----------------
##                    febre             sim            não            Total
##   gesta_puerp_SN                                                        
##              não           24297 (74.3%)   8405 (25.7%)   32702 (100.0%)
##              sim            2462 (67.1%)   1207 (32.9%)    3669 (100.0%)
##            Total           26759 (73.6%)   9612 (26.4%)   36371 (100.0%)
## ---------------- ------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     87.47      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.42        1.32       1.52   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.11       1.11      1.11   
## --------------------------------

O indicador de caso com tosse (TOSSE) tem as categorias 1-sim, 2-não e 9-ignorado.

kable(
  questionr::freq(
    dados6$TOSSE,
    cum = FALSE,
    total = TRUE,
    na.last = FALSE,
    valid = FALSE
  ),
  caption = "Tabela de frequências para indicador de tosse",
  digits = 2
)
Tabela de frequências para indicador de tosse
n %
1 30188 74.3
2 6913 17.0
9 296 0.7
NA 3243 8.0
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável tosse, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$tosse <- factor(dados6$TOSSE, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$tosse, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * tosse  
## Data Frame: dados6  
## 
## 
## ------------ ------- --------------- -------------- ----------------
##                tosse             sim            não            Total
##   gest_puerp                                                        
##          não           27305 (81.9%)   6019 (18.1%)   33324 (100.0%)
##        gesta            2408 (78.1%)    677 (21.9%)    3085 (100.0%)
##        puerp             475 (68.6%)    217 (31.4%)     692 (100.0%)
##        Total           30188 (81.4%)   6913 (18.6%)   37101 (100.0%)
## ------------ ------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     103.4      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$tosse)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   não   6019 27305 33324
##   gesta  677  2408  3085
##   puerp  217   475   692
##   Total 6913 30188 37101
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.7839481 0.7170899 0.8580478
##   puerp 0.4823503 0.4103652 0.5686997
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.809875e-07 1.732217e-07 1.148948e-07
##   puerp 0.000000e+00 7.313006e-17 5.709851e-19
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   gesta  677  2408  3085
##   não   6019 27305 33324
##   puerp  217   475   692
##   Total 6913 30188 37101
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   1.2756027 1.1654363 1.3945253
##   puerp 0.6153249 0.5135191 0.7389457
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   1.809875e-07 1.732217e-07 1.148948e-07
##   puerp 2.811094e-07 3.161235e-07 1.831190e-07
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$tosse, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * tosse  
## Data Frame: dados6  
## 
## 
## ---------------- ------- --------------- -------------- ----------------
##                    tosse             sim            não            Total
##   gesta_puerp_SN                                                        
##              não           27305 (81.9%)   6019 (18.1%)   33324 (100.0%)
##              sim            2883 (76.3%)    894 (23.7%)    3777 (100.0%)
##            Total           30188 (81.4%)   6913 (18.6%)   37101 (100.0%)
## ---------------- ------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     69.99      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.41        1.30       1.52   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.07       1.07      1.07   
## --------------------------------

Para indicador de caso com dor de garganta (GARGANTA), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$GARGANTA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de dor de garganta",digits = 2)
Tabela de frequências para indicador de dor de garganta
n %
1 9734 24.0
2 21740 53.5
9 612 1.5
NA 8554 21.0
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável garganta, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$garganta <- factor(dados6$GARGANTA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$garganta, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * garganta  
## Data Frame: dados6  
## 
## 
## ------------ ---------- -------------- --------------- ----------------
##                garganta            sim             não            Total
##   gest_puerp                                                           
##          não              8854 (31.4%)   19388 (68.6%)   28242 (100.0%)
##        gesta               724 (27.5%)    1905 (72.5%)    2629 (100.0%)
##        puerp               156 (25.9%)     447 (74.1%)     603 (100.0%)
##        Total              9734 (30.9%)   21740 (69.1%)   31474 (100.0%)
## ------------ ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     23.71      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$garganta)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   19388 8854 28242
##   gesta  1905  724  2629
##   puerp   447  156   603
##   Total 21740 9734 31474
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.8323240 0.7609404 0.9095419
##   puerp 0.7647178 0.6344119 0.9169889
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 4.544556e-05 4.966627e-05 5.853018e-05
##   puerp 3.576082e-03 3.873539e-03 4.675786e-03
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  1905  724  2629
##   não   19388 8854 28242
##   puerp   447  156   603
##   Total 21740 9734 31474
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   1.2014233 1.0994545 1.314163
##   puerp 0.9187992 0.7494642 1.121640
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   4.544556e-05 4.966627e-05 5.853018e-05
##   puerp 4.079664e-01 4.175071e-01 4.357726e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$garganta, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * garganta  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- -------------- --------------- ----------------
##                    garganta            sim             não            Total
##   gesta_puerp_SN                                                           
##              não              8854 (31.4%)   19388 (68.6%)   28242 (100.0%)
##              sim               880 (27.2%)    2352 (72.8%)    3232 (100.0%)
##            Total              9734 (30.9%)   21740 (69.1%)   31474 (100.0%)
## ---------------- ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     22.88      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.22        1.13       1.32   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.15       1.15      1.15   
## --------------------------------

Para indicador de caso com dispneia (DISPNEIA), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$DISPNEIA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de dispneia",digits = 2)
Tabela de frequências para indicador de dispneia
n %
1 27276 67.1
2 8996 22.1
9 295 0.7
NA 4073 10.0
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável dispneia, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$dispneia <- factor(dados6$DISPNEIA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$dispneia, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * dispneia  
## Data Frame: dados6  
## 
## 
## ------------ ---------- --------------- -------------- ----------------
##                dispneia             sim            não            Total
##   gest_puerp                                                           
##          não              25134 (76.9%)   7530 (23.1%)   32664 (100.0%)
##        gesta               1761 (59.9%)   1179 (40.1%)    2940 (100.0%)
##        puerp                381 (57.0%)    287 (43.0%)     668 (100.0%)
##        Total              27276 (75.2%)   8996 (24.8%)   36272 (100.0%)
## ------------ ---------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     540.7      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$dispneia)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   não   7530 25134 32664
##   gesta 1179  1761  2940
##   puerp  287   381   668
##   Total 8996 27276 36272
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4474963 0.4139064 0.4839165
##   puerp 0.3976542 0.3405833 0.4648181
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 1.581702e-85 4.473424e-94
##   puerp          0 2.486421e-29 4.666116e-33
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   gesta 1179  1761  2940
##   não   7530 25134 32664
##   puerp  287   381   668
##   Total 8996 27276 36272
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   2.234710 2.0664721 2.416005
##   puerp 0.888722 0.7499853 1.054012
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 1.581702e-85 4.473424e-94
##   puerp  0.1748077 1.763850e-01 1.882050e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$dispneia, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * dispneia  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- --------------- -------------- ----------------
##                    dispneia             sim            não            Total
##   gesta_puerp_SN                                                           
##              não              25134 (76.9%)   7530 (23.1%)   32664 (100.0%)
##              sim               2142 (59.4%)   1466 (40.6%)    3608 (100.0%)
##            Total              27276 (75.2%)   8996 (24.8%)   36272 (100.0%)
## ---------------- ---------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     537.4      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.28        2.13       2.45   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.30       1.30      1.30   
## --------------------------------

Para indicador de caso com desconforto respiratório (DESC_RESP), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$DESC_RESP, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de dispneia",digits = 2)
Tabela de frequências para indicador de dispneia
n %
1 21873 53.8
2 12150 29.9
9 423 1.0
NA 6194 15.2
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável desc_resp, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$desc_resp <- factor(dados6$DESC_RESP, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$desc_resp, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * desc_resp  
## Data Frame: dados6  
## 
## 
## ------------ ----------- --------------- --------------- ----------------
##                desc_resp             sim             não            Total
##   gest_puerp                                                             
##          não               20158 (65.9%)   10442 (34.1%)   30600 (100.0%)
##        gesta                1374 (49.6%)    1397 (50.4%)    2771 (100.0%)
##        puerp                 341 (52.3%)     311 (47.7%)     652 (100.0%)
##        Total               21873 (64.3%)   12150 (35.7%)   34023 (100.0%)
## ------------ ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     335.3      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$desc_resp)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   não   10442 20158 30600
##   gesta  1397  1374  2771
##   puerp   311   341   652
##   Total 12150 21873 34023
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.5094807 0.4711744 0.5508983
##   puerp 0.5679633 0.4861849 0.6637125
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 0.000000e+00 2.380011e-63 7.112034e-66
##   puerp 1.713296e-12 1.873822e-12 7.054843e-13
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   gesta  1397  1374  2771
##   não   10442 20158 30600
##   puerp   311   341   652
##   Total 12150 21873 34023
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   1.962752 1.8152170 2.122357
##   puerp 1.114741 0.9397681 1.322686
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 2.380011e-63 7.112034e-66
##   puerp  0.2125178 2.229630e-01 2.284903e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$desc_resp, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * desc_resp  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- --------------- --------------- ----------------
##                    desc_resp             sim             não            Total
##   gesta_puerp_SN                                                             
##              não               20158 (65.9%)   10442 (34.1%)   30600 (100.0%)
##              sim                1715 (50.1%)    1708 (49.9%)    3423 (100.0%)
##            Total               21873 (64.3%)   12150 (35.7%)   34023 (100.0%)
## ---------------- ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      333       1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.92        1.79       2.06   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.31       1.31      1.31   
## --------------------------------

Para indicador de caso com saturação (SATURACAO), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$SATURACAO, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de saturação",digits = 2)
Tabela de frequências para indicador de saturação
n %
1 18260 44.9
2 15222 37.5
9 529 1.3
NA 6629 16.3
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável saturacao, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$saturacao <- factor(dados6$SATURACAO, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$saturacao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * saturacao  
## Data Frame: dados6  
## 
## 
## ------------ ----------- --------------- --------------- ----------------
##                saturacao             sim             não            Total
##   gest_puerp                                                             
##          não               17109 (56.8%)   13028 (43.2%)   30137 (100.0%)
##        gesta                 860 (31.8%)    1848 (68.2%)    2708 (100.0%)
##        puerp                 291 (45.7%)     346 (54.3%)     637 (100.0%)
##        Total               18260 (54.5%)   15222 (45.5%)   33482 (100.0%)
## ------------ ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     647.5      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$saturacao)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   não   13028 17109 30137
##   gesta  1848   860  2708
##   puerp   346   291   637
##   Total 15222 18260 33482
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.3543934 0.3257120 0.3853469
##   puerp 0.6405118 0.5468675 0.7496412
## 
## $p.value
##        two-sided
## Grupos   midp.exact  fisher.exact    chi.square
##   não            NA            NA            NA
##   gesta 0.00000e+00 3.759120e-139 3.058062e-138
##   puerp 2.81191e-08  2.843669e-08  2.917803e-08
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   gesta  1848   860  2708
##   não   13028 17109 30137
##   puerp   346   291   637
##   Total 15222 18260 33482
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.821597 2.595065 3.070197
##   puerp 1.807014 1.515446 2.153910
## 
## $p.value
##        two-sided
## Grupos    midp.exact  fisher.exact    chi.square
##   gesta           NA            NA            NA
##   não   0.000000e+00 3.759120e-139 3.058062e-138
##   puerp 5.704948e-11  5.505541e-11  3.843357e-11
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$saturacao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * saturacao  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- --------------- --------------- ----------------
##                    saturacao             sim             não            Total
##   gesta_puerp_SN                                                             
##              não               17109 (56.8%)   13028 (43.2%)   30137 (100.0%)
##              sim                1151 (34.4%)    2194 (65.6%)    3345 (100.0%)
##            Total               18260 (54.5%)   15222 (45.5%)   33482 (100.0%)
## ---------------- ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     606.3      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.50        2.32       2.70   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.65       1.65      1.65   
## --------------------------------

Para indicador de caso com diarréia (DIARREIA), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$DIARREIA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de diarréia",digits = 2)
Tabela de frequências para indicador de diarréia
n %
1 6787 16.7
2 24120 59.4
9 621 1.5
NA 9112 22.4
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável diarreia, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$diarreia <- factor(dados6$DIARREIA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$diarreia, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * diarreia  
## Data Frame: dados6  
## 
## 
## ------------ ---------- -------------- --------------- ----------------
##                diarreia            sim             não            Total
##   gest_puerp                                                           
##          não              6387 (23.0%)   21371 (77.0%)   27758 (100.0%)
##        gesta               335 (13.0%)    2239 (87.0%)    2574 (100.0%)
##        puerp                65 (11.3%)     510 (88.7%)     575 (100.0%)
##        Total              6787 (22.0%)   24120 (78.0%)   30907 (100.0%)
## ------------ ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     176.1      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$diarreia)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   21371 6387 27758
##   gesta  2239  335  2574
##   puerp   510   65   575
##   Total 24120 6787 30907
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.5008351 0.4443122 0.5628323
##   puerp 0.4274042 0.3266742 0.5497248
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 0.000000e+00 6.639619e-35 2.169935e-31
##   puerp 1.056932e-12 1.295162e-12 4.879091e-11
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  2239  335  2574
##   não   21371 6387 27758
##   puerp   510   65   575
##   Total 24120 6787 30907
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   1.9966340 1.7767281 2.250670
##   puerp 0.8533977 0.6384568 1.124952
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 6.639619e-35 2.169935e-31
##   puerp  0.2653812 2.987077e-01 2.963518e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$diarreia, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * diarreia  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- -------------- --------------- ----------------
##                    diarreia            sim             não            Total
##   gesta_puerp_SN                                                           
##              não              6387 (23.0%)   21371 (77.0%)   27758 (100.0%)
##              sim               400 (12.7%)    2749 (87.3%)    3149 (100.0%)
##            Total              6787 (22.0%)   24120 (78.0%)   30907 (100.0%)
## ---------------- ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     174.7      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.05        1.84       2.29   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.81       1.81      1.81   
## --------------------------------

Para indicador de caso com vômito (VOMITO), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$VOMITO, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de vômito",digits = 2)
Tabela de frequências para indicador de vômito
n %
1 4535 11.2
2 25807 63.5
9 681 1.7
NA 9617 23.7
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável vomito, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$vomito <- factor(dados6$VOMITO, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$vomito, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * vomito  
## Data Frame: dados6  
## 
## 
## ------------ -------- -------------- --------------- ----------------
##                vomito            sim             não            Total
##   gest_puerp                                                         
##          não            4148 (15.2%)   23058 (84.8%)   27206 (100.0%)
##        gesta             342 (13.3%)    2224 (86.7%)    2566 (100.0%)
##        puerp              45 ( 7.9%)     525 (92.1%)     570 (100.0%)
##        Total            4535 (14.9%)   25807 (85.1%)   30342 (100.0%)
## ------------ -------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     29.51      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$vomito)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   23058 4148 27206
##   gesta  2224  342  2566
##   puerp   525   45   570
##   Total 25807 4535 30342
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.8551473 0.7584052 0.9614311
##   puerp 0.4780706 0.3470866 0.6416027
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 8.572079e-03 9.383532e-03 1.025519e-02
##   puerp 1.716419e-07 2.273929e-07 1.641973e-06
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  2224  342  2566
##   não   23058 4148 27206
##   puerp   525   45   570
##   Total 25807 4535 30342
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   1.1693621 1.0401161 1.3185564
##   puerp 0.5591067 0.3989366 0.7659785
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   0.0085720789 0.0093835320 0.0102551859
##   puerp 0.0002003345 0.0002402308 0.0004700619
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$vomito, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * vomito  
## Data Frame: dados6  
## 
## 
## ---------------- -------- -------------- --------------- ----------------
##                    vomito            sim             não            Total
##   gesta_puerp_SN                                                         
##              não            4148 (15.2%)   23058 (84.8%)   27206 (100.0%)
##              sim             387 (12.3%)    2749 (87.7%)    3136 (100.0%)
##            Total            4535 (14.9%)   25807 (85.1%)   30342 (100.0%)
## ---------------- -------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     18.45      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.28        1.14       1.43   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.24       1.24      1.24   
## --------------------------------

Para indicador de caso com dor abdominal (DOR_ABD), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$DOR_ABD, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de vômito",digits = 2)
Tabela de frequências para indicador de vômito
n %
1 1484 3.7
2 14291 35.2
9 493 1.2
NA 24372 60.0
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável dor_abd, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$dor_abd <- factor(dados6$DOR_ABD, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$dor_abd, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * dor_abd  
## Data Frame: dados6  
## 
## 
## ------------ --------- -------------- --------------- ----------------
##                dor_abd            sim             não            Total
##   gest_puerp                                                          
##          não             1347 ( 9.4%)   13013 (90.6%)   14360 (100.0%)
##        gesta              117 (10.0%)    1058 (90.0%)    1175 (100.0%)
##        puerp               20 ( 8.3%)     220 (91.7%)     240 (100.0%)
##        Total             1484 ( 9.4%)   14291 (90.6%)   15775 (100.0%)
## ------------ --------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.7545      2    0.6858  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$dor_abd)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   13013 1347 14360
##   gesta  1058  117  1175
##   puerp   220   20   240
##   Total 14291 1484 15775
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 1.0695713 0.8724227 1.299657
##   puerp 0.8847588 0.5400522 1.367362
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta  0.5111282    0.4999003  0.5490433
##   puerp  0.5973445    0.6555006  0.6596301
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  1058  117  1175
##   não   13013 1347 14360
##   puerp   220   20   240
##   Total 14291 1484 15775
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   0.9349780 0.7694339 1.146233
##   puerp 0.8272912 0.4895871 1.330770
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não    0.5111282    0.4999003  0.5490433
##   puerp  0.4465488    0.4748504  0.5121005
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$dor_abd, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * dor_abd  
## Data Frame: dados6  
## 
## 
## ---------------- --------- ------------- --------------- ----------------
##                    dor_abd           sim             não            Total
##   gesta_puerp_SN                                                         
##              não             1347 (9.4%)   13013 (90.6%)   14360 (100.0%)
##              sim              137 (9.7%)    1278 (90.3%)    1415 (100.0%)
##            Total             1484 (9.4%)   14291 (90.6%)   15775 (100.0%)
## ---------------- --------- ------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.1045      1    0.7465  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.97        0.80       1.16   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.97       0.97      0.97   
## --------------------------------

Para indicador de caso com fadiga (FADIGA), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$FADIGA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de fadiga",digits = 2)
Tabela de frequências para indicador de fadiga
n %
1 4693 11.5
2 11523 28.4
9 497 1.2
NA 23927 58.9
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável fadiga, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$fadiga <- factor(dados6$FADIGA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$fadiga, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * fadiga  
## Data Frame: dados6  
## 
## 
## ------------ -------- -------------- --------------- ----------------
##                fadiga            sim             não            Total
##   gest_puerp                                                         
##          não            4383 (29.7%)   10397 (70.3%)   14780 (100.0%)
##        gesta             263 (22.1%)     928 (77.9%)    1191 (100.0%)
##        puerp              47 (19.2%)     198 (80.8%)     245 (100.0%)
##        Total            4693 (28.9%)   11523 (71.1%)   16216 (100.0%)
## ------------ -------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     42.25      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$fadiga)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   10397 4383 14780
##   gesta   928  263  1191
##   puerp   198   47   245
##   Total 11523 4693 16216
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.6725727 0.5828617 0.7735399
##   puerp 0.5645994 0.4053154 0.7703669
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.444562e-08 1.614179e-08 3.750065e-08
##   puerp 2.219362e-04 2.946942e-04 4.749744e-04
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   928  263  1191
##   não   10397 4383 14780
##   puerp   198   47   245
##   Total 11523 4693 16216
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   1.4868320 1.2927581 1.715673
##   puerp 0.8395185 0.5880107 1.178157
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   1.444562e-08 1.614179e-08 3.750065e-08
##   puerp 3.169172e-01 3.486003e-01 3.580804e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$fadiga, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * fadiga  
## Data Frame: dados6  
## 
## 
## ---------------- -------- -------------- --------------- ----------------
##                    fadiga            sim             não            Total
##   gesta_puerp_SN                                                         
##              não            4383 (29.7%)   10397 (70.3%)   14780 (100.0%)
##              sim             310 (21.6%)    1126 (78.4%)    1436 (100.0%)
##            Total            4693 (28.9%)   11523 (71.1%)   16216 (100.0%)
## ---------------- -------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     41.03      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.53        1.34       1.74   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.37       1.37      1.37   
## --------------------------------

Para indicador de caso com perda olfativa (PERD_OLFT), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$PERD_OLFT, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de perda olfativa",digits = 2)
Tabela de frequências para indicador de perda olfativa
n %
1 3602 8.9
2 12600 31.0
9 542 1.3
NA 23896 58.8
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável perd_olft, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$perd_olft <- factor(dados6$PERD_OLFT, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$perd_olft, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * perd_olft  
## Data Frame: dados6  
## 
## 
## ------------ ----------- -------------- --------------- ----------------
##                perd_olft            sim             não            Total
##   gest_puerp                                                            
##          não               3216 (21.9%)   11502 (78.1%)   14718 (100.0%)
##        gesta                335 (27.4%)     889 (72.6%)    1224 (100.0%)
##        puerp                 51 (19.6%)     209 (80.4%)     260 (100.0%)
##        Total               3602 (22.2%)   12600 (77.8%)   16202 (100.0%)
## ------------ ----------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     20.95      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$perd_olft)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   11502 3216 14718
##   gesta   889  335  1224
##   puerp   209   51   260
##   Total 12600 3602 16202
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 1.3480737 1.1804978 1.536190
##   puerp 0.8748272 0.6359057 1.181182
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.292458e-05 1.263087e-05 9.750131e-06
##   puerp 3.901737e-01 4.058088e-01 4.298392e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   889  335  1224
##   não   11502 3216 14718
##   puerp   209   51   260
##   Total 12600 3602 16202
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   0.7418009 0.6509611 0.8471003
##   puerp 0.6490753 0.4620109 0.8973823
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   1.292458e-05 1.263087e-05 9.750131e-06
##   puerp 8.446845e-03 1.009391e-02 1.205607e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$perd_olft, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * perd_olft  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- -------------- --------------- ----------------
##                    perd_olft            sim             não            Total
##   gesta_puerp_SN                                                            
##              não               3216 (21.9%)   11502 (78.1%)   14718 (100.0%)
##              sim                386 (26.0%)    1098 (74.0%)    1484 (100.0%)
##            Total               3602 (22.2%)   12600 (77.8%)   16202 (100.0%)
## ---------------- ----------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     13.25      1     3e-04  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.80        0.70       0.90   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.84       0.84      0.84   
## --------------------------------

Para indicador de caso com perda do paladar (PERD_PALA), as categorias são 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$PERD_PALA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de perda do paladar",digits = 2)
Tabela de frequências para indicador de perda do paladar
n %
1 3463 8.5
2 12640 31.1
9 550 1.4
NA 23987 59.0
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável perd_pala, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$perd_pala <- factor(dados6$PERD_PALA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$perd_pala, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * perd_pala  
## Data Frame: dados6  
## 
## 
## ------------ ----------- -------------- --------------- ----------------
##                perd_pala            sim             não            Total
##   gest_puerp                                                            
##          não               3121 (21.3%)   11513 (78.7%)   14634 (100.0%)
##        gesta                297 (24.5%)     915 (75.5%)    1212 (100.0%)
##        puerp                 45 (17.5%)     212 (82.5%)     257 (100.0%)
##        Total               3463 (21.5%)   12640 (78.5%)   16103 (100.0%)
## ------------ ----------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     9.166      2    0.0102  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$perd_pala)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   11513 3121 14634
##   gesta   915  297  1212
##   puerp   212   45   257
##   Total 12640 3463 16103
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 1.1977717 1.0432299 1.371554
##   puerp 0.7852696 0.5609367 1.075116
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.01069826   0.01093763 0.01081617
##   puerp 0.13436206   0.14445589 0.15977857
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   915  297  1212
##   não   11513 3121 14634
##   puerp   212   45   257
##   Total 12640 3463 16103
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   0.8348837 0.7290998 0.9585615
##   puerp 0.6557166 0.4583423 0.9203866
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não   0.01069826   0.01093763 0.01081617
##   puerp 0.01412334   0.01490951 0.01986092
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$perd_pala, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * perd_pala  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- -------------- --------------- ----------------
##                    perd_pala            sim             não            Total
##   gesta_puerp_SN                                                            
##              não               3121 (21.3%)   11513 (78.7%)   14634 (100.0%)
##              sim                342 (23.3%)    1127 (76.7%)    1469 (100.0%)
##            Total               3463 (21.5%)   12640 (78.5%)   16103 (100.0%)
## ---------------- ----------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     2.905      1    0.0883  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.89        0.79       1.01   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.92       0.92      0.92   
## --------------------------------

Agora vamos analisar a varíavel de número de comorbidades. Consideramos como comorbidades: “FEBRE”, “TOSSE”, “GARGANTA”, “DISPNEIA”, “DESC_RESP”, “SATURACAO”, “DIARREIA”, “VOMITO”, “DOR_ABD”, “FADIGA”, “PERD_OLFT”, “PERD_PALA”.

n media DP mediana minimo maximo
gest_puerp não 13407.00 4.48 2.14 4.00 0.00 12.00
gesta 1081.00 3.70 2.16 4.00 0.00 12.00
puerp 225.00 3.27 2.25 3.00 0.00 12.00
gesta_puerp_SN não 13407.00 4.48 2.14 4.00 0.00 12.00
sim 1306.00 3.62 2.18 3.00 0.00 12.00

Teste de Kruskal-Wallis:

kruskal.test(num_sintomas ~ gest_puerp,
          data=dados6)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  num_sintomas by gest_puerp
## Kruskal-Wallis chi-squared = 202.19, df = 2, p-value < 2.2e-16
pairwise.wilcox.test(dados6$num_sintomas, dados6$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados6$num_sintomas and dados6$gest_puerp 
## 
##       não    gesta 
## gesta <2e-16 -     
## puerp <2e-16 0.0025
## 
## P value adjustment method: holm
ctable(dados6$gest_puerp,  dados6$gr_sintomas, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * gr_sintomas  
## Data Frame: dados6  
## 
## 
## ------------ ------------- ------------- -------------- --------------- ----------------
##                gr_sintomas        nenhum         1 ou 2              >2            Total
##   gest_puerp                                                                            
##          não                 250 ( 1.9%)   2021 (15.1%)   11136 (83.1%)   13407 (100.0%)
##        gesta                  65 ( 6.0%)    262 (24.2%)     754 (69.8%)    1081 (100.0%)
##        puerp                  23 (10.2%)     64 (28.4%)     138 (61.3%)     225 (100.0%)
##        Total                 338 ( 2.3%)   2347 (16.0%)   12028 (81.8%)   14713 (100.0%)
## ------------ ------------- ------------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     245.7      4       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$gr_sintomas, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * gr_sintomas  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- ------------ -------------- --------------- ----------------
##                    gr_sintomas       nenhum         1 ou 2              >2            Total
##   gesta_puerp_SN                                                                           
##              não                 250 (1.9%)   2021 (15.1%)   11136 (83.1%)   13407 (100.0%)
##              sim                  88 (6.7%)    326 (25.0%)     892 (68.3%)    1306 (100.0%)
##            Total                 338 (2.3%)   2347 (16.0%)   12028 (81.8%)   14713 (100.0%)
## ---------------- ------------- ------------ -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     227.7      2       0    
## ----------------------------

ACHO QUE VALE COLOCAR SE TEM SINTOMA (SIM OU NÃO), ALÉM DA DESCRITIVA DO NÚMERO DE SINTOMAS.

ctable(dados6$gest_puerp,  dados6$sintomas_SN, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * sintomas_SN  
## Data Frame: dados6  
## 
## 
## ------------ ------------- --------------- ------------- ----------------
##                sintomas_SN             sim           não            Total
##   gest_puerp                                                             
##          não                 13157 (98.1%)   250 ( 1.9%)   13407 (100.0%)
##        gesta                  1016 (94.0%)    65 ( 6.0%)    1081 (100.0%)
##        puerp                   202 (89.8%)    23 (10.2%)     225 (100.0%)
##        Total                 14375 (97.7%)   338 ( 2.3%)   14713 (100.0%)
## ------------ ------------- --------------- ------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     140.6      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$sintomas_SN)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao   sim Total
##   não   250 13157 13407
##   gesta  65  1016  1081
##   puerp  23   202   225
##   Total 338 14375 14713
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.2965311 0.2254367 0.3954380
##   puerp 0.1659851 0.1080599 0.2668905
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 3.863576e-14 2.993950e-14 6.229572e-19
##   puerp 1.633674e-10 1.410182e-10 5.892368e-18
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao   sim Total
##   gesta  65  1016  1081
##   não   250 13157 13407
##   puerp  23   202   225
##   Total 338 14375 14713
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   3.3725059 2.5288417 4.4358359
##   puerp 0.5598495 0.3442608 0.9410405
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   3.863576e-14 2.993950e-14 6.229572e-19
##   puerp 2.931920e-02 2.782955e-02 3.192627e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$sintomas_SN, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * sintomas_SN  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- --------------- ------------ ----------------
##                    sintomas_SN             sim          não            Total
##   gesta_puerp_SN                                                            
##              não                 13157 (98.1%)   250 (1.9%)   13407 (100.0%)
##              sim                  1218 (93.3%)    88 (6.7%)    1306 (100.0%)
##            Total                 14375 (97.7%)   338 (2.3%)   14713 (100.0%)
## ---------------- ------------- --------------- ------------ ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     123.8      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     3.80        2.96       4.88   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.05       1.05      1.05   
## --------------------------------

Vamos agora analisar a variável SARI, dada se febre e tosse ou garganta e desc_resp ou dispneia ou saturação. SARI sem febre é o mesmo que SARI, exceção pelo fato de não considerar febre.

ctable(dados6$gest_puerp,  dados6$sari, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * sari  
## Data Frame: dados6  
## 
## 
## ------------ ------ --------------- --------------- ----------------
##                sari             sim             não            Total
##   gest_puerp                                                        
##          não          18089 (58.9%)   12600 (41.1%)   30689 (100.0%)
##        gesta           1308 (46.8%)    1487 (53.2%)    2795 (100.0%)
##        puerp            242 (38.2%)     392 (61.8%)     634 (100.0%)
##        Total          19639 (57.6%)   14479 (42.4%)   34118 (100.0%)
## ------------ ------ --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     254.1      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$sari)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   não   12600 18089 30689
##   gesta  1487  1308  2795
##   puerp   392   242   634
##   Total 14479 19639 34118
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.6127546 0.5668918 0.6622185
##   puerp 0.4301417 0.3654471 0.5052750
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 4.585011e-35 1.760990e-35
##   puerp          0 2.405282e-25 1.218719e-25
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   gesta  1487  1308  2795
##   não   12600 18089 30689
##   puerp   392   242   634
##   Total 14479 19639 34118
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   1.6320541 1.5100756 1.7640051
##   puerp 0.7020528 0.5878261 0.8370906
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   0.000000e+00 4.585011e-35 1.760990e-35
##   puerp 7.648572e-05 8.248357e-05 9.758298e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$sari, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * sari  
## Data Frame: dados6  
## 
## 
## ---------------- ------ --------------- --------------- ----------------
##                    sari             sim             não            Total
##   gesta_puerp_SN                                                        
##              não          18089 (58.9%)   12600 (41.1%)   30689 (100.0%)
##              sim           1550 (45.2%)    1879 (54.8%)    3429 (100.0%)
##            Total          19639 (57.6%)   14479 (42.4%)   34118 (100.0%)
## ---------------- ------ --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     237.8      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.74        1.62       1.87   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.30       1.30      1.30   
## --------------------------------

SARI sem febre:

ctable(dados6$gest_puerp,  dados6$sari_sfebre, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * sari_sfebre  
## Data Frame: dados6  
## 
## 
## ------------ ------------- --------------- -------------- ----------------
##                sari_sfebre             sim            não            Total
##   gest_puerp                                                              
##          não                 24504 (75.7%)   7849 (24.3%)   32353 (100.0%)
##        gesta                  1816 (62.1%)   1109 (37.9%)    2925 (100.0%)
##        puerp                   351 (53.1%)    310 (46.9%)     661 (100.0%)
##        Total                 26671 (74.2%)   9268 (25.8%)   35939 (100.0%)
## ------------ ------------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     418.1      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$sari_sfebre)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   não   7849 24504 32353
##   gesta 1109  1816  2925
##   puerp  310   351   661
##   Total 9268 26671 35939
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.5245035 0.4848172 0.5676834
##   puerp 0.3626821 0.3106564 0.4235672
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 5.069495e-55 3.343822e-59
##   puerp          0 1.064903e-35 1.974747e-40
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   gesta 1109  1816  2925
##   não   7849 24504 32353
##   puerp  310   351   661
##   Total 9268 26671 35939
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower     upper
##   gesta 1.000000        NA        NA
##   não   1.906539 1.7615452 2.0626329
##   puerp 0.691497 0.5833991 0.8199148
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   0.000000e+00 5.069495e-55 3.343822e-59
##   puerp 2.279056e-05 2.321628e-05 2.421579e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$sari_sfebre, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * sari_sfebre  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- --------------- -------------- ----------------
##                    sari_sfebre             sim            não            Total
##   gesta_puerp_SN                                                              
##              não                 24504 (75.7%)   7849 (24.3%)   32353 (100.0%)
##              sim                  2167 (60.4%)   1419 (39.6%)    3586 (100.0%)
##            Total                 26671 (74.2%)   9268 (25.8%)   35939 (100.0%)
## ---------------- ------------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     394.6      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.04        1.90       2.20   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.25       1.25      1.25   
## --------------------------------

Para indicador de caso com outros sintomas (OUTRO_SIN), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$OUTRO_SIN, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências para indicador de outros sintomas",digits = 2)
Tabela de frequências para indicador de outros sintomas
n %
1 17023 41.9
2 14432 35.5
9 802 2.0
NA 8383 20.6
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável outro_sin, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$outro_sin <- factor(dados6$OUTRO_SIN, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$outro_sin, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * outro_sin  
## Data Frame: dados6  
## 
## 
## ------------ ----------- --------------- --------------- ----------------
##                outro_sin             sim             não            Total
##   gest_puerp                                                             
##          não               15151 (53.8%)   13000 (46.2%)   28151 (100.0%)
##        gesta                1567 (57.8%)    1142 (42.2%)    2709 (100.0%)
##        puerp                 305 (51.3%)     290 (48.7%)     595 (100.0%)
##        Total               17023 (54.1%)   14432 (45.9%)   31455 (100.0%)
## ------------ ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     18.11      2     1e-04  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$outro_sin)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   não   13000 15151 28151
##   gesta  1142  1567  2709
##   puerp   290   305   595
##   Total 14432 17023 31455
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 1.1772857 1.0871707 1.275264
##   puerp 0.9023918 0.7670374 1.061809
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 5.763066e-05 5.865397e-05 6.487736e-05
##   puerp 2.157508e-01 2.282545e-01 2.309675e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao   sim Total
##   gesta  1142  1567  2709
##   não   13000 15151 28151
##   puerp   290   305   595
##   Total 14432 17023 31455
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   0.8493993 0.7841513 0.9198187
##   puerp 0.7665008 0.6415430 0.9159721
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   5.763066e-05 5.865397e-05 6.487736e-05
##   puerp 3.457975e-03 3.464261e-03 3.867280e-03
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$outro_sin, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * outro_sin  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- --------------- --------------- ----------------
##                    outro_sin             sim             não            Total
##   gesta_puerp_SN                                                             
##              não               15151 (53.8%)   13000 (46.2%)   28151 (100.0%)
##              sim                1872 (56.7%)    1432 (43.3%)    3304 (100.0%)
##            Total               17023 (54.1%)   14432 (45.9%)   31455 (100.0%)
## ---------------- ----------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     9.478      1    0.0021  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.89        0.83       0.96   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.95       0.95      0.95   
## --------------------------------

Vamos analisar agora a variável indicadora de ter pelo menos algum sintoma respiratório (sint_resp).

ctable(dados6$gest_puerp,  dados6$sint_resp, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * sint_resp  
## Data Frame: dados6  
## 
## 
## ------------ ----------- --------------- -------------- ----------------
##                sint_resp             sim            não            Total
##   gest_puerp                                                            
##          não               30208 (88.8%)   3794 (11.2%)   34002 (100.0%)
##        gesta                2177 (72.1%)    844 (27.9%)    3021 (100.0%)
##        puerp                 490 (69.7%)    213 (30.3%)     703 (100.0%)
##        Total               32875 (87.1%)   4851 (12.9%)   37726 (100.0%)
## ------------ ----------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     891.6      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$sint_resp)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   não   3794 30208 34002
##   gesta  844  2177  3021
##   puerp  213   490   703
##   Total 4851 32875 37726
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.3239424 0.2972666 0.3532942
##   puerp 0.2888243 0.2453989 0.3410234
## 
## $p.value
##        two-sided
## Grupos  midp.exact  fisher.exact    chi.square
##   não           NA            NA            NA
##   gesta          0 5.839819e-126 1.018701e-156
##   puerp          0  1.077796e-41  2.881712e-55
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao   sim Total
##   gesta  844  2177  3021
##   não   3794 30208 34002
##   puerp  213   490   703
##   Total 4851 32875 37726
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   3.0869690 2.8305024 3.363984
##   puerp 0.8916008 0.7459981 1.068340
## 
## $p.value
##        two-sided
## Grupos  midp.exact  fisher.exact    chi.square
##   gesta         NA            NA            NA
##   não    0.0000000 5.839819e-126 1.018701e-156
##   puerp  0.2124008  2.102772e-01  2.285525e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$sint_resp, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * sint_resp  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- --------------- -------------- ----------------
##                    sint_resp             sim            não            Total
##   gesta_puerp_SN                                                            
##              não               30208 (88.8%)   3794 (11.2%)   34002 (100.0%)
##              sim                2667 (71.6%)   1057 (28.4%)    3724 (100.0%)
##            Total               32875 (87.1%)   4851 (12.9%)   37726 (100.0%)
## ---------------- ----------- --------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     887.2      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     3.16        2.92       3.41   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.24       1.24      1.24   
## --------------------------------

Análise das variáveis de tempo

Tempo entre sintomas e hospitalização (em dias)

# variaveis de tempo
dados6 <- dados6 %>% 
  mutate(
    tempo_sintomas_hosp = as.numeric(dt_interna - dt_sint),
    tempo_sintomas_notific = as.numeric(dt_notific - dt_sint)
  ) %>%
  mutate(tempo_sintomas_hosp = case_when(dt_interna=="2021-01-27" ~ NA_real_, TRUE ~ tempo_sintomas_hosp))

  #contar numero de casos que a data dos sintomas é maior que a data da internação
  
  dados6 %>% count(tempo_sintomas_hosp < 0)

Veja que há casos que internaram antes de apresentar sintomas (tabela acima com TRUE). Vamos selecionar só os casos com data de sintomas anterior a data de internação e fazer medidas descritivas dessa variável por grupo:

dados6 <- dados6 %>% 
  mutate(tempo_sintomas_hosp = ifelse(tempo_sintomas_hosp < 0, NA, tempo_sintomas_hosp),
  )
datasummary((gest_puerp + gesta_puerp_SN) ~ tempo_sintomas_hosp*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados6, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 36021.00 6.91 6.83 6.00 0.00 238.00 3.00 9.00 6.00
gesta 3343.00 5.65 6.41 5.00 0.00 190.00 2.00 8.00 6.00
puerp 787.00 5.29 5.87 4.00 0.00 63.00 1.00 7.00 6.00
gesta_puerp_SN não 36021.00 6.91 6.83 6.00 0.00 238.00 3.00 9.00 6.00
sim 4130.00 5.58 6.31 5.00 0.00 190.00 2.00 8.00 6.00

Comparação de tempo_sintomas_hosp com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(tempo_sintomas_hosp ~ gest_puerp,
          data=dados6)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  tempo_sintomas_hosp by gest_puerp
## Kruskal-Wallis chi-squared = 389.09, df = 2, p-value < 2.2e-16
pairwise.wilcox.test(dados6$tempo_sintomas_hosp, dados6$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados6$tempo_sintomas_hosp and dados6$gest_puerp 
## 
##       não     gesta  
## gesta < 2e-16 -      
## puerp < 2e-16 0.00031
## 
## P value adjustment method: holm

Comparação da tempo_sintomas_hosp com relação ao gesta_puerp_SN

t.test(tempo_sintomas_hosp ~ gesta_puerp_SN, data=dados6, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  tempo_sintomas_hosp by gesta_puerp_SN
## t = 12.744, df = 5302.5, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  1.127969 1.538083
## sample estimates:
## mean in group não mean in group sim 
##          6.911718          5.578692

Tempo entre sintomas e notificação (em dias)

Veja que não há casos que internaram antes da notificação (tabela abaixo com TRUE).

dados6 %>% count(tempo_sintomas_notific < 0)

Vamos fazer medidas descritivas dessa variável por grupo:

datasummary((gest_puerp + gesta_puerp_SN) ~ tempo_sintomas_notific*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados6, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 36474.00 9.43 12.27 7.00 0.00 266.00 4.00 10.00 6.00
gesta 3372.00 7.77 10.60 6.00 0.00 191.00 3.00 9.00 6.00
puerp 794.00 8.28 11.28 6.00 0.00 131.00 3.00 10.00 7.00
gesta_puerp_SN não 36474.00 9.43 12.27 7.00 0.00 266.00 4.00 10.00 6.00
sim 4166.00 7.87 10.73 6.00 0.00 191.00 3.00 9.00 6.00

Comparação de tempo_sintomas_notific com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(tempo_sintomas_notific ~ gest_puerp,
          data=dados6)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  tempo_sintomas_notific by gest_puerp
## Kruskal-Wallis chi-squared = 260.56, df = 2, p-value < 2.2e-16
pairwise.wilcox.test(dados6$tempo_sintomas_notific, dados6$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados6$tempo_sintomas_notific and dados6$gest_puerp 
## 
##       não     gesta
## gesta < 2e-16 -    
## puerp 1.3e-11 0.95 
## 
## P value adjustment method: holm

Comparação da tempo_sintomas_notific com relação ao gesta_puerp_SN

t.test(tempo_sintomas_notific ~ gesta_puerp_SN, data=dados6, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  tempo_sintomas_notific by gesta_puerp_SN
## t = 8.7594, df = 5486.9, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  1.211763 1.910548
## sample estimates:
## mean in group não mean in group sim 
##          9.429374          7.868219

Variáveis de fatores de risco

Para indicador de caso com fator de risco (FATOR_RISC), com categorias S-sim e N-não. No entanto, no dicionário era 1-sim e 2-não.

kable(questionr::freq(dados6$FATOR_RISC, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de presença de fator de risco",digits = 2)
Tabela de frequências de presença de fator de risco
n %
N 20252 49.8
S 20388 50.2
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável fator_risco, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$fator_risco <- factor(dados6$FATOR_RISC, 
                     levels = c("S", "N"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$fator_risco, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * fator_risco  
## Data Frame: dados6  
## 
## 
## ------------ ------------- ---------------- --------------- ----------------
##                fator_risco              sim             não            Total
##   gest_puerp                                                                
##          não                 17841 ( 48.9%)   18633 (51.1%)   36474 (100.0%)
##        gesta                  1753 ( 52.0%)    1619 (48.0%)    3372 (100.0%)
##        puerp                   794 (100.0%)       0 ( 0.0%)     794 (100.0%)
##        Total                 20388 ( 50.2%)   20252 (49.8%)   40640 (100.0%)
## ------------ ------------- ---------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     816.1      2       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$fator_risco, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * fator_risco  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- --------------- --------------- ----------------
##                    fator_risco             sim             não            Total
##   gesta_puerp_SN                                                               
##              não                 17841 (48.9%)   18633 (51.1%)   36474 (100.0%)
##              sim                  2547 (61.1%)    1619 (38.9%)    4166 (100.0%)
##            Total                 20388 (50.2%)   20252 (49.8%)   40640 (100.0%)
## ---------------- ------------- --------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      223       1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.61        0.57       0.65   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.80       0.80      0.80   
## --------------------------------

Para indicador de caso com cardiopatia (CARDIOPATI), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$CARDIOPATI, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de cardiopatia",digits = 2)
Tabela de frequências de cardiopatia
n %
1 6071 14.9
2 8905 21.9
9 230 0.6
NA 25434 62.6
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável cardiopati, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$cardiopati <- factor(dados6$CARDIOPATI, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$cardiopati, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * cardiopati  
## Data Frame: dados6  
## 
## 
## ------------ ------------ -------------- -------------- ----------------
##                cardiopati            sim            não            Total
##   gest_puerp                                                            
##          não                5780 (43.4%)   7550 (56.6%)   13330 (100.0%)
##        gesta                 214 (18.8%)    927 (81.2%)    1141 (100.0%)
##        puerp                  77 (15.2%)    428 (84.8%)     505 (100.0%)
##        Total                6071 (40.5%)   8905 (59.5%)   14976 (100.0%)
## ------------ ------------ -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     402.7      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$cardiopati)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   7550 5780 13330
##   gesta  927  214  1141
##   puerp  428   77   505
##   Total 8905 6071 14976
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.3017536 0.2584633 0.3507343
##   puerp 0.2354271 0.1829458 0.2989294
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 2.161235e-64 9.225146e-59
##   puerp          0 1.951205e-40 7.000516e-36
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  927  214  1141
##   não   7550 5780 13330
##   puerp  428   77   505
##   Total 8905 6071 14976
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   3.3141293 2.8511613 3.869021
##   puerp 0.7803032 0.5841289 1.033285
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não   0.00000000 2.161235e-64 9.225146e-59
##   puerp 0.08386001 9.270120e-02 9.886204e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$cardiopati, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * cardiopati  
## Data Frame: dados6  
## 
## 
## ---------------- ------------ -------------- -------------- ----------------
##                    cardiopati            sim            não            Total
##   gesta_puerp_SN                                                            
##              não                5780 (43.4%)   7550 (56.6%)   13330 (100.0%)
##              sim                 291 (17.7%)   1355 (82.3%)    1646 (100.0%)
##            Total                6071 (40.5%)   8905 (59.5%)   14976 (100.0%)
## ---------------- ------------ -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     399.8      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     3.56        3.13       4.06   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.45       2.45      2.45   
## --------------------------------

Para indicador de caso com hematologia (HEMATOLOGI), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$HEMATOLOGI, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de hematologia",digits = 2)
Tabela de frequências de hematologia
n %
1 383 0.9
2 12518 30.8
9 282 0.7
NA 27457 67.6
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável hematologi, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$hematologi <- factor(dados6$HEMATOLOGI, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$hematologi, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * hematologi  
## Data Frame: dados6  
## 
## 
## ------------ ------------ ------------ --------------- ----------------
##                hematologi          sim             não            Total
##   gest_puerp                                                           
##          não                356 (3.1%)   10984 (96.9%)   11340 (100.0%)
##        gesta                 16 (1.5%)    1065 (98.5%)    1081 (100.0%)
##        puerp                 11 (2.3%)     469 (97.7%)     480 (100.0%)
##        Total                383 (3.0%)   12518 (97.0%)   12901 (100.0%)
## ------------ ------------ ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     10.23      2     0.006  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$hematologi)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   10984 356 11340
##   gesta  1065  16  1081
##   puerp   469  11   480
##   Total 12518 383 12901
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4680477 0.2707390 0.7494275
##   puerp 0.7338823 0.3750365 1.2821464
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   não             NA           NA          NA
##   gesta 0.0009465058  0.001390149 0.003029368
##   puerp 0.2959579813  0.347443812 0.360503666
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  1065  16  1081
##   não   10984 356 11340
##   puerp   469  11   480
##   Total 12518 383 12901
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   2.136514 1.3343519 3.693594
##   puerp 1.567701 0.6967781 3.397652
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   gesta           NA           NA          NA
##   não   0.0009465058  0.001390149 0.003029368
##   puerp 0.2683260114  0.293029991 0.355199539
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$hematologi, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * hematologi  
## Data Frame: dados6  
## 
## 
## ---------------- ------------ ------------ --------------- ----------------
##                    hematologi          sim             não            Total
##   gesta_puerp_SN                                                           
##              não                356 (3.1%)   10984 (96.9%)   11340 (100.0%)
##              sim                 27 (1.7%)    1534 (98.3%)    1561 (100.0%)
##            Total                383 (3.0%)   12518 (97.0%)   12901 (100.0%)
## ---------------- ------------ ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     8.982      1    0.0027  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.84        1.24       2.73   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.81       1.81      1.81   
## --------------------------------

Para indicador de caso com síndrome de Down (SIND_DOWN), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$SIND_DOWN, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de síndrome de Down",digits = 2)
Tabela de frequências de síndrome de Down
n %
1 172 0.4
2 12674 31.2
9 266 0.7
NA 27528 67.7
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável sind_down, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$sind_down <- factor(dados6$SIND_DOWN, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$sind_down, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * sind_down  
## Data Frame: dados6  
## 
## 
## ------------ ----------- ------------ --------------- ----------------
##                sind_down          sim             não            Total
##   gest_puerp                                                          
##          não               162 (1.4%)   11128 (98.6%)   11290 (100.0%)
##        gesta                 2 (0.2%)    1073 (99.8%)    1075 (100.0%)
##        puerp                 8 (1.7%)     473 (98.3%)     481 (100.0%)
##        Total               172 (1.3%)   12674 (98.7%)   12846 (100.0%)
## ------------ ----------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     11.99      2    0.0025  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$sind_down)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   11128 162 11290
##   gesta  1073   2  1075
##   puerp   473   8   481
##   Total 12674 172 12846
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   não   1.0000000         NA        NA
##   gesta 0.1378673 0.02130555 0.4297455
##   puerp 1.1839870 0.52864154 2.2690355
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   não             NA           NA          NA
##   gesta 4.746604e-05 7.009816e-05 0.001035865
##   puerp 6.531043e-01 6.935195e-01 0.829061787
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  1073   2  1075
##   não   11128 162 11290
##   puerp   473   8   481
##   Total 12674 172 12846
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   7.253334 2.326958 46.93613
##   puerp 8.577708 2.085813 62.66332
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   gesta           NA           NA          NA
##   não   4.746604e-05 7.009816e-05 0.001035865
##   puerp 2.092224e-03 1.914736e-03 0.002473645
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$sind_down, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * sind_down  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- ------------ --------------- ----------------
##                    sind_down          sim             não            Total
##   gesta_puerp_SN                                                          
##              não               162 (1.4%)   11128 (98.6%)   11290 (100.0%)
##              sim                10 (0.6%)    1546 (99.4%)    1556 (100.0%)
##            Total               172 (1.3%)   12674 (98.7%)   12846 (100.0%)
## ---------------- ----------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     5.911      1     0.015  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.25        1.19       4.27   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.23       2.23      2.23   
## --------------------------------

Para indicador de caso com doenças hepáticas (HEPATICA), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$HEPATICA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de doenças hepáticas",digits = 2)
Tabela de frequências de doenças hepáticas
n %
1 201 0.5
2 12568 30.9
9 286 0.7
NA 27585 67.9
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável hepatica, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$hepatica <- factor(dados6$HEPATICA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$hepatica, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * hepatica  
## Data Frame: dados6  
## 
## 
## ------------ ---------- ------------ --------------- ----------------
##                hepatica          sim             não            Total
##   gest_puerp                                                         
##          não              189 (1.7%)   11037 (98.3%)   11226 (100.0%)
##        gesta                8 (0.8%)    1058 (99.2%)    1066 (100.0%)
##        puerp                4 (0.8%)     473 (99.2%)     477 (100.0%)
##        Total              201 (1.6%)   12568 (98.4%)   12769 (100.0%)
## ------------ ---------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     7.202      2    0.0273  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$hepatica)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   11037 189 11226
##   gesta  1058   8  1066
##   puerp   473   4   477
##   Total 12568 201 12769
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4501510 0.2019260 0.8566703
##   puerp 0.5131426 0.1548703 1.2151406
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.01265727   0.02051055 0.02846037
##   puerp 0.14284931   0.19702160 0.21655296
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  1058   8  1066
##   não   11037 189 11226
##   puerp   473   4   477
##   Total 12568 201 12769
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   2.221392 1.1673103 4.952310
##   puerp 1.139900 0.2924579 3.716827
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não   0.01265727   0.02051055 0.02846037
##   puerp 0.83614393   1.00000000 1.00000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$hepatica, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * hepatica  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- ------------ --------------- ----------------
##                    hepatica          sim             não            Total
##   gesta_puerp_SN                                                         
##              não              189 (1.7%)   11037 (98.3%)   11226 (100.0%)
##              sim               12 (0.8%)    1531 (99.2%)    1543 (100.0%)
##            Total              201 (1.6%)   12568 (98.4%)   12769 (100.0%)
## ---------------- ---------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     6.612      1    0.0101  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.18        1.22       3.93   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.16       2.16      2.16   
## --------------------------------

Para indicador de caso com asma (ASMA), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$ASMA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de asma",digits = 2)
Tabela de frequências de asma
n %
1 2055 5.1
2 11371 28.0
9 264 0.6
NA 26950 66.3
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável asma, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$asma <- factor(dados6$ASMA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$asma, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * asma  
## Data Frame: dados6  
## 
## 
## ------------ ------ -------------- --------------- ----------------
##                asma            sim             não            Total
##   gest_puerp                                                       
##          não          1883 (15.9%)    9938 (84.1%)   11821 (100.0%)
##        gesta           139 (12.4%)     980 (87.6%)    1119 (100.0%)
##        puerp            33 ( 6.8%)     453 (93.2%)     486 (100.0%)
##        Total          2055 (15.3%)   11371 (84.7%)   13426 (100.0%)
## ------------ ------ -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     37.91      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$asma)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não    9938 1883 11821
##   gesta   980  139  1119
##   puerp   453   33   486
##   Total 11371 2055 13426
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.7493044 0.6207737 0.8978753
##   puerp 0.3862728 0.2651543 0.5429322
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.562804e-03 1.659107e-03 2.323806e-03
##   puerp 2.420238e-09 3.101343e-09 7.347381e-08
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   980  139  1119
##   não    9938 1883 11821
##   puerp   453   33   486
##   Total 11371 2055 13426
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   1.3345715 1.1137404 1.6108930
##   puerp 0.5156151 0.3417375 0.7567868
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   gesta           NA           NA          NA
##   não   0.0015628042 0.0016591071 0.002323806
##   puerp 0.0005479943 0.0005989993 0.001100260
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$asma, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * asma  
## Data Frame: dados6  
## 
## 
## ---------------- ------ -------------- --------------- ----------------
##                    asma            sim             não            Total
##   gesta_puerp_SN                                                       
##              não          1883 (15.9%)    9938 (84.1%)   11821 (100.0%)
##              sim           172 (10.7%)    1433 (89.3%)    1605 (100.0%)
##            Total          2055 (15.3%)   11371 (84.7%)   13426 (100.0%)
## ---------------- ------ -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     29.22      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.58        1.34       1.86   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.49       1.49      1.49   
## --------------------------------

Para indicador de caso com diabetes (DIABETES), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$DIABETES, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de diabetes",digits = 2)
Tabela de frequências de diabetes
n %
1 5127 12.6
2 9448 23.2
9 217 0.5
NA 25848 63.6
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável diabetes, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$diabetes <- factor(dados6$DIABETES, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$diabetes, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * diabetes  
## Data Frame: dados6  
## 
## 
## ------------ ---------- -------------- -------------- ----------------
##                diabetes            sim            não            Total
##   gest_puerp                                                          
##          não              4825 (37.3%)   8109 (62.7%)   12934 (100.0%)
##        gesta               241 (20.9%)    910 (79.1%)    1151 (100.0%)
##        puerp                61 (12.4%)    429 (87.6%)     490 (100.0%)
##        Total              5127 (35.2%)   9448 (64.8%)   14575 (100.0%)
## ------------ ---------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      239       2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$diabetes)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   8109 4825 12934
##   gesta  910  241  1151
##   puerp  429   61   490
##   Total 9448 5127 14575
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4453253 0.3839326 0.5146425
##   puerp 0.2395389 0.1810207 0.3113856
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 1.204000e-30 2.067664e-28
##   puerp          0 8.505984e-34 5.286642e-29
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  910  241  1151
##   não   8109 4825 12934
##   puerp  429   61   490
##   Total 9448 5127 14575
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   2.2455760 1.9430965 2.6046236
##   puerp 0.5380116 0.3942235 0.7245284
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   0.000000e+00 1.204000e-30 2.067664e-28
##   puerp 3.106685e-05 3.772124e-05 6.558858e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$diabetes, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * diabetes  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- -------------- -------------- ----------------
##                    diabetes            sim            não            Total
##   gesta_puerp_SN                                                          
##              não              4825 (37.3%)   8109 (62.7%)   12934 (100.0%)
##              sim               302 (18.4%)   1339 (81.6%)    1641 (100.0%)
##            Total              5127 (35.2%)   9448 (64.8%)   14575 (100.0%)
## ---------------- ---------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     227.3      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.64        2.32       3.00   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.03       2.03      2.03   
## --------------------------------

Para indicador de caso com doença neurológica (NEUROLOGIC), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$NEUROLOGIC, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de doença neurológica",digits = 2)
Tabela de frequências de doença neurológica
n %
1 598 1.5
2 12335 30.4
9 273 0.7
NA 27434 67.5
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável neuro, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$neuro <- factor(dados6$NEUROLOGIC, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$neuro, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * neuro  
## Data Frame: dados6  
## 
## 
## ------------ ------- ------------ --------------- ----------------
##                neuro          sim             não            Total
##   gest_puerp                                                      
##          não           568 (5.0%)   10809 (95.0%)   11377 (100.0%)
##        gesta            25 (2.3%)    1053 (97.7%)    1078 (100.0%)
##        puerp             5 (1.0%)     473 (99.0%)     478 (100.0%)
##        Total           598 (4.6%)   12335 (95.4%)   12933 (100.0%)
## ------------ ------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     30.37      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$neuro)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   10809 568 11377
##   gesta  1053  25  1078
##   puerp   473   5   478
##   Total 12335 598 12933
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   não   1.0000000         NA        NA
##   gesta 0.4546156 0.29517297 0.6671110
##   puerp 0.2075724 0.07314725 0.4509985
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.845477e-05 2.474205e-05 0.0001111768
##   puerp 3.883024e-06 5.839899e-06 0.0001269606
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  1053  25  1078
##   não   10809 568 11377
##   puerp   473   5   478
##   Total 12335 598 12933
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   2.1996572 1.4990009 3.387844
##   puerp 0.4567443 0.1507969 1.112156
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   1.845477e-05 2.474205e-05 0.0001111768
##   puerp 8.753982e-02 1.103238e-01 0.1375481655
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$neuro, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * neuro  
## Data Frame: dados6  
## 
## 
## ---------------- ------- ------------ --------------- ----------------
##                    neuro          sim             não            Total
##   gesta_puerp_SN                                                      
##              não           568 (5.0%)   10809 (95.0%)   11377 (100.0%)
##              sim            30 (1.9%)    1526 (98.1%)    1556 (100.0%)
##            Total           598 (4.6%)   12335 (95.4%)   12933 (100.0%)
## ---------------- ------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     28.46      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.67        1.84       3.87   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.59       2.59      2.59   
## --------------------------------

Para indicador de caso com outra pneumopatia crônica (PNEUMOPATI), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$PNEUMOPATI, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de outra pneumopatia",digits = 2)
Tabela de frequências de outra pneumopatia
n %
1 607 1.5
2 12338 30.4
9 281 0.7
NA 27414 67.5
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável pneumopati, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$pneumopati <- factor(dados6$PNEUMOPATI, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$pneumopati, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * pneumopati  
## Data Frame: dados6  
## 
## 
## ------------ ------------ ------------ --------------- ----------------
##                pneumopati          sim             não            Total
##   gest_puerp                                                           
##          não                579 (5.1%)   10811 (94.9%)   11390 (100.0%)
##        gesta                 23 (2.1%)    1052 (97.9%)    1075 (100.0%)
##        puerp                  5 (1.0%)     475 (99.0%)     480 (100.0%)
##        Total                607 (4.7%)   12338 (95.3%)   12945 (100.0%)
## ------------ ------------ ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     33.89      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$pneumopati)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   10811 579 11390
##   gesta  1052  23  1075
##   puerp   475   5   480
##   Total 12338 607 12945
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   não   1.0000000         NA        NA
##   gesta 0.4110236 0.26194557 0.6116058
##   puerp 0.2028108 0.07147533 0.4405970
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 2.250087e-06 3.287499e-06 2.344989e-05
##   puerp 2.495279e-06 4.159393e-06 9.508878e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  1052  23  1075
##   não   10811 579 11390
##   puerp   475   5   480
##   Total 12338 607 12945
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   2.4330862 1.6350401 3.817587
##   puerp 0.4936139 0.1620662 1.213912
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   2.250087e-06 3.287499e-06 2.344989e-05
##   puerp 1.307456e-01 1.522356e-01 1.944374e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$pneumopati, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * pneumopati  
## Data Frame: dados6  
## 
## 
## ---------------- ------------ ------------ --------------- ----------------
##                    pneumopati          sim             não            Total
##   gesta_puerp_SN                                                           
##              não                579 (5.1%)   10811 (94.9%)   11390 (100.0%)
##              sim                 28 (1.8%)    1527 (98.2%)    1555 (100.0%)
##            Total                607 (4.7%)   12338 (95.3%)   12945 (100.0%)
## ---------------- ------------ ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     32.26      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.92        1.99       4.28   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.82       2.82      2.82   
## --------------------------------

Para indicador de caso com imunodeficiência (IMUNODEPRE), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$IMUNODEPRE, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de imunodeficiência",digits = 2)
Tabela de frequências de imunodeficiência
n %
1 1347 3.3
2 11790 29.0
9 281 0.7
NA 27222 67.0
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável imunodepre, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$imunodepre <- factor(dados6$IMUNODEPRE, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$imunodepre, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * imunodepre  
## Data Frame: dados6  
## 
## 
## ------------ ------------ -------------- --------------- ----------------
##                imunodepre            sim             não            Total
##   gest_puerp                                                             
##          não                1289 (11.1%)   10289 (88.9%)   11578 (100.0%)
##        gesta                  40 ( 3.7%)    1038 (96.3%)    1078 (100.0%)
##        puerp                  18 ( 3.7%)     463 (96.3%)     481 (100.0%)
##        Total                1347 (10.3%)   11790 (89.7%)   13137 (100.0%)
## ------------ ------------ -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     82.05      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$imunodepre)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   10289 1289 11578
##   gesta  1038   40  1078
##   puerp   463   18   481
##   Total 11790 1347 13137
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.3088036 0.2204206 0.4198384
##   puerp 0.3130459 0.1875643 0.4878467
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 0.000000e+00 2.372447e-17 4.302097e-14
##   puerp 8.794393e-09 1.319102e-08 4.791185e-07
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  1038   40  1078
##   não   10289 1289 11578
##   puerp   463   18   481
##   Total 11790 1347 13137
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   3.238301 2.3818686 4.536782
##   puerp 1.013728 0.5604712 1.763870
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 2.372447e-17 4.302097e-14
##   puerp  0.9626416 1.000000e+00 1.000000e+00
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$imunodepre, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * imunodepre  
## Data Frame: dados6  
## 
## 
## ---------------- ------------ -------------- --------------- ----------------
##                    imunodepre            sim             não            Total
##   gesta_puerp_SN                                                             
##              não                1289 (11.1%)   10289 (88.9%)   11578 (100.0%)
##              sim                  58 ( 3.7%)    1501 (96.3%)    1559 (100.0%)
##            Total                1347 (10.3%)   11790 (89.7%)   13137 (100.0%)
## ---------------- ------------ -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     81.24      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     3.24        2.48       4.24   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.99       2.99      2.99   
## --------------------------------

Para indicador de caso com doença renal (RENAL), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$RENAL, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de doença renal",digits = 2)
Tabela de frequências de doença renal
n %
1 1116 2.7
2 11931 29.4
9 275 0.7
NA 27318 67.2
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável renal, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$renal <- factor(dados6$RENAL, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$renal, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * renal  
## Data Frame: dados6  
## 
## 
## ------------ ------- ------------- --------------- ----------------
##                renal           sim             não            Total
##   gest_puerp                                                       
##          não           1080 (9.4%)   10415 (90.6%)   11495 (100.0%)
##        gesta             24 (2.2%)    1049 (97.8%)    1073 (100.0%)
##        puerp             12 (2.5%)     467 (97.5%)     479 (100.0%)
##        Total           1116 (8.6%)   11931 (91.4%)   13047 (100.0%)
## ------------ ------- ------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     87.55      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$renal)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   10415 1080 11495
##   gesta  1049   24  1073
##   puerp   467   12   479
##   Total 11931 1116 13047
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.2221037 0.1433848 0.3267035
##   puerp 0.2510919 0.1330141 0.4266281
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 0.000000e+00 6.865460e-20 3.655630e-15
##   puerp 3.449847e-09 5.260027e-09 4.389546e-07
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  1049   24  1073
##   não   10415 1080 11495
##   puerp   467   12   479
##   Total 11931 1116 13047
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   4.502426 3.0608796 6.974238
##   puerp 1.130474 0.5389028 2.246302
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 6.865460e-20 3.655630e-15
##   puerp  0.7354571 7.185649e-01 8.870216e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$renal, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * renal  
## Data Frame: dados6  
## 
## 
## ---------------- ------- ------------- --------------- ----------------
##                    renal           sim             não            Total
##   gesta_puerp_SN                                                       
##              não           1080 (9.4%)   10415 (90.6%)   11495 (100.0%)
##              sim             36 (2.3%)    1516 (97.7%)    1552 (100.0%)
##            Total           1116 (8.6%)   11931 (91.4%)   13047 (100.0%)
## ---------------- ------- ------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     86.62      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     4.37        3.12       6.11   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     4.05       4.05      4.05   
## --------------------------------

Para indicador de caso com obesidade (OBESIDADE), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$OBESIDADE, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de obesidade",digits = 2)
Tabela de frequências de obesidade
n %
1 3937 9.7
2 9776 24.1
9 462 1.1
NA 26465 65.1
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável obesidade, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$obesidade <- factor(dados6$OBESIDADE, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$obesidade, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * obesidade  
## Data Frame: dados6  
## 
## 
## ------------ ----------- -------------- -------------- ----------------
##                obesidade            sim            não            Total
##   gest_puerp                                                           
##          não               3741 (30.8%)   8394 (69.2%)   12135 (100.0%)
##        gesta                143 (13.0%)    954 (87.0%)    1097 (100.0%)
##        puerp                 53 (11.0%)    428 (89.0%)     481 (100.0%)
##        Total               3937 (28.7%)   9776 (71.3%)   13713 (100.0%)
## ------------ ----------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     231.8      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$obesidade)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   8394 3741 12135
##   gesta  954  143  1097
##   puerp  428   53   481
##   Total 9776 3937 13713
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.3366828 0.2801511 0.4016556
##   puerp 0.2786259 0.2065588 0.3680394
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 3.565539e-40 4.387828e-35
##   puerp          0 6.730418e-24 2.442415e-20
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  954  143  1097
##   não   8394 3741 12135
##   puerp  428   53   481
##   Total 9776 3937 13713
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate    lower    upper
##   gesta 1.0000000       NA       NA
##   não   2.9702544 2.489695 3.569503
##   puerp 0.8276372 0.587286 1.150770
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 3.565539e-40 4.387828e-35
##   puerp  0.2641832 2.818008e-01 3.005312e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$obesidade, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * obesidade  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- -------------- -------------- ----------------
##                    obesidade            sim            não            Total
##   gesta_puerp_SN                                                           
##              não               3741 (30.8%)   8394 (69.2%)   12135 (100.0%)
##              sim                196 (12.4%)   1382 (87.6%)    1578 (100.0%)
##            Total               3937 (28.7%)   9776 (71.3%)   13713 (100.0%)
## ---------------- ----------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     230.3      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     3.14        2.69       3.67   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.48       2.48      2.48   
## --------------------------------

Agora vamos analisar a varíavel de número de comorbidades. Consideramos como comorbidades: CARDIOPATI, HEMATOLOGI, HEPATICA, ASMA, DIABETES, NEUROLOGIC, PNEUMOPATI, IMUNODEPRE, RENAL, OBESIDADE.

n media DP mediana minimo maximo
gest_puerp não 10502.00 1.18 0.87 1.00 0.00 7.00
gesta 999.00 0.53 0.71 0.00 0.00 4.00
puerp 457.00 0.41 0.83 0.00 0.00 6.00
gesta_puerp_SN não 10502.00 1.18 0.87 1.00 0.00 7.00
sim 1456.00 0.49 0.75 0.00 0.00 6.00 
ctable(dados6$gest_puerp,  dados6$gr_comorb, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * gr_comorb  
## Data Frame: dados6  
## 
## 
## ------------ ----------- -------------- -------------- ------------ ----------------
##                gr_comorb        nenhuma         1 ou 2           >2            Total
##   gest_puerp                                                                        
##          não               2022 (19.3%)   7681 (73.1%)   799 (7.6%)   10502 (100.0%)
##        gesta                576 (57.7%)    408 (40.8%)    15 (1.5%)     999 (100.0%)
##        puerp                335 (73.3%)    106 (23.2%)    16 (3.5%)     457 (100.0%)
##        Total               2933 (24.5%)   8195 (68.5%)   830 (6.9%)   11958 (100.0%)
## ------------ ----------- -------------- -------------- ------------ ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     1348       4       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$gr_comorb, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * gr_comorb  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- -------------- -------------- ------------ ----------------
##                    gr_comorb        nenhuma         1 ou 2           >2            Total
##   gesta_puerp_SN                                                                        
##              não               2022 (19.3%)   7681 (73.1%)   799 (7.6%)   10502 (100.0%)
##              sim                911 (62.6%)    514 (35.3%)    31 (2.1%)    1456 (100.0%)
##            Total               2933 (24.5%)   8195 (68.5%)   830 (6.9%)   11958 (100.0%)
## ---------------- ----------- -------------- -------------- ------------ ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     1301       2       0    
## ----------------------------

Para indicador de caso com outra morbidade (OUT_MORBI), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$OUT_MORBI, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de outra morbidade",digits = 2)
Tabela de frequências de outra morbidade
n %
1 8790 21.6
2 6599 16.2
9 195 0.5
NA 25056 61.7
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável out_morb, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$out_morb <- factor(dados6$OUT_MORBI, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$out_morb, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * out_morb  
## Data Frame: dados6  
## 
## 
## ------------ ---------- -------------- -------------- ----------------
##                out_morb            sim            não            Total
##   gest_puerp                                                          
##          não              7460 (55.7%)   5924 (44.3%)   13384 (100.0%)
##        gesta              1192 (79.0%)    316 (21.0%)    1508 (100.0%)
##        puerp               138 (27.8%)    359 (72.2%)     497 (100.0%)
##        Total              8790 (57.1%)   6599 (42.9%)   15389 (100.0%)
## ------------ ---------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     481.2      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$out_morb)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   5924 7460 13384
##   gesta  316 1192  1508
##   puerp  359  138   497
##   Total 6599 8790 15389
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 2.9941807 2.6362883 3.4099042
##   puerp 0.3054988 0.2495496 0.3719222
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 7.166218e-73 1.582392e-67
##   puerp          0 3.687673e-35 1.563492e-34
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  316 1192  1508
##   não   5924 7460 13384
##   puerp  359  138   497
##   Total 6599 8790 15389
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   gesta 1.0000000         NA        NA
##   não   0.3339807 0.29326337 0.3793212
##   puerp 0.1021262 0.08074069 0.1285242
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não            0 7.166218e-73 1.582392e-67
##   puerp          0 1.905740e-94 3.190580e-97
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$out_morb, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * out_morb  
## Data Frame: dados6  
## 
## 
## ---------------- ---------- -------------- -------------- ----------------
##                    out_morb            sim            não            Total
##   gesta_puerp_SN                                                          
##              não              7460 (55.7%)   5924 (44.3%)   13384 (100.0%)
##              sim              1330 (66.3%)    675 (33.7%)    2005 (100.0%)
##            Total              8790 (57.1%)   6599 (42.9%)   15389 (100.0%)
## ---------------- ---------- -------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     79.5       1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.64        0.58       0.71   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.84       0.84      0.84   
## --------------------------------

Para indicador de caso se tomou vacina da gripe na última campanha (VACINA), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados6$VACINA, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências se tomou vacina da gripe na última campanha",digits = 2)
Tabela de frequências se tomou vacina da gripe na última campanha
n %
1 5494 13.5
2 14118 34.7
9 14186 34.9
NA 6842 16.8
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável vacina, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$vacina <- factor(dados6$VACINA, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados6$gest_puerp,  dados6$vacina, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * vacina  
## Data Frame: dados6  
## 
## 
## ------------ -------- -------------- --------------- ----------------
##                vacina            sim             não            Total
##   gest_puerp                                                         
##          não            4652 (26.3%)   13024 (73.7%)   17676 (100.0%)
##        gesta             686 (43.5%)     892 (56.5%)    1578 (100.0%)
##        puerp             156 (43.6%)     202 (56.4%)     358 (100.0%)
##        Total            5494 (28.0%)   14118 (72.0%)   19612 (100.0%)
## ------------ -------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     255.2      2       0    
## ----------------------------
ctable(dados6$gesta_puerp_SN,  dados6$vacina, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * vacina  
## Data Frame: dados6  
## 
## 
## ---------------- -------- -------------- --------------- ----------------
##                    vacina            sim             não            Total
##   gesta_puerp_SN                                                         
##              não            4652 (26.3%)   13024 (73.7%)   17676 (100.0%)
##              sim             842 (43.5%)    1094 (56.5%)    1936 (100.0%)
##            Total            5494 (28.0%)   14118 (72.0%)   19612 (100.0%)
## ---------------- -------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     254.3      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.46        0.42       0.51   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.61       0.61      0.61   
## --------------------------------

Para indicador de caso se tomou antiviral (ANTIVIRAL), com categorias 1-Oseltamivir, 2-Zanamivir e 3-Outro.

kable(questionr::freq(dados6$ANTIVIRAL, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências se tomou antiviral",digits = 2)
Tabela de frequências se tomou antiviral
n %
1 7624 18.8
2 24992 61.5
9 4048 10.0
NA 3976 9.8
Total 40640 100.0

Vamos agora rotular essa variável, criando a variável antiviral, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados6$antiviral <- factor(dados6$ANTIVIRAL, 
                     levels = c("1", "2"), 
                     labels = c("Oseltamivir", "Zanamivir"))
ctable(dados6$gest_puerp,  dados6$antiviral, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * antiviral  
## Data Frame: dados6  
## 
## 
## ------------ ----------- -------------- --------------- ----------------
##                antiviral    Oseltamivir       Zanamivir            Total
##   gest_puerp                                                            
##          não               6712 (23.1%)   22382 (76.9%)   29094 (100.0%)
##        gesta                753 (26.4%)    2101 (73.6%)    2854 (100.0%)
##        puerp                159 (23.8%)     509 (76.2%)     668 (100.0%)
##        Total               7624 (23.4%)   24992 (76.6%)   32616 (100.0%)
## ------------ ----------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     16.01      2     3e-04  
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$antiviral)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   22382 6712 29094
##   gesta  2101  753  2854
##   puerp   509  159   668
##   Total 24992 7624 32616
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   não   1.000000       NA       NA
##   gesta 1.195298 1.094447 1.304099
##   puerp 1.042379 0.868023 1.245022
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 8.003249e-05 8.084382e-05 7.205648e-05
##   puerp 6.527413e-01 6.427039e-01 6.908651e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  2101  753  2854
##   não   22382 6712 29094
##   puerp   509  159   668
##   Total 24992 7624 32616
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   gesta 1.0000000        NA        NA
##   não   0.8366227 0.7668131 0.9137034
##   puerp 0.8721138 0.7147715 1.0594421
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   8.003249e-05 8.084382e-05 7.205648e-05
##   puerp 1.694307e-01 1.852422e-01 1.861371e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$antiviral, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * antiviral  
## Data Frame: dados6  
## 
## 
## ---------------- ----------- -------------- --------------- ----------------
##                    antiviral    Oseltamivir       Zanamivir            Total
##   gesta_puerp_SN                                                            
##              não               6712 (23.1%)   22382 (76.9%)   29094 (100.0%)
##              sim                912 (25.9%)    2610 (74.1%)    3522 (100.0%)
##            Total               7624 (23.4%)   24992 (76.6%)   32616 (100.0%)
## ---------------- ----------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     13.83      1     2e-04  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.86        0.79       0.93   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.89       0.89      0.89   
## --------------------------------

Para indicador de síndrome metabólica (gr_sind_met), temos a tabela de frequências:

kable(questionr::freq(dados6$gr_sind_met, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de síndrome metabólica",digits = 2)
Tabela de frequências de síndrome metabólica
n %
sim 436 1.1
não 12073 29.7
NA 28131 69.2
Total 40640 100.0

Agora a tabela cruzada com grupos:

ctable(dados6$gest_puerp,  dados6$gr_sind_met, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * gr_sind_met  
## Data Frame: dados6  
## 
## 
## ------------ ------------- ------------ --------------- ----------------
##                gr_sind_met          sim             não            Total
##   gest_puerp                                                            
##          não                 422 (3.8%)   10576 (96.2%)   10998 (100.0%)
##        gesta                   7 (0.7%)    1037 (99.3%)    1044 (100.0%)
##        puerp                   7 (1.5%)     460 (98.5%)     467 (100.0%)
##        Total                 436 (3.5%)   12073 (96.5%)   12509 (100.0%)
## ------------ ------------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     34.11      2       0    
## ----------------------------
oi <- table(dados6$gest_puerp, dados6$gr_sind_met)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   não   10576 422 10998
##   gesta  1037   7  1044
##   puerp   460   7   467
##   Total 12073 436 12509
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   não   1.0000000         NA        NA
##   gesta 0.1730390 0.07343421 0.3383999
##   puerp 0.3900128 0.16505340 0.7658028
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 3.814211e-10 7.322642e-10 2.126802e-07
##   puerp 4.167854e-03 5.824004e-03 1.302443e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao sim Total
##   gesta  1037   7  1044
##   não   10576 422 10998
##   puerp   460   7   467
##   Total 12073 436 12509
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   5.779015 2.9550838 13.61763
##   puerp 2.252996 0.7522912  6.74775
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   3.814211e-10 7.322642e-10 2.126802e-07
##   puerp 1.426809e-01 1.462918e-01 2.067122e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados6$gesta_puerp_SN,  dados6$gr_sind_met, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * gr_sind_met  
## Data Frame: dados6  
## 
## 
## ---------------- ------------- ------------ --------------- ----------------
##                    gr_sind_met          sim             não            Total
##   gesta_puerp_SN                                                            
##              não                 422 (3.8%)   10576 (96.2%)   10998 (100.0%)
##              sim                  14 (0.9%)    1497 (99.1%)    1511 (100.0%)
##            Total                 436 (3.5%)   12073 (96.5%)   12509 (100.0%)
## ---------------- ------------- ------------ --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     32.59      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     4.27        2.50       7.29   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     4.14       4.14      4.14   
## --------------------------------

Desfechos

Para esse caso, vamos selecionar apenas os casos que sabemos se é um caso de óbito ou cura.

dados6 <- dados6 %>% mutate(evolucao = case_when(EVOLUCAO == 1 ~ "Cura",
                              EVOLUCAO == 2 ~ "Obito",
                              EVOLUCAO == 3 ~ "Obito",
                              TRUE ~ "não finalizado"))

Para a análise do desfecho, vamos excluir os casos “não finalizados”, que somam 4940 casos.

dados7 <- filter(dados6, evolucao != "não finalizado")

dados7$evolucao <- factor(dados7$evolucao, 
                     levels = c("Obito", "Cura"), 
                     labels = c("obito", "cura"))

table(dados7$evolucao)
## 
## obito  cura 
##  4829 30871

Para indicador de caso se foi para UTI (UTI), com categorias 1-sim, 2-não e 9-ignorado.

kable(questionr::freq(dados7$UTI, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências se foi para UTI",digits = 2)
Tabela de frequências se foi para UTI
n %
1 8832 24.7
2 23937 67.1
9 527 1.5
NA 2404 6.7
Total 35700 100.0

Vamos agora rotular essa variável, criando a variável uti, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados7$uti <- factor(dados7$UTI, 
                     levels = c("1", "2"), 
                     labels = c("sim", "não"))
ctable(dados7$gest_puerp,  dados7$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados7  
## 
## 
## ------------ ----- -------------- --------------- ----------------
##                uti            sim             não            Total
##   gest_puerp                                                      
##          não         8014 (27.3%)   21354 (72.7%)   29368 (100.0%)
##        gesta          574 (21.1%)    2147 (78.9%)    2721 (100.0%)
##        puerp          244 (35.9%)     436 (64.1%)     680 (100.0%)
##        Total         8832 (27.0%)   23937 (73.0%)   32769 (100.0%)
## ------------ ----- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     76.64      2       0    
## ----------------------------
oi <- table(dados7$gest_puerp, dados7$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   21354 8014 29368
##   gesta  2147  574  2721
##   puerp   436  244   680
##   Total 23937 8832 32769
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.7125146 0.6470298 0.7834426
##   puerp 1.4916054 1.2709900 1.7465211
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 9.585666e-13 1.096299e-12 3.452130e-12
##   puerp 1.337921e-06 1.325198e-06 8.678188e-07
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  2147  574  2721
##   não   21354 8014 29368
##   puerp   436  244   680
##   Total 23937 8832 32769
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.403469 1.276418 1.545524
##   puerp 2.093120 1.743849 2.509167
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   9.585666e-13 1.096299e-12 3.452130e-12
##   puerp 6.217249e-15 6.929728e-15 1.059654e-15
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados7$gesta_puerp_SN,  dados7$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados7  
## 
## 
## ---------------- ----- -------------- --------------- ----------------
##                    uti            sim             não            Total
##   gesta_puerp_SN                                                      
##              não         8014 (27.3%)   21354 (72.7%)   29368 (100.0%)
##              sim          818 (24.1%)    2583 (75.9%)    3401 (100.0%)
##            Total         8832 (27.0%)   23937 (73.0%)   32769 (100.0%)
## ---------------- ----- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     16.05      1     1e-04  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.19        1.09       1.29   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.13       1.13      1.13   
## --------------------------------

Para indicador de caso se foi para uso de suporte ventilatório (SUPORT_VEN), com categorias 1-sim invasivo, 2- sim não invasivo, 3-não e 9-ignorado.

kable(questionr::freq(dados7$SUPORT_VEN, cum = FALSE, total = TRUE,na.last = FALSE,valid=FALSE),caption="Tabela de frequências de suporte ventilatório",digits = 2)
Tabela de frequências de suporte ventilatório
n %
1 3878 10.9
2 14154 39.6
3 13425 37.6
9 1078 3.0
NA 3165 8.9
Total 35700 100.0

Vamos agora rotular essa variável, criando a variável suport_ven, considerando apenas as categorias válidas. A seguir podemos ver a distribuição da variável por grupos de gestação e puerpério (gest_puerp e gesta_puerp_SN), em qua as porcentagens estão por grupo (porcentagem por coluna).

dados7$suport_ven <- factor(dados7$SUPORT_VEN, 
                     levels = c("1", "2", "3"), 
                     labels = c("sim, invasivo","sim, não invasivo", "não"))
ctable(dados7$gest_puerp,  dados7$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * suport_ven  
## Data Frame: dados7  
## 
## 
## ------------ ------------ --------------- ------------------- --------------- ----------------
##                suport_ven   sim, invasivo   sim, não invasivo             não            Total
##   gest_puerp                                                                                  
##          não                 3536 (12.5%)       13213 (46.9%)   11450 (40.6%)   28199 (100.0%)
##        gesta                  209 ( 8.0%)         763 (29.4%)    1626 (62.6%)    2598 (100.0%)
##        puerp                  133 (20.2%)         178 (27.0%)     349 (52.9%)     660 (100.0%)
##        Total                 3878 (12.3%)       14154 (45.0%)   13425 (42.7%)   31457 (100.0%)
## ------------ ------------ --------------- ------------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     568.6      4       0    
## ----------------------------
#funcao para calcular OR
odds_function_supvent1 <- function(dat, met = "midp") {
  treatments <- c("não", "gesta", "puerp")
  ae_present <- c("nao", "sim inv")
  dat <- as.matrix(dat)
  matriz <- matrix(0, nrow=3, ncol=2)
  matriz[,1] <- dat[,3]
  matriz[,2] <- dat[,1]
  dimnames(matriz) <- list("Grupos" = treatments, 
                           "Var Present" = ae_present)
  if(sum(matriz==0) > 0){
    matriz <- matriz + 0.5
  }
  or_fit <- oddsratio(matriz, correction=TRUE, method = met)
  return(or_fit)
}

#funcao para calcular OR
odds_function1_supvent1 <- function(dat, met = "midp") {
  treatments <- c("gesta", "não", "puerp")
  ae_present <- c("nao", "sim inv")
  dat <- as.matrix(dat)
  matriz <- matrix(0, ncol = 2, nrow = 3)
  matriz[1,1] <- dat[2,3]
  matriz[2,1] <- dat[1,3]
  matriz[3,1] <- dat[3,3]
  matriz[1,2] <- dat[2,1]
  matriz[2,2] <- dat[1,1]
  matriz[3,2] <- dat[3,1]
  if(sum(matriz==0) > 0){
    matriz <- matriz + 0.5
  }
  dimnames(matriz) <- list("Grupos" = treatments, 
                           "Var Present" = ae_present)
  
  or_fit <- oddsratio(matriz, correction=TRUE, method = met)
  return(or_fit)
}

#funcao para calcular OR
odds_function_supvent2 <- function(dat, met = "midp") {
  treatments <- c("não", "gesta", "puerp")
  ae_present <- c("nao", "sim não inv")
  dat <- as.matrix(dat)
  matriz <- matrix(0, nrow=3, ncol=2)
  matriz[,1] <- dat[,3]
  matriz[,2] <- dat[,2]
  dimnames(matriz) <- list("Grupos" = treatments, 
                           "Var Present" = ae_present)
  if(sum(matriz==0) > 0){
    matriz <- matriz + 0.5
  }
  or_fit <- oddsratio(matriz, correction=TRUE, method = met)
  return(or_fit)
}

#funcao para calcular OR
odds_function1_supvent2 <- function(dat, met = "midp") {
  treatments <- c("gesta", "não", "puerp")
  ae_present <- c("nao", "sim não inv")
  dat <- as.matrix(dat)
  matriz <- matrix(0, ncol = 2, nrow = 3)
  matriz[1,1] <- dat[2,3]
  matriz[2,1] <- dat[1,3]
  matriz[3,1] <- dat[3,3]
  matriz[1,2] <- dat[2,2]
  matriz[2,2] <- dat[1,2]
  matriz[3,2] <- dat[3,2]
  if(sum(matriz==0) > 0){
    matriz <- matriz + 0.5
  }
  dimnames(matriz) <- list("Grupos" = treatments, 
                           "Var Present" = ae_present)
  
  or_fit <- oddsratio(matriz, correction=TRUE, method = met)
  return(or_fit)
}

Odds ratio para uso de suporte invasivo versus não uso.

oi <- table(dados7$gest_puerp, dados7$suport_ven)
#usando não como referência
odds_function_supvent1(oi)
## $data
##        Var Present
## Grupos    nao sim inv Total
##   não   11450    3536 14986
##   gesta  1626     209  1835
##   puerp   349     133   482
##   Total 13425    3878 17303
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 0.4164894 0.3579481 0.482213
##   puerp 1.2349244 1.0045911 1.509378
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta 0.00000000 1.079400e-36 2.633782e-32
##   puerp 0.04520276 4.417757e-02 4.807547e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
#usando gestante como referência
odds_function1_supvent1(oi)
## $data
##        Var Present
## Grupos    nao sim inv Total
##   gesta  1626     209  1835
##   não   11450    3536 14986
##   puerp   349     133   482
##   Total 13425    3878 17303
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.400937 2.073772 2.793701
##   puerp 2.963934 2.313715 3.788911
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não            0 1.079400e-36 2.633782e-32
##   puerp          0 7.434423e-17 8.508521e-19
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Odds ratio para uso de suporte não invasivo versus não uso.

#usando não como referência
odds_function_supvent2(oi)
## $data
##        Var Present
## Grupos    nao sim não inv Total
##   não   11450       13213 24663
##   gesta  1626         763  2389
##   puerp   349         178   527
##   Total 13425       14154 27579
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4066898 0.3716586 0.4446330
##   puerp 0.4421887 0.3677727 0.5297785
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta          0 3.836676e-92 1.336783e-90
##   puerp          0 1.845197e-19 3.013825e-19
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
#usando gestante como referência
odds_function1_supvent2(oi)
## $data
##        Var Present
## Grupos    nao sim não inv Total
##   gesta  1626         763  2389
##   não   11450       13213 24663
##   puerp   349         178   527
##   Total 13425       14154 27579
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   2.458846 2.2490461 2.690642
##   puerp 1.087254 0.8888013 1.326381
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   gesta         NA           NA           NA
##   não    0.0000000 3.836676e-92 1.336783e-90
##   puerp  0.4138596 4.107643e-01 4.439988e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados7$gesta_puerp_SN,  dados7$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * suport_ven  
## Data Frame: dados7  
## 
## 
## ---------------- ------------ --------------- ------------------- --------------- ----------------
##                    suport_ven   sim, invasivo   sim, não invasivo             não            Total
##   gesta_puerp_SN                                                                                  
##              não                 3536 (12.5%)       13213 (46.9%)   11450 (40.6%)   28199 (100.0%)
##              sim                  342 (10.5%)         941 (28.9%)    1975 (60.6%)    3258 (100.0%)
##            Total                 3878 (12.3%)       14154 (45.0%)   13425 (42.7%)   31457 (100.0%)
## ---------------- ------------ --------------- ------------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     493.7      2       0    
## ----------------------------

Agora, vamos selecionar apenas os casos que fizeram uso de suporte ventilatório não invasivo e comparar quem foi a UTI e que não foi:

dados7_ninv <- filter(dados7, suport_ven == "sim, não invasivo")
ctable(dados7_ninv$gest_puerp,  dados7_ninv$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados7_ninv  
## 
## 
## ------------ ----- -------------- --------------- ----------------
##                uti            sim             não            Total
##   gest_puerp                                                      
##          não         3239 (25.4%)    9523 (74.6%)   12762 (100.0%)
##        gesta          237 (31.8%)     509 (68.2%)     746 (100.0%)
##        puerp           83 (47.7%)      91 (52.3%)     174 (100.0%)
##        Total         3559 (26.0%)   10123 (74.0%)   13682 (100.0%)
## ------------ ----- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     58.03      2       0    
## ----------------------------
oi <- table(dados7_ninv$gest_puerp, dados7_ninv$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não    9523 3239 12762
##   gesta   509  237   746
##   puerp    91   83   174
##   Total 10123 3559 13682
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   não   1.000000       NA       NA
##   gesta 1.369413 1.166144 1.603742
##   puerp 2.681826 1.983210 3.621772
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.447599e-04 1.464641e-04 1.245011e-04
##   puerp 3.568985e-10 3.814417e-10 3.926223e-11
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   509  237   746
##   não    9523 3239 12762
##   puerp    91   83   174
##   Total 10123 3559 13682
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   0.7302469 0.6235418 0.857527
##   puerp 1.9574866 1.3986066 2.738339
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   0.0001447599 1.464641e-04 0.0001245011
##   puerp 0.0000965479 9.635137e-05 0.0001023699
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados7_ninv$gesta_puerp_SN,  dados7_ninv$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados7_ninv  
## 
## 
## ---------------- ----- -------------- --------------- ----------------
##                    uti            sim             não            Total
##   gesta_puerp_SN                                                      
##              não         3239 (25.4%)    9523 (74.6%)   12762 (100.0%)
##              sim          320 (34.8%)     600 (65.2%)     920 (100.0%)
##            Total         3559 (26.0%)   10123 (74.0%)   13682 (100.0%)
## ---------------- ----- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     38.93      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.64        0.55       0.73   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.73       0.73      0.73   
## --------------------------------

Agora, vamos selecionar apenas os casos que fizeram uso de suporte ventilatório invasivo e comparar quem foi a UTI e que não foi:

dados7_inv <- filter(dados7, suport_ven == "sim, invasivo")
ctable(dados7_inv$gest_puerp,  dados7_inv$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados7_inv  
## 
## 
## ------------ ----- -------------- ------------- ---------------
##                uti            sim           não           Total
##   gest_puerp                                                   
##          não         2960 (85.3%)   510 (14.7%)   3470 (100.0%)
##        gesta          180 (88.2%)    24 (11.8%)    204 (100.0%)
##        puerp          116 (87.2%)    17 (12.8%)    133 (100.0%)
##        Total         3256 (85.5%)   551 (14.5%)   3807 (100.0%)
## ------------ ----- -------------- ------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     1.657      2    0.4367  
## ----------------------------
oi <- table(dados7_inv$gest_puerp, dados7_inv$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao  sim Total
##   não   510 2960  3470
##   gesta  24  180   204
##   puerp  17  116   133
##   Total 551 3256  3807
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   não   1.000000        NA       NA
##   gesta 1.284844 0.8470943 2.037964
##   puerp 1.166303 0.7141074 2.029707
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta  0.2471828    0.3060018  0.2924344
##   puerp  0.5542100    0.6177242  0.6252287
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao  sim Total
##   gesta  24  180   204
##   não   510 2960  3470
##   puerp  17  116   133
##   Total 551 3256  3807
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   0.7783157 0.4906857 1.180506
##   puerp 0.9079035 0.4681453 1.795623
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não    0.2471828    0.3060018  0.2924344
##   puerp  0.7772329    0.8649101  0.9133977
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados7_inv$gesta_puerp_SN,  dados7_inv$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados7_inv  
## 
## 
## ---------------- ----- -------------- ------------- ---------------
##                    uti            sim           não           Total
##   gesta_puerp_SN                                                   
##              não         2960 (85.3%)   510 (14.7%)   3470 (100.0%)
##              sim          296 (87.8%)    41 (12.2%)    337 (100.0%)
##            Total         3256 (85.5%)   551 (14.5%)   3807 (100.0%)
## ---------------- ----- -------------- ------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     1.392      1    0.2381  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.80        0.57       1.13   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.97       0.97      0.97   
## --------------------------------

Vamos agora analisar a variável “evolucao”.

ctable(dados7$gest_puerp,  dados7$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7  
## 
## 
## ------------ ---------- -------------- --------------- ----------------
##                evolucao          obito            cura            Total
##   gest_puerp                                                           
##          não              4534 (14.1%)   27547 (85.9%)   32081 (100.0%)
##        gesta               181 ( 6.2%)    2723 (93.8%)    2904 (100.0%)
##        puerp               114 (15.9%)     601 (84.1%)     715 (100.0%)
##        Total              4829 (13.5%)   30871 (86.5%)   35700 (100.0%)
## ------------ ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     145.7      2       0    
## ----------------------------
oi <- table(dados7$gest_puerp, dados7$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   27547 4534 32081
##   gesta  2723  181  2904
##   puerp   601  114   715
##   Total 30871 4829 35700
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4041932 0.3454757 0.4699085
##   puerp 1.1537777 0.9376682 1.4070879
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta  0.0000000 8.871470e-39 1.046773e-32
##   puerp  0.1734155 1.751471e-01 1.871356e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  2723  181  2904
##   não   27547 4534 32081
##   puerp   601  114   715
##   Total 30871 4829 35700
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.474065 2.128074 2.894560
##   puerp 2.853859 2.216755 3.661151
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   0.000000e+00 8.871470e-39 1.046773e-32
##   puerp 3.996803e-15 5.125718e-15 3.610200e-17
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados7$gesta_puerp_SN,  dados7$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados7  
## 
## 
## ---------------- ---------- -------------- --------------- ----------------
##                    evolucao          obito            cura            Total
##   gesta_puerp_SN                                                           
##              não              4534 (14.1%)   27547 (85.9%)   32081 (100.0%)
##              sim               295 ( 8.2%)    3324 (91.8%)    3619 (100.0%)
##            Total              4829 (13.5%)   30871 (86.5%)   35700 (100.0%)
## ---------------- ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     98.97      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.85        1.64       2.10   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.73       1.73      1.73   
## --------------------------------

Vamos analisar a mortalidade apenas dos casos que foram para UTI. Para isso, selecionamos uti=sim:

dados7_uti <- filter(dados7, uti=="sim")
ctable(dados7_uti$gest_puerp,  dados7_uti$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_uti  
## 
## 
## ------------ ---------- -------------- -------------- ---------------
##                evolucao          obito           cura           Total
##   gest_puerp                                                         
##          não              2755 (34.4%)   5259 (65.6%)   8014 (100.0%)
##        gesta               127 (22.1%)    447 (77.9%)    574 (100.0%)
##        puerp                90 (36.9%)    154 (63.1%)    244 (100.0%)
##        Total              2972 (33.7%)   5860 (66.3%)   8832 (100.0%)
## ------------ ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     37.19      2       0    
## ----------------------------
oi <- table(dados7_uti$gest_puerp, dados7_uti$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   5259 2755  8014
##   gesta  447  127   574
##   puerp  154   90   244
##   Total 5860 2972  8832
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower     upper
##   não   1.000000        NA        NA
##   gesta 0.542864 0.4417554 0.6625601
##   puerp 1.116377 0.8542716 1.4505747
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 5.815246e-10 7.154979e-10 2.533090e-09
##   puerp 4.165484e-01 4.127817e-01 4.570449e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  447  127   574
##   não   5259 2755  8014
##   puerp  154   90   244
##   Total 5860 2972  8832
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.842082 1.509297 2.263696
##   puerp 2.055309 1.481150 2.848874
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   5.815246e-10 7.154979e-10 2.533090e-09
##   puerp 1.818574e-05 2.029079e-05 1.802278e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados7_uti$gesta_puerp_SN,  dados7_uti$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados7_uti  
## 
## 
## ---------------- ---------- -------------- -------------- ---------------
##                    evolucao          obito           cura           Total
##   gesta_puerp_SN                                                         
##              não              2755 (34.4%)   5259 (65.6%)   8014 (100.0%)
##              sim               217 (26.5%)    601 (73.5%)    818 (100.0%)
##            Total              2972 (33.7%)   5860 (66.3%)   8832 (100.0%)
## ---------------- ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     20.13      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.45        1.23       1.71   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.30       1.30      1.30   
## --------------------------------

Variáveis de tempo

Tempo de permanência na UTI

dados7 <- dados7 %>% 
  mutate(
    tempo_uti = as.numeric(dt_saiduti - dt_entuti),
    tempo_interna_evolucao = as.numeric(dt_evoluca - dt_interna)
  ) %>%
  mutate(tempo_interna_evolucao = case_when(dt_interna=="2021-01-27" ~ NA_real_, 
                                         TRUE ~ tempo_interna_evolucao))

Vamos agora ver se tem casos inconsistentes no sentido de ser UTI=não e ter tempo de UTI.

ai <- dados7 %>% group_by(uti) %>% count(!is.na(tempo_uti))
ai

Veja pela tabela acima que não há TRUE quando UTI=não. Ótimo! No entanto, veja que há 3667 casos que vão para UTI, mas não tem informação sobre tempo. Só há 5165 informações de permanência na UTI.

Vamos agora ver as descritivas de tempo UTI por grupo:

datasummary((gest_puerp + gesta_puerp_SN) ~ tempo_uti*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados7, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 4697.00 9.75 11.03 6.00 0.00 175.00 3.00 13.00 10.00
gesta 349.00 9.45 14.27 5.00 0.00 183.00 3.00 11.00 8.00
puerp 119.00 11.75 11.71 7.00 0.00 53.00 3.00 16.50 13.50
gesta_puerp_SN não 4697.00 9.75 11.03 6.00 0.00 175.00 3.00 13.00 10.00
sim 468.00 10.04 13.69 6.00 0.00 183.00 3.00 13.00 10.00

Comparação de tempo_uti com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(tempo_uti ~ gest_puerp,
          data=dados7)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  tempo_uti by gest_puerp
## Kruskal-Wallis chi-squared = 6.1419, df = 2, p-value = 0.04638
pairwise.wilcox.test(dados7$tempo_uti, dados7$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados7$tempo_uti and dados7$gest_puerp 
## 
##       não   gesta
## gesta 0.129 -    
## puerp 0.129 0.072
## 
## P value adjustment method: holm

Comparação da tempo_sintomas_notific com relação ao gesta_puerp_SN

t.test(tempo_uti ~ gesta_puerp_SN, data=dados7, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  tempo_uti by gesta_puerp_SN
## t = -0.43806, df = 529.19, p-value = 0.6615
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -1.5688596  0.9967423
## sample estimates:
## mean in group não mean in group sim 
##          9.750266         10.036325

Tempo entre internação e desfecho (óbito ou alta)

Primeiro vemos o tempo do desfecho, independente se cura ou óbito:

datasummary((gest_puerp + gesta_puerp_SN) ~ tempo_interna_evolucao*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados7, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 30066.00 9.25 11.42 6.00 0.00 287.00 3.00 11.00 8.00
gesta 2785.00 8.34 10.69 5.00 0.00 187.00 3.00 9.00 6.00
puerp 686.00 9.01 10.27 5.00 0.00 70.00 2.00 12.00 10.00
gesta_puerp_SN não 30066.00 9.25 11.42 6.00 0.00 287.00 3.00 11.00 8.00
sim 3471.00 8.48 10.61 5.00 0.00 187.00 3.00 10.00 7.00

Comparação de tempo_interna_evolucao com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(tempo_interna_evolucao ~ gest_puerp,
          data=dados7)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  tempo_interna_evolucao by gest_puerp
## Kruskal-Wallis chi-squared = 56.379, df = 2, p-value = 5.719e-13
pairwise.wilcox.test(dados7$tempo_interna_evolucao, dados7$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados7$tempo_interna_evolucao and dados7$gest_puerp 
## 
##       não     gesta 
## gesta 6.3e-12 -     
## puerp 0.0062  0.9286
## 
## P value adjustment method: holm

Comparação da tempo_interna_evolucao com relação ao gesta_puerp_SN

t.test(tempo_interna_evolucao ~ gesta_puerp_SN, data=dados7, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  tempo_interna_evolucao by gesta_puerp_SN
## t = 4.0349, df = 4450.2, p-value = 5.555e-05
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  0.3978273 1.1498083
## sample estimates:
## mean in group não mean in group sim 
##          9.249185          8.475367

Para os casos curados:

dados7_aux <- dados7 %>% filter(evolucao=="cura")

datasummary((gest_puerp + gesta_puerp_SN) ~ tempo_interna_evolucao*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados7_aux, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 25624.00 8.60 10.66 6.00 0.00 287.00 3.00 10.00 7.00
gesta 2605.00 7.89 9.80 5.00 0.00 142.00 3.00 9.00 6.00
puerp 574.00 7.69 9.06 4.00 0.00 70.00 2.00 10.00 8.00
gesta_puerp_SN não 25624.00 8.60 10.66 6.00 0.00 287.00 3.00 10.00 7.00
sim 3179.00 7.86 9.67 5.00 0.00 142.00 3.00 9.00 6.00

Comparação de tempo_interna_evolucao com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(tempo_interna_evolucao ~ gest_puerp,
          data=dados7_aux)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  tempo_interna_evolucao by gest_puerp
## Kruskal-Wallis chi-squared = 70.555, df = 2, p-value = 4.778e-16
pairwise.wilcox.test(dados7_aux$tempo_interna_evolucao, dados7_aux$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados7_aux$tempo_interna_evolucao and dados7_aux$gest_puerp 
## 
##       não     gesta
## gesta 3.7e-11 -    
## puerp 3.0e-07 0.036
## 
## P value adjustment method: holm

Comparação da tempo_interna_evolucao com relação ao gesta_puerp_SN

t.test(tempo_interna_evolucao ~ gesta_puerp_SN, data=dados7_aux, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  tempo_interna_evolucao by gesta_puerp_SN
## t = 4.0454, df = 4197.8, p-value = 5.316e-05
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  0.3835494 1.1048819
## sample estimates:
## mean in group não mean in group sim 
##          8.599516          7.855300

Agora para os casos de óbito:

dados7_aux <- dados7 %>% filter(evolucao=="obito")

datasummary((gest_puerp + gesta_puerp_SN) ~ tempo_interna_evolucao*(n+media+DP+mediana+minimo+maximo+q25+q75+IQR), data = dados7_aux, output = 'markdown')
n media DP mediana minimo maximo q25 q75 IQR
gest_puerp não 4442.00 13.00 14.49 9.00 0.00 193.00 4.00 18.00 14.00
gesta 180.00 14.88 18.32 10.50 0.00 187.00 5.00 19.00 14.00
puerp 112.00 15.79 13.11 13.00 0.00 68.00 6.00 20.00 14.00
gesta_puerp_SN não 4442.00 13.00 14.49 9.00 0.00 193.00 4.00 18.00 14.00
sim 292.00 15.23 16.50 12.00 0.00 187.00 6.00 19.25 13.25

Comparação de tempo_interna_evolucao com relação ao gest_puerp

Teste de Kruskal-Wallis:

kruskal.test(tempo_interna_evolucao ~ gest_puerp,
          data=dados7_aux)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  tempo_interna_evolucao by gest_puerp
## Kruskal-Wallis chi-squared = 14.04, df = 2, p-value = 0.0008938
pairwise.wilcox.test(dados7_aux$tempo_interna_evolucao, dados7_aux$gest_puerp)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  dados7_aux$tempo_interna_evolucao and dados7_aux$gest_puerp 
## 
##       não    gesta 
## gesta 0.0608 -     
## puerp 0.0054 0.2136
## 
## P value adjustment method: holm

Comparação da tempo_interna_evolucao com relação ao gesta_puerp_SN

t.test(tempo_interna_evolucao ~ gesta_puerp_SN, data=dados7_aux, var.equal=FALSE, alternative ="two.sided")
## 
##  Welch Two Sample t-test
## 
## data:  tempo_interna_evolucao by gesta_puerp_SN
## t = -2.2529, df = 321.22, p-value = 0.02494
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -4.1758560 -0.2825023
## sample estimates:
## mean in group não mean in group sim 
##          12.99685          15.22603

Modelos de regressão

Modelo de regressão logística para desfecho evolução.

Tendo só grupo como covariável:

dados7 <- dados7 %>% mutate(status= case_when(evolucao == "cura" ~ 0, TRUE ~ 1))
modelo <- glm(status ~ gest_puerp,family=binomial(link='logit'), data= dados7)
summary(modelo)
## 
## Call:
## glm(formula = status ~ gest_puerp, family = binomial(link = "logit"), 
##     data = dados7)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -0.5894  -0.5520  -0.5520  -0.5520   2.3560  
## 
## Coefficients:
##                 Estimate Std. Error  z value Pr(>|z|)    
## (Intercept)     -1.80429    0.01603 -112.580   <2e-16 ***
## gest_puerpgesta -0.90670    0.07841  -11.563   <2e-16 ***
## gest_puerppuerp  0.14189    0.10341    1.372     0.17    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 28294  on 35699  degrees of freedom
## Residual deviance: 28120  on 35697  degrees of freedom
## AIC: 28126
## 
## Number of Fisher Scoring iterations: 5

Tendo outras variáveis como covariáveis, além de grupo (variáveis paper mexicano):

modelo1 <- glm(status ~ gest_puerp + NU_IDADE_N + cardiopati + asma + diabetes + imunodepre + renal + obesidade,family=binomial(link='logit'), data= dados7)
summary(modelo1)
## 
## Call:
## glm(formula = status ~ gest_puerp + NU_IDADE_N + cardiopati + 
##     asma + diabetes + imunodepre + renal + obesidade, family = binomial(link = "logit"), 
##     data = dados7)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.4711  -0.6726  -0.5732  -0.4485   2.4293  
## 
## Coefficients:
##                  Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      0.348091   0.214168   1.625   0.1041    
## gest_puerpgesta -0.833579   0.134262  -6.209 5.35e-10 ***
## gest_puerppuerp  0.114855   0.137566   0.835   0.4038    
## NU_IDADE_N       0.006374   0.003323   1.918   0.0551 .  
## cardiopatinão   -0.090467   0.055525  -1.629   0.1033    
## asmanão          0.162092   0.088693   1.828   0.0676 .  
## diabetesnão     -0.523753   0.055218  -9.485  < 2e-16 ***
## imunodeprenão   -0.797015   0.085788  -9.290  < 2e-16 ***
## renalnão        -0.834455   0.089797  -9.293  < 2e-16 ***
## obesidadenão    -0.293349   0.059307  -4.946 7.57e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 10509  on 10857  degrees of freedom
## Residual deviance: 10117  on 10848  degrees of freedom
##   (24842 observations deleted due to missingness)
## AIC: 10137
## 
## Number of Fisher Scoring iterations: 5

Tendo outras variáveis como covariáveis, além de grupo:

modelo2 <- glm(status ~ gest_puerp + raca + escol_lancet + NU_IDADE_N + cardiopati + asma + diabetes + imunodepre + renal + obesidade,family=binomial(link='logit'), data= dados7)
summary(modelo2)
## 
## Call:
## glm(formula = status ~ gest_puerp + raca + escol_lancet + NU_IDADE_N + 
##     cardiopati + asma + diabetes + imunodepre + renal + obesidade, 
##     family = binomial(link = "logit"), data = dados7)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.5213  -0.6612  -0.5469  -0.4321   2.4290  
## 
## Coefficients:
##                        Estimate Std. Error z value Pr(>|z|)    
## (Intercept)            1.342862   0.379537   3.538 0.000403 ***
## gest_puerpgesta       -0.608307   0.178154  -3.414 0.000639 ***
## gest_puerppuerp       -0.081626   0.210820  -0.387 0.698623    
## racapreta              0.187430   0.139117   1.347 0.177889    
## racaamarela           -0.167429   0.451522  -0.371 0.710778    
## racaparda              0.314286   0.078857   3.986 6.73e-05 ***
## racaindigena           0.674404   0.555200   1.215 0.224479    
## escol_lancetate medio -0.721505   0.213177  -3.385 0.000713 ***
## escol_lancetmedio     -1.044816   0.210947  -4.953 7.31e-07 ***
## escol_lancetsuperior  -1.264540   0.223769  -5.651 1.59e-08 ***
## NU_IDADE_N             0.002391   0.004756   0.503 0.615202    
## cardiopatinão         -0.136141   0.081703  -1.666 0.095654 .  
## asmanão                0.170223   0.133863   1.272 0.203507    
## diabetesnão           -0.474885   0.082345  -5.767 8.07e-09 ***
## imunodeprenão         -0.839156   0.123452  -6.797 1.06e-11 ***
## renalnão              -0.760253   0.135748  -5.600 2.14e-08 ***
## obesidadenão          -0.419360   0.085993  -4.877 1.08e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 4978.1  on 5215  degrees of freedom
## Residual deviance: 4730.2  on 5199  degrees of freedom
##   (30484 observations deleted due to missingness)
## AIC: 4764.2
## 
## Number of Fisher Scoring iterations: 4

Modelo de regressão logística para UTI.

Tendo só grupo como covariável:

dados7 <- dados7 %>% mutate(status_uti= case_when(uti == "não" ~ 0, TRUE ~ 1))
modelo <- glm(status_uti ~ gest_puerp,family=binomial(link='logit'), data= dados7)
summary(modelo)
## 
## Call:
## glm(formula = status_uti ~ gest_puerp, family = binomial(link = "logit"), 
##     data = dados7)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -0.9946  -0.9022  -0.9022   1.4802   1.6398  
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)    
## (Intercept)     -0.68848    0.01183 -58.176  < 2e-16 ***
## gest_puerpgesta -0.35399    0.04390  -8.064 7.36e-16 ***
## gest_puerppuerp  0.24204    0.07757   3.120  0.00181 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 45255  on 35699  degrees of freedom
## Residual deviance: 45175  on 35697  degrees of freedom
## AIC: 45181
## 
## Number of Fisher Scoring iterations: 4

Tendo outras variáveis como covariáveis, além de grupo (variáveis paper mexicano):

modelo1 <- glm(status_uti ~ gest_puerp + NU_IDADE_N + cardiopati + asma + diabetes + imunodepre + renal + obesidade,family=binomial(link='logit'), data= dados7)
summary(modelo1)
## 
## Call:
## glm(formula = status_uti ~ gest_puerp + NU_IDADE_N + cardiopati + 
##     asma + diabetes + imunodepre + renal + obesidade, family = binomial(link = "logit"), 
##     data = dados7)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.4096  -0.9415  -0.8457   1.3343   1.7206  
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      0.4400904  0.1812742   2.428  0.01519 *  
## gest_puerpgesta -0.2347831  0.0833213  -2.818  0.00484 ** 
## gest_puerppuerp  0.2690606  0.1070251   2.514  0.01194 *  
## NU_IDADE_N      -0.0001395  0.0026576  -0.052  0.95813    
## cardiopatinão   -0.0456100  0.0460183  -0.991  0.32162    
## asmanão          0.1427231  0.0686528   2.079  0.03763 *  
## diabetesnão     -0.2605538  0.0469415  -5.551 2.85e-08 ***
## imunodeprenão   -0.1720461  0.0798659  -2.154  0.03123 *  
## renalnão        -0.4593631  0.0843877  -5.443 5.22e-08 ***
## obesidadenão    -0.4836944  0.0486094  -9.951  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 14023  on 10857  degrees of freedom
## Residual deviance: 13835  on 10848  degrees of freedom
##   (24842 observations deleted due to missingness)
## AIC: 13855
## 
## Number of Fisher Scoring iterations: 4

Tendo outras variáveis como covariáveis, além de grupo:

modelo2 <- glm(status_uti ~ gest_puerp + raca + escol_lancet + NU_IDADE_N + cardiopati + asma + diabetes + imunodepre + renal + obesidade,family=binomial(link='logit'), data= dados7)
summary(modelo2)
## 
## Call:
## glm(formula = status_uti ~ gest_puerp + raca + escol_lancet + 
##     NU_IDADE_N + cardiopati + asma + diabetes + imunodepre + 
##     renal + obesidade, family = binomial(link = "logit"), data = dados7)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.3725  -0.8949  -0.7822   1.3785   2.0009  
## 
## Coefficients:
##                        Estimate Std. Error z value Pr(>|z|)    
## (Intercept)            0.975050   0.335173   2.909  0.00362 ** 
## gest_puerpgesta        0.095823   0.117008   0.819  0.41282    
## gest_puerppuerp        0.357688   0.156917   2.279  0.02264 *  
## racapreta             -0.092443   0.118701  -0.779  0.43610    
## racaamarela           -0.004037   0.330869  -0.012  0.99027    
## racaparda             -0.060421   0.065699  -0.920  0.35774    
## racaindigena          -0.821756   0.642214  -1.280  0.20070    
## escol_lancetate medio -0.400448   0.203546  -1.967  0.04914 *  
## escol_lancetmedio     -0.547573   0.200808  -2.727  0.00639 ** 
## escol_lancetsuperior  -0.487675   0.207282  -2.353  0.01864 *  
## NU_IDADE_N            -0.001047   0.003899  -0.269  0.78824    
## cardiopatinão         -0.047031   0.068393  -0.688  0.49167    
## asmanão                0.106296   0.102519   1.037  0.29981    
## diabetesnão           -0.327524   0.069930  -4.684 2.82e-06 ***
## imunodeprenão         -0.122348   0.117741  -1.039  0.29874    
## renalnão              -0.517061   0.126968  -4.072 4.65e-05 ***
## obesidadenão          -0.555685   0.070640  -7.866 3.65e-15 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 6546.8  on 5215  degrees of freedom
## Residual deviance: 6437.0  on 5199  degrees of freedom
##   (30484 observations deleted due to missingness)
## AIC: 6471
## 
## Number of Fisher Scoring iterations: 4

Análise de sobrevivência

Evento: óbito. Censura: cura

dados7 <- dados7 %>% mutate(status= case_when(evolucao == "cura" ~ 0, TRUE ~ 1))

ajuste_3grupos <- survfit(Surv(time = tempo_interna_evolucao, event = status) ~ gest_puerp, data = dados7)

#Para fazer a tabela da estimativa de KM e intervalo de confiança:
surv_summary(ajuste_3grupos, data = dados7)
ggsurvplot(ajuste_3grupos, data = dados7,
           pval = TRUE, conf.int=TRUE, conf.int.style = "step",
           ylab = "Sobrevida", xlab = "tempo em dias", legend.title = "Grupos")

Comparação de grupos com relação ao desfecho (óbito e cura) dentre cada fator de risco

Comparação de grupos com relação à óbito e cura dentre cada fator de risco

Cardiopatia

dados7_selec <- dados7 %>%
  filter(cardiopati == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- -------------- -------------- ---------------
##                evolucao          obito           cura           Total
##   gest_puerp                                                         
##          não              1159 (22.8%)   3934 (77.2%)   5093 (100.0%)
##        gesta                24 (12.9%)    162 (87.1%)    186 (100.0%)
##        puerp                15 (21.4%)     55 (78.6%)     70 (100.0%)
##        Total              1198 (22.4%)   4151 (77.6%)   5349 (100.0%)
## ------------ ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     10.06      2    0.0065  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   3934 1159  5093
##   gesta  162   24   186
##   puerp   55   15    70
##   Total 4151 1198  5349
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.5058049 0.3196177 0.7651063
##   puerp 0.9330050 0.5055132 1.6169390
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   não             NA           NA          NA
##   gesta 0.0008779484    0.0011901 0.002098322
##   puerp 0.8126221974    0.8863317 0.904677152
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  162   24   186
##   não   3934 1159  5093
##   puerp   55   15    70
##   Total 4151 1198  5349
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   1.977074 1.3070079 3.128738
##   puerp 1.841518 0.8822729 3.749782
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   gesta           NA           NA          NA
##   não   0.0008779484    0.0011901 0.002098322
##   puerp 0.1022322577    0.1173982 0.134445276
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Hematologia

dados7_selec <- dados7 %>%
  filter(hematologi == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------ ------------- --------------
##                evolucao        obito          cura          Total
##   gest_puerp                                                     
##          não              87 (27.5%)   229 (72.5%)   316 (100.0%)
##        gesta               3 (18.8%)    13 (81.2%)    16 (100.0%)
##        puerp               2 (28.6%)     5 (71.4%)     7 (100.0%)
##        Total              92 (27.1%)   247 (72.9%)   339 (100.0%)
## ------------ ---------- ------------ ------------- --------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.6014      2    0.7403  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   não   229  87   316
##   gesta  13   3    16
##   puerp   5   2     7
##   Total 247  92   339
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 0.6315549 0.1358733 2.046061
##   puerp 1.0981227 0.1392280 5.442719
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta  0.4702400    0.5717897  0.6293056
##   puerp  0.9158256    1.0000000  1.0000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   gesta  13   3    16
##   não   229  87   316
##   puerp   5   2     7
##   Total 247  92   339
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower     upper
##   gesta 1.000000        NA        NA
##   não   1.583372 0.4887440  7.359796
##   puerp 1.711580 0.1600137 14.934826
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não    0.4702400    0.5717897  0.6293056
##   puerp  0.6336592    0.6213855  1.0000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Hepática

dados7_selec <- dados7 %>%
  filter(hepatica == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------ -------------- --------------
##                evolucao        obito           cura          Total
##   gest_puerp                                                      
##          não              68 (39.8%)   103 ( 60.2%)   171 (100.0%)
##        gesta               1 (12.5%)     7 ( 87.5%)     8 (100.0%)
##        puerp               0 ( 0.0%)     3 (100.0%)     3 (100.0%)
##        Total              69 (37.9%)   113 ( 62.1%)   182 (100.0%)
## ------------ ---------- ------------ -------------- --------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     4.276      2    0.1179  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi, met = "small")
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   103.5 68.5   172
##   gesta   7.5  1.5     9
##   puerp   3.5  0.5     4
##   Total 114.5 70.5   185
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower    upper
##   não   1.0000000         NA       NA
##   gesta 0.2628015 0.07768454 1.827738
##   puerp 0.1654676 0.04124000 3.442944
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta  0.2376852    0.3211035  0.2985126
##   puerp  0.1387256    0.1598068  0.5561065
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "small sample-adjusted UMLE & normal approx (Wald) CI"
odds_function1(oi, met = "small")
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   7.5  1.5     9
##   não   103.5 68.5   172
##   puerp   3.5  0.5     4
##   Total 114.5 70.5   185
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower    upper
##   gesta 1.0000000         NA       NA
##   não   1.9665072 0.54712441 12.87257
##   puerp 0.3333333 0.06830371 14.64049
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não    0.2376852    0.3211035  0.2985126
##   puerp  0.4945055    1.0000000  1.0000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "small sample-adjusted UMLE & normal approx (Wald) CI"

Asma

dados7_selec <- dados7 %>%
  filter(asma == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- -------------- ---------------
##                evolucao         obito           cura           Total
##   gest_puerp                                                        
##          não              254 (15.3%)   1404 (84.7%)   1658 (100.0%)
##        gesta                8 ( 6.7%)    111 (93.3%)    119 (100.0%)
##        puerp                6 (22.2%)     21 (77.8%)     27 (100.0%)
##        Total              268 (14.9%)   1536 (85.1%)   1804 (100.0%)
## ------------ ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     7.663      2    0.0217  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   1404 254  1658
##   gesta  111   8   119
##   puerp   21   6    27
##   Total 1536 268  1804
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4058292 0.1790624 0.7917593
##   puerp 1.6083839 0.5772532 3.8192022
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact chi.square
##   não            NA           NA         NA
##   gesta 0.006324443   0.01027436 0.01546917
##   puerp 0.336802636   0.29049352 0.47376901
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  111   8   119
##   não   1404 254  1658
##   puerp   21   6    27
##   Total 1536 268  1804
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower     upper
##   gesta 1.000000       NA        NA
##   não   2.464104 1.263010  5.584645
##   puerp 3.931497 1.160015 12.753040
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact chi.square
##   gesta          NA           NA         NA
##   não   0.006324443   0.01027436 0.01546917
##   puerp 0.028947132   0.02410382 0.03507786
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Diabetes

dados7_selec <- dados7 %>%
  filter(diabetes  == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- -------------- -------------- ---------------
##                evolucao          obito           cura           Total
##   gest_puerp                                                         
##          não              1143 (26.8%)   3125 (73.2%)   4268 (100.0%)
##        gesta                27 (12.7%)    185 (87.3%)    212 (100.0%)
##        puerp                19 (32.2%)     40 (67.8%)     59 (100.0%)
##        Total              1189 (26.2%)   3350 (73.8%)   4539 (100.0%)
## ------------ ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     21.72      2       0    
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   3125 1143  4268
##   gesta  185   27   212
##   puerp   40   19    59
##   Total 3350 1189  4539
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4011406 0.2604866 0.5934993
##   puerp 1.3044029 0.7346307 2.2347821
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 1.291644e-06 0.0000018124 8.051496e-06
##   puerp 3.539755e-01 0.3749116846 4.321649e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  185   27   212
##   não   3125 1143  4268
##   puerp   40   19    59
##   Total 3350 1189  4539
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.493036 1.684922 3.838968
##   puerp 3.240857 1.623738 6.408142
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   1.291644e-06 0.0000018124 8.051496e-06
##   puerp 1.003057e-03 0.0013105354 8.778360e-04
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Neurológico

dados7_selec <- dados7 %>%
  filter(neuro == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- ------------- --------------
##                evolucao         obito          cura          Total
##   gest_puerp                                                      
##          não              179 (35.9%)   319 (64.1%)   498 (100.0%)
##        gesta                1 ( 4.2%)    23 (95.8%)    24 (100.0%)
##        puerp                2 (40.0%)     3 (60.0%)     5 (100.0%)
##        Total              182 (34.5%)   345 (65.5%)   527 (100.0%)
## ------------ ---------- ------------- ------------- --------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     10.29      2    0.0058  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   não   319 179   498
##   gesta  23   1    24
##   puerp   3   2     5
##   Total 345 182   527
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos    estimate       lower     upper
##   não   1.00000000          NA        NA
##   gesta 0.08832648 0.003691908 0.4218705
##   puerp 1.21551522 0.140136390 8.0547169
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   não             NA           NA          NA
##   gesta 0.0004554119 0.0006486086 0.002889953
##   puerp 0.8409155271 1.0000000000 1.000000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   gesta  23   1    24
##   não   319 179   498
##   puerp   3   2     5
##   Total 345 182   527
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta  1.00000       NA       NA
##   não   11.32163 2.370395 270.8627
##   puerp 12.42152 0.801494 465.4591
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact  chi.square
##   gesta           NA           NA          NA
##   não   0.0004554119 0.0006486086 0.002889953
##   puerp 0.0711548987 0.0684181719 0.112654204
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Pneumopatia

dados7_selec <- dados7 %>%
  filter(pneumopati == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- -------------- --------------
##                evolucao         obito           cura          Total
##   gest_puerp                                                       
##          não              136 (26.5%)   377 ( 73.5%)   513 (100.0%)
##        gesta                1 ( 4.3%)    22 ( 95.7%)    23 (100.0%)
##        puerp                0 ( 0.0%)     4 (100.0%)     4 (100.0%)
##        Total              137 (25.4%)   403 ( 74.6%)   540 (100.0%)
## ------------ ---------- ------------- -------------- --------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     7.081      2     0.029  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi, met="small")
## $data
##        Var Present
## Grupos    nao   sim Total
##   não   377.5 136.5   514
##   gesta  22.5   1.5    24
##   puerp   4.5   0.5     5
##   Total 404.5 138.5   543
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower    upper
##   não   1.0000000         NA       NA
##   gesta 0.1752418 0.05582697 1.031105
##   puerp 0.2495868 0.06390001 4.765424
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.03808053    0.0544212 0.04686748
##   puerp 0.29453297    0.5772403 0.74435867
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "small sample-adjusted UMLE & normal approx (Wald) CI"
odds_function1(oi, met="small")
## $data
##        Var Present
## Grupos    nao   sim Total
##   gesta  22.5   1.5    24
##   não   377.5 136.5   514
##   puerp   4.5   0.5     5
##   Total 404.5 138.5   543
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   gesta 1.0000000        NA       NA
##   não   3.2457067 0.9698337 17.91249
##   puerp 0.8181818 0.1728997 30.59578
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não   0.03808053    0.0544212 0.04686748
##   puerp 0.73015873    1.0000000 1.00000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "small sample-adjusted UMLE & normal approx (Wald) CI"

Imunodepressão

dados7_selec <- dados7 %>%
  filter(imunodepre == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- ------------- ---------------
##                evolucao         obito          cura           Total
##   gest_puerp                                                       
##          não              408 (35.2%)   751 (64.8%)   1159 (100.0%)
##        gesta                6 (16.7%)    30 (83.3%)     36 (100.0%)
##        puerp                3 (16.7%)    15 (83.3%)     18 (100.0%)
##        Total              417 (34.4%)   796 (65.6%)   1213 (100.0%)
## ------------ ---------- ------------- ------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     7.858      2    0.0197  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   não   751 408  1159
##   gesta  30   6    36
##   puerp  15   3    18
##   Total 796 417  1213
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   não   1.0000000         NA        NA
##   gesta 0.3761865 0.13856541 0.8542754
##   puerp 0.3836259 0.08480316 1.1843026
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.01778466   0.02070842 0.03367176
##   puerp 0.10090314   0.13509011 0.16517531
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   gesta  30   6    36
##   não   751 408  1159
##   puerp  15   3    18
##   Total 796 417  1213
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   2.658352 1.1705827 7.216808
##   puerp 1.019710 0.1819945 4.617097
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não   0.01778466   0.02070842 0.03367176
##   puerp 0.98053551   1.00000000 1.00000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Renal

dados7_selec <- dados7 %>%
  filter(renal == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- ------------- --------------
##                evolucao         obito          cura          Total
##   gest_puerp                                                      
##          não              385 (40.0%)   578 (60.0%)   963 (100.0%)
##        gesta                2 ( 9.5%)    19 (90.5%)    21 (100.0%)
##        puerp                4 (36.4%)     7 (63.6%)    11 (100.0%)
##        Total              391 (39.3%)   604 (60.7%)   995 (100.0%)
## ------------ ---------- ------------- ------------- --------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     8.031      2     0.018  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   não   578 385   963
##   gesta  19   2    21
##   puerp   7   4    11
##   Total 604 391   995
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate      lower     upper
##   não   1.0000000         NA        NA
##   gesta 0.1690280 0.02476413 0.5906634
##   puerp 0.8721124 0.21879473 2.9816659
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact  chi.square
##   não            NA           NA          NA
##   gesta 0.002989411  0.005288978 0.009304179
##   puerp 0.831008168  1.000000000 1.000000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   gesta  19   2    21
##   não   578 385   963
##   puerp   7   4    11
##   Total 604 391   995
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   5.916085 1.6930116 40.38098
##   puerp 4.962028 0.7443738 47.50072
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact  chi.square
##   gesta          NA           NA          NA
##   não   0.002989411  0.005288978 0.009304179
##   puerp 0.098906192  0.147571376 0.170446724
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Obesidade

dados7_selec <- dados7 %>%
  filter(obesidade == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- -------------- ---------------
##                evolucao         obito           cura           Total
##   gest_puerp                                                        
##          não              762 (22.9%)   2565 (77.1%)   3327 (100.0%)
##        gesta               19 (15.2%)    106 (84.8%)    125 (100.0%)
##        puerp               15 (31.2%)     33 (68.8%)     48 (100.0%)
##        Total              796 (22.7%)   2704 (77.3%)   3500 (100.0%)
## ------------ ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     6.074      2     0.048  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   2565 762  3327
##   gesta  106  19   125
##   puerp   33  15    48
##   Total 2704 796  3500
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.6076271 0.3589099 0.9737861
##   puerp 1.5387743 0.8052225 2.8048969
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.03788076   0.04931636 0.05587399
##   puerp 0.18492771   0.17018015 0.23359226
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  106  19   125
##   não   2565 762  3327
##   puerp   33  15    48
##   Total 2704 796  3500
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.645716 1.026920 2.786214
##   puerp 2.522727 1.137605 5.550771
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não   0.03788076   0.04931636 0.05587399
##   puerp 0.02316618   0.03093899 0.03038975
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Síndrome metabólica

dados7_selec <- dados7 %>%
  filter(gr_sind_met == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- ------------- ------------- --------------
##                evolucao         obito          cura          Total
##   gest_puerp                                                      
##          não              145 (37.8%)   239 (62.2%)   384 (100.0%)
##        gesta                1 (14.3%)     6 (85.7%)     7 (100.0%)
##        puerp                3 (42.9%)     4 (57.1%)     7 (100.0%)
##        Total              149 (37.4%)   249 (62.6%)   398 (100.0%)
## ------------ ---------- ------------- ------------- --------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     1.707      2     0.426  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   não   239 145   384
##   gesta   6   1     7
##   puerp   4   3     7
##   Total 249 149   398
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   não   1.000000        NA       NA
##   gesta 0.307138 0.0117853 1.889345
##   puerp 1.250546 0.2276480 6.059481
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta  0.2304175    0.2646446  0.3798253
##   puerp  0.7810218    1.0000000  1.0000000
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos  nao sim Total
##   gesta   6   1     7
##   não   239 145   384
##   puerp   4   3     7
##   Total 249 149   398
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower     upper
##   gesta 1.000000        NA        NA
##   não   3.255844 0.5292838  84.85144
##   puerp 3.808781 0.3120847 136.46229
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não    0.2304175    0.2646446  0.3798253
##   puerp  0.3146853    0.5594406  0.5541131
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Suporte invasivo

Invasivo

dados7_selec <- dados7 %>%
  filter(suport_ven == "sim, invasivo")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- -------------- -------------- ---------------
##                evolucao          obito           cura           Total
##   gest_puerp                                                         
##          não              2249 (63.6%)   1287 (36.4%)   3536 (100.0%)
##        gesta               104 (49.8%)    105 (50.2%)    209 (100.0%)
##        puerp                77 (57.9%)     56 (42.1%)    133 (100.0%)
##        Total              2430 (62.7%)   1448 (37.3%)   3878 (100.0%)
## ------------ ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     17.5       2     2e-04  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   1287 2249  3536
##   gesta  105  104   209
##   puerp   56   77   133
##   Total 1448 2430  3878
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.5669204 0.4282547 0.7503261
##   puerp 0.7862938 0.5544155 1.1219340
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 7.721615e-05 0.0000869114 7.812554e-05
##   puerp 1.832200e-01 0.1991703580 2.113401e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  105  104   209
##   não   1287 2249  3536
##   puerp   56   77   133
##   Total 1448 2430  3878
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.763966 1.332754 2.335059
##   puerp 1.386210 0.894767 2.156128
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   7.721615e-05 0.0000869114 7.812554e-05
##   puerp 1.439721e-01 0.1500167460 1.744554e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Não invasivo

dados7_selec <- dados7 %>%
  filter(suport_ven == "sim, não invasivo")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- -------------- --------------- ----------------
##                evolucao          obito            cura            Total
##   gest_puerp                                                           
##          não              1246 ( 9.4%)   11967 (90.6%)   13213 (100.0%)
##        gesta                37 ( 4.8%)     726 (95.2%)     763 (100.0%)
##        puerp                18 (10.1%)     160 (89.9%)     178 (100.0%)
##        Total              1301 ( 9.2%)   12853 (90.8%)   14154 (100.0%)
## ------------ ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     18.32      2     1e-04  
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   11967 1246 13213
##   gesta   726   37   763
##   puerp   160   18   178
##   Total 12853 1301 14154
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4914879 0.3454110 0.6773045
##   puerp 1.0891511 0.6433132 1.7305101
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 4.340917e-06  5.67912e-06 2.711419e-05
##   puerp 7.364199e-01  6.99488e-01 8.569872e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   726   37   763
##   não   11967 1246 13213
##   puerp   160   18   178
##   Total 12853 1301 14154
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.034524 1.476441 2.895102
##   puerp 2.214465 1.200645 3.947629
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   4.340917e-06 5.679120e-06 2.711419e-05
##   puerp 1.188662e-02 1.187845e-02 1.180573e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

UTI

dados7_selec <- dados7 %>%
  filter(uti == "sim")
ctable(dados7_selec$gest_puerp, dados7_selec$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados7_selec  
## 
## 
## ------------ ---------- -------------- -------------- ---------------
##                evolucao          obito           cura           Total
##   gest_puerp                                                         
##          não              2755 (34.4%)   5259 (65.6%)   8014 (100.0%)
##        gesta               127 (22.1%)    447 (77.9%)    574 (100.0%)
##        puerp                90 (36.9%)    154 (63.1%)    244 (100.0%)
##        Total              2972 (33.7%)   5860 (66.3%)   8832 (100.0%)
## ------------ ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     37.19      2       0    
## ----------------------------
oi <- table(dados7_selec$gest_puerp, dados7_selec$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   5259 2755  8014
##   gesta  447  127   574
##   puerp  154   90   244
##   Total 5860 2972  8832
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower     upper
##   não   1.000000        NA        NA
##   gesta 0.542864 0.4417554 0.6625601
##   puerp 1.116377 0.8542716 1.4505747
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 5.815246e-10 7.154979e-10 2.533090e-09
##   puerp 4.165484e-01 4.127817e-01 4.570449e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  447  127   574
##   não   5259 2755  8014
##   puerp  154   90   244
##   Total 5860 2972  8832
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.842082 1.509297 2.263696
##   puerp 2.055309 1.481150 2.848874
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   5.815246e-10 7.154979e-10 2.533090e-09
##   puerp 1.818574e-05 2.029079e-05 1.802278e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"

Desfechos por estado

UTI

Sudeste:

dados_aux1 <- filter(dados7, region == "southeast")

ctable(dados_aux1$gest_puerp,  dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados_aux1  
## 
## 
## ------------ ----- -------------- --------------- ----------------
##                uti            sim             não            Total
##   gest_puerp                                                      
##          não         4558 (27.9%)   11784 (72.1%)   16342 (100.0%)
##        gesta          295 (24.8%)     893 (75.2%)    1188 (100.0%)
##        puerp          107 (37.4%)     179 (62.6%)     286 (100.0%)
##        Total         4960 (27.8%)   12856 (72.2%)   17816 (100.0%)
## ------------ ----- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     18.42      2     1e-04  
## ----------------------------
oi <- table(dados_aux1$gest_puerp,  dados_aux1$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   11784 4558 16342
##   gesta   893  295  1188
##   puerp   179  107   286
##   Total 12856 4960 17816
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate    lower     upper
##   não   1.0000000       NA        NA
##   gesta 0.8543766 0.744674 0.9775738
##   puerp 1.5463249 1.210555 1.9659433
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 0.0218139335 0.0224244202 0.0249540943
##   puerp 0.0005490166 0.0005376911 0.0004890318
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta   893  295  1188
##   não   11784 4558 16342
##   puerp   179  107   286
##   Total 12856 4960 17816
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.170449 1.022941 1.342870
##   puerp 1.809428 1.373963 2.375657
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   2.181393e-02 2.242442e-02 2.495409e-02
##   puerp 2.879468e-05 3.193869e-05 2.498657e-05
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ----- -------------- --------------- ----------------
##                    uti            sim             não            Total
##   gesta_puerp_SN                                                      
##              não         4558 (27.9%)   11784 (72.1%)   16342 (100.0%)
##              sim          402 (27.3%)    1072 (72.7%)    1474 (100.0%)
##            Total         4960 (27.8%)   12856 (72.2%)   17816 (100.0%)
## ---------------- ----- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##    0.2277      1    0.6333  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.03        0.92       1.16   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.02       1.02      1.02   
## --------------------------------

Nordeste:

dados_aux1 <- filter(dados7, region == "northeast")

ctable(dados_aux1$gest_puerp, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados_aux1  
## 
## 
## ------------ ----- -------------- -------------- ---------------
##                uti            sim            não           Total
##   gest_puerp                                                    
##          não         1142 (32.4%)   2380 (67.6%)   3522 (100.0%)
##        gesta          122 (18.7%)    532 (81.3%)    654 (100.0%)
##        puerp           77 (40.1%)    115 (59.9%)    192 (100.0%)
##        Total         1341 (30.7%)   3027 (69.3%)   4368 (100.0%)
## ------------ ----- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     57.51      2       0    
## ----------------------------
oi <- table(dados_aux1$gest_puerp,  dados_aux1$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   2380 1142  3522
##   gesta  532  122   654
##   puerp  115   77   192
##   Total 3027 1341  4368
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4784659 0.3867068 0.5877256
##   puerp 1.3962266 1.0337830 1.8759780
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 2.918776e-13 3.558478e-13 2.688584e-12
##   puerp 2.973433e-02 3.282516e-02 3.334906e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  532  122   654
##   não   2380 1142  3522
##   puerp  115   77   192
##   Total 3027 1341  4368
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.090105 1.701474 2.585939
##   puerp 2.915889 2.053094 4.136063
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   2.917666e-13 3.558478e-13 2.688584e-12
##   puerp 3.576958e-09 3.716973e-09 1.323864e-09
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ----- -------------- -------------- ---------------
##                    uti            sim            não           Total
##   gesta_puerp_SN                                                    
##              não         1142 (32.4%)   2380 (67.6%)   3522 (100.0%)
##              sim          199 (23.5%)    647 (76.5%)    846 (100.0%)
##            Total         1341 (30.7%)   3027 (69.3%)   4368 (100.0%)
## ---------------- ----- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     24.99      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.56        1.31       1.86   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.38       1.38      1.38   
## --------------------------------

Sul:

dados_aux1 <- filter(dados7, region == "south")

ctable(dados_aux1$gest_puerp, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados_aux1  
## 
## 
## ------------ ----- -------------- -------------- ---------------
##                uti            sim            não           Total
##   gest_puerp                                                    
##          não         1359 (25.7%)   3923 (74.3%)   5282 (100.0%)
##        gesta           70 (19.7%)    285 (80.3%)    355 (100.0%)
##        puerp           20 (25.0%)     60 (75.0%)     80 (100.0%)
##        Total         1449 (25.3%)   4268 (74.7%)   5717 (100.0%)
## ------------ ----- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     6.356      2    0.0417  
## ----------------------------
oi <- table(dados_aux1$gest_puerp,  dados_aux1$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   3923 1359  5282
##   gesta  285   70   355
##   puerp   60   20    80
##   Total 4268 1449  5717
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 0.7102460 0.5390326 0.923636
##   puerp 0.9674419 0.5660461 1.583862
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.01017666   0.01161165 0.01401119
##   puerp 0.89881361   1.00000000 0.98469905
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  285   70   355
##   não   3923 1359  5282
##   puerp   60   20    80
##   Total 4268 1449  5717
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   1.407928 1.0826776 1.855175
##   puerp 1.361454 0.7542689 2.380455
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   gesta         NA           NA         NA
##   não   0.01017666   0.01161165 0.01401119
##   puerp 0.29805082   0.28849720 0.36771270
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ----- -------------- -------------- ---------------
##                    uti            sim            não           Total
##   gesta_puerp_SN                                                    
##              não         1359 (25.7%)   3923 (74.3%)   5282 (100.0%)
##              sim           90 (20.7%)    345 (79.3%)    435 (100.0%)
##            Total         1449 (25.3%)   4268 (74.7%)   5717 (100.0%)
## ---------------- ----- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     5.131      1    0.0235  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.33        1.04       1.69   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.24       1.24      1.24   
## --------------------------------

Centro-oeste:

dados_aux1 <- filter(dados7, region == "central")

ctable(dados_aux1$gest_puerp, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados_aux1  
## 
## 
## ------------ ----- ------------- -------------- ---------------
##                uti           sim            não           Total
##   gest_puerp                                                   
##          não         671 (24.6%)   2055 (75.4%)   2726 (100.0%)
##        gesta          56 (17.2%)    269 (82.8%)    325 (100.0%)
##        puerp          23 (30.3%)     53 (69.7%)     76 (100.0%)
##        Total         750 (24.0%)   2377 (76.0%)   3127 (100.0%)
## ------------ ----- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     10.37      2    0.0056  
## ----------------------------
oi <- table(dados_aux1$gest_puerp,  dados_aux1$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   2055 671  2726
##   gesta  269  56   325
##   puerp   53  23    76
##   Total 2377 750  3127
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.6390183 0.4687013 0.8568424
##   puerp 1.3341238 0.7956043 2.1685813
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact  chi.square
##   não            NA           NA          NA
##   gesta 0.002433112  0.002992176 0.003918922
##   puerp 0.266450694  0.280854366 0.321958522
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  269  56   325
##   não   2055 671  2726
##   puerp   53  23    76
##   Total 2377 750  3127
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   1.564910 1.167076 2.133555
##   puerp 2.085217 1.165024 3.660130
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact  chi.square
##   gesta          NA           NA          NA
##   não   0.002433112  0.002992176 0.003918922
##   puerp 0.013965139  0.015506680 0.015890405
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ----- ------------- -------------- ---------------
##                    uti           sim            não           Total
##   gesta_puerp_SN                                                   
##              não         671 (24.6%)   2055 (75.4%)   2726 (100.0%)
##              sim          79 (19.7%)    322 (80.3%)    401 (100.0%)
##            Total         750 (24.0%)   2377 (76.0%)   3127 (100.0%)
## ---------------- ----- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     4.364      1    0.0367  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.33        1.03       1.73   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.25       1.25      1.25   
## --------------------------------

Norte:

dados_aux1 <- filter(dados7, region == "north")

ctable(dados_aux1$gest_puerp, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * uti  
## Data Frame: dados_aux1  
## 
## 
## ------------ ----- ------------- -------------- ---------------
##                uti           sim            não           Total
##   gest_puerp                                                   
##          não         284 (19.0%)   1210 (81.0%)   1494 (100.0%)
##        gesta          31 (15.6%)    168 (84.4%)    199 (100.0%)
##        puerp          16 (35.6%)     29 (64.4%)     45 (100.0%)
##        Total         331 (19.0%)   1407 (81.0%)   1738 (100.0%)
## ------------ ----- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     9.509      2    0.0086  
## ----------------------------
oi <- table(dados_aux1$gest_puerp,  dados_aux1$uti)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   1210 284  1494
##   gesta  168  31   199
##   puerp   29  16    45
##   Total 1407 331  1738
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 0.7892959 0.5177744 1.167244
##   puerp 2.3592996 1.2317817 4.361718
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact chi.square
##   não           NA           NA         NA
##   gesta 0.24227580   0.28588805 0.28392074
##   puerp 0.01065049   0.01139093 0.01018072
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  168  31   199
##   não   1210 284  1494
##   puerp   29  16    45
##   Total 1407 331  1738
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate     lower    upper
##   gesta 1.000000        NA       NA
##   não   1.266916 0.8567192 1.931343
##   puerp 2.979793 1.4242531 6.125618
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact  chi.square
##   gesta          NA           NA          NA
##   não   0.242275804  0.285888052 0.283920739
##   puerp 0.004177932  0.005478857 0.004240842
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$uti, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * uti  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ----- ------------- -------------- ---------------
##                    uti           sim            não           Total
##   gesta_puerp_SN                                                   
##              não         284 (19.0%)   1210 (81.0%)   1494 (100.0%)
##              sim          47 (19.3%)    197 (80.7%)    244 (100.0%)
##            Total         331 (19.0%)   1407 (81.0%)   1738 (100.0%)
## ---------------- ----- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##       0        1    0.9957  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     0.98        0.70       1.39   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     0.99       0.99      0.99   
## --------------------------------

Suporte ventilatório

Sudeste:

dados_aux1 <- filter(dados7, region == "southeast")

ctable(dados_aux1$gest_puerp,  dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ------------ ------------ --------------- ------------------- -------------- ----------------
##                suport_ven   sim, invasivo   sim, não invasivo            não            Total
##   gest_puerp                                                                                 
##          não                 1628 (10.4%)        7362 (47.2%)   6596 (42.3%)   15586 (100.0%)
##        gesta                   85 ( 7.6%)         383 (34.2%)    652 (58.2%)    1120 (100.0%)
##        puerp                   52 (19.0%)          85 (31.0%)    137 (50.0%)     274 (100.0%)
##        Total                 1765 (10.4%)        7830 (46.1%)   7385 (43.5%)   16980 (100.0%)
## ------------ ------------ --------------- ------------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     143.6      4       0    
## ----------------------------
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ------------ --------------- ------------------- -------------- ----------------
##                    suport_ven   sim, invasivo   sim, não invasivo            não            Total
##   gesta_puerp_SN                                                                                 
##              não                 1628 (10.4%)        7362 (47.2%)   6596 (42.3%)   15586 (100.0%)
##              sim                  137 ( 9.8%)         468 (33.6%)    789 (56.6%)    1394 (100.0%)
##            Total                 1765 (10.4%)        7830 (46.1%)   7385 (43.5%)   16980 (100.0%)
## ---------------- ------------ --------------- ------------------- -------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     112.3      2       0    
## ----------------------------

Nordeste:

dados_aux1 <- filter(dados7, region == "northeast")

ctable(dados_aux1$gest_puerp, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ------------ ------------ --------------- ------------------- -------------- ---------------
##                suport_ven   sim, invasivo   sim, não invasivo            não           Total
##   gest_puerp                                                                                
##          não                  714 (21.2%)        1377 (40.8%)   1283 (38.0%)   3374 (100.0%)
##        gesta                   52 ( 8.2%)         121 (19.1%)    462 (72.8%)    635 (100.0%)
##        puerp                   48 (25.3%)          35 (18.4%)    107 (56.3%)    190 (100.0%)
##        Total                  814 (19.4%)        1533 (36.5%)   1852 (44.1%)   4199 (100.0%)
## ------------ ------------ --------------- ------------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     289.9      4       0    
## ----------------------------
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ------------ --------------- ------------------- -------------- ---------------
##                    suport_ven   sim, invasivo   sim, não invasivo            não           Total
##   gesta_puerp_SN                                                                                
##              não                  714 (21.2%)        1377 (40.8%)   1283 (38.0%)   3374 (100.0%)
##              sim                  100 (12.1%)         156 (18.9%)    569 (69.0%)    825 (100.0%)
##            Total                  814 (19.4%)        1533 (36.5%)   1852 (44.1%)   4199 (100.0%)
## ---------------- ------------ --------------- ------------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##      259       2       0    
## ----------------------------

Sul:

dados_aux1 <- filter(dados7, region == "south")

ctable(dados_aux1$gest_puerp, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ------------ ------------ --------------- ------------------- -------------- ---------------
##                suport_ven   sim, invasivo   sim, não invasivo            não           Total
##   gest_puerp                                                                                
##          não                  656 (12.7%)        2615 (50.6%)   1901 (36.8%)   5172 (100.0%)
##        gesta                   25 ( 7.2%)         119 (34.2%)    204 (58.6%)    348 (100.0%)
##        puerp                   10 (12.5%)          25 (31.2%)     45 (56.2%)     80 (100.0%)
##        Total                  691 (12.3%)        2759 (49.3%)   2150 (38.4%)   5600 (100.0%)
## ------------ ------------ --------------- ------------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     78.41      4       0    
## ----------------------------
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ------------ --------------- ------------------- -------------- ---------------
##                    suport_ven   sim, invasivo   sim, não invasivo            não           Total
##   gesta_puerp_SN                                                                                
##              não                  656 (12.7%)        2615 (50.6%)   1901 (36.8%)   5172 (100.0%)
##              sim                   35 ( 8.2%)         144 (33.6%)    249 (58.2%)    428 (100.0%)
##            Total                  691 (12.3%)        2759 (49.3%)   2150 (38.4%)   5600 (100.0%)
## ---------------- ------------ --------------- ------------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     76.71      2       0    
## ----------------------------

Centro-oeste:

dados_aux1 <- filter(dados7, region == "central")

ctable(dados_aux1$gest_puerp, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ------------ ------------ --------------- ------------------- -------------- ---------------
##                suport_ven   sim, invasivo   sim, não invasivo            não           Total
##   gest_puerp                                                                                
##          não                  317 (12.0%)        1257 (47.6%)   1067 (40.4%)   2641 (100.0%)
##        gesta                   26 ( 8.3%)         107 (34.0%)    182 (57.8%)    315 (100.0%)
##        puerp                    9 (12.2%)          22 (29.7%)     43 (58.1%)     74 (100.0%)
##        Total                  352 (11.6%)        1386 (45.7%)   1292 (42.6%)   3030 (100.0%)
## ------------ ------------ --------------- ------------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     43.29      4       0    
## ----------------------------
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ------------ --------------- ------------------- -------------- ---------------
##                    suport_ven   sim, invasivo   sim, não invasivo            não           Total
##   gesta_puerp_SN                                                                                
##              não                  317 (12.0%)        1257 (47.6%)   1067 (40.4%)   2641 (100.0%)
##              sim                   35 ( 9.0%)         129 (33.2%)    225 (57.8%)    389 (100.0%)
##            Total                  352 (11.6%)        1386 (45.7%)   1292 (42.6%)   3030 (100.0%)
## ---------------- ------------ --------------- ------------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     42.26      2       0    
## ----------------------------

Norte:

dados_aux1 <- filter(dados7, region == "north")

ctable(dados_aux1$gest_puerp, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ------------ ------------ --------------- ------------------- ------------- ---------------
##                suport_ven   sim, invasivo   sim, não invasivo           não           Total
##   gest_puerp                                                                               
##          não                  221 (15.5%)         602 (42.3%)   601 (42.2%)   1424 (100.0%)
##        gesta                   21 (11.7%)          33 (18.3%)   126 (70.0%)    180 (100.0%)
##        puerp                   13 (31.7%)          11 (26.8%)    17 (41.5%)     41 (100.0%)
##        Total                  255 (15.5%)         646 (39.3%)   744 (45.2%)   1645 (100.0%)
## ------------ ------------ --------------- ------------------- ------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     61.06      4       0    
## ----------------------------
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$suport_ven, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * suport_ven  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ------------ --------------- ------------------- ------------- ---------------
##                    suport_ven   sim, invasivo   sim, não invasivo           não           Total
##   gesta_puerp_SN                                                                               
##              não                  221 (15.5%)         602 (42.3%)   601 (42.2%)   1424 (100.0%)
##              sim                   34 (15.4%)          44 (19.9%)   143 (64.7%)    221 (100.0%)
##            Total                  255 (15.5%)         646 (39.3%)   744 (45.2%)   1645 (100.0%)
## ---------------- ------------ --------------- ------------------- ------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     45.79      2       0    
## ----------------------------

Evolução

Sudeste:

dados_aux1 <- filter(dados7, region == "southeast")

ctable(dados_aux1$gest_puerp,  dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ------------ ---------- -------------- --------------- ----------------
##                evolucao          obito            cura            Total
##   gest_puerp                                                           
##          não              2148 (12.2%)   15413 (87.8%)   17561 (100.0%)
##        gesta                72 ( 5.7%)    1188 (94.3%)    1260 (100.0%)
##        puerp                48 (15.9%)     254 (84.1%)     302 (100.0%)
##        Total              2268 (11.9%)   16855 (88.1%)   19123 (100.0%)
## ------------ ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     52.55      2       0    
## ----------------------------
oi <- table(dados_aux1$gest_puerp, dados_aux1$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   não   15413 2148 17561
##   gesta  1188   72  1260
##   puerp   254   48   302
##   Total 16855 2268 19123
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower    upper
##   não   1.0000000        NA       NA
##   gesta 0.4358043 0.3391948 0.550981
##   puerp 1.3597065 0.9839502 1.839313
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 4.629630e-14 5.746263e-14 5.868001e-12
##   puerp 6.215374e-02 6.284521e-02 6.673722e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos    nao  sim Total
##   gesta  1188   72  1260
##   não   15413 2148 17561
##   puerp   254   48   302
##   Total 16855 2268 19123
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.294611 1.814944 2.948159
##   puerp 3.118132 2.100634 4.594060
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   4.618528e-14 5.746263e-14 5.868001e-12
##   puerp 4.700217e-08 4.717780e-08 5.039943e-09
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ---------- -------------- --------------- ----------------
##                    evolucao          obito            cura            Total
##   gesta_puerp_SN                                                           
##              não              2148 (12.2%)   15413 (87.8%)   17561 (100.0%)
##              sim               120 ( 7.7%)    1442 (92.3%)    1562 (100.0%)
##            Total              2268 (11.9%)   16855 (88.1%)   19123 (100.0%)
## ---------------- ---------- -------------- --------------- ----------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     27.96      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.67        1.38       2.03   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.59       1.59      1.59   
## --------------------------------

Nordeste:

dados_aux1 <- filter(dados7, region == "northeast")

ctable(dados_aux1$gest_puerp, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ------------ ---------- -------------- -------------- ---------------
##                evolucao          obito           cura           Total
##   gest_puerp                                                         
##          não              1044 (23.5%)   3397 (76.5%)   4441 (100.0%)
##        gesta                52 ( 7.1%)    676 (92.9%)    728 (100.0%)
##        puerp                39 (19.1%)    165 (80.9%)    204 (100.0%)
##        Total              1135 (21.1%)   4238 (78.9%)   5373 (100.0%)
## ------------ ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     101.1      2       0    
## ----------------------------
oi <- table(dados_aux1$gest_puerp, dados_aux1$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   não   3397 1044  4441
##   gesta  676   52   728
##   puerp  165   39   204
##   Total 4238 1135  5373
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.2510406 0.1855891 0.3323197
##   puerp 0.7715114 0.5331913 1.0895388
## 
## $p.value
##        two-sided
## Grupos  midp.exact fisher.exact   chi.square
##   não           NA           NA           NA
##   gesta  0.0000000 3.662715e-28 2.184537e-23
##   puerp  0.1438311 1.750449e-01 1.721073e-01
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao  sim Total
##   gesta  676   52   728
##   não   3397 1044  4441
##   puerp  165   39   204
##   Total 4238 1135  5373
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   3.983459 3.009151 5.388247
##   puerp 3.070567 1.949313 4.805638
## 
## $p.value
##        two-sided
## Grupos   midp.exact fisher.exact   chi.square
##   gesta          NA           NA           NA
##   não   0.00000e+00 3.662715e-28 2.184537e-23
##   puerp 2.28132e-06 1.939540e-06 7.080653e-07
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ---------- -------------- -------------- ---------------
##                    evolucao          obito           cura           Total
##   gesta_puerp_SN                                                         
##              não              1044 (23.5%)   3397 (76.5%)   4441 (100.0%)
##              sim                91 ( 9.8%)    841 (90.2%)    932 (100.0%)
##            Total              1135 (21.1%)   4238 (78.9%)   5373 (100.0%)
## ---------------- ---------- -------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     86.51      1       0    
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.84        2.26       3.56   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.41       2.41      2.41   
## --------------------------------

Sul:

dados_aux1 <- filter(dados7, region == "south")

ctable(dados_aux1$gest_puerp, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ------------ ---------- ------------- -------------- ---------------
##                evolucao         obito           cura           Total
##   gest_puerp                                                        
##          não              566 (10.4%)   4874 (89.6%)   5440 (100.0%)
##        gesta               13 ( 3.6%)    349 (96.4%)    362 (100.0%)
##        puerp                9 (10.8%)     74 (89.2%)     83 (100.0%)
##        Total              588 (10.0%)   5297 (90.0%)   5885 (100.0%)
## ------------ ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     17.59      2     2e-04  
## ----------------------------
oi <- table(dados_aux1$gest_puerp, dados_aux1$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   4874 566  5440
##   gesta  349  13   362
##   puerp   74   9    83
##   Total 5297 588  5885
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.3246316 0.1757198 0.5454316
##   puerp 1.0637517 0.4910000 2.0278926
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 2.992806e-06 4.613379e-06 4.178802e-05
##   puerp 8.637478e-01 8.561507e-01 1.000000e+00
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  349  13   362
##   não   4874 566  5440
##   puerp   74   9    83
##   Total 5297 588  5885
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   3.080472 1.833410 5.690878
##   puerp 3.269550 1.290584 7.939036
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   2.992806e-06 4.613379e-06 4.178802e-05
##   puerp 1.374061e-02 1.090703e-02 1.357844e-02
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ---------- ------------- -------------- ---------------
##                    evolucao         obito           cura           Total
##   gesta_puerp_SN                                                        
##              não              566 (10.4%)   4874 (89.6%)   5440 (100.0%)
##              sim               22 ( 4.9%)    423 (95.1%)    445 (100.0%)
##            Total              588 (10.0%)   5297 (90.0%)   5885 (100.0%)
## ---------------- ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     13.04      1     3e-04  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.23        1.44       3.46   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.10       2.10      2.10   
## --------------------------------

Centro-oeste:

dados_aux1 <- filter(dados7, region == "central")

ctable(dados_aux1$gest_puerp, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ------------ ---------- ------------- -------------- ---------------
##                evolucao         obito           cura           Total
##   gest_puerp                                                        
##          não              415 (14.3%)   2492 (85.7%)   2907 (100.0%)
##        gesta               24 ( 7.0%)    321 (93.0%)    345 (100.0%)
##        puerp                6 ( 7.8%)     71 (92.2%)     77 (100.0%)
##        Total              445 (13.4%)   2884 (86.6%)   3329 (100.0%)
## ------------ ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     16.38      2     3e-04  
## ----------------------------
oi <- table(dados_aux1$gest_puerp, dados_aux1$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   2492 415  2907
##   gesta  321  24   345
##   puerp   71   6    77
##   Total 2884 445  3329
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4517326 0.2869810 0.6784141
##   puerp 0.5199151 0.1986002 1.1104373
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 5.812555e-05 8.047734e-05 0.0002348839
##   puerp 9.594574e-02 1.337763e-01 0.1478110936
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  321  24   345
##   não   2492 415  2907
##   puerp   71   6    77
##   Total 2884 445  3329
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.213696 1.474026 3.484551
##   puerp 1.150752 0.407950 2.770329
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   5.812555e-05 8.047734e-05 0.0002348839
##   puerp 7.726974e-01 8.066144e-01 0.9897995679
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ---------- ------------- -------------- ---------------
##                    evolucao         obito           cura           Total
##   gesta_puerp_SN                                                        
##              não              415 (14.3%)   2492 (85.7%)   2907 (100.0%)
##              sim               30 ( 7.1%)    392 (92.9%)    422 (100.0%)
##            Total              445 (13.4%)   2884 (86.6%)   3329 (100.0%)
## ---------------- ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     15.73      1     1e-04  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     2.18        1.48       3.20   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     2.01       2.01      2.01   
## --------------------------------

Norte:

dados_aux1 <- filter(dados7, region == "north")

ctable(dados_aux1$gest_puerp, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gest_puerp * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ------------ ---------- ------------- -------------- ---------------
##                evolucao         obito           cura           Total
##   gest_puerp                                                        
##          não              361 (20.9%)   1369 (79.1%)   1730 (100.0%)
##        gesta               20 ( 9.6%)    189 (90.4%)    209 (100.0%)
##        puerp               11 (22.9%)     37 (77.1%)     48 (100.0%)
##        Total              392 (19.7%)   1595 (80.3%)   1987 (100.0%)
## ------------ ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     15.35      2     5e-04  
## ----------------------------
oi <- table(dados_aux1$gest_puerp, dados_aux1$evolucao)
odds_function(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   não   1369 361  1730
##   gesta  189  20   209
##   puerp   37  11    48
##   Total 1595 392  1987
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos   estimate     lower     upper
##   não   1.0000000        NA        NA
##   gesta 0.4042345 0.2436642 0.6348674
##   puerp 1.1387609 0.5458160 2.1875471
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   não             NA           NA           NA
##   gesta 3.456267e-05 4.411181e-05 0.0001503459
##   puerp 7.140141e-01 7.198804e-01 0.8693426985
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
odds_function1(oi)
## $data
##        Var Present
## Grupos   nao sim Total
##   gesta  189  20   209
##   não   1369 361  1730
##   puerp   37  11    48
##   Total 1595 392  1987
## 
## $measure
##        odds ratio with 95% C.I.
## Grupos  estimate    lower    upper
##   gesta 1.000000       NA       NA
##   não   2.473876 1.575132 4.104009
##   puerp 2.808556 1.199861 6.314034
## 
## $p.value
##        two-sided
## Grupos    midp.exact fisher.exact   chi.square
##   gesta           NA           NA           NA
##   não   3.456267e-05 4.411181e-05 0.0001503459
##   puerp 1.833157e-02 2.375849e-02 0.0206270746
## 
## $correction
## [1] TRUE
## 
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"
ctable(dados_aux1$gesta_puerp_SN, dados_aux1$evolucao, prop="r", OR=TRUE, useNA = "no", chisq = TRUE)
## Cross-Tabulation, Row Proportions  
## gesta_puerp_SN * evolucao  
## Data Frame: dados_aux1  
## 
## 
## ---------------- ---------- ------------- -------------- ---------------
##                    evolucao         obito           cura           Total
##   gesta_puerp_SN                                                        
##              não              361 (20.9%)   1369 (79.1%)   1730 (100.0%)
##              sim               31 (12.1%)    226 (87.9%)    257 (100.0%)
##            Total              392 (19.7%)   1595 (80.3%)   1987 (100.0%)
## ---------------- ---------- ------------- -------------- ---------------
## 
## ----------------------------
##  Chi.squared   df   p.value 
## ------------- ---- ---------
##     10.4       1    0.0013  
## ----------------------------
## 
## ----------------------------------
##  Odds Ratio   Lo - 95%   Hi - 95% 
## ------------ ---------- ----------
##     1.92        1.30       2.85   
## ----------------------------------
## 
## --------------------------------
##  Risk Ratio   Lo - 0%   Hi - 0% 
## ------------ --------- ---------
##     1.73       1.73      1.73   
## --------------------------------