Mô tả một số biến số cơ bản trong HEART

Một số biến số cơ bản có thể liệt kê ở đây là:

1. age: Tuổi của một người

2. giới tính: Giới tính (1 = nam, 0 = nữ)

3. cp: Các loại đau ngực đã trải qua (Giá trị 1: đau thắt ngực điển hình, Giá trị 2: đau thắt ngực không điển hình, Giá trị 3: đau không đau thắt ngực, Giá trị 4: không có triệu chứng)

4. trestbps: Huyết áp khi nghỉ ngơi (mm Hg khi nhập viện)

5. chol: Đo nồng độ cholesterol tính bằng mg / dl

6. fbs: Đường huyết lúc đói (nếu> 120 mg / dl, 1 = true; 0 = false)

7. restecg: Đo điện tâm đồ khi nghỉ ngơi (0 = bình thường, 1 = có bất thường sóng ST-T, 2 = hiển thị phì đại thất trái có thể xảy ra hoặc xác định theo tiêu chuẩn của Estes)

8. thalach: Nhịp tim tối đa đạt được

9. exang: Đau thắt ngực do tập thể dục (1 = có; 0 = không)

10.oldpeak: ST trầm cảm gây ra do tập thể dục liên quan đến nghỉ ngơi (‘ST’ liên quan đến các vị trí trên đồ thị ECG)

11.slope: độ dốc của đoạn ST tập luyện đỉnh cao (Giá trị 1: dốc lên, Giá trị 2: bằng phẳng, Giá trị 3: dốc xuống)

12.ca: Các mạch máu chính, được tô màu theo Flourrosopy

13.thal: Một chứng rối loạn máu được gọi là thalassemia (1 = bình thường; 2 = khiếm khuyết cố định; 3 = khiếm khuyết có thể hồi phục)

14. thal: biến mục tiêu Bệnh tim cần dự đoán (0 = không, 1 = có)

Chuẩn bị dữ liệu

Tập dữ liệu đã sạch và được tổ chức tốt. Không cần làm sạch quá nhiều. Để bắt đầu, sẽ rất hữu ích khi xem mối tương quan giữa bệnh tim và các biến khác trong tập dữ liệu. Tôi sẽ sử dụng thư viện ‘corrplot’ và lập một biểu đồ tương quan sẽ cho thấy mối tương quan của từng biến với những biến khác.

library(corrplot)

## corrplot 0.90 loaded

corrplot(cor(heart), type="upper")

Biểu đồ tương quan này cho thấy rằng các tham số ‘restecg’, ‘fbs’ và ‘chol’ có tương quan rất ít với ‘biến mục tiêu’. Chúng ta có thể xóa chúng khỏi tập dữ liệu một cách an toàn cho nghiên cứu cụ thể này.

heart = subset(heart, select=c(-restecg, -chol,-fbs))

Nhưng các biến phân loại được biểu thị là 0, 1, 2, 3. Tức là chúng đã được mã hóa thành các con số, để thuận tiện hơn chúng ta sẽ mã hóa ngược lại thành các nội dung có ý nghĩa hơn. Dưới đây là các mã để thay đổi các biến phân loại thành các chuỗi tương ứng:

library(DT)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

heart$sex[heart$sex == 0] = "female"
heart$sex[heart$sex == 1] = "male"
heart$cp[heart$cp == 0] = "typical angina"
heart$cp[heart$cp == 1] = "atypical angina"
heart$cp[heart$cp == 2] = "non-anginal pain"
heart$cp[heart$cp == 3] = "asymptomatic"
heart$exang[heart$exang == 0] = "no"
heart$exang[heart$exang == 1] = "yes"
heart$slope[heart$slope == 0] = "upsloping"
heart$slope[heart$slope == 1] = "flat"
heart$slope[heart$slope == 2] = "downsloping"
heart$thal[heart$thal == 1] = "normal"
heart$thal[heart$thal == 2] = "fixed defect"
heart$thal[heart$thal == 3] = "reversible defect"
heart$target1 = heart$target
heart$target1[heart$target1 == 0] = "no heart disease"
heart$target1[heart$target1 == 1] = "heart disease"
heart %>% 
  head() %>% 
  datatable()

Phân tích thăm dò

Chúng ta bắt đầu với câu hỏi thứ nhất? Tìm hiểu xem tỷ lệ người bị bệnh tim và người không bị bệnh tim trong tập dữ liệu này là bao nhiêu

round(prop.table(table(heart$target1)),2)

## 
##    heart disease no heart disease 
##             0.51             0.49

Câu hỏi tiếp theo được đặt ra là: Đa số mọi người đều cho rằng người già có nguy cơ mắc bệnh tim cao hơn so với các lứa tuổi khác, chúng ta khám phá trực quan dữ liệu cho biến tuổi để tìm hiểu

library(ggplot2)
ggplot(data = heart, mapping = aes(x=age)) +
  geom_histogram(color = "red", fill = "orange") + 
  ggtitle("Distribution of age of the population") +
  xlab("Age") + 
  ylab("Density")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Tuy nhiên biểu đồ trên cho thấy các độ tuổi khá nhiều, chúng ta chia biến tuổi thành các nhóm để thuận tiện phân tích

heart$age_grp = cut(heart$age, breaks = seq(25, 77, 4))
target_by_age = heart %>%
        group_by(age_grp) %>%
        summarise(heart_disease = sum(target))
target_by_age

## # A tibble: 12 x 2
##    age_grp heart_disease
##    <fct>           <int>
##  1 (25,29]             4
##  2 (33,37]            20
##  3 (37,41]            50
##  4 (41,45]            82
##  5 (45,49]            43
##  6 (49,53]            87
##  7 (53,57]            80
##  8 (57,61]            52
##  9 (61,65]            53
## 10 (65,69]            35
## 11 (69,73]            14
## 12 (73,77]             6

Như vậy bộ dữ liệu lại cho ra kết quả khá khác so với nhận định ban đầu, đa số người bị bệnh tim lại rơi vào độ tuổi từ 49 đến 57, trong khi những độ tuổi từ 61 trở lên lại ít hơn.

library(ggthemes)
target_by_age %>%
  ggplot(aes(x=age_grp, y=heart_disease)) +
    geom_bar(stat="identity", fill="#f68060", alpha=.6, width=.4) +
    xlab("") + ylab("No. of People with Heart Disease") + ggtitle("No of Heart disease in Age Group") + 
    theme_economist()

Để hiểu thêm về độ tuổi bị bệnh tim, tỷ lệ bệnh nhân bệnh tim ở từng nhóm tuổi sẽ giúp ích. Vì vậy, chúng ta hãy tìm tỷ lệ người mắc bệnh tim trong mỗi nhóm.

prop_in_age = heart %>%
        group_by(age_grp) %>%
        summarise(heart_disease_proportion = round(sum(target)/n(), 3)*100)
prop_in_age

## # A tibble: 12 x 2
##    age_grp heart_disease_proportion
##    <fct>                      <dbl>
##  1 (25,29]                    100  
##  2 (33,37]                     74.1
##  3 (37,41]                     72.5
##  4 (41,45]                     72.6
##  5 (45,49]                     53.1
##  6 (49,53]                     67.4
##  7 (53,57]                     44.7
##  8 (57,61]                     28.6
##  9 (61,65]                     40.8
## 10 (65,69]                     45.5
## 11 (69,73]                     56  
## 12 (73,77]                     66.7

# Visualization the data with ggplot2
prop_in_age %>%
  ggplot(aes(x=age_grp, y=heart_disease_proportion)) +
    geom_bar(stat="identity", fill="#f68060", alpha=.6, width=.4) +
    xlab("") + ylab("Proportion of People with Heart Disease") + ggtitle("Proportion of Heart disease in Age Groups") + 
    theme_economist()

Câu hỏi đặt ra tiếp theo là biến giới tính có mối liên hệ gì với bệnh tim hay không. Trước tiên, chúng ta tìm hiểu về số lượng giới tính.

round(prop.table(table(heart$sex)),2)

## 
## female   male 
##    0.3    0.7

round(prop.table(table(heart$sex, heart$target1)), 2)

##         
##          heart disease no heart disease
##   female          0.22             0.08
##   male            0.29             0.40

Như vậy, đa số các đối tượng trong bộ dữ liệu là Nam giới, với tỷ lệ là 70%, tỷ lệ mắc bệnh tim ở Nam giới trong bộ dữ liêu này cũng là cao nhất với 40% Nam giới mắc bệnh tim.

Chúng ta cùng trực quan hóa biến độ dốc (slope)

ggplot(heart, aes(x= slope, fill=target1)) + 
  geom_bar(position = 'dodge') +
  xlab("Type of Slope") +
  ylab("Count") +
  ggtitle("Analysis of types of slope") +
  scale_fill_discrete(name = "Heart disease", labels = c("No", "Yes"))

male_data = heart[heart$sex=="male",]
female_data = heart[heart$sex=="female",]

ggplot(male_data, aes(x= slope, fill=target1)) + 
  geom_bar(position = 'dodge') +
  xlab("Type of Slope") +
  ylab("Count") +
  ggtitle("Analysis of types of slope for males") +
  scale_fill_discrete(name = "Heart disease", labels = c("No", "Yes"))

ggplot(female_data, aes(x= slope, fill=target1)) + 
  geom_bar(position = 'dodge') +
  xlab("Type of Slope") +
  ylab("Count") +
  ggtitle("Analysis of types of slope for females") +
  scale_fill_discrete(name = "Heart disease", labels = c("No", "Yes"))

Tập dữ liệu cho thấy có thể có 0, 1, 2, 3 hoặc 4 mạch máu chính trong cơ thể của một người. Theo biểu đồ tương quan, số lượng mạch có mối tương quan lớn với bệnh tim. Dưới đây là hình ảnh đại diện cho thấy sự khác nhau giữa số lượng các mạch chính liên quan đến bệnh tim:

mosaicplot(table(heart$target1, heart$ca), col=c("#754869", "coral", "skyblue", "#423f42", "#ed18c6"), las=1, main="Heart Disease for Major Vessels")

Dân số nam và nữ có thể có số lượng các mạch chính khác nhau hoặc mức độ khác nhau về mối liên hệ giữa các mạch chính và bệnh tim. Dưới đây là một biểu đồ cho thấy các mạch chính so với bệnh tim ở nam giới:

mosaicplot(table(male_data$target1, male_data$ca), col=c("#754869", "coral", "skyblue", "#423f42", "#ed18c6"), las=1, main="Major Vessels in Males")

Dành cho nữ giới:

mosaicplot(table(female_data$target1, female_data$ca), col=c("#754869", "coral", "skyblue", "#423f42", "#ed18c6"), las=1, main="Major Vessels in Females")

Dưới đây là các ô trống cho thấy sự phân bố của tình trạng bị trầm cảm đối với người bệnh tim và người không mắc bệnh tim.

ggplot(heart, aes(x = target1, y = oldpeak)) + ylab("ST Depression") + xlab("Haert Disease State")+ ggtitle("ST Depression Induced by Exercise vs Haert Disease")+
        geom_boxplot()

Loại trầm cảm này có thay đổi theo tuổi tác và chúng có tác động khác nhau đến tình trạng bệnh tim không?

ggplot(heart, aes(x = age, y = oldpeak,color=target1, size = factor(oldpeak))) + 
    geom_point(alpha=0.3) + labs(color = "Heart Disease State")+guides(size=FALSE) + xlab("Age") + ylab("ST Depression") + ggtitle("Age vs Resting Blood Pressure Separated by Heart Condition")

## Warning: `guides(<scale> = FALSE)` is deprecated. Please use `guides(<scale> =
## "none")` instead.

## Warning: Using size for a discrete variable is not advised.

Huyết áp khi không hoạt động được trực quan hóa như sau:

ggplot(heart, aes(x = target1, y = trestbps)) +
        geom_boxplot() + xlab("Heart Disease State") + ylab("Resting Blood Pressure") + ggtitle("Boxplots of Resting Blood Pressure by Heart Condition")

ggplot(data=heart,aes(x=age,y=trestbps,color=target1,size=factor(oldpeak)))+
geom_point(alpha=0.3)+
  xlab("Age")+
  ylab("Resting blood sugar") + 
  labs(color="Heart Disease State") + 
  guides(size=FALSE)+
  ggtitle("Age vs Resting Blood Pressure Separated by Heart Condition")

## Warning: `guides(<scale> = FALSE)` is deprecated. Please use `guides(<scale> =
## "none")` instead.

## Warning: Using size for a discrete variable is not advised.

Như chúng ta đã thấy hầu hết các chấm lớn có màu xanh lam. Điều đó có nghĩa là có nhiều người mắc bệnh trầm cảm ST không bị bệnh tim. Đồng thời, số lượng chấm lớn hơn ở độ tuổi cao hơn. Vì vậy, trầm cảm ST cao hơn ở người lớn tuổi.