Indicadores de doença cardíaca

Introdução

Este é um documento elaborado utilizando o pacote R Markdown. Markdown é uma sintaxe de formatação simples para a criação de documentos HTML, PDF e MS Word. Para obter mais detalhes sobre o uso de R Markdown, consulte http://rmarkdown.rstudio.com.

Quando você clica no botão ** Knit **, um documento é gerado, incluindo tanto o conteúdo quanto a saída de qualquer fragmento de código R embutido no documento.

Sinopse

O objetivo deste documento é apresentar uma análise simples no conjunto de dados da UCI - Heart Disease Data Set, de forma a ajudar a encontrar os três atributos mais promissores para prever possível estreitamento no diâmetro das veias cardíacas.

Os dados utilizados estão disponíveis no UCI Machine Learning Repository (http://archive.ics.uci.edu/ml/datasets/Heart+Disease) e foram doados por:

Instituto Húngaro de Cardiologia. Budapeste: Andras Janosi, M.D.
Hospital Universitário, Zurique, Suíça: William Steinbrunn, M.D.
Hospital Universitário, Basel, Suíça: Matthias Pfisterer, M.D.
V.A. Medical Center, Long Beach e Cleveland Clinic Foundation: Robert Detrano, M.D., Ph.D.

O dataset aqui utilizado foi pré-processado pela Universidade de Cleaveland

Baixando os dados

if (!file.exists("./data/processed.cleveland.data")) {
  download.file(url = "http://archive.ics.uci.edu/ml/machine-learning-databases/heart-disease/processed.cleveland.data", 
                destfile = "./data/processed.cleveland.data")
}

Verificando o “checksum” do arquivo armazenado localmente

### Carregando o pacote necessário: tools
require(tools)

## Loading required package: tools

md5sum("./data/processed.cleveland.data")

##    ./data/processed.cleveland.data 
## "2d91a8ff69cfd9616aa47b59d6f843db"

Carregando dados no dataframe heart.data

heart.data <- read.csv("./data/processed.cleveland.data", header = FALSE)

A página da fonte da fonte de dados original afirma que devemos ter 303 instâncias e 75 atributos.

Porém, o arquivo de dados processados pela Cleveland deve ter 14 atributos.

Vamos verificar se temos os dados de forma adequada:

nrow(heart.data)

## [1] 303

ncol(heart.data)

## [1] 14

head(heart.data)

##   V1 V2 V3  V4  V5 V6 V7  V8 V9 V10 V11 V12 V13 V14
## 1 63  1  1 145 233  1  2 150  0 2.3   3 0.0 6.0   0
## 2 67  1  4 160 286  0  2 108  1 1.5   2 3.0 3.0   2
## 3 67  1  4 120 229  0  2 129  1 2.6   2 2.0 7.0   1
## 4 37  1  3 130 250  0  0 187  0 3.5   3 0.0 3.0   0
## 5 41  0  2 130 204  0  2 172  0 1.4   1 0.0 3.0   0
## 6 56  1  2 120 236  0  0 178  0 0.8   1 0.0 3.0   0

Os dados parecem corretos, então podemos prosseguir com a análise.

A descrição dos atributos do conjunto de dados na página da web são os seguintes:

age - age in years
sex - sex (1 = male; 0 = female)
cp - chest pain type (1 = typical angina; 2 = atypical angina; 3 = non-anginal pain; 4 = asymptomatic)
trestbps - resting blood pressure (in mm Hg on admission to the hospital)
chol - serum cholestoral in mg/dl
fbs - fasting blood sugar > 120 mg/dl (1 = true; 0 = false)
restecg - resting electrocardiographic results (0 = normal; 1 = having ST-T; 2 = hypertrophy)
thalach - maximum heart rate achieved
exang - exercise induced angina (1 = yes; 0 = no)
oldpeak - ST depression induced by exercise relative to rest
slope - the slope of the peak exercise ST segment (1 = upsloping; 2 = flat; 3 = downsloping)
ca - number of major vessels (0-3) colored by flourosopy
thal - 3 = normal; 6 = fixed defect; 7 = reversable defect
num - the predicted attribute - diagnosis of heart disease (angiographic disease status) (Value 0 = < 50% diameter narrowing; Value 1 = > 50% diameter narrowing)

Preparando os dados

Para pré-processar os dados, vamos ajustar os nomes das colunas de maneira adequada:

names(heart.data) <- c("age", "sex", "cp", "trestbps", "chol", "fbs", "restecg", "thalach", "exang", "oldpeak", "slope", "ca", "thal", "num")

Ascolunas ca e thal possuem observações com valores ausentes (missing values) indicados por “?”.

Para que possamos tratá-las adequadamente na nossa análise, iremos preenchê-las com NA (Not Available). NA é uma constante lógica de comprimento 1 que contém um indicador de valor ausente. NA pode ser forçado a qualquer outro tipo de vetor, exceto raw.

heart.data$ca[heart.data$ca == "?"] <- NA
heart.data$thal[heart.data$thal == "?"] <- NA

Iremos também corrigir os tipos de algumas das variáveis, alterando-os para o tipo fator.

Fator em R é um tipo de variável usada para categorizar e armazenar os dados, tendo um número limitado de valores diferentes. Um fator armazena os dados como um vetor de valores inteiros. Fator em R também é conhecido como uma variável categórica que armazena valores de dados de string e inteiros como níveis.

heart.data$sex <- factor(heart.data$sex)
levels(heart.data$sex) <- c("female", "male")
heart.data$cp <- factor(heart.data$cp)
levels(heart.data$cp) <- c("typical","atypical","non-anginal","asymptomatic")
heart.data$fbs <- factor(heart.data$fbs)
levels(heart.data$fbs) <- c("false", "true")
heart.data$restecg <- factor(heart.data$restecg)
levels(heart.data$restecg) <- c("normal","stt","hypertrophy")
heart.data$exang <- factor(heart.data$exang)
levels(heart.data$exang) <- c("no","yes")
heart.data$slope <- factor(heart.data$slope)
levels(heart.data$slope) <- c("upsloping","flat","downsloping")
heart.data$ca <- factor(heart.data$ca) # não convertendo o level porque não é necessário
heart.data$thal <- factor(heart.data$thal)
levels(heart.data$thal) <- c("normal","fixed","reversable")
heart.data$num <- factor(heart.data$num) # não convertendo o nível porque não é necessário

Analisando os dados

Primeira etapa, resumindo os dados transformados:

summary(heart.data)

##       age            sex                 cp         trestbps    
##  Min.   :29.00   female: 97   typical     : 23   Min.   : 94.0  
##  1st Qu.:48.00   male  :206   atypical    : 50   1st Qu.:120.0  
##  Median :56.00                non-anginal : 86   Median :130.0  
##  Mean   :54.44                asymptomatic:144   Mean   :131.7  
##  3rd Qu.:61.00                                   3rd Qu.:140.0  
##  Max.   :77.00                                   Max.   :200.0  
##       chol          fbs             restecg       thalach      exang    
##  Min.   :126.0   false:258   normal     :151   Min.   : 71.0   no :204  
##  1st Qu.:211.0   true : 45   stt        :  4   1st Qu.:133.5   yes: 99  
##  Median :241.0               hypertrophy:148   Median :153.0            
##  Mean   :246.7                                 Mean   :149.6            
##  3rd Qu.:275.0                                 3rd Qu.:166.0            
##  Max.   :564.0                                 Max.   :202.0            
##     oldpeak             slope        ca              thal     num    
##  Min.   :0.00   upsloping  :142   0.0 :176   normal    :166   0:164  
##  1st Qu.:0.00   flat       :140   1.0 : 65   fixed     : 18   1: 55  
##  Median :0.80   downsloping: 21   2.0 : 38   reversable:117   2: 36  
##  Mean   :1.04                     3.0 : 20   NA's      :  2   3: 35  
##  3rd Qu.:1.60                     NA's:  4                    4: 13  
##  Max.   :6.20

Selecionado os dados

O conteúdo da variável num possui uma ampla faixa de valores (0 - 4). Entretanto, apenas as instâncias com “0” e “1” estão efetivamente relacionadas à possibilidade de estreitamento do diâmetro dos vasos. Portanto, iremos selecionar apenas as observações relacionados a esses dois resultados.

heart.data <- heart.data[heart.data$num == "0" | heart.data$num == "1", ]

Verificando novamente se temos os dados de forma adequada:

nrow(heart.data)

## [1] 219

ncol(heart.data)

## [1] 14

head(heart.data)

##   age    sex           cp trestbps chol   fbs     restecg thalach exang oldpeak
## 1  63   male      typical      145  233  true hypertrophy     150    no     2.3
## 3  67   male asymptomatic      120  229 false hypertrophy     129   yes     2.6
## 4  37   male  non-anginal      130  250 false      normal     187    no     3.5
## 5  41 female     atypical      130  204 false hypertrophy     172    no     1.4
## 6  56   male     atypical      120  236 false      normal     178    no     0.8
## 8  57 female asymptomatic      120  354 false      normal     163   yes     0.6
##         slope  ca       thal num
## 1 downsloping 0.0      fixed   0
## 3        flat 2.0 reversable   1
## 4 downsloping 0.0     normal   0
## 5   upsloping 0.0     normal   0
## 6   upsloping 0.0     normal   0
## 8   upsloping 0.0     normal   0

Árvore de Decisão

Árvores de decisão usadas para problemas de classificação são chamadas de Árvores de Classificação. Nas árvores de classificação, cada nó terminal ou folha contém um rótulo que indica a classe predita para um determinado conjunto de dados. Neste tipo de árvore pode existir dois ou mais nós terminais com a mesma classe.

Árvores de Classificação/Decisão também podem ser definidas como uma representação de uma tabela de decisão sob a forma de árvore. Trata-se de uma forma alternativa de expressar as mesmas regras que são obtidas quando se constrói a tabela.

Para a construção da árvore, será utilizada a biblioteca rpart. Rpart é uma biblioteca de aprendizado de máquina em R que é usada para construir árvores de classificação e regressão. Esta biblioteca implementa particionamento recursivo.

library(rpart)

Montando a árvore:

heart.tree <- rpart(num ~ age + sex + cp + trestbps + chol + fbs + restecg + 
                      thalach + exang + oldpeak + slope + ca + thal,
                    method = "class", 
                    data = heart.data)

Plotando a árvore:

library(rpart.plot)
prp(heart.tree, extra = 100)

Conslusão

Baseado no gráfico da árvore, os três melhores atributos que podem prever o possível estreitamento do diâmetro são as variáveis / colunas: tal, cp e idade.

R e informações dos pacotes utilizados

As seguintes versões de R e pacotes foram usadas para a geração deste documento:

sessionInfo()

## R version 4.1.2 (2021-11-01)
## Platform: x86_64-apple-darwin17.0 (64-bit)
## Running under: macOS Big Sur 10.16
## 
## Matrix products: default
## BLAS:   /Library/Frameworks/R.framework/Versions/4.1/Resources/lib/libRblas.0.dylib
## LAPACK: /Library/Frameworks/R.framework/Versions/4.1/Resources/lib/libRlapack.dylib
## 
## locale:
## [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
## 
## attached base packages:
## [1] tools     stats     graphics  grDevices utils     datasets  methods  
## [8] base     
## 
## other attached packages:
## [1] rpart.plot_3.1.0 rpart_4.1-15    
## 
## loaded via a namespace (and not attached):
##  [1] digest_0.6.27   R6_2.5.1        jsonlite_1.7.2  magrittr_2.0.1 
##  [5] evaluate_0.14   highr_0.9       stringi_1.7.3   rlang_0.4.12   
##  [9] jquerylib_0.1.4 bslib_0.2.5.1   rmarkdown_2.10  stringr_1.4.0  
## [13] xfun_0.25       yaml_2.2.1      fastmap_1.1.0   compiler_4.1.2 
## [17] htmltools_0.5.2 knitr_1.33      sass_0.4.0