R Notebook

1. Base de Dados e Pré-processamento

Para este estudo utilizamos apenas o dataset referente ao ano de 2020 coletado no openDataSus Porta openDataSus.

Neste pré-processamento criamos a variável desfecho binarizada (CIRCOBITO_SUI) que informa a circunstância onde se deu a morte não natural.

#importando a base
dados <- data.table::fread("data/Mortalidade_Geral_2020.csv") %>%  
  tibble::as_tibble() #transformando em um tibble

|--------------------------------------------------|
|==================================================|
|--------------------------------------------------|
|==================================================|

#Pré-processamento das variáveis
source("munge/1-Selecionando.R") #selecionando variáveis de interesse
source("munge/2-Filtrando-Criando.R") #Filtrando e criando variáveis de interesse
source("munge/3-Renomeando.R") #renomeando niveis das variáveis

2. Análise Exploratória dos Dados

2.1 Tabela de contingência vs Variável binária suicídio

#criando a tabela de contingência
dados %>% 
  select( #aqui ta selecionando as variáveis na tabela
    IDADE,
    SEXO,
    RACACOR,
    ESTCIV,
    ESC2010,
    CIRCOBITO_SUI) %>% 
  tbl_summary(by = CIRCOBITO_SUI,
              statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% 
  add_p() #adiciona os p-valores dos testes estatísticos

Characteristic	Outras causas, N = 129,9931	Suicídio, N = 13,1431	p-value2
IDADE	43 (22)	43 (18)	<0.001
SEXO			<0.001
Masculino	106,139 (82%)	10,321 (79%)
Feminino	23,844 (18%)	2,822 (21%)
Unknown	10	0
RACACOR			<0.001
Branca	44,694 (35%)	6,322 (49%)
Preta	9,153 (7.2%)	719 (5.5%)
Amarela	516 (0.4%)	47 (0.4%)
Parda	72,983 (57%)	5,805 (45%)
Indígena	477 (0.4%)	115 (0.9%)
Unknown	2,170	135
ESTCIV			<0.001
Solteiro	72,319 (58%)	6,766 (53%)
Casado	24,369 (19%)	3,232 (25%)
Viúvo	9,428 (7.5%)	419 (3.3%)
Separado/divorciado	6,074 (4.8%)	978 (7.6%)
União estável	6,452 (5.1%)	676 (5.3%)
Ignorado	6,887 (5.5%)	768 (6.0%)
Unknown	4,464	304
ESC2010			<0.001
Sem escolaridade	8,276 (6.8%)	527 (4.2%)
Fundamental I	29,308 (24%)	2,443 (20%)
Fundamental II	37,116 (30%)	3,035 (24%)
Ensino Médio	24,040 (20%)	2,946 (24%)
Superior incompleto	1,757 (1.4%)	428 (3.4%)
Superior completo	3,866 (3.2%)	911 (7.3%)
Ignorado	17,460 (14%)	2,152 (17%)
Unknown	8,170	701
1 Mean (SD); n (%) 2 Wilcoxon rank sum test; Pearson's Chi-squared test

2.2 Densidade em relação ao desfecho

Sexo

dados %>% 
  ggplot(aes(IDADE, fill=CIRCOBITO_SUI)) + geom_density(alpha=0.5) + facet_wrap(~SEXO) 

NA

Raca Cor

dados %>% 
  ggplot(aes(IDADE, fill=CIRCOBITO_SUI)) + geom_density(alpha=0.5) + facet_wrap(~RACACOR)

Estado Civil

dados %>% 
  ggplot(aes(IDADE, fill=CIRCOBITO_SUI)) + geom_density(alpha=0.5) + facet_wrap(~ESTCIV)

Escolaridade

dados %>% 
  ggplot(aes(IDADE, fill=CIRCOBITO_SUI)) + geom_density(alpha=0.5) + facet_wrap(~ESC2010)

3. Algoritmos de Machine Learning

3.1 Configurações do treinamento

#selecionando variáveis de interesse
dados <- dados %>% 
  select(SEXO, IDADE, ESC2010, RACACOR, CIRCOBITO_SUI) %>% 
  drop_na()

# Separação dos dados de treinamento e de teste com o pacote caret
split <- createDataPartition(y = dados$CIRCOBITO_SUI, p = 0.7, list = FALSE)
treinamento <- dados[split,]
teste <- dados[-split,]

#aplicando o método de cross validation com 10 fold e 10 repetições
fitControl <- trainControl(## 10-fold CV
  method = "repeatedcv",
  number = 10,
  repeats = 5) ## repeated ten times
#métrica para comparacao entre classificadores
metric <- "Accuracy"

3.2 Treinando os Algoritmos de Classificação

Regressão Logística

confusionMatrix(predicao, teste$CIRCOBITO_SUI, positive = "Suicídio")

Confusion Matrix and Statistics

               Reference
Prediction      Outras causas Suicídio
  Outras causas         36114     3705
  Suicídio                  0        0
                                          
               Accuracy : 0.907           
                 95% CI : (0.9041, 0.9098)
    No Information Rate : 0.907           
    P-Value [Acc > NIR] : 0.5044          
                                          
                  Kappa : 0               
                                          
 Mcnemar's Test P-Value : <2e-16          
                                          
            Sensitivity : 0.00000         
            Specificity : 1.00000         
         Pos Pred Value :     NaN         
         Neg Pred Value : 0.90695         
             Prevalence : 0.09305         
         Detection Rate : 0.00000         
   Detection Prevalence : 0.00000         
      Balanced Accuracy : 0.50000         
                                          
       'Positive' Class : Suicídio        
                                          

Análise Descriminante

confusionMatrix(predicao, teste$CIRCOBITO_SUI, positive = "Suicídio")

Confusion Matrix and Statistics

               Reference
Prediction      Outras causas Suicídio
  Outras causas         36111     3705
  Suicídio                  3        0
                                         
               Accuracy : 0.9069         
                 95% CI : (0.904, 0.9097)
    No Information Rate : 0.907          
    P-Value [Acc > NIR] : 0.525          
                                         
                  Kappa : -2e-04         
                                         
 Mcnemar's Test P-Value : <2e-16         
                                         
            Sensitivity : 0.000e+00      
            Specificity : 9.999e-01      
         Pos Pred Value : 0.000e+00      
         Neg Pred Value : 9.069e-01      
             Prevalence : 9.305e-02      
         Detection Rate : 0.000e+00      
   Detection Prevalence : 7.534e-05      
      Balanced Accuracy : 5.000e-01      
                                         
       'Positive' Class : Suicídio       
                                         

3.3 Comparação entre os algoritmos

# Obtendo o Resultado
results <- resamples(list(LG=modelfit.glm, LDA=modelfit.lda))
summary(results)

Call:
summary.resamples(object = results)

Models: LG, LDA 
Number of resamples: 50 

Accuracy 
         Min.   1st Qu.    Median      Mean   3rd Qu.      Max. NA's
LG  0.9069492 0.9070468 0.9070568 0.9070363 0.9070568 0.9070568    0
LDA 0.9067341 0.9069492 0.9069492 0.9069502 0.9069592 0.9070568    0

Kappa 
             Min.       1st Qu.        Median          Mean 3rd Qu.        Max. NA's
LG   0.0000000000  0.0000000000  0.0000000000  0.000000e+00       0 0.000000000    0
LDA -0.0006436195 -0.0002149438 -0.0002149438 -5.904422e-05       0 0.001880977    0

dotplot(results)