pacman::p_load(
tidyverse,
rio,
lubridate,
here,
stringr,
lubridate,
rio,
aweek,
incidence2,
i2extras,
RColorBrewer,
fs,
sf) chicungnya <- chicungnya %>%
filter(chicungnya$DT_SIN_PRI > "2022-01-01" & chicungnya$SG_UF == 42)
# renomeando variáveis ----------------------------------------------------
chicungnya <- chicungnya %>%
mutate(autoctone = recode(TPAUTOCTO,
# for reference: OLD = NEW
"1" = "Sim",
"2" = "Não",
"3" = "Indeterminado",
))
chicungnya <- chicungnya %>%
mutate(resultado_soro = recode(RESUL_SORO,
# for reference: OLD = NEW
"1" = "Reagente",
"2" = "Não Reagente",
"3" = "Inconclusivo",
"4" = "Não realizado"))
chicungnya <- chicungnya %>%
mutate(sorotipo = recode(SOROTIPO,
# for reference: OLD = NEW
"1" = "DEN 1",
"2" = "DEN 2",
"3" = "DEN 3",
"4" = "DEN 4"))
chicungnya <- chicungnya %>%
mutate(hospital = recode(HOSPITALIZ,
# for reference: OLD = NEW
"1" = "Sim",
"2" = "Nao",
"9" = "ignorado"
))
chicungnya <- chicungnya %>%
mutate(classificacao = recode(CLASSI_FIN,
# for reference: OLD = NEW
"5" = "Descartado",
"10" = "chicungnya",
"11" = "chicungnya com sinais de alarme",
"12" = "chicungnya grave",
"13"= "Chikungunya",
"8" = "Inconclusivo"))
chicungnya <- chicungnya %>%
mutate(classificacao = replace_na(classificacao, "Suspeito"))
chicungnya <- chicungnya %>%
mutate(criterio = recode(CRITERIO,
# for reference: OLD = NEW
"1" = "Laboratório",
"2" = "Clínico/Epidemiológico",
"3" = "Em investigação"
))
chicungnya <- chicungnya %>%
mutate(evolucao = recode(EVOLUCAO,
# for reference: OLD = NEW
"1" = "Cura",
"2" = "óbito por chicungnya",
"3" = "óbito por outras causas",
"4" = "óbito em investigação",
"9" = "ignorado"
))
# Faixa etaria ------------------------------------------------------------
chicungnya$idade <- as.numeric((chicungnya$DT_SIN_PRI - chicungnya$DT_NASC) /365)
chicungnya$idade_cat=9
chicungnya[which(chicungnya$idade >=0 & chicungnya$idade<=4),]$idade_cat=1
chicungnya[which(chicungnya$idade >=5 & chicungnya$idade<=11),]$idade_cat=2
chicungnya[which(chicungnya$idade >=12 & chicungnya$idade<=17),]$idade_cat=3
chicungnya[which(chicungnya$idade>=18 & chicungnya$idade<=29),]$idade_cat=4
chicungnya[which(chicungnya$idade>=30 & chicungnya$idade<=39),]$idade_cat=5
chicungnya[which(chicungnya$idade>=40 & chicungnya$idade<=49),]$idade_cat=6
chicungnya[which(chicungnya$idade>=50 & chicungnya$idade<=59),]$idade_cat=7
chicungnya[which(chicungnya$idade>=60 & chicungnya$idade<=69),]$idade_cat=8
chicungnya[which(chicungnya$idade>70),]$idade_cat=9
chicungnya$idade_cat=factor(chicungnya$idade_cat,levels=c(1:9),
labels=c("0-4","5-11","12-17",
"18-29","30-39","40-49",
"50-59","60-69",
"70+"))
# Raca --------------------------------------------------------------------
chicungnya <- chicungnya %>%
mutate(raca_cat = recode(CS_RACA,
# for reference: OLD = NEW
"1" = "Branca",
"2" = "Preta",
"3" = "Amarela",
"4" = "Parda",
"5" = "Indígena",
"9" = "Ignorado"))
# Sexo
chicungnya <- chicungnya |>
mutate(CS_SEXO = replace(CS_SEXO, CS_SEXO== "I",NA))
chicungnya <- chicungnya %>%
mutate(sexo = recode(CS_SEXO,
# for reference: OLD = NEW
"F" = "Feminino",
"M" = "Masculino"))
#escolaridade
chicungnya <- chicungnya %>%
mutate(escola = recode(CS_ESCOL_N,
# for reference: OLD = NEW
"0" = "Analfabeto",
"1" = "1 a 4 série incompleta",
"2" = "Até a 4 série completa",
"3" = "4 a 8 série incompleta",
"4" = "Ensino fundamental completo",
"5" = "Ensino Médio incompleto",
"6" = "Ensino Médio completo",
"7" = "EnsinoSuperior incompleto",
"8" = "Ensino Superior completo",
"9" = "Ignorado",
"10" = "Nao se aplica"))
#gestante
chicungnya <- chicungnya %>%
mutate(gestante = recode(CS_GESTANT,
# for reference: OLD = NEW
"1" = "1 trimestre",
"2" = "2 trimestre",
"3" = "3 trimestre",
"4" = "Idade gestacional ignorada",
"5" = "Não",
"6" = "Não se aplica",
"9" = "Ignorado"))
chicungnya$mes <- substr(chicungnya$DT_SIN_PRI, 6,7)chicungnya <- chicungnya %>%
mutate(FEBRE = recode(FEBRE,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(MIALGIA = recode(MIALGIA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(CEFALEIA = recode(CEFALEIA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(EXANTEMA = recode(EXANTEMA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(VOMITO = recode(VOMITO,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(NAUSEA = recode(NAUSEA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(DOR_COSTAS = recode(DOR_COSTAS,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(CONJUNTVIT = recode(CONJUNTVIT,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(ARTRITE = recode(ARTRITE,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(PETEQUIA_N = recode(PETEQUIA_N,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(LEUCOPENIA = recode(LEUCOPENIA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(LACO = recode(LACO,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(DOR_RETRO = recode(DOR_RETRO,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(ARTRALGIA = recode(ARTRALGIA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))chicungnya <- chicungnya %>%
mutate(DIABETES = recode(DIABETES,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(HEMATOLOG = recode(HEMATOLOG,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(HEPATOPAT = recode(HEPATOPAT,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(RENAL = recode(RENAL,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(HIPERTENSA = recode(HIPERTENSA,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(ACIDO_PEPT = recode(ACIDO_PEPT,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))
chicungnya <- chicungnya %>%
mutate(AUTO_IMUNE = recode(AUTO_IMUNE,
# for reference: OLD = NEW
"1" ="Sim",
"2" = "Não"))Informe Epidemiológico 2022
Situação epidemiológica da Chikungnya em Santa Catarina.
Este informe é produzido pelo Centro de Informações Estratégicas de Vigilância em Saúde (CIEVS) da Diretoria de Vigilancia Epidemiológica, da Secretaria de Estado de Saúde (SES-SC). As informações contidas nesse relatório apresentam um panorâma da Chicungnya no Estado ao longo do ano de 2022, com objetivo de ser um instrumento de auxílio para a elaboração de estratégias, ações e interlocuções entre as equipes técnicas.
Os dados utilizados são provenientes dos casos confirmados e notificados pelos municípios no Sistema de informações de Agravos de Notificação (Sinan-Online).
Todos os dados são parciais e provisórios, sujeitos as alterações, podendo ocasionar diferenças nos números de uma semana para outra. Os dados são processados e atualizados diariamente.
Tabela 01. Perfil dos casos confirmados e suspeitos de Chikungnya segundo a classificação final, Santa Catarina, 2022.
library(gtsummary)
# tab01
chicungnya %>%
dplyr::select(classificacao, mes, sexo, idade_cat, escola, raca_cat, gestante, criterio, autoctone, hospital, evolucao) %>%
tbl_summary(
by= classificacao,
missing="no",
label= list(
classificacao ~"Classificação final",
sexo ~ "Sexo",
gestante ~ "Gestante",
escola ~ "Escolaridade",
criterio ~ "Critério",
autoctone ~ "Caso autóctene",
hospital ~ "Hospitalização",
idade_cat ~ "Faixa etária",
raca_cat ~"Raça",
evolucao ~ "Evolução",
mes ~ "Mês de início de sintomas"
)) %>%
add_n() %>% # add column with total number of non-missing observations
modify_header(label = "**Variável**") %>% # update the column header
modify_spanning_header(all_stat_cols() ~ "**Classificação final**") %>%
bold_labels() | Variável | N | Classificação final | ||
|---|---|---|---|---|
| Chikungunya, N = 241 | Descartado, N = 6171 | Suspeito, N = 1231 | ||
| Mês de início de sintomas | 764 | |||
| 01 | 2 (8.3%) | 38 (6.2%) | 4 (3.3%) | |
| 02 | 3 (12%) | 148 (24%) | 11 (8.9%) | |
| 03 | 1 (4.2%) | 181 (29%) | 32 (26%) | |
| 04 | 1 (4.2%) | 125 (20%) | 38 (31%) | |
| 05 | 8 (33%) | 69 (11%) | 15 (12%) | |
| 06 | 2 (8.3%) | 27 (4.4%) | 8 (6.5%) | |
| 07 | 5 (21%) | 19 (3.1%) | 7 (5.7%) | |
| 08 | 2 (8.3%) | 9 (1.5%) | 3 (2.4%) | |
| 09 | 0 (0%) | 1 (0.2%) | 5 (4.1%) | |
| Sexo | 764 | |||
| Feminino | 13 (54%) | 319 (52%) | 69 (56%) | |
| Masculino | 11 (46%) | 298 (48%) | 54 (44%) | |
| Faixa etária | 764 | |||
| 0-4 | 0 (0%) | 8 (1.3%) | 4 (3.3%) | |
| 5-11 | 2 (8.3%) | 24 (3.9%) | 4 (3.3%) | |
| 12-17 | 0 (0%) | 38 (6.2%) | 7 (5.7%) | |
| 18-29 | 3 (12%) | 141 (23%) | 33 (27%) | |
| 30-39 | 5 (21%) | 99 (16%) | 20 (16%) | |
| 40-49 | 3 (12%) | 100 (16%) | 21 (17%) | |
| 50-59 | 3 (12%) | 90 (15%) | 11 (8.9%) | |
| 60-69 | 2 (8.3%) | 39 (6.3%) | 7 (5.7%) | |
| 70+ | 6 (25%) | 78 (13%) | 16 (13%) | |
| Escolaridade | 355 | |||
| 1 a 4 série incompleta | 3 (14%) | 12 (5.0%) | 7 (7.5%) | |
| 4 a 8 série incompleta | 0 (0%) | 24 (10%) | 8 (8.6%) | |
| Analfabeto | 0 (0%) | 2 (0.8%) | 1 (1.1%) | |
| Até a 4 série completa | 3 (14%) | 3 (1.3%) | 2 (2.2%) | |
| Ensino fundamental completo | 1 (4.5%) | 20 (8.3%) | 5 (5.4%) | |
| Ensino Médio completo | 4 (18%) | 67 (28%) | 19 (20%) | |
| Ensino Médio incompleto | 0 (0%) | 10 (4.2%) | 4 (4.3%) | |
| Ensino Superior completo | 4 (18%) | 20 (8.3%) | 14 (15%) | |
| EnsinoSuperior incompleto | 1 (4.5%) | 4 (1.7%) | 2 (2.2%) | |
| Ignorado | 4 (18%) | 57 (24%) | 24 (26%) | |
| Nao se aplica | 2 (9.1%) | 21 (8.8%) | 7 (7.5%) | |
| Raça | 764 | |||
| Amarela | 0 (0%) | 1 (0.2%) | 2 (1.6%) | |
| Branca | 21 (88%) | 590 (96%) | 102 (83%) | |
| Ignorado | 0 (0%) | 4 (0.6%) | 6 (4.9%) | |
| Indígena | 0 (0%) | 0 (0%) | 1 (0.8%) | |
| Parda | 2 (8.3%) | 17 (2.8%) | 11 (8.9%) | |
| Preta | 1 (4.2%) | 5 (0.8%) | 1 (0.8%) | |
| Gestante | 764 | |||
| 1 trimestre | 0 (0%) | 1 (0.2%) | 1 (0.8%) | |
| 2 trimestre | 0 (0%) | 3 (0.5%) | 1 (0.8%) | |
| 3 trimestre | 0 (0%) | 4 (0.6%) | 0 (0%) | |
| Ignorado | 1 (4.2%) | 6 (1.0%) | 7 (5.7%) | |
| Não | 8 (33%) | 279 (45%) | 52 (42%) | |
| Não se aplica | 15 (62%) | 324 (53%) | 62 (50%) | |
| Critério | 649 | |||
| Clínico/Epidemiológico | 0 (0%) | 48 (7.8%) | 2 (25%) | |
| Em investigação | 2 (8.3%) | 1 (0.2%) | 3 (38%) | |
| Laboratório | 22 (92%) | 568 (92%) | 3 (38%) | |
| Caso autóctene | 51 | |||
| Indeterminado | 0 (0%) | 0 (0%) | 3 (11%) | |
| Não | 18 (86%) | 2 (100%) | 7 (25%) | |
| Sim | 3 (14%) | 0 (0%) | 18 (64%) | |
| Hospitalização | 568 | |||
| ignorado | 0 (0%) | 328 (64%) | 0 (0%) | |
| Nao | 21 (95%) | 155 (30%) | 20 (67%) | |
| Sim | 1 (4.5%) | 33 (6.4%) | 10 (33%) | |
| Evolução | 471 | |||
| Cura | 20 (95%) | 49 (11%) | 2 (67%) | |
| ignorado | 1 (4.8%) | 397 (89%) | 1 (33%) | |
| óbito por outras causas | 0 (0%) | 1 (0.2%) | 0 (0%) | |
| 1 n (%) | ||||
Tabela 02. Frequência de sinais e sintomas dos casos confirmados e suspeitos de Chikungnya segundo a classificação final, Santa Catarina, 2022.
chicungnya %>%
dplyr::select(classificacao, FEBRE, MIALGIA, CEFALEIA, EXANTEMA, VOMITO, NAUSEA, DOR_COSTAS, CONJUNTVIT, ARTRITE, ARTRALGIA, PETEQUIA_N, LEUCOPENIA, LACO, DOR_RETRO) %>%
tbl_summary(
by= classificacao,
missing="no",
label= list(
FEBRE ~"Febre",
MIALGIA~ "Mialgia",
CEFALEIA ~ "Cefaléia",
EXANTEMA ~ "Exantema",
VOMITO ~ "Vômito",
NAUSEA ~ "Nausea",
DOR_COSTAS ~ "Dor nas costas",
CONJUNTVIT ~ "Conjutivite",
ARTRITE ~"Artrite",
ARTRALGIA ~ "Artralgia Intensa",
PETEQUIA_N ~ "Petéquias",
LEUCOPENIA ~ " Leucopenia",
LACO = " Prova do laço positiva",
DOR_RETRO = "Dor retroorbital"
)) %>%
add_n() %>% # add column with total number of non-missing observations
modify_header(label = "**Variável**") %>% # update the column header
modify_spanning_header(all_stat_cols() ~ "**Classificação final**") %>%
bold_labels() | Variável | N | Classificação final | ||
|---|---|---|---|---|
| Chikungunya, N = 241 | Descartado, N = 6171 | Suspeito, N = 1231 | ||
| Febre | 728 | |||
| Não | 1 (4.2%) | 206 (33%) | 15 (17%) | |
| Sim | 23 (96%) | 411 (67%) | 72 (83%) | |
| Mialgia | 728 | |||
| Não | 7 (29%) | 130 (21%) | 14 (16%) | |
| Sim | 17 (71%) | 487 (79%) | 73 (84%) | |
| Cefaléia | 728 | |||
| Não | 9 (38%) | 213 (35%) | 20 (23%) | |
| Sim | 15 (62%) | 404 (65%) | 67 (77%) | |
| Exantema | 728 | |||
| Não | 16 (67%) | 553 (90%) | 73 (84%) | |
| Sim | 8 (33%) | 64 (10%) | 14 (16%) | |
| Vômito | 728 | |||
| Não | 22 (92%) | 512 (83%) | 68 (78%) | |
| Sim | 2 (8.3%) | 105 (17%) | 19 (22%) | |
| Nausea | 728 | |||
| Não | 16 (67%) | 471 (76%) | 51 (59%) | |
| Sim | 8 (33%) | 146 (24%) | 36 (41%) | |
| Dor nas costas | 728 | |||
| Não | 16 (67%) | 513 (83%) | 46 (53%) | |
| Sim | 8 (33%) | 104 (17%) | 41 (47%) | |
| Conjutivite | 728 | |||
| Não | 24 (100%) | 600 (97%) | 76 (87%) | |
| Sim | 0 (0%) | 17 (2.8%) | 11 (13%) | |
| Artrite | 728 | |||
| Não | 14 (58%) | 563 (91%) | 74 (85%) | |
| Sim | 10 (42%) | 54 (8.8%) | 13 (15%) | |
| Artralgia Intensa | 728 | |||
| Não | 6 (25%) | 484 (78%) | 48 (55%) | |
| Sim | 18 (75%) | 133 (22%) | 39 (45%) | |
| Petéquias | 728 | |||
| Não | 21 (88%) | 573 (93%) | 77 (89%) | |
| Sim | 3 (12%) | 44 (7.1%) | 10 (11%) | |
| Leucopenia | 728 | |||
| Não | 24 (100%) | 606 (98%) | 85 (98%) | |
| Sim | 0 (0%) | 11 (1.8%) | 2 (2.3%) | |
| Prova do laço positiva | 728 | |||
| Não | 24 (100%) | 602 (98%) | 84 (97%) | |
| Sim | 0 (0%) | 15 (2.4%) | 3 (3.4%) | |
| Dor retroorbital | 728 | |||
| Não | 19 (79%) | 503 (82%) | 63 (72%) | |
| Sim | 5 (21%) | 114 (18%) | 24 (28%) | |
| 1 n (%) | ||||
Tabela 03. Frequência de doenças pré-existentes dos casos confirmados e suspeitos segundo a classificação final, Santa Catarina, 2022.
chicungnya %>%
dplyr::select(classificacao, DIABETES, HEMATOLOG, HEPATOPAT, RENAL, HIPERTENSA, ACIDO_PEPT, AUTO_IMUNE) %>%
tbl_summary(
by= classificacao,
missing="no",
label= list(
DIABETES ~"Diabetes",
HEMATOLOG~ "Doenças Hematológicas",
HEPATOPAT ~ "Hepatopatias",
RENAL ~ "Doença Renal Crônica",
HIPERTENSA ~ "Hipertensão Arterial",
ACIDO_PEPT ~ "Doença ácido-péptica",
AUTO_IMUNE ~ "Doença auto-imunes")) %>%
add_n() %>% # add column with total number of non-missing observations
modify_header(label = "**Variável**") %>% # update the column header
modify_spanning_header(all_stat_cols() ~ "**Classificação final**") %>%
bold_labels() | Variável | N | Classificação final | ||
|---|---|---|---|---|
| Chikungunya, N = 241 | Descartado, N = 6171 | Suspeito, N = 1231 | ||
| Diabetes | 728 | |||
| Não | 22 (92%) | 607 (98%) | 85 (98%) | |
| Sim | 2 (8.3%) | 10 (1.6%) | 2 (2.3%) | |
| Doenças Hematológicas | 728 | |||
| Não | 24 (100%) | 612 (99%) | 87 (100%) | |
| Sim | 0 (0%) | 5 (0.8%) | 0 (0%) | |
| Hepatopatias | 728 | |||
| Não | 24 (100%) | 614 (100%) | 86 (99%) | |
| Sim | 0 (0%) | 3 (0.5%) | 1 (1.1%) | |
| Doença Renal Crônica | 728 | |||
| Não | 24 (100%) | 613 (99%) | 87 (100%) | |
| Sim | 0 (0%) | 4 (0.6%) | 0 (0%) | |
| Hipertensão Arterial | 728 | |||
| Não | 20 (83%) | 597 (97%) | 77 (89%) | |
| Sim | 4 (17%) | 20 (3.2%) | 10 (11%) | |
| Doença ácido-péptica | 728 | |||
| Não | 24 (100%) | 613 (99%) | 85 (98%) | |
| Sim | 0 (0%) | 4 (0.6%) | 2 (2.3%) | |
| Doença auto-imunes | 728 | |||
| Não | 23 (96%) | 615 (100%) | 84 (97%) | |
| Sim | 1 (4.2%) | 2 (0.3%) | 3 (3.4%) | |
| 1 n (%) | ||||
Gráfico 01. Número de casos confirmados de Chikungnya por dia, segundo a data de início de sintomas, Santa Catarina, 2022.
casos_dia <- chicungnya %>%
filter(classificacao == "Chikungunya") %>%
group_by(DT_SIN_PRI) %>%
summarise(casos = n())
ggplot(data=casos_dia,
mapping= aes(x= DT_SIN_PRI, y= casos)) +
geom_point(color = "cadetblue4", shape = "diamond", size = 3) +
geom_line(color = "cadetblue4", linetype = "dotted", size = .6) +
labs( x = "Data de início dos sintomas",
y = "Nº de casos (n)",
title = "Casos confirmados de Chikungnya",
subtitle = "Curva epidêmica do Estado de Santa Catarina",
caption = "Fonte: Sinan Web") +
theme_minimal()+
theme(axis.title = element_text (size = 14,face = "bold"),
plot.subtitle = element_text (size = 12, face = "italic"),
plot.title = element_text (size = 20,face = "bold"),
plot.tag = element_text (size = 7, face = "bold"),
axis.text.x = element_text(face = "italic", angle=45, hjust = 1))+
scale_y_continuous(breaks = seq(from= 0,
to= 10,
by= 1))+
scale_x_date(date_breaks = "2 week",
date_labels = "%d/%m/%Y")
Gráfico 02. Número de casos confirmados de Chikungnya por semana epidemiológica, Santa Catarina, 2022.
casos_semana <- chicungnya %>%
filter(classificacao=="Chikungunya") %>%
mutate(semana_sint = epiweek(DT_SIN_PRI)) %>%
group_by(semana_sint, classificacao) %>%
summarise(casos = n())
ggplot(casos_semana,
aes(x= semana_sint, y= casos, fill= classificacao)) +
geom_bar(stat= "identity", fill= "cadetblue4") +
geom_text (aes(label= casos),
vjust= -2,
size= 2)+
theme_minimal()+
labs( x= "Semana Epidemiológica",
y= "Número de casos",
fill = "Classificação",
title= "Casos confirmados de Chikungunya",
subtitle = "Análise conforme a classificação final, Santa Catarina, 2022")+
theme(
plot.title = element_text(size= 20, face= "bold"),
plot.subtitle = element_text(face = "italic")) +
scale_fill_manual(breaks = c("Dengue", "Dengue com sinais de alarme", "Dengue grave"),
values = c("cadetblue4", "aquamarine3", "yellow")) + lims(y=c(0,8)) +
scale_x_continuous(n.breaks=10) 
Tabela 04. Casos e taxa de incidência segundo o município provável de infecção, Santa Catarina, 2022.
# Fazer o Join do banco de população com o banco de infectados por município
# Os bancos vão ser unificados pelo código do município
# banco dengue variável COMUNINF é código de 6 digitos do municipio provável de infecção.
#Transforma em numerica
chicungnya$COMUNINF <- as.numeric(chicungnya$COMUNINF )
populacao$cod_municipio_ibge <- as.numeric(populacao$cod_municipio_ibge)
#join da população no DF de casos por munipio de infec.
chico_muni_infec <- left_join(chicungnya, populacao, by = c("COMUNINF" = "cod_municipio_ibge"))
# contingência
tabela_04 <- chico_muni_infec %>%
filter (!is.na(nom_municipio) & chico_muni_infec$classificacao == "Chikungunya" ) %>%
group_by(nom_municipio, qtd_populacao_estimada, COMUNINF) %>%
summarise(casos = n()) %>%
mutate(taxa_incidencia = round(casos/qtd_populacao_estimada*100000 , 2))
# tabela
tabela_04 <- tabela_04 %>%
select(nom_municipio,casos,taxa_incidencia)
DT::datatable(tabela_04, rownames = FALSE, colnames = c ("População", "Município de infecção" , "Número de casos" , "Taxa de incidência")) Tabela 05. Casos e incidência por município de residência, Santa Catarina, 2022.
# Join do banco de casos por municipio de residencia
# se o municipio de residência for em SC.
# transsf em numerica
chicungnya$ID_MN_RESI <- as.numeric(chicungnya$ID_MN_RESI )
populacao$cod_municipio_ibge <- as.numeric(populacao$cod_municipio_ibge )
# join
chico_muni_res <- left_join(chicungnya, populacao, by = c("ID_MN_RESI" = "cod_municipio_ibge"))
# taxa de incidencia por município de residencia
tabela_05 <- chico_muni_res %>%
filter(chico_muni_res$classificacao == "Chikungunya") %>%
group_by(nom_municipio, qtd_populacao_estimada)%>% summarise(casos = n()) %>%
mutate(taxa_incidencia = round(casos/qtd_populacao_estimada*100000 , 2))tabela_05 <- tabela_05 %>%
dplyr::select(nom_municipio, casos, taxa_incidencia) %>%
filter(!is.na(nom_municipio))
DT::datatable(tabela_05, rownames = FALSE, colnames = c("Município de residência", "Número de casos", "Taxa de incidência")) Tabela 06. Casos confirmados por Unidade de Federação do município provável de infecção.
chicungnya <- chicungnya %>%
mutate(uf_infec = recode(COUFINF,
# for reference: OLD = NEW
"13" ="Amazonas",
"23" = "Ceará",
"24" ="Rio Grande do Norte",
"25" = "Paraíba",
"27" ="Alagoas",
"29" = "Bahia",
"31" ="Minas Gerais",
"42" = "Santa Catarina",
"51" ="Mato Grosso",
"52" = "Goiás"))
tabela_06 <- chicungnya %>%
filter(chicungnya$classificacao == "Chikungunya") %>%
group_by(uf_infec)%>% summarise(casos = n())
DT::datatable(tabela_06, rownames = FALSE, colnames = c("Unidade de Federação", "Número de casos")) Tabela 07. Casos importados de Chikungunya segundo município de residência e Local Provável de infecção (LPI), Santa Catarina, 2022.
tabela_07 <- chico_muni_res %>%
filter(chico_muni_res$classificacao == "Chikungunya") %>%
select(COUFINF, nom_municipio, SG_UF, ID_MN_RESI)
tabela_07 <- tabela_07 %>%
mutate(uf_infec = recode(COUFINF,
# for reference: OLD = NEW
"13" ="Amazonas",
"23" = "Ceará",
"24" ="Rio Grande do Norte",
"25" = "Paraíba",
"27" ="Alagoas",
"29" = "Bahia",
"31" ="Minas Gerais",
"42" = "Santa Catarina",
"51" ="Mato Grosso",
"52" = "Goiás"))
tabela_07 <- tabela_07 %>%
filter(!is.na(uf_infec)) %>%
group_by(nom_municipio,uf_infec) %>%
summarise(casos = n())
DT::datatable(tabela_07, rownames = FALSE, colnames = c("Município de residência SC", "LPI", "Número de casos"))