Instalação de pacotes e extração de dados

Packages

Library

Criando tabela casos

Contagem de nulos na coluna EVOLUCAO, que é a que corresponde a se houve recuperação, óbito ou outro.

cont_na <- sum(is.na(casos_fil$EVOLUCAO))
nulo_porcento <- cont_na*100 / (nrow(casos_fil))
nulo_porcento
## [1] 9.386253

Filtrando somente casos de covid

casos_fil_covid <- filter(casos_fil, CLASSI_FIN == 5)

Criando a coluna menor data

casos_fil_covid$DT_NOTIFIC <- as_date(casos_fil_covid$DT_NOTIFIC, format= "%d%m%Y")
casos_fil_covid$DT_INTERNA <- as_date(casos_fil_covid$DT_INTERNA, format= "%d%m%Y")
casos_fil_covid$DT_ENTUTI <- as_date(casos_fil_covid$DT_ENTUTI, format= "%d%m%Y")
casos_fil_covid$DT_SAIDUTI <- as_date(casos_fil_covid$DT_SAIDUTI, format= "%d%m%Y")
casos_fil_covid$DT_EVOLUCA <- as_date(casos_fil_covid$DT_EVOLUCA, format= "%d%m%Y")

### changing NA(null) values

casos_fil_covid$DT_INTERNA <- with(casos_fil_covid, as_date(ifelse(is.na(DT_INTERNA), DT_NOTIFIC, DT_INTERNA)))

casos_fil_covid$DT_ENTUTI <- with(casos_fil_covid, as_date(ifelse(is.na(DT_ENTUTI), DT_NOTIFIC, DT_ENTUTI)))

casos_fil_covid$DT_SAIDUTI <- with(casos_fil_covid,as_date(ifelse(is.na(DT_SAIDUTI),DT_NOTIFIC,DT_SAIDUTI)))

casos_fil_covid$DT_EVOLUCA <- with(casos_fil_covid, as_date(ifelse(is.na(DT_EVOLUCA), DT_NOTIFIC, DT_EVOLUCA)))

### escolhendo a menor data

casos_fil_covid$DT_MIN <- casos_fil_covid %>%
  transmute(DT_MIN = pmin(DT_NOTIFIC, DT_INTERNA,DT_ENTUTI, DT_SAIDUTI,DT_EVOLUCA))

Dados de vacinação MS (ignorar por enquanto essa base de dados)

Análise geral dos dados, compreendendo a distribuição entre recuperados óbitos, óbitos por outras causas e ignorados.

## [1] "Taxa de recuperados"
## [1] 0.6486714
## [1] "Taxa de óbitos"
## [1] 0.3263867
## [1] "Taxa de óbitos por outras causas"
## [1] 0.003707774
## [1] "Taxa de casos ignorados(diferente de nulos)"
## [1] 0.02123414

Separando as tabelas por anos, aqui podemos entender efeito pré e pós vacina de forma geral, pois em 2020 não há vacina, em 2021 há vacinação parcial e em 2022 vacinação em estágio avançado com doses de reforço.

casos_fil_covid_2020 <- filter(casos_fil_covid,DT_MIN <= "2020-12-31")

casos_fil_covid_2021 <- filter(casos_fil_covid,DT_MIN > "2020-12-31")
casos_fil_covid_2021 <- filter(casos_fil_covid_2021,DT_MIN <= "2021-12-31")

casos_fil_covid_2022 <- filter(casos_fil_covid,DT_MIN > "2021-12-31")

Análise de obitos por ano

## [1] "Taxa de óbitos 2020"
## [1] 0.3352444
## [1] "Taxa de óbitos 2021"
## [1] 0.3280826
## [1] "Taxa de óbitos 2022"
## [1] 0.2873949

Óbitos por gênero

## [1] "Taxa de óbitos masculina"
## [1] 0.330551
## [1] "Taxa de óbitos feminina"
## [1] 0.3212792

Colocando DT_NASC no formato de data

Criando bases por idade

Óbitos por idade

## [1] "Taxa de óbitos dos maiores de 80 anos"
## [1] 0.5566337
## [1] "Taxa de óbitos entre 70 e 80 anos"
## [1] 0.4573674
## [1] "Taxa de óbitos entre 60 e 70 anos"
## [1] 0.3579015
## [1] "Taxa de óbitos menores de 60 anos"
## [1] 0.1874023

Demografia da base por raça (qtd de pessoas de que se declaram em cada raça)

## 
##      1      2      3      4      5      9 
## 903881  90367  21030 720921   4265 366976
## [1] " 1 = Branca, 2 = Preta, 3 = Amarela, 4 = Parda, 5 = Indígena, 9 = Ignorado"

Óbitos por raça

## [1] "Taxa de óbitos de brancos"
## [1] 0.3296445
## [1] "Taxa de óbitos de pretos"
## [1] 0.388314
## [1] "Taxa de óbitos de amarelos"
## [1] 0.315892
## [1] "Taxa de óbitos de pardos"
## [1] 0.3424734
## [1] "Taxa de óbitos de indígenas"
## [1] 0.3490474
## [1] "Taxa de óbitos de ignorados"
## [1] 0.2696464