Hipoxia_Main.qmd

---
title: "Relatório sobre as dataset Hipóxias"
author: "João Dionísio"
date: long
format:
  html:
    smooth-scroll: true
    self-contained: true
    toc: true
    toc-location: right
theme: cosmo
smooth-scroll: true
execute:
  warning: false
  echo: true
project:
  output-dir: outputs/documents/html
---

# Relatório sobre as dataset Hipóxias

Este relatório foi criado no dia `r format(Sys.time(), '%d %B %Y')`. Foi utilizado a base de dados chamado de hypoxia que se encontra referida na sua forma base com o nome hipoxia.xlsx.

Neste relatório inicial irei explorar de forma simples este dataset. Inicialmente

```{r}
# Exercicio 
# 1. Criar um projecto com o nome hipoxia
# 2. Criar um relatorio em html ou docx conforme a preferencia 
# 3. Devem explorar o dataset hypoxia.xlsx  
# 4. Nesse dataset devem explorar diferencas entre os doentes por tipo de cirurgia Type Surg 
# 5. Devem explorar nao so caracteristicas como outcomes
# 6. em de apresentar representacoes graficas (3 graficos diferentes) e tabelas (2 tabelas) T
# 7. Devem utilizar um modelo de regressao para avaliar se ha diferencas entre o valor de BMI por tipo de cirurgia ajustado pra sexo e idade  
# 8. O documento docx ou html deve conter pelo menos, titulos, equacoes, listas e imagem p.e. um doente tipo com CPAP

```

## Instalar e Carregar Bibliotecas

```{r}
# SOURCE: https://cedricscherer.netlify.app/2019/05/17/the-evolution-of-a-ggplot-ep.-1/#aim 

# Packages
required_packages <- c(
                       "tidyverse",   
                       "broom",
                       #"ggplot2",
                       "readxl",
                       #"lubridate",
                       "kableExtra",
                       "patchwork",
                       "MLDataR",
                       "here",
                       "ggthemes"
                       #"tidyverse"
                       )      
#ploty 
for (pkg in required_packages) {
  # install packages if not already present
  if (!pkg %in% rownames(installed.packages())) {
    install.packages(pkg)
  }
  
  # load packages to this current session 
  library(pkg, character.only = TRUE)
}
```

Para uma questão de coerência e para não me esquecer no futuro deixo a seed definida para possíveis análises e a limpeza do environment.

```{r}
set.seed(123)

#### Clean enviorment


rm(list = ls(all.names = TRUE)) #will clear all objects includes hidden objects.
```

## Explorar o dataset hypoxia.xlsx

```{r}
hypoxia <- read_excel("datasets/hypoxia.xlsx")
View(hypoxia)
```

Limpeza das variáveis

```{r}
#install.packages("janitor")
library(janitor)
hypoxia_1 <- janitor::clean_names(hypoxia)
```

```{r}
hipoxia_lite <- hypoxia_1 %>%
  select(age,
         female,
         race,
         bmi,
         sleeptime,
         min_sao2,
         diabetes,
         smoking,
         hyper,
         cad,
         cpap,
         type_surg)


#Penso que sera possivel simplificar este cofigo
#

#mulheres
unit_female <- hipoxia_lite %>%
  summarise(female_mean= round(mean(female),2))
  

a <- unit_female*100
#fumadores
unit_smokers <- hipoxia_lite %>%
  summarise(smokers_mean= round(mean(smoking),2))

b <- unit_smokers*100

#hipertensos
unit_hta <- hipoxia_lite %>%
  summarise(hyper_mean= round(mean(hyper),2))

c <- unit_hta*100

#CAD
unit_diabetes <- hipoxia_lite %>%
  summarise(db_mean= round(mean(diabetes),2))

d <- unit_diabetes*100

#CPAP
unit_cpap <- hipoxia_lite %>%
  summarise(cpap_mean = round(mean(cpap),2))

e <- unit_cpap*100
  #footnote(general = "Here is a general comments of the table. ",
# Poderiamos ter 

#library(table1)

#t1<- table1(~ factor(sex) + 
 #        age + 
  #       factor(resting_ecg) + 
   #      cholesterol +
    #     resting_bp | 
     #    heart_disease, 
      # data=hd,
      # footnote = "Source: MLData R",
       #caption = "Descriptive variables by health disease"
      # )

#library(openxlsx)
#t1
#table1 <- as.data.frame(t1)
#write.xlsx(table1, file = here::here("outputs", 
 #                 paste0("table1_", Sys.Date(),".xlsx")) 
  #         )
```

### Dados descritivos de variáveis binárias - em percentagem

A percetagem de mulheres no dataset é `r a`%

A percetagem de fumadores no dataset é `r b`%

A percetagem de diabeticos no dataset é `r d`%

A percetagem de hipertensos no dataset é `r c`%

A percentagem de utilizadores de CPAP `r e`%

Exemplo de tabela discritiva

```{r}
race_df <- hipoxia_lite %>%
  group_by(race) %>%
  summarise(cases_race=n())%>%
  mutate(race = case_when(
    race == 1 ~ "African American",
    race == 2 ~ "Caucasian",
    race == 3 ~ "Other"
  ))%>%
  rename("Race" = race)%>%
  rename("N()"= cases_race)

table_race <- race_df %>%
  kbl(digits = 2 # casas decimais
      ,caption = "Número de individuos, por raça") %>%
  kable_classic(full_width = F, #mantem numa linha
                html_font = "Calibri")

table_race
```

## Explorar diferencas entre os doentes por tipo de cirurgia Type Surg

```{r}
type_surg_df <- hipoxia_lite %>%
  mutate(type_surg = case_when(
    type_surg == 1 ~ "Gastroenterostomy",
    type_surg == 2 ~ "Gastric restrictive procedure",
    type_surg == 3 ~ "Gastroplasty",
    type_surg == 4 ~ "Removal of gastric restrictive device",
  ))%>%
  group_by(type_surg)

total_cirurgias <- type_surg_df %>%
  summarise("N" = n())%>%
  summarise(N= sum(N))

total_cirurgias_N <- pull(total_cirurgias,1)
  
type_surg_df_N <- type_surg_df %>%
  summarise(N = n())%>%
  arrange(desc(N))%>%
  mutate(
   Percentagem = N / total_cirurgias_N *100)
  
#quero adicionar a percetagem de cada cirurgia no total

table_surg_N <- type_surg_df_N %>%
  kbl(digits = 2 # casas decimais
      ,caption = "Número de cirurgias por tipo de procedimento") %>%
  kable_classic(full_width = F, #mantem numa linha
                html_font = "Calibri")

type_surg_df_fem <- type_surg_df  %>%
  summarise(percent_sex=mean(female, na.rm = TRUE)*100)%>%
  arrange(percent_sex)

table_surg_female <- type_surg_df_fem %>%
  kbl(digits = 2 # casas decimais
      ,caption = "Percentagem de mulheres por tipo de cirurgia") %>%
  kable_classic(full_width = F, #mantem numa linha
                html_font = "Calibri")

type_surg_df_bmi <- type_surg_df  %>%
  summarise(mean_bmi=mean(bmi, na.rm = TRUE),
            sd_bmi=sd(bmi, na.rm = TRUE),
            min_bmi=min(bmi, na.rm = TRUE),
            max_bmi=max(bmi, na.rm = TRUE)
            )%>%
  rename("Média de BMI"= mean_bmi,
         "DP do BMI"= sd_bmi,
         "Min"=min_bmi,
         "Max"=max_bmi
         "Tipo de cirurgia"= type_surg)

table_surg_bmi <- type_surg_df_bmi %>%
  kbl(digits = 3 # casas decimais
      ,caption = "Índice de Massa Corporal por cirurgia,(média, desvio-padrão, minimo e máximo)") %>%
  kable_classic(full_width = F, #mantem numa linha
                html_font = "Calibri")

type_surg_df_age <- type_surg_df  %>%
  summarise(mean_age=mean(age, na.rm = TRUE),
            sd_age=sd(age, na.rm = TRUE),
            min_age=min(age, na.rm = TRUE),
            max_age=max(age, na.rm = TRUE)
            )%>%
  rename("Média de Idade"= mean_age,
         "DP da Idade"= sd_age,
         "Min"=min_age,
         "Max"=max_age)

table_surg_age <- type_surg_df_age %>%
  kbl(digits = 3 # casas decimais
      ,caption = "Idade por cirurgia,(média, desvio-padrão, minimo e máximo)") %>%
  kable_classic(full_width = F, #mantem numa linha
                html_font = "Calibri")

# colocar tabela em baixo
sum_race <- hipoxia_lite %>%
    group_by(type_surg,race) %>%
    summarise(n_race=dplyr::n()
    )

sum_race <- sum_race %>%
  mutate(
    race = case_when(
      race ==1 ~ "N_African_American",
      race ==2 ~ "N_Caucasian",
      race ==3 ~ "N_Other_race"
      )
  )

sum_race <- sum_race %>%
pivot_wider(names_from = race, values_from = n_race)

sum_race <- sum_race %>%
  mutate(
    N_African_American = ifelse(is.na(N_African_American), 0, N_African_American),
    N_Caucasian = ifelse(is.na(N_Caucasian), 0, N_Caucasian),
    N_Other_Race = ifelse(is.na(N_other_race), 0, N_other_race)
  )%>%
  mutate(type_surg = case_when(
    type_surg == 1 ~ "Gastroenterostomy",
    type_surg == 2 ~ "Gastric restrictive procedure",
    type_surg == 3 ~ "Gastroplasty",
    type_surg == 4 ~ "Removal of gastric restrictive device",
  ))

table_surg_race <- sum_race %>%
  kbl(digits = 2 # casas decimais
      ,caption = "Distribuição de utentes por raça e por tipo de cirurgia") %>%
  kable_classic(full_width = F, #mantem numa linha
                html_font = "Calibri")
#sum_hypoxia <- left_join(sum_hypoxia, sum_race, by="type_surg")

```

###Número de Cirurgias, por N e por percentagem do total

```{r}
table_surg_N

nome_cirur_ref <- first(type_surg_df_N$type_surg)
numero_cirur_ref <- first(type_surg_df_N$N)
percent_cirur_ref <- first(type_surg_df_N$Percentagem,1)

```

O número de cirurgias total foi `r total_cirurgias_N` com a intervenção de referência a ser a `r nome_cirur_ref` com `r numero_cirur_ref` compondo `r percent_cirur_ref` do total de cirurgias.

###Percentagem de utentes femininos por tipo de cirurgia

```{r}
# colocar aqui as tabelas dos primeiras
table_surg_female
```

###Distribuição de utentes por raça e por tipo de cirurgia

table_surg_bmi

```{r}
# colocar aqui as tabelas dos primeiras
table_surg_race

```

###Média e desvio-padrão do Índice de Massa corporal, por tipo de cirurgia

```{r}
table_surg_bmi 

```

```{r}
#Nao aplicar já fazer se for para pôr valores em inline
#list_types <- c("Gastroenterostomy","Gastric restrictive procedure","Gastroplasty","Removal of gastric restrictive device")

#var_names <- paste0("r", 1:4)

#for (i in seq_along(var_names)){
 # assign(var_names[[i]], sum_hypoxia %>% filter(type_surg==list_types[[i]]) %>% pull(n_surgeries))
#}
```

## Representações Gráficas

```{r}

p1<- ggplot(hipoxia_lite, 
       aes(x=sleeptime, 
           y=bmi, 
           colour=as.factor(type_surg))
       )+ 
  
  geom_point(alpha=0.5
             ) +

  
  scale_colour_discrete(labels=c("Gastroenterostomy","Gastric restrictive procedure","Gastroplasty","Removal of gastric restrictive device")) +
  
    labs(title = "Sleep time and BMI",
         subtitle = "By type of surgery",
         y = "BMI",
         x = "Sleptime", 
         caption = "Source: Course R",
       colour="") +
   theme_minimal() +
  theme(legend.position="bottom")

p1

```

##Boxplot com o tempo de cirurgia por tipo de cirurgia

```{r}
p2<- ggplot() +
  geom_boxplot(data= hypoxia_1, 
            aes(x = as.factor(type_surg), y = duration_of_surg ),
            outlier.shape = NA)+ #NEW to Exclude outliers +
  scale_x_discrete(labels=c("Gastroenterostomy","Gastric restrictive procedure","Gastroplasty","Removal of gastric restrictive device")) +
  labs(title = "Duration of Surgery",
         subtitle = "By type of surgery",
         y = "Duration of Surgery",
         x = "Type of Surgery", 
         caption = "Source: Course R",
       colour="") +
  theme_minimal() +
  theme(legend.position="bottom")

p2
```

Uma questão que poderá surgir é se o BMI poderá influenciar o tempo de cirurgia

```{r}
hipoxia_2 <- hypoxia_1 %>%
  mutate(BMI_cat = case_when(
     bmi = (bmi<18.5) ~ "Underweight",
     bmi = (bmi>=18.5 & bmi<24.5) ~ "Normal",
     bmi = (bmi>=24.5 & bmi<29.9) ~ "Overweight",
     bmi = (bmi>=30) ~ "Obese"
  ) 
  )

#list_bmi <- c("Underweight","Normal","Overweight","Obese")

#var_names <- paste0("p",3:6)

# for (i in seq_along(var_names)){
# assign(var_names[[i]], ggplot() +
# geom_boxplot(data= hypoxia_1,
#            aes(x = as.factor(type_surg), y = duration_of_surg ),
#            outlier.shape = NA)+ #NEW to Exclude outliers +
# scale_x_discrete(labels=c("Gastroenterostomy","Gastric restrictive procedure","Gastroplasty","Removal of gastric restrictive device")) +
# labs(title = "Duration of Surgery",
#       subtitle = paste0("By type of surgery",",",list_bmi[[i]]),
#      y = "Duration of Surgery",
#     x = "Type of Surgery",
#    caption = "Source: Course R",
# colour="") +
# theme_minimal() +
# theme(legend.position="bottom"))
# }

p3<- ggplot() +
  geom_boxplot(data= hipoxia_2 %>% filter(BMI_cat == "Underweight" | BMI_cat == "Normal"), 
            aes(x = as.factor(type_surg), 
                y = duration_of_surg ),
                outlier.shape = NA)+ 
  facet_wrap(~BMI_cat) +#NEW to Exclude outliers +
  scale_x_discrete(labels=c("Gastroenterostomy","Gastric restrictive procedure","Gastroplasty","Removal of gastric restrictive device")) +
  labs(title = "Duration of Surgery",
        subtitle = "By type of surgery",
        y = "Duration of Surgery",
        x = "Type of Surgery", 
        caption = "Source: Course R",
        colour="") +
  theme_minimal() +
  theme(legend.position="bottom")


p4 <-ggplot() +
  geom_boxplot(data= hipoxia_2 %>% filter(BMI_cat == "Overweight" | BMI_cat == "Obese"), 
            aes(x = as.factor(type_surg), 
                y = duration_of_surg ),
                outlier.shape = NA)+ 
  facet_wrap(~BMI_cat) +#NEW to Exclude outliers +
  scale_x_discrete(labels=c("Gastroenterostomy","Gastric restrictive procedure","Gastroplasty","Removal of gastric restrictive device")) +
  labs(title = "Duration of Surgery",
        subtitle = "By type of surgery",
        y = "Duration of Surgery",
        x = "Type of Surgery", 
        caption = "Source: Course R",
        colour="") +
  theme_minimal() +
  theme(legend.position="bottom")


p5<-p3/p4

```

Não se questionem mais porque todos os utentes sao obesos com apenas um Normal

## Modelo de regressao para avaliar se ha diferencas entre o valor de BMI por tipo de cirurgia ajustado pra sexo e idade

```{r}

hipoxia_lite$type_surg <- as.factor(hipoxia_lite$type_surg)# forcar o R a definir tipo de instituicao como variavel categorica

hipoxia_lite$type_surg <- relevel(hipoxia_lite$type_surg, ref = 1)

#hipoxia_lite_mdf <- hipoxia_lite %>%
 # filter()

model2 <- lm(bmi ~ 
               as.factor(type_surg)+ # variaveis explicativas
               as.factor(female)+
               age, 
             data= hipoxia_lite)

# We can with the Broom package make the model object in a tidy model 
model2_tidy <- tidy(model2, conf.int = TRUE,exponentiate = TRUE)
model2_tidy_sig <- tidy(model2, conf.int = TRUE,exponentiate = FALSE) 

model2_tidy <- model2_tidy %>%
    mutate(
    term = case_when(
      term =="(Intercept)" ~ "Gastroenterostomy(Referência)",
      term =="as.factor(type_surg)2" ~ "Gastric restrictive procedure",
      term =="as.factor(type_surg)3" ~ "Gastroplasty",
      term =="as.factor(type_surg)4" ~ "Removal of gastric restrictive device",
      term =="as.factor(female)1" ~ "Female",
    ))%>%
    filter(!is.na(term))

model2_tidy
# model2_tidy_sig <- model2_tidy_sig %>%
#     mutate(
#     term = case_when(
#       term =="(Intercept)" ~ "Gastroenterostomy(Referência)",
#       term =="as.factor(type_surg)2" ~ "Gastric restrictive procedure",
#       term =="as.factor(type_surg)3" ~ "Gastroplasty",
#       term =="as.factor(type_surg)4" ~ "Removal of gastric restrictive device",
#       term =="as.factor(female)1" ~ "Female",
#     ))%>%
#     filter(!is.na(term))
# Inspect the model

# The glance function provides the most model diagnostics indicators
model2_glance <-glance(model2)
# Para verificação de resultados
```

```{r}
# filtrar as colunas significativas e coloca-las em vector para coloca-las como inline no texto
#model2_tidy_sig1 <- model2_tidy_sig %>%
  #filter(p.value<0,05)%>%
  #pull(term)
  
#model2_tidy_sig1
```

Verifica-se que apenas a Gastric restrictive procedure tem uma diferença signitivamente significativa para o BMI em relação à cirurgia de referência (Gastroenterostomy).

```{r}
# Lets visualize our model 
model2_augment <- augment(model2)

model2_augment

p1<- ggplot(data=model2_tidy, 
            aes(x=reorder(term, estimate), y=estimate)) +
  
         geom_errorbar(aes(ymin=conf.low, 
                           ymax=conf.high), 
                       width = 0.2,size  = 1,
                       position = "dodge", color="gray") +
  geom_hline(yintercept = 0, color = "red", size = 1) +
  geom_point() + 
    labs(title = "Diferença do BMI por tipo de cirugia tendo em conta idade e sexo",
       x = "", 
       y = "Diference do BMI") +  
  coord_flip()

p1


  
```

De referir que as cirurgias Removal of gastric restrictive device e Gastroplasty apenas tinham 2 e 3 intervenções que apesar de não terem sido excluídos do modelo limitam a sua análise, podendo existir diferenças.

## Salvar o gráfico

```{r}
ggsave(filename = here::here("outputs", "figures", 
                  paste0( "bmi_lm_gastric", ".pdf")),
                  plot= p1,
                  width = 20.49,
                  height = 10.3,
                  units = c("cm"),
                  dpi = "retina")
```

## Carregar uma imagem com um doente com um CPAP para sensibilização

[![Um doente com CPAP](images/doente_cpap.jfif){fig-align="center"}](https://www.sppneumologia.pt/)

Consequências da hipóxia

-   Dor de cabeça;

-   Sonolência;

-   Aumento dos batimentos cardíacos;

-   Suor frio;

-   Falta de ar;

-   Tontura;

-   Confusão mental;

-   Desmaio;

-   Dedos e boca arroxeados (cianose).

    ## Equação

    O valor normal de PaO2 cai com a idade de acordo com a seguinte equação

    $PaO2 = 103,5 - (0,42 * (idade))$

```{r}
# 8. O documento docx ou html deve conter pelo menos, titulos, equacoes, listas e imagem p.e. um doente tipo com CPAP

```