library(tidyverse)
library(here)
source(here("scripts", "preparar-sinasc.R"))7 Agrupamento, sumarização e indicadores de saúde
Pré-requisitos: Capítulo 6 · Pacotes: dplyr (carregado com o tidyverse), here
Ao final deste capítulo, espera-se que o estudante seja capaz de resumir uma tabela em medidas de interesse; repetir esses resumos para cada grupo de registros; contar registros e calcular proporções dentro de grupos; aplicar a mesma operação a várias colunas de uma vez; construir indicadores de saúde com numerador, denominador e constante explícitos; e reconhecer a instabilidade de indicadores calculados em populações pequenas.
No capítulo anterior, comparamos a proporção de baixo peso entre filhos de mães adolescentes e de mães mais velhas filtrando cada grupo separadamente. Funcionou, mas imagine fazer o mesmo para os 52 municípios de Rondônia. Seriam 52 filtros. Este capítulo apresenta a solução do dplyr para esse tipo de tarefa: agrupar os registros e calcular os resumos para todos os grupos de uma só vez. Com isso, chegamos a uma das atividades mais frequentes em saúde pública, o cálculo de indicadores por município, por região ou por características da população.
O script preparar-sinasc.R, apresentado no Capítulo 6, cria a base nascidos, com os nascimentos de mães residentes em Rondônia em 2019 e as variáveis derivadas, como baixo_peso, prematuro e faixa_idade_mae.
7.1 Sumarizando dados
A função summarise() reduz uma tabela a uma única linha, com as medidas que pedirmos. Cada medida é escrita no formato nome = função(coluna).
nascidos |>
summarise(
nascimentos = n(),
peso_medio = mean(peso),
peso_mediano = median(peso),
desvio_padrao = sd(peso)
)
#> # A tibble: 1 × 4
#> nascimentos peso_medio peso_mediano desvio_padrao
#> <int> <dbl> <dbl> <dbl>
#> 1 27028 3243. 3270 545.A função n(), que só funciona dentro de verbos do dplyr, conta o número de linhas. As demais funções já são conhecidas do Capítulo 2. Como o peso não tem valores ausentes, não foi preciso usar na.rm = TRUE. Com a idade gestacional, que tem ausentes, seria necessário.
nascidos |>
summarise(
semanas_media = mean(semagestac, na.rm = TRUE),
sem_informacao = sum(is.na(semagestac))
)
#> # A tibble: 1 × 2
#> semanas_media sem_informacao
#> <dbl> <int>
#> 1 38.6 1238Variáveis lógicas também podem ser resumidas. Como vimos, a média de uma variável lógica é a proporção de TRUE. Multiplicando por 100, temos o percentual.
nascidos |>
summarise(
perc_baixo_peso = mean(baixo_peso) * 100,
perc_prematuro = mean(prematuro, na.rm = TRUE) * 100
)
#> # A tibble: 1 × 2
#> perc_baixo_peso perc_prematuro
#> <dbl> <dbl>
#> 1 6.98 9.727.2 Operações por grupos
A força do summarise() aparece quando ele é combinado com group_by(). A função group_by() divide a tabela em grupos, de acordo com os valores de uma ou mais colunas, e as operações seguintes passam a ser feitas dentro de cada grupo.
nascidos |>
group_by(faixa_idade_mae) |>
summarise(
nascimentos = n(),
perc_baixo_peso = mean(baixo_peso) * 100
)
#> # A tibble: 3 × 3
#> faixa_idade_mae nascimentos perc_baixo_peso
#> <fct> <int> <dbl>
#> 1 Menos de 20 4558 8.45
#> 2 20 a 34 19327 6.37
#> 3 35 ou mais 3143 8.56Com três linhas de código, temos a proporção de baixo peso para cada faixa etária da mãe. O padrão é conhecido em epidemiologia: a proporção é maior nos extremos da idade reprodutiva, entre as mães adolescentes e entre as mães com 35 anos ou mais.
É possível agrupar por mais de uma variável. O resultado terá uma linha para cada combinação.
nascidos |>
group_by(faixa_idade_mae, parto) |>
summarise(nascimentos = n(), .groups = "drop")
#> # A tibble: 9 × 3
#> faixa_idade_mae parto nascimentos
#> <fct> <fct> <int>
#> 1 Menos de 20 Vaginal 2192
#> 2 Menos de 20 Cesáreo 2359
#> 3 Menos de 20 <NA> 7
#> 4 20 a 34 Vaginal 6062
#> 5 20 a 34 Cesáreo 13234
#> 6 20 a 34 <NA> 31
#> 7 35 ou mais Vaginal 689
#> 8 35 ou mais Cesáreo 2443
#> 9 35 ou mais <NA> 11O argumento .groups = "drop" desfaz o agrupamento ao final. Quando ele não é informado, o dplyr mantém parte do agrupamento e avisa no console. Uma alternativa mais recente e mais simples é o argumento .by, que agrupa apenas para aquela operação, sem deixar nenhum agrupamento residual.
nascidos |>
summarise(nascimentos = n(), .by = c(faixa_idade_mae, parto))
#> # A tibble: 9 × 3
#> faixa_idade_mae parto nascimentos
#> <fct> <fct> <int>
#> 1 Menos de 20 Cesáreo 2359
#> 2 20 a 34 Cesáreo 13234
#> 3 35 ou mais Cesáreo 2443
#> 4 Menos de 20 Vaginal 2192
#> 5 20 a 34 Vaginal 6062
#> 6 35 ou mais Vaginal 689
#> 7 Menos de 20 <NA> 7
#> 8 20 a 34 <NA> 31
#> 9 35 ou mais <NA> 11Os dois caminhos produzem o mesmo resultado; a diferença é apenas a ordem das linhas. Neste livro, usaremos principalmente o group_by() com .groups = "drop" ou seguido de ungroup(), por ser a forma mais encontrada nos materiais de referência.
O agrupamento também funciona com mutate(). Nesse caso, a tabela mantém todas as linhas, mas os cálculos são feitos dentro de cada grupo. É assim que se calcula, por exemplo, a diferença entre o peso de cada recém-nascido e o peso médio do seu município.
nascidos |>
group_by(munresnome) |>
mutate(peso_medio_municipio = mean(peso)) |>
ungroup() |>
select(munresnome, peso, peso_medio_municipio) |>
head(4)
#> # A tibble: 4 × 3
#> munresnome peso peso_medio_municipio
#> <chr> <dbl> <dbl>
#> 1 Alta Floresta D'Oeste 3685 3241.
#> 2 Alta Floresta D'Oeste 3055 3241.
#> 3 Alta Floresta D'Oeste 3460 3241.
#> 4 Alto Alegre dos Parecis 2982 3261.7.3 Contagens e proporções
Contar registros por categoria é tão comum que o dplyr tem um atalho para isso. A função count() equivale a group_by() seguido de summarise(n = n()).
nascidos |>
count(escmae)
#> # A tibble: 6 × 2
#> escmae n
#> <fct> <int>
#> 1 Nenhuma 40
#> 2 1 a 3 anos 516
#> 3 4 a 7 anos 4760
#> 4 8 a 11 anos 15633
#> 5 12 anos ou mais 5767
#> 6 <NA> 312Para transformar contagens em proporções, basta dividir cada contagem pelo total, dentro de um mutate().
nascidos |>
count(escmae) |>
mutate(percentual = n / sum(n) * 100)
#> # A tibble: 6 × 3
#> escmae n percentual
#> <fct> <int> <dbl>
#> 1 Nenhuma 40 0.148
#> 2 1 a 3 anos 516 1.91
#> 3 4 a 7 anos 4760 17.6
#> 4 8 a 11 anos 15633 57.8
#> 5 12 anos ou mais 5767 21.3
#> 6 <NA> 312 1.15Repare que o denominador incluiu os registros sem informação (NA). Se quisermos o percentual apenas entre os registros com escolaridade conhecida, precisamos excluí-los antes, com filter(!is.na(escmae)). As duas escolhas são legítimas, mas respondem a perguntas diferentes, e o denominador usado deve sempre ser informado.
Quando contamos por duas variáveis, a escolha do denominador fica ainda mais importante. Queremos o percentual de partos cesáreos dentro de cada faixa de escolaridade? Então o total deve ser calculado dentro de cada faixa, com group_by() antes do mutate().
nascidos |>
filter(!is.na(escmae), !is.na(parto)) |>
count(escmae, parto) |>
group_by(escmae) |>
mutate(percentual = n / sum(n) * 100) |>
ungroup() |>
filter(parto == "Cesáreo")
#> # A tibble: 5 × 4
#> escmae parto n percentual
#> <fct> <fct> <int> <dbl>
#> 1 Nenhuma Cesáreo 19 47.5
#> 2 1 a 3 anos Cesáreo 273 53.0
#> 3 4 a 7 anos Cesáreo 2606 54.8
#> 4 8 a 11 anos Cesáreo 10208 65.4
#> 5 12 anos ou mais Cesáreo 4698 81.7A proporção de partos cesáreos cresce de forma marcante com a escolaridade da mãe. Esse é um achado consistente na literatura brasileira e mostra como uma tabela simples, feita com poucas linhas de código, já revela desigualdades importantes.
A função n_distinct() conta valores distintos, e é útil para saber, por exemplo, em quantos municípios ocorreu algum nascimento de mãe adolescente.
nascidos |>
filter(mae_adolescente) |>
summarise(municipios = n_distinct(codmunres))
#> # A tibble: 1 × 1
#> municipios
#> <int>
#> 1 527.4 Aplicando funções a várias colunas
Às vezes queremos aplicar a mesma função a várias colunas. Em vez de repetir o código, usamos across(), que recebe uma seleção de colunas e uma função.
nascidos |>
summarise(across(c(peso, idademae, semagestac), \(x) mean(x, na.rm = TRUE)))
#> # A tibble: 1 × 3
#> peso idademae semagestac
#> <dbl> <dbl> <dbl>
#> 1 3243. 26.1 38.6A notação \(x) mean(x, na.rm = TRUE) cria uma pequena função anônima, que diz o que fazer com cada coluna (representada por x). Ela será explicada com calma no Capítulo 16; por enquanto, basta saber que é a forma de passar argumentos adicionais, como na.rm, para a função aplicada. Também é possível aplicar várias funções de uma vez, informando uma lista, e selecionar as colunas com as funções auxiliares do Capítulo 6.
nascidos |>
group_by(parto) |>
summarise(across(
c(peso, idademae),
list(media = mean, mediana = median)
))
#> # A tibble: 3 × 5
#> parto peso_media peso_mediana idademae_media idademae_mediana
#> <fct> <dbl> <dbl> <dbl> <dbl>
#> 1 Vaginal 3189. 3230 24.4 23
#> 2 Cesáreo 3270. 3295 26.9 27
#> 3 <NA> 3057. 3105 27.5 26O resultado tem uma coluna para cada combinação de variável e função, com nomes formados automaticamente, como peso_media e idademae_mediana.
7.5 Indicadores de saúde: proporções, razões e coeficientes
No Capítulo 2, calculamos indicadores a partir de contagens digitadas à mão. Agora vamos calculá-los a partir dos microdados. Todo indicador tem os mesmos componentes: um numerador (os eventos de interesse), um denominador (a população de referência), uma constante multiplicativa, um local e um período. Escrever esses componentes antes de programar evita muitos erros.
A publicação da Ripsa sobre indicadores básicos de saúde (ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE, 2008) traz as definições oficiais usadas no Brasil. Três indicadores podem ser calculados diretamente com os dados do SINASC.
A proporção de nascidos vivos com baixo peso ao nascer tem como numerador os nascidos vivos com menos de 2.500 g e como denominador o total de nascidos vivos, multiplicado por 100.
A proporção de nascidos vivos de mães com sete ou mais consultas de pré-natal tem como numerador os nascidos vivos cujas mães fizeram sete ou mais consultas e como denominador o total de nascidos vivos, multiplicado por 100.
A proporção de partos cesáreos tem como numerador os nascidos vivos por parto cesáreo e como denominador o total de nascidos vivos, multiplicado por 100.
Com o dplyr, os três são calculados para cada município de uma vez. Para deixar explícitos numeradores e denominadores, calculamos primeiro as contagens e depois os indicadores.
indicadores_municipio <- nascidos |>
group_by(codmunres, munresnome) |>
summarise(
nascidos_vivos = n(),
n_baixo_peso = sum(baixo_peso),
n_pre_natal_7mais = sum(pre_natal_7mais, na.rm = TRUE),
n_cesareo = sum(parto == "Cesáreo", na.rm = TRUE),
.groups = "drop"
) |>
mutate(
perc_baixo_peso = n_baixo_peso / nascidos_vivos * 100,
perc_pre_natal_7mais = n_pre_natal_7mais / nascidos_vivos * 100,
perc_cesareo = n_cesareo / nascidos_vivos * 100
)
indicadores_municipio |>
select(munresnome, nascidos_vivos, perc_baixo_peso, perc_pre_natal_7mais, perc_cesareo) |>
arrange(desc(nascidos_vivos)) |>
head(8)
#> # A tibble: 8 × 5
#> munresnome nascidos_vivos perc_baixo_peso perc_pre_natal_7mais perc_cesareo
#> <chr> <int> <dbl> <dbl> <dbl>
#> 1 Porto Velho 8437 8.14 54.6 55.7
#> 2 Ji-Paraná 2182 6.46 79.4 63.4
#> 3 Ariquemes 1729 5.38 73.4 68.0
#> 4 Vilhena 1590 8.24 80.4 75.4
#> 5 Cacoal 1374 5.53 77.7 81.0
#> 6 Rolim de Mou… 927 6.36 75.4 90.1
#> 7 Jaru 881 5.68 85.6 70.7
#> 8 Guajará-Mirim 781 5.76 38.2 38.8Dois detalhes merecem atenção. O primeiro é o uso de sum() sobre uma condição, que conta os casos em que ela é verdadeira. O segundo é o tratamento dos ausentes. Ao usar na.rm = TRUE no numerador, mas manter todos os nascidos vivos no denominador, seguimos a convenção de que registros com informação ignorada não são contados como casos, o que tende a subestimar levemente o indicador. A alternativa seria excluir os ignorados do denominador. O importante é saber qual escolha foi feita e relatá-la.
Indicadores que dependem de uma população vinda de outra fonte, como a taxa de natalidade (nascidos vivos por mil habitantes), exigem combinar duas tabelas. Isso será feito no Capítulo 8.
7.6 Pequenos números e estabilidade dos indicadores
Vamos ordenar os municípios pela proporção de baixo peso.
indicadores_municipio |>
select(munresnome, nascidos_vivos, n_baixo_peso, perc_baixo_peso) |>
arrange(desc(perc_baixo_peso)) |>
head(5)
#> # A tibble: 5 × 4
#> munresnome nascidos_vivos n_baixo_peso perc_baixo_peso
#> <chr> <int> <int> <dbl>
#> 1 Rio Crespo 50 7 14
#> 2 Parecis 44 6 13.6
#> 3 Primavera de Rondônia 43 5 11.6
#> 4 Cerejeiras 237 25 10.5
#> 5 Colorado do Oeste 214 22 10.3Os municípios no topo da lista costumam ter poucos nascimentos. Em um município com 60 nascidos vivos, cada recém-nascido com baixo peso a mais ou a menos muda o indicador em quase dois pontos percentuais. Ou seja, parte da variação observada entre municípios pequenos é puramente aleatória. Uma forma simples de visualizar isso é comparar a variabilidade do indicador entre municípios pequenos e grandes.
indicadores_municipio |>
mutate(porte = if_else(nascidos_vivos < 300, "Menos de 300 nascidos vivos", "300 ou mais")) |>
group_by(porte) |>
summarise(
municipios = n(),
minimo = min(perc_baixo_peso),
maximo = max(perc_baixo_peso),
desvio_padrao = sd(perc_baixo_peso)
)
#> # A tibble: 2 × 5
#> porte municipios minimo maximo desvio_padrao
#> <chr> <int> <dbl> <dbl> <dbl>
#> 1 300 ou mais 19 4.82 9.54 1.40
#> 2 Menos de 300 nascidos vivos 34 0 14 3.29Os municípios menores apresentam indicadores muito mais dispersos. Isso não significa que a situação de saúde neles seja necessariamente mais extrema, mas sim que a estimativa é menos estável. Na prática, algumas estratégias ajudam a lidar com o problema: agregar vários anos de dados, agrupar municípios em regiões de saúde, apresentar o número absoluto de eventos ao lado do indicador e, quando for o caso, usar intervalos de confiança. Os municípios com código 110000 (residência ignorada) também devem ser tratados à parte, pois não correspondem a uma população definida.
Comparar indicadores entre populações com estruturas etárias diferentes exige técnicas de padronização, que não são tratadas neste livro. O capítulo 21 do Manual de R para Epidemiologistas (BATRA et al., 2021) mostra como fazer a padronização direta e indireta de taxas no R.
7.7 Estudo de caso: o pré-natal e o baixo peso nos municípios de Rondônia
Vamos usar o que foi aprendido para responder a uma pergunta de interesse para a gestão. Os municípios com maior cobertura de pré-natal adequado têm menor proporção de baixo peso ao nascer?
O primeiro passo é restringir a análise aos municípios com número suficiente de nascimentos e excluir a residência ignorada. Vamos adotar o critério de pelo menos 300 nascidos vivos no ano.
municipios_maiores <- indicadores_municipio |>
filter(codmunres != "110000", nascidos_vivos >= 300)
nrow(municipios_maiores)
#> [1] 19Em seguida, dividimos esses municípios em dois grupos, conforme a proporção de mães com sete ou mais consultas esteja acima ou abaixo da mediana dos municípios, e comparamos a proporção de baixo peso. Para que os municípios maiores tenham o peso correto no resultado, somamos numeradores e denominadores, em vez de tirar a média dos percentuais.
municipios_maiores |>
mutate(
pre_natal = if_else(perc_pre_natal_7mais >= median(perc_pre_natal_7mais),
"Cobertura maior", "Cobertura menor")
) |>
group_by(pre_natal) |>
summarise(
municipios = n(),
nascidos_vivos = sum(nascidos_vivos),
perc_baixo_peso = sum(n_baixo_peso) / sum(nascidos_vivos) * 100
)
#> # A tibble: 2 × 4
#> pre_natal municipios nascidos_vivos perc_baixo_peso
#> <chr> <int> <int> <dbl>
#> 1 Cobertura maior 10 8817 6.49
#> 2 Cobertura menor 9 13960 7.41O resultado deve ser lido com cuidado. Uma diferença entre grupos de municípios não demonstra que o pré-natal reduz o baixo peso para cada mulher, porque os municípios diferem em muitos outros aspectos, como renda, acesso a serviços e perfil das mães. Esse tipo de comparação entre médias de grupos é chamado de análise ecológica, e seus limites serão discutidos no Capítulo 14. Ainda assim, é um ponto de partida útil para orientar perguntas e investigações mais detalhadas.
Ao combinar indicadores de vários municípios em um único valor, a forma correta é somar numeradores e denominadores e só depois calcular a proporção. Tirar a média simples dos percentuais municipais daria o mesmo peso a um município com 50 nascimentos e a outro com 8.000, o que distorce o resultado. Esse erro é comum em relatórios e passa despercebido com facilidade.
7.8 Exercícios
Fixação
Calcule o peso médio e o peso mediano dos recém-nascidos segundo o sexo.
Calcule, para cada faixa de escolaridade da mãe, o número de nascimentos e a idade média da mãe.
Use
count()para obter o número de nascimentos por mês e identifique o mês com mais nascimentos em 2019.Calcule a proporção de prematuridade por tipo de parto, informando no resultado quantos registros foram excluídos por falta de informação sobre a idade gestacional.
Aplicação
Calcule, para cada município, a proporção de nascidos vivos de mães adolescentes. Quais os cinco municípios com maior proporção, considerando apenas aqueles com pelo menos 300 nascidos vivos?
Usando
across(), calcule a média e o desvio-padrão do peso, da idade da mãe e da idade gestacional para cada categoria de raça/cor da mãe. Discuta o tratamento dos registros sem informação de raça/cor.
Desafio
Para a proporção de baixo peso em Rondônia, compare o resultado obtido somando numeradores e denominadores com a média simples das proporções municipais. Explique a diferença e em que situações cada cálculo seria adequado.
Calcule, para cada município, a proporção de partos cesáreos e o intervalo de confiança de 95% dessa proporção, usando a aproximação normal \(p \pm 1{,}96\sqrt{p(1-p)/n}\). Construa uma tabela ordenada e comente como a largura do intervalo varia com o número de nascidos vivos.
7.9 Síntese
A função summarise() reduz uma tabela a medidas resumo, e a combinação com group_by() (ou com o argumento .by) repete esses resumos para cada grupo. O agrupamento também funciona com mutate(), mantendo todas as linhas. A função count() é um atalho para contar registros por categoria, e as proporções são obtidas dividindo cada contagem pelo total adequado, cuja escolha define a pergunta que está sendo respondida. A função across() aplica uma ou mais funções a várias colunas. Indicadores de saúde têm numerador, denominador, constante, local e período, e devem ser calculados com esses componentes explícitos. Em populações pequenas, os indicadores são instáveis, e estratégias como agregar anos ou regiões e apresentar os números absolutos ajudam a interpretá-los.
| Função | Pacote | Finalidade |
|---|---|---|
summarise() |
dplyr | Resumir uma tabela em medidas |
group_by(), ungroup(), .by |
dplyr | Fazer operações por grupos |
n(), n_distinct() |
dplyr | Contar linhas e valores distintos |
count() |
dplyr | Contar registros por categoria |
across() |
dplyr | Aplicar funções a várias colunas |
\(x) |
base | Criar uma função anônima |
mean(), median(), sd(), min(), max(), sum() |
base, stats | Medidas resumo |
7.10 Para saber mais
O capítulo 3 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) apresenta os grupos e contém um estudo de caso sobre o efeito do tamanho da amostra nos agregados, muito próximo da discussão sobre pequenos números feita aqui. O capítulo 13 do Manual de R para Epidemiologistas (BATRA et al., 2021) trata do agrupamento com exemplos de vigilância, e o capítulo 21 mostra a padronização de taxas. O capítulo 5 de Faria (FARIA, 2024) apresenta group_by(), summarise() e across() em português. A publicação da Ripsa (ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE, 2008) é a referência para as definições dos indicadores de saúde usados no Brasil.
| Obra | Capítulo | Seções de interesse |
|---|---|---|
| R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) | 3. Transformação de dados; 13. Números | Grupos; Estudo de caso: agregados e tamanho de amostra; Contagens |
| Manual de R para Epidemiologistas (BATRA et al., 2021) | 13. Agrupando dados; 21. Normalização de taxas | Resumir os dados; Contagens; Agrupando por data |
| Introdução à Linguagem R (FARIA, 2024) | 5. Transformando dados com dplyr |
Agrupando dados com group_by() e gerando estatísticas sumárias com summarise(); across() |
| Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) | 15. Descriptive Statistics | Summary statistics by group |
| Indicadores básicos para a saúde no Brasil (ORGANIZAÇÃO PAN-AMERICANA DA SAÚDE, 2008) | — | Conceitos e fichas de qualificação dos indicadores |