7  Agrupamento, sumarização e indicadores de saúde

Pré-requisitos: Capítulo 6 · Pacotes: dplyr (carregado com o tidyverse), here

Objetivos de aprendizagem

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.

library(tidyverse)
library(here)
source(here("scripts", "preparar-sinasc.R"))

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           1238

Variáveis 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           9.72

7.2 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            8.56

Com 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>             11

O 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>             11

Os 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>              312

Para 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      1.15

Repare 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       81.7

A 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         52

7.4 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       38.6

A 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               26

O 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         38.8

Dois 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            10.3

Os 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             3.29

Os 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.

Para aprofundar

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] 19

Em 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            7.41

O 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.

Saúde Pública em foco

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

  1. Calcule o peso médio e o peso mediano dos recém-nascidos segundo o sexo.

  2. Calcule, para cada faixa de escolaridade da mãe, o número de nascimentos e a idade média da mãe.

  3. Use count() para obter o número de nascimentos por mês e identifique o mês com mais nascimentos em 2019.

  4. 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

  1. 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?

  2. 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

  1. 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.

  2. 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.

Tabela 7.1: Funções apresentadas no capítulo.
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