#
#   DADOS DA CIRURGIA CARDÍACA - TOM, RENATO E GELAPE
#
#=========================================================
#           Leitura e Preliminares dos Dados 
#=========================================================
# Resposta inflamatória sistêmica após circulação extracorpórea em valvopatas
# Fonte: Tom e seus alunos Cláudio Gelape e Renato
#            
# Amostra (N=62) de Dados de pacientes divididos em três grupos (Var. Grupo) 
# 0 - Cirurgia de coronária, usando rolete (n= 22) 
# 1 - Cirurgia de coronáira, usando biopump (n=21) 
# 2 - Cirurgia de válvula, usando rolete (n=19). 
#
#  Objetivo Principal:
#     1- Cláudio Gelape: Comparar os dois grupos que usam rolete (0 vs 2)
#     2- Renato: Comparar as duas cirurgias de coronária (1 vs 2)
#
# Descrição: 
# 
# O paciente é submetido à cirurgia cardíaca com o auxílio da 
# circulação extracorpórea (CEC) onde o sangue heparinizado entra 
# em contato com superfícies estranhas (oxigenador e tubos do circuito
# extracorpóreo). Desta forma, apresenta-se ativação de vários 
# sistemas orgânicos do corpo. 
# 
# A cirurgia cardíaca com CEC provoca alterações inflamatórias no 
# organismo conhecidas como síndrome da resposta inflamatória sistêmica (SIRS). 
# As respostas são as dosagens de 4 citocinas (i, t, mc, mip) no sangue 
# da artéria radial ou linha arterial sanguínea da CEC nos seguintes 6 momentos:
#
# 1- após indução anestésica; 
# 2– após despinçamento aórtido; 
# 3– no final da operação; 
# 4- 2 horas de pós-operatório.
# 5- 6 horas de pós-operatório.
# 6- 24 horas de pós-operatório.
#
#  As variáveis n1,n2,n3,n4,n5 e n6 registram os tempos em horas.
#  Por exemplo: o primeiro paciente tem:
#    n1anest: primeiro tempo após a indução anestésica foi 9:00hs
#             este tempo deve virar 0
#    n2despin: após o despinçamento: 10:32hs, que deve virar 1.53hs
#    n3final: final da operação: 11:10, que deve virar 2.17hs
#    n4hpo: 2 horas após: 1310, que deve virar 4.17hs
#    n56hpo: 6 horas após: 1910, que deve virar 8.17
#    n624hpo: 24horas após: 900, que deve virar 24hs 
#
#
# Lista de variáveis no arquivo de dados (revivar_reduzido.txt): 
#
# AS seguintes covariáveis foram medidas:
#
# 1- sexo (1- homem e 2-mulher) 
# 2- idade (em anos) 
# 3- peso (em quilos) 
# 4- altura (em mts) 
# 5- imc (peso/altura^2)  # deve ser usado ao invés de peso e altura 
# 6- nyha (classe funcional=1,2,3,4) 
# 7- has (pressão sistólica 0/1)
# 8- iap (ins. arterial periferica 0/1)
# 9- ai (angina instável)
# 10- eurob (Eurobeta: risco percentual) 
# 11- euroes (Euroscore: pontos)
# 12- fc (frequencia cardiáca)
# 13- creat (creatinina)
#
# Importantes a princípio: sexo, idade, imc, nyha e euroscore.
#
# Resumo: estudo observacional, balanceado: 22/21/19 indivíduos em 
# cada grupo avaliados em 6 momentos, objetivo (comparar os grupos
# avaliar a evolução no tempo) e resposta contínua. O estudo incluí
# 4 respostas. Desta forma, teremos 4 análises separadas. 
#
# Resposta 1: citocina Tnf-receptor – t;
# Resposta 2: citocina interleucina 6 – i;
# Resposta 3: citocina MCP1;
# Resposta 4: citocina MIP1.
#
# Vamos restringir inicialmente à citocina t. 
#
  source("longit.r") #carrega a biblioteca longit.r
  require(growth)
  dir() # verifica os arquivos no diretório
  dados<-read.table("revivar_reduzido.txt",header=T)
  attach(dados)
  names(dados)
  dim(dados)
  dados[1:15,]
  fix(dados) #Planilha de Dados
  ID<-c(1:62)
# Descritiva dos dados
  summary(t1) 
  summary(t2)
  summary(t3)
  summary(t4)
  summary(t5)
  summary(t6)
  boxplot(t1,t2,t3,t4,t5,t6,ylab="citocina t")
  axis(1, c(1:6))
### Cuidado pois o Boxplot não considera a estrutura longitudinal ####
#  datawide<-data.frame(ID,tipocir,t1,t2,t3,t4,t5,t6)
#  cor(datawide[,3:8]) # matriz de correlação dos dados (deve ser 
#  feito com os resíduos)
#
#========================================================
           #         Manipulando Banco de Dados Longitudinais
           #            Banco Longo (uma medida por linha)
           #=========================================================
           #
           # Transformando o banco wide para longo
           #    Todo o banco
           #datalong<-reshape(data=dados,direction="long", idvar="id", 
           #varying = list(names(dados)[c(2,6,10,14,18,22)]
           #,names(dados)[c(3,7,11,15,19,23)],
           #names(dados)[c(4,8,12,16,20,24)],names(dados)[c(5,9,13,17,21,25)]), 
           #v.names=c("t","i","MCP","MIP"),timevar="tempo")
           #    Somente t
           datalong<-reshape(data=datawide,direction="long",idvar="ID",
           varying = list(names(datawide)[3:8]),v.names="t",timevar="tempo")
           attach(datalong)
           #  
           length(unique(ID)) # qtos individuos no estudo 
           table(tempo) # qtos individuos por tempo
           table(tempo,tipocir) # qtos individuos por tempo e tipo de cirurgia
           #==========================================================
           #          Estatísticas Descritivas
           #==========================================================
           #
           tapply(t,list(tipocir), mean) # media por grupo e tempo
           tapply(t,list(tipocir), sd) # dp por grupo e tempo
           tapply(t,list(tipocir,tempo), mean)
           plot(tipocir,t,xaxt="n") 
           axis(1, 1:2)  
           plot(tempo,t)
           #
           #
           # Os comandos abaixo somente funcionam na com o longit.r
           # Os gráficos de perfis mais abaixo não necessitam do longit.r
           #
           datalong <- as.ldframe(datalong, ID, tempo)  
           class(datalong)
           attach(datalong)
           plot(datalong, t, color = tipocir, cols = c("blue", "red"))
           legend(1, 4700, legend = paste("Tipo", unique(datalong$tipocir)), 
           col = c("blue","red"), lty = 1, bty = "n", cex = 0.7,title="Citocina Trf-receptor-t")
           #
           # Gráfico para 6 indivíduos escolhidos aleatoriamente
           #
           plot(datalong, t, n.full = 6, color = tipocir, cols = c("blue", "red"))
           legend(1, 4700, legend = paste("Tipo", unique(datalong$tipocir)), 
           col = c("blue","red"), lty = 1, bty = "n", cex = 0.6,title="Citocina Trf-receptor-t")
           #
           #        Gráfico de perfis excluindo a baseline
           #
           plot(datalong[which(datalong$Time!=1),], t, color = tipocir, cols = c("blue", "red"))
           legend(2,60, legend = paste("Tipo", unique(datalong$tipocir)), 
           col = c("blue","red"), lty = 1, bty = "n", cex = 0.8)
           #
           #         Gráfico mostrando a Média Suavizada
           #
           plot(datalong,t,n.full=0)
           lines(lowess(datalong$Time,t),col=2,lwd=1.5)
           #
           #           
           #          Resíduos
           #
           t.res <- t - lowess(Time, t)$y
           plot(Time, t.res, pch = ".", cex.lab = 1.2)
           #==================================================================
           #          Graficos de Perfis
           #==================================================================
           #
           ID<-Subject
           #
           # function(choice,xl=range(time),yl=range(y))
           # {# Plots profiles for subjects in vector choice. 
           perfis<-function(ID,Time,t,tipocir)
           {
           m=length(unique(ID))
           n=length(t)/m
           xl=range(Time)
           yl=range(t)  
           choice=ID 
           j=ID==choice[1]
           if (tipocir[j]=="1"){
           plot(Time[j],t[j],xaxt="n",
           type="l",col = "blue",ylim=yl,xlim=xl,ylab="citocina",xlab="Momento",
           main="Variação ao Longo do Tempo",cex=.8)}
           if (tipocir==2){
           plot(Time[j],t[j],xaxt="n",
           type="l",col = "red",ylim=yl,xlim=xl,ylab="citocina",xlab="momento",
           main="Efeito de Tratamento",cex=0.8)}
           #
           if(length(choice)>1){
           for(it in 2:length(choice)){
           j=ID==choice[it]
           if (tipocir[j]==1){
           lines(Time[j],t[j],col = "blue",cex=0.8)}
           if (tipocir[j]==2){
           lines(Time[j],t[j],col = "red",cex=0.8)}}
           axis(1, 1:6)
           }
           cat("\n")
           }
           perfis(ID,Time,t,tipocir)
           #Fazendo um alisamento no grafico de perfis 
           plot(lowess(Time,t),type="l",xaxt="n",ylab="citocina",xlab="momento")  
           axis(1, 1:6)
           plot(lowess(tipocir,t),type="l",xaxt="n",ylab="citocina",xlab="momento")  
           axis(1, 1:2)
           #
           #
           #==================================================================
           #          Graficos de Perfis por Tipo de Cirurgia
           #==================================================================
           #
           attach(datalong)
           grupo1<-subset(datalong,tipocir==1),
           plot(lowess(grupo1$Time,grupo1$t),
           #xaxt="n", 
           col = "blue",
           type="l",lty=1,
           #ylim=yrange(c(1,1000))
           ylab="citocina",xlab="momentos") 
           grupo2<-subset(datalong,tipocir==2)
           lines(lowess(grupo2$Time,grupo2$t),lty=2,type="l",col="red")
           axis(1, 1:6)
           #
           #===============================================================
           #       Explorando os Perfis Médios por Grupo
           #===============================================================
           # Gráfico de Interação 
           interaction.plot(Time, tipocir, t)
           # Box-plots por Dieta
           boxplot(t ~ Time + tipocir, notch = T)
           abline(v = 2.5, lty = 2)
           abline(v = 4.5, lty = 2)
           abline(v = 6.5, lty = 2)
           abline(v = 8.5, lty = 2)
           abline(v = 10.5, lty = 2)
           abline(v = 12.5, lty = 2)
           title("Dispersão da citocina por tipo de cirurgia")
           #===============================================================
           #       Explorando a Estrutura de Variância
           #===============================================================
           #          
           perfil.std(y = datawide[, 3:8], id = datawide$ID, group = datawide$tipocir)
           interaction.plot(Time, tipocir, t, trace.label = "Tipo Cirurgia",
           xlab = "Momento", ylab = "Variância Médio", fun = var, fixed = T)
           #
           #====================================================================
           #      Explorando a Estrutura de Dependência dos Tempos
           #               NÂO ESTÁ FUNCIONANDO
           #====================================================================
           # 
           require(car)
           attach(datawide)
           dados.std <- perfil.std(y = datawide[, 3:8], id = ID, group = tipocir, 
           flag = FALSE)
           scatterplot.matrix(dados.std[, 2:7], diagonal = "histogram", 
           smooth = F)
           #graphics.off()
           cor(dados.std[, 2:5])
           #
           #=================================================================