pima.qmd

---
title: "Diabète chez les Indiens Pimas"
author: "___"
date: "`r Sys.Date()`"
format:
  html:
    code-fold: true
    code-tools: true
    toc: true
editor: visual
lang: fr
---

```{r setup, include=FALSE}
# Ceci est nécessaire pour les tests SDD, ne pas utiliser dans un "vrai" projet
if (!"tools:tests" %in% search())
  source(here::here("tests/tools_tests.R"), attach(NULL, name = "tools:tests"))

# Configure SciViews::R environment
SciViews::R(lang = "fr")
```

# Introduction

La prévalence de diabète de type 2 est particulièrement élevée chez les Indiens Pimas en Arizona. Nous allons ici explorer et décrire des données relatives à cette population d'Amérindiens.

# Analyses

<!--% Importez les données Pima.tr2 et Pima.te provenant toutes les deux du package {MASS}. Les deux tableaux sont combiné à l'aide de la fonction `sbind_rows()`. -->

```{r pimport, record='RODFS', object='pima'}
pima <- sbind_rows(
  read(___), 
  read(___))

# La suite est complétée pour vous
# Renommer variable
pima <- srename(pima, n_pregnant = npreg, glucose = glu, diastolic = bp,
  triceps = skin, dpf = ped, diabete = type)

# Remplacer Yes/No en oui/non pour diabete
pima <- smutate(pima,
  diabete = factor(ifelse(diabete == "Yes", "oui", "non")))

# Labels et unités
pima <- labelise(pima,
  label = list(
    n_pregnant = "Nombre de grossesses",
    glucose    = "Glucose sanguin",
    diastolic  = "Pression diastolique",
    triceps    = "Pli cutané au triceps",
    bmi        = "Indice de masse corporelle",
    dpf        = "Risque génétique",
    diabete    = "Diabète",
    age        = "Age"
  ),
  units = c(
    glucose    = "mg/dL",
    diastolic  = "mmHg",
    triceps    = "mm",
    bmi        = "kg/m^2",
    age        = "Années"
  )
)
```

<!--% Utilisez la fonction `skim()` du package {skimr} pour explorer les données. -->

```{r pskim}
___
```

```{r pskimcomment, output='asis'}
select_answer(r"-{
[] - Ce tableau comprend une variable quantitative ordonnée et sept variables qualitatives.
[] - Ce tableau comprend une variable quantitative non ordonnée et sept variables qualitatives.
[] - Ce tableau comprend une variable qualitative non ordonnée et sept variables quantitatives.
[] - Ce tableau comprend une variable qualitative ordonnée et sept variables quantitatives.

[] -  Il n'y a aucune donnée manquante.
[] -   Il y a plusieurs valeurs manquantes dans ce jeu de données. La variable qui contient le plus grand nombre de valeurs manquantes est la variable `diabete`.
[] -   Il y a plusieurs valeurs manquantes dans ce jeu de données. La variable qui contient le plus grand nombre de valeurs manquante est la variable `triceps`.

[] -  La variable `n_pregnant` est reconnue dans R comme une variable **integer**. Cette variable doit être convertie en **double**.
[] -  La variable `n_pregnant` est reconnue dans R comme une variable **integer**. Le nombre d'enfant ne peut prendre que des valeurs entières.}-")
```

<!-- Définissez une nouvelle colonne `bmi_cat` dans le tableau `pima` avec la division en classe de la variable `bmi` avec les niveaux suivants : "sous-poids" strictement inférieur à 18.5, "poids normal" de 18.5 à 25 (non inclus), "surpoids" de 25 à 30 (non inclus), et "obèse" au-dessus de 30 (compris). Par exemple, une personne à IMC 25 est donc en surpoids. Cette nouvelle variable doit être de type facteur ordonné. -->

<!--# Un addin existe dans RStudio pour vous aider à faire ces catégories. -->

```{r pbmi_cat, record='RODFS', object='pima'}
___
```

<!--% Réalisez un graphique qui permet de dénombrer les quatre niveaux de la variable `bmi_cat` avec des aplats de couleurs pour différencier les personnes diabétiques ou non. Éliminez les valeurs manquantes pour la variable `bmi_cat` uniquement. Employez le chaînage des instructions afin d'éviter de créer un nouveau tableau dans votre environnement. Assurez-vous que le label en X soit "Catégorie d'IMC" et que le label en Y soit "Effectifs". -->

```{r pcount, record='RNCS'}
___
```

```{r pcountcomment, output='asis'}
select_answer(r"-{
[] -  Les individus les plus représentés sont les obèses.
[] -  Les individus les plus représentés sont en sous-poids.
[] -  Les individus sont répartis de manière égale entre les quatre catégories d'IMC.

[] -  On dénombre deux fois plus d’Indiennes Pima en surpoids qu'en poids normal.
[] -  On dénombre deux fois plus d’indiennes Pima de poids normaux qu’en surpoids.

[] - La proportion de diabétiques dans chaque catégorie d'IMC est stable.
[] - La proportion de diabétiques augmente dans les catégories d'IMC du sous-poids vers l'obésité.
[] - La proportion de diabétiques diminue dans les catégories d'IMC du sous-poids vers l'obésité.}-")
```

<!-- Éliminez les individus en sous-poids et normaux selon l'IMC. Nommez votre nouveau tableau `pima_sub`. Éliminez également les niveaux inutiles de la variable `bmi_cat`. -->

```{r psub, record='RODFS', object='pima_sub'}
___
```

<!--% Réalisez un tableau résumé des valeurs médianes des variables `glucose`, `diastolic` et `dpf`. Groupez vos individus par catégorie de `bmi` et de `diabete`. Ajoutez en plus le nombre d'observations par groupe. Ce tableau doit donc contenir les variables `bmi_cat`, `diabete`, `glucose`, `diastolic`, `dpf` et `n`. Assignez votre résultat à `pima_tab`. Enfin, formatez le tableau avec `tabularise()`. -->

```{r ptab, record='RODFS', object='pima_tab', warning=FALSE}
pima_sub %>.%
  ___ ->
  pima_tab
tabularise(pima_tab, auto.labs = ___)
```

<!--% Interprétez le tableau : proposez deux éléments d'interprétation sous la forme d'une liste. -->

-   ...

-   ...