# Dr Kankoé SALLAH, SKML
# Analyse d'un problème sous R 

#########################################################
# Désir de procréation 2 ans appès le diagnostic chez des parents atteints de cancer ############################################################### 

# 1) Fichier Excel------------------------------------------------ 
# téléchargez le fichier « Procreation.xls » . 
#----------------------------------------------------------------

# a)   Ouvrez-le et identifiez la nature des variables étudiées ? 

##--> Variables quantitatives : age, n_enfants. PCS, MCS 
##--> Variables qualitatives : cancer, sexe, enfant, menopause, sterilite, fertilite, projet 
##--> Remarque : enfant, menopause, sterilite, fertilite, projet sont des variables numériques qui ##--> prennent les valeurs 0 ou 1 qui correspondent aux valeurs qualitatives « Non » et « Oui ». 



# b)   Que remarquez vous en survolant les cellules du Procreation.xls ? 
##-->  Beaucoup de cases vides (= données manquantes) 
##--> 281 lignes = 280 sujets 


# 2) Vérification des données dans R 
# 2a) Après avoir enregistré le fichier Excel au format .csv, ouvrez-le dans R 
setwd("C:/sauvegarde_dell/C/PUBLICC/ENSEIGNEMENTS/DU-BIOSTATS-OUAGA")
data <- read.csv2("Procreation.csv", header=TRUE) 
# Afficher les 12 premières lignes de data
head(data, 12)

# Remarque : Les cases vides ont été remplacées dans R par "NA" (Not Available)= données manquantes. 

# Rq Nb de lignes du fichier ?
nrow(data)
##--> Il y a donc 280 sujets. 
# Rq Nb de colonnes du fichier ?
ncol(data)
##--> Il y a donc 12 variables recueillies chez chaque sujet..
# Dimensions du fichier 
dim(data)
#--> On a les 2 informations simultanément
# Quelle est le type de l'objet "data" ?
class(data)
##--> Il s'agit d'un Data.frame = tableau de données

# 2b) Vérifiez que la sélection des patientes à étudier (femmes âgées de moins de 45 ans, sexe féminin) a été correctement réalisée. 1- D'abord par calcul ;  2- Puis par méthode graphique. 

# Y a-t-il des fommes dans le fichier ? il faudra les exclure
# Description spécifique de la variable sexe: 
table(data$sexe) 
##--> Il y a un homme. Il faudra les exclure

# Description spécifique de la variable age: 
summary(data$age) 
##--> il y a des personnes de plus de 45 ans. Il faudra les exclure.

#Graphiques possibles : 
pie(table(data$sexe)) 
#ou 
barplot(table(data$sexe)) 

hist(data$age) 
#ou 
boxplot(data$age) 

# 2c)Isolez les sujets trop âgés, qui ne remplissent donc pas les critères de sélection. 
exclus_age= subset(data, data$age > 45)
dim(exclus_age)
exclus_age
# ou si on veut juste isoler le plus agé
which.max(data$age)
exclus_age=data[224,]
exclus_age

## --> ligne 224 :1 homme avec un cancer du sein âgé de 58 ans à exclure (n_ident = 4467) 

# 2d) Isolez le jeu de données à analyser, après exclusion

dataF1 <- data[data$sexe=="F",]
dim(dataF1)
dataF2 <- subset(data, (data$sexe=="F" & data$age<45))
dim(dataF2)

dataF=dataF2
# Nouvelle vérification
table(dataF$sexe) 

summary(dataF$age) 
##--> OK : plus d'homme et âge maximum = 44,96

# 2e) Y a-t-il une incohérence dans le fichier ? Y a-t-il des gens qui ont dit n'avoir jamais eu pas d'enfants et affirmé en même temps avoir plusieurs enfants ?

table(dataF$enfant,dataF$n_enfants) 
    
## --> Pas de problème : dans le tableau croisé, ceux qui ont dit n'avoir pas d'enfants n'ont pas signalé un nb d'enfants supérieur à 0

# 3) Statistiques Descriptives 
# 3a) Quelles sont les proportions de nullipares (0 enfant) et de primipares (1 seul enfant) ? 

table(dataF$enfant) 
prop.table(table(dataF$enfant)) 

##--> Il y a 20% de nullipares 


options(digits=3)
##--> Pour réduire le nombre de décimales à 3 
prop.table(table(dataF$enfant)) 

# Combien de primipares (%) parmi ceux qui ont des enfants ?
prop.table(table(dataF$n_enfant)) 

# Combien de primipares (%) dans l'ensemble de l'échantillon ?
table(dataF$n_enfants)/nrow(dataF)
##-->  Il y a 23% de primipares dans l'échantillon

# 3b)   Quel est le nombre moyen d'enfants chez les femmes qui en ont ? 
summary(dataF$n_enfants) 

 ##--> Le minimum pour la variable vaut 1. Il y a ici 56 données manquantes qui correspondent aux femmes sans enfants. 

# 3b)   Quel est le nombre moyen d'enfants chez les femmes de l'échantillon ? Calculez la variance  
summary(dataF$n_enfants)                                                                                              

#- On peut créer nouvelle variable : 
dataF$n_enfants2 <- dataF$n_enfants
dataF$n_enfants2[dataF$enfant=="0"] <- 0
table(dataF$n_enfants2) 
dataF$n_enfants2
summary(dataF$n_enfants2)

#- Autre façon de créer une nouvelle variable
dataF$n_enfants2bis=ifelse(dataF$enfant=="0", 0, dataF$n_enfants)
summary(dataF$n_enfants2bis)


# Variance du nb d'enfants
var(dataF$n_enfants2) 


# 3b) Proposez une représentation graphique du nb d'enfants par femme                                                                                     
boxplot(dataF$n_enfants2, main="Nombre d'enfants", col="red") 
barplot(table(dataF$n_enfants2), xlab="Nombre d'enfants", ylab="Fréquence absolue", col=1:7) 
barplot(prop.table(table(n_enfants2)), xlab="Nombre d'enfants", ylab="Fréquence relative")
pie(table(dataF$n_enfants2), main="Nombre d'enfants") 

# 3c)   Quelle est la localisation cancéreuse la plus fréquente ? Proposez un graphique de l'ensemble des localisations. 
table(dataF$cancer) 
##--> C'est le cancer du sein le plus fréquent (n=135) 
pie(table(dataF$cancer), main="Localisations cancéreuses") 
barplot(table(data$cancer), main="Localisations cancéreuses", horiz=TRUE, cex.names=0.7, las=2) 
# Remarque : Les options de la commande barplot permettent de rendre plus lisibles l'affichage des localisations cancéreuses. 

# 4d)   Combien de femmes expriment un projet de maternité future ?  
table(dataF$projet) 

# Combien ont répondu à cette question ?
sum(table(dataF$projet)) 
#ou 
length(na.omit(dataF$projet)) 
 
##--> 46 femmes expriment ce projet de maternité parmi 175 répondantes 
# 4e)   Parmi les femmes qui ont répondu à la question sur le projet de maternité, quelle proportion exprime un projet futur ? 
prop.table(table(dataF$projet)) 
projet 

##--> 26% des femmes ayant répondu expriment ce projet de maternité 
# 4f)    Combien y a t il de données manquantes pour la variable projet ("projet d'enfants") ?  
# Effectif des données manquantes : plusieurs méthodes possibles (la fonction is.na répond Vrai/Faux selon si une case est vide ou pas) 
length(dataF$projet) - length(na.omit(dataF$projet)) 
#ou 
279-sum(table(dataF$projet))  

#ou 
table(is.na(dataF$projet)) 
#Il y a 104 données manquantes 


# La variable fertilité permet-t elle d'expliquer ces données manquantes ?
table(dataF$projet,dataF$fertilite) 
fertilite 

# Au vu du tableau croisé, la question sur un éventuel projet d'enfant n'était posée qu'aux femmes ayant une fertilité préservée. 
# 4) Analyse finale avec tests statistiques dans R 
# 4a)   Créez un nouveau sous-tableau des 175 femmes de moins de 45 ans ayant une fertilité préservée. 

dataFF <- dataF[dataF$fertilite=="1",] 
# ou 
dataFF <- subset(dataF, dataF$fertilite=="1")

#4b)   L'âge est-il « normalement » distribué (test + illustration graphique) ? 
ks.test(dataFF$age,"pnorm",mean(dataFF$age),sd(dataFF$age)) 
##--> On ne peut pas admettre que l'âge suit une loi normale. 

hist(dataFF$age, freq=F)
lines(density(dataFF$age))
#ou 
qqnorm(dataFF$age,col="blue"); 
qqline(dataFF$age) 
boxplot(dataFF$age)
##-->Graphiquement, il y a un décalage vers les âges plus élevés. 

#4c)   Les 2 composantes de la qualité de vie (physique et mentale) sont-elles liées ? 
plot(dataFF$PCS, dataFF$MCS); abline(lm(dataFF$MCS~dataFF$PCS)) 
cor.test(dataFF$PCS, dataFF$MCS, method="pearson") 

##-->La corrélation est positive, significativement différente de 0, mais faible (0,2) 

#4d)   A 2 ans du diagnostic de cancer, y-a t il chez ces femmes une composante de qualité de vie plus altérée qu'une autre (test apparié : « paired=TRUE ») ? 
summary(dataFF$PCS) 
summary(dataFF$MCS) 

t.test(dataFF$MCS,dataFF$PCS,paired=T)
boxplot(dataFF$PCS, dataFF$MCS) 

# La composante physique de la qualité de vie est moins altérée (significativement supérieure; p<0,001), le test statistique utilisé est apparié car on ne compare pas 2 groupes différents mais 2 groupes avec les mêmes sujets. 


#4e)   La qualité de vie des patientes est-elle différente selon l'existence d'un projet futur d'enfant ? (2 séries d'analyse pour les 2 composantes physique et mentale de la QDV) 
boxplot(dataFF$PCS ~ dataFF$projet) 
var.test(dataFF$PCS[dataFF$projet==0], dataFF$PCS[dataFF$projet==1]) 

t.test(dataFF$PCS ~ dataFF$projet, var.equal=TRUE) 
 
bxplot(dataFF$MCS ~ dataFF$projet) 
var.test(dataFF$MCS[dataFF$projet==0], dataFF$MCS[dataFF$projet==1]) 

t.test(dataFF$MCS ~ dataFF$projet, var.equal=TRUE) 

##-->On ne met pas non plus en évidence de différence significative pour la composante mentale de qualité de vie entre les 2 groupes (projet ou pas de maternité future) 

# 4f)    Existe-t-il un lien entre le fait d'avoir déjà des enfants et un projet futur de maternité ? 
 
table(dataFF$enfant, dataFF$projet) 
prop.table(table(dataFF$enfant,dataFF$projet),1) 

chisq.test(dataFF$enfant,dataFF$projet)  
K=chisq.test(dataFF$enfant,dataFF$projet)
K$expected

##--> Test applicable (Cij>5) : Les femmes n'ayant pas encore eu d'enfant expriment plus souvent un projet d'enfant (57% vs. 18% ; p<0,001). 

par(mfrow = c(1, 2)) 
barplot(prop.table(table(dataFF$projet[dataFF$enfant==0]),), ylim=c(0,1), ylab="Fréquence relative", col="blue",main="Enfant = 0", sub="Projet 
: Non/Oui") 
barplot(prop.table(table(dataFF$projet[dataFF$enfant==1]),), ylim=c(0,1), ylab=" Fréquence relative ",col="red",main="Enfant >= 1", 
sub="Projet : Non/Oui") 
par(mfrow = c(1, 1)) 

#4g)   Les femmes qui expriment un projet futur de maternité ont-elles en moyenne le même âge que celles qui ne souhaitent plus d'enfants ? 
boxplot(dataFF$age ~ dataFF$projet, main="Age") 
var.test(dataFF$age[dataFF$projet==0], dataFF$age[dataFF$projet==1]) 

##--> Egalité des variances non respectée (différence significative p<0.05), il faut utiliser test de Student avec variance inégale : 
t.test(dataFF$age ~ dataFF$projet, var.equal=FALSE) 

##--> Les femmes qui ont un projet futur de maternité sont en moyenne plus jeunes (p<0.001) 

#4h)   Existe-t-il un lien entre l'âge des femmes le fait d'avoir déjà un(des) enfant(s) ? 
boxplot(dataFF$age ~ dataFF$enfant, main="Age") 
var.test(dataFF$age~ dataFF$enfant) 
 
##--> Egalité des variances non respectée (différence significative p<0.05), il faut utiliser test de Student avec variance inégale : 
t.test(dataFF$age ~ dataFF$enfant, var.equal=FALSE) 

## -->Les femmes qui n'ont pas d'enfant sont en moyenne plus jeunes (p<0.001) Il est maintenant nécessaire de recourir à une stratification (ou à des méthodes multivariées) pour savoir qu'est-ce qui « explique » le projet d'enfant :l'âge, le fait d'avoir déjà des enfants ou les deux !!! 


 #4i)    En étudiant séparément les femmes n'ayant pas d'enfant et chez celles qui en ont au moins un. Les femmes qui expriment un projet futur de maternité ont-elles en moyenne le même âge que celles qui ne souhaitent plus d'enfants ? 

#Il faut soit recréer encore 2 sous-tableaux (femmes sans enfant, femmes avec enfant), soit pouvoir donner des doubles conditions entre crochet (à l'aide du ET qu'on écrit « & » dans R), soit utiliser le « ~ ». 
by(dataFF$age[dataFF$enfant=="0"],dataFF$projet[dataFF$enfant=="0"],summary) 

attach(dataFF)
wilcox.test(age[enfant=="0" & projet=="0"], age[enfant=="0" & projet=="1"]) 
#ou 
wilcox.test (age[enfant=="0"] ~ projet[enfant=="0"]) 

wilcox.test (age[enfant=="1"] ~ projet[enfant=="1"]) 

##--> Qu'elles aient déjà eu un enfant ou pas, les femmes qui ont un projet futur de maternité sont en moyenne plus jeunes (p<0.001) 
##--> Il semble donc que le jeune âge et l'absence d'enfants préalables puisse être 2 facteurs indépendamment associés au projet futur d'avoir un premier ou un nouvel enfant chez des patientes de moins de 45 ans atteintes d'un cancer et ayant une fertilité préservée à 2 ans de leur diagnostic.