Fatores de Risco da Toxoplasmose Gestacional e Congênita: Uma Revisão Sistemática com Meta-Análise na Perspectiva One Health

# Importação de bibliotecas
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import statsmodels.api as sm
from statsmodels.stats.meta_analysis import effectsize_smd
import networkx as nx

# Configuração de estilo
plt.style.use('seaborn')
sns.set_palette("husl")

# 1. Simulação de Dados
def simulate_study_data(n_studies=38):
    """Simula dados de estudos sobre fatores de risco para toxoplasmose"""
    np.random.seed(42)
    
    factors = ['Carne malcozida', 'Contato gatos', 'Água não tratada', 
               'Baixa escolaridade', 'Solo argiloso']
    
    data = []
    for _ in range(n_studies):
        study_id = f"Estudo_{np.random.randint(1000,9999)}"
        country = np.random.choice(['Brasil', 'França', 'EUA', 'Nigéria', 'China'])
        year = np.random.randint(1995, 2023)
        factor = np.random.choice(factors)
        
        # Simula OR com variação por fator
        base_or = {
            'Carne malcozida': 3.1,
            'Contato gatos': 2.3,
            'Água não tratada': 1.9,
            'Baixa escolaridade': 2.1,
            'Solo argiloso': 1.7
        }[factor]
        
        or_val = np.random.normal(base_or, 0.3)
        ci_low = or_val - np.random.uniform(0.5, 1.0)
        ci_high = or_val + np.random.uniform(0.5, 1.0)
        p_val = np.random.uniform(0.001, 0.05)
        
        sample_size = np.random.randint(100, 2000)
        
        data.append([study_id, country, year, factor, or_val, ci_low, ci_high, p_val, sample_size])
    
    return pd.DataFrame(data, columns=[
        'Estudo', 'País', 'Ano', 'Fator', 'OR', 'CI_low', 'CI_high', 'p_valor', 'N'
    ])

# 2. Meta-análise
def perform_meta_analysis(df):
    """Realiza meta-análise para cada fator de risco"""
    results = {}
    
    for factor in df['Fator'].unique():
        subset = df[df['Fator'] == factor].copy()
        
        # Transforma OR para escala log
        subset['log_OR'] = np.log(subset['OR'])
        subset['se_log_OR'] = (np.log(subset['CI_high']) - np.log(subset['CI_low'])) / (2 * 1.96)
        
        # Modelo de efeitos aleatórios
        model = sm.MixedLM(subset['log_OR'], np.ones(len(subset)), groups=np.ones(len(subset)))
        result = model.fit()
        
        # Converte de volta para OR
        pooled_log_or = result.fe_params[0]
        pooled_or = np.exp(pooled_log_or)
        ci_low = np.exp(pooled_log_or - 1.96 * np.sqrt(result.cov_params()[0,0]))
        ci_high = np.exp(pooled_log_or + 1.96 * np.sqrt(result.cov_params()[0,0]))
        
        # Calcula I² (heterogeneidade)
        Q = np.sum((subset['log_OR'] - pooled_log_or)**2 / subset['se_log_OR']**2)
        df = len(subset) - 1
        I2 = max(0, 100 * (Q - df) / Q) if Q > df else 0
        
        results[factor] = {
            'OR_pooled': pooled_or,
            'CI_low': ci_low,
            'CI_high': ci_high,
            'I2': I2,
            'n_studies': len(subset)
        }
    
    return pd.DataFrame(results).T

# 3. Visualizações
def generate_visualizations(df, meta_results):
    """Gera visualizações dos resultados"""
    
    # Forest Plot
    plt.figure(figsize=(10, 6))
    for i, factor in enumerate(df['Fator'].unique()):
        subset = df[df['Fator'] == factor]
        plt.scatter(subset['OR'], subset['Estudo'], label=factor)
        plt.hlines(subset['Estudo'], subset['CI_low'], subset['CI_high'])
    
    plt.axvline(x=1, color='red', linestyle='--')
    plt.title('Forest Plot - Fatores de Risco para Toxoplasmose')
    plt.xlabel('Odds Ratio (OR)')
    plt.ylabel('Estudo')
    plt.legend()
    plt.tight_layout()
    plt.savefig('forest_plot.png', dpi=300)
    
    # Mapa de Calor - Correlação entre fatores
    correlation_data = df.pivot_table(index='Estudo', columns='Fator', values='OR', aggfunc='first')
    plt.figure(figsize=(8, 6))
    sns.heatmap(correlation_data.corr(), annot=True, cmap='coolwarm', center=0)
    plt.title('Correlação entre Fatores de Risco')
    plt.tight_layout()
    plt.savefig('heatmap.png', dpi=300)
    
    # Rede de Coautoria
    authors = ['Autor_' + str(i) for i in range(50)]
    countries = ['Brasil', 'EUA', 'França', 'China', 'Nigéria', 'Alemanha', 'Reino Unido']
    
    G = nx.Graph()
    
    # Adiciona nós (autores com atributo país)
    for author in authors:
        G.add_node(author, country=np.random.choice(countries))
    
    # Adiciona arestas (colaborações)
    for i in range(100):
        a1, a2 = np.random.choice(authors, 2, replace=False)
        G.add_edge(a1, a2, weight=np.random.randint(1, 5))
    
    # Desenha a rede
    plt.figure(figsize=(12, 8))
    pos = nx.spring_layout(G, seed=42)
    
    # Cores por país
    country_colors = {
        'Brasil': '#2CA02C',
        'EUA': '#1F77B4',
        'França': '#FF7F0E',
        'China': '#D62728',
        'Nigéria': '#9467BD',
        'Alemanha': '#8C564B',
        'Reino Unido': '#E377C2'
    }
    
    node_colors = [country_colors[G.nodes[n]['country']] for n in G.nodes()]
    
    nx.draw_networkx_nodes(G, pos, node_size=200, node_color=node_colors)
    nx.draw_networkx_edges(G, pos, width=1.0, alpha=0.5)
    nx.draw_networkx_labels(G, pos, font_size=8)
    
    # Legenda de cores
    for country, color in country_colors.items():
        plt.scatter([], [], c=color, label=country)
    
    plt.legend(title='País', bbox_to_anchor=(1.05, 1), loc='upper left')
    plt.title('Rede de Colaboração entre Autores e Países')
    plt.axis('off')
    plt.tight_layout()
    plt.savefig('collaboration_network.png', dpi=300, bbox_inches='tight')

# Execução principal
if __name__ == "__main__":
    print("Simulando dados de estudos...")
    study_df = simulate_study_data()
    
    print("\nRealizando meta-análise...")
    meta_results = perform_meta_analysis(study_df)
    print("\nResultados da Meta-análise:")
    print(meta_results[['OR_pooled', 'CI_low', 'CI_high', 'I2', 'n_studies']])
    
    print("\nGerando visualizações...")
    generate_visualizations(study_df, meta_results)
    print("\nVisualizações salvas como: forest_plot.png, heatmap.png, collaboration_network.png")