Gtsummary: tabelas de resumo prontas para publicação

Artigo escrito com a colaboração de Lara Reis.

O pacote gtsummary apresenta tabelas analíticas e de resumo, prontas para a publicação.

O nome gtsummary surgiu em razão da intenção dos criadores de aproveitar todos os recursos do pacote gt. E a motivação por trás da criação do pacote veio do contato que os desenvolvedores tinham com o trabalho em bioestatistica. Todos os dias eles resumiam conjuntos de dados e modelos de regressão em R, que eventualmente eram incluídos em publicações.

Eles tinham seus próprios scripts para criação de tabelas específicas, mas, mesmo assim, muitas vezes precisavam modificar a formatação em um editor de documentos posteriormente, o que não levava a resultados reproduzíveis.

Instalação do pacote gtsummary

install.packages("gtsummary")
library(gtsummary)

Dados

AVC %>% DT::datatable()

Show 10 entries

	ID	Idade	Sexo	Altura	Peso	IMC	Classificação.IMC	Doença.crônica	Tempo.de.diagnóstico	Diagnóstico.Funcional	PIMáx	PEMáx	MIF	Classificação.MIF	EAT.10	Disfagia	DASI
1	1	70	Feminino	140	60	21.42	Baixo Peso	Hipertensão Arterial Sistêmica e Diabetes Mellitus	6	Hemiparesia à esquerda	50	80	125	Independência completa	0	0	4.64
2	2	63	Masculino	163	80	24.53	Adequado ou Eutrófico	Hipertensão Arterial Sistêmica	7	Hemiparesia à direita	60	160	125	Independência completa	4	1	5.07
3	3	63	Masculino	165	72	21.81	Baixo Peso	Hipertensão Arterial Sistêmica	12	Hemiparesia à esquerda	50	100	119	Independência completa	0	0	5.07
4	4	64	Feminino	149	61	20.46	Baixo Peso	Hipertensão Arterial Sistêmica	48	Hemiparesia à direita	50	70	126	Independência completa	0	0	5.07
5	5	70	Feminino	155	58	18.7	Baixo Peso	Hipertensão Arterial Sistêmica	6	Hemiparesia à direita	50	50	115	Independência completa	0	0	4.64
6	6	68	Masculino	163	78	23.92	Adequado ou Eutrófico	Hipertensão Arterial Sistêmica	6	Hemiparesia à esquerda	80	110	123	Independência completa	0	0	3.3
7	7	67	Feminino	160	78.3	24.4	Adequado ou Eutrófico	Hipertensão Arterial Sistêmica	132	Hemiparesia à esquerda	60	70	124	Independência completa	0	0	5.5
8	8	73	Masculino	155	68.5	22.8	Adequado ou Eutrófico	Não	8	Hemiparesia à esquerda	40	50	123	Independência completa	0	0	3.3
9	9	71	Masculino	165	107	32.42	Sobrepeso	Não	6	Hemiparesia à esquerda	60	100	126	Independência completa	0	0	4.64
10	10	60	Feminino	160	60	18.75	Baixo Peso	Hipertensão Arterial Sistêmica	12	Hemiparesia à esquerda	80	70	126	Independência completa	0	0	4.64

Showing 1 to 10 of 61 entries

Funções do gtsummary

O pacote apresenta as seguintes funções principais:

• tbl_summary( ): calcula estatísticas descritivas e apresenta os resultados em tabelas resumo;
• tbl_cross( ): compara duas variáveis categóricas;
• tbl_uvregression( ): realiza uma regressão univariada e retorna uma tabela formatada com as principais estatísticas do modelo;
• tbl_regression( ): através de um objeto de um modelo de regressão multivariada retorna uma tabela formatada com as principais estatísticas do modelo;
• inline_text( ): possibilita a criação de relatórios reproduzíveis, relatando os resultados das tabelas no texto de um relatório de Markdown.

tbl_summary()

Uso básico

Por padrão:

• Os tipos de variáveis são identificadas e as estatísticas apropriadas são calculadas.
• Os atributos de cada variável do conjunto de dados são impressos automaticamente.
• Os níveis de variáveis são recuados e notas de rodapé são adicionadas.

AVC %>% tbl_summary()

Characteristic	N = 611
ID	31 (16, 46)
Idade	68 (63, 73)
Sexo
Feminino	25 (41%)
Masculino	36 (59%)
Altura	160 (155, 165)
Peso	69 (64, 78)
IMC	24.7 (21.8, 26.9)
Classificação.IMC
Adequado ou Eutrófico	30 (49%)
Baixo Peso	16 (26%)
Sobrepeso	15 (25%)
Doença.crônica
Hipertensão Arterial Sistêmica	37 (61%)
Hipertensão Arterial Sistêmica e Diabetes Mellitus	15 (25%)
Hipertensão Arterial Sistêmica e Insuficiência Renal	1 (1.6%)
Não	8 (13%)
Tempo.de.diagnóstico	15 (9, 36)
Diagnóstico.Funcional
Hemiparesia à direita	25 (41%)
Hemiparesia à esquerda	36 (59%)
PIMáx	60 (45, 70)
PEMáx	70 (50, 80)
MIF	118 (95, 125)
Classificação.MIF
Dependência modificada até 25%	13 (21%)
Dependência modificada até 50%	6 (9.8%)
Independência completa	42 (69%)
EAT.10	0 (0, 3)
Disfagia	16 (26%)
DASI	4.47 (3.30, 4.98)
Unknown	31
1 Statistics presented: Median (IQR); n (%)

É possível personalizar a saída para ter tabelas mais interessantes

• Funções do gtsummary para modificar a aparência da tabela

Argumento	Descrição
label	especificar as etiquetas das variáveis impressas na tabela
type	especifique o tipo de variável (por exemplo, contínua, categórica, etc.)
by	uma variável na qual as estatisticas resumo serão calculadas separadamente para cada nível
statistic	alterar as estatísticas de resumo apresentadas
digits	número de dígitos que as estatísticas de resumo serão arredondadas
missing	se deve exibir uma linha com o número de observações ausentes
percent	imprimir porcentagem de coluna, linha ou célula

• Funções do gtsummary para adicionar informação à tabela

Função	Descrição
add_p()	adicione valores p à saída comparando valores entre grupos
add_overall()	adicione uma coluna com estatísticas gerais de resumo
add_n()	adicione uma coluna com N (ou N faltando) para cada variável
add_stat_label()	adicionar etiqueta para as estatísticas de resumo mostradas em cada linha

• Funções para formatar a tabela

Função	Descrição
modify_header()	atualizar cabeçalhos de coluna
modify_footnote()	atualizar cabeçalhos abrangentes
bold_labels()	rótulos de variáveis em negrito
bold_levels()	níveis variáveis em negrito
italicize_labels()	itálico rótulos de variáveis
italicize_levels()	itálico níveis variáveis
bold_p()	valores p significativos em negrito

Uso personalizado

• Análise descritiva para variáveis numéricas

t1 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%   
  tbl_summary(statistic = all_continuous() ~ "{mean}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**Média**") %>% add_n() 

t2 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%
  tbl_summary(statistic = all_continuous() ~ "{sd}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**S.D.**") 
t3 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%
  tbl_summary(statistic = all_continuous() ~ "{min}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**Mín**") 
t4 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%
  tbl_summary(statistic = all_continuous() ~ "{p25}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**1ºQ**") 

t5 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%
  tbl_summary(statistic = all_continuous() ~ "{p50}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**2ºQ**") 

t6 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%
  tbl_summary(statistic = all_continuous() ~ "{p75}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**3ºQ**")

t7 <-
  AVC %>%
  select(Idade, Altura, IMC, Peso,PIMáx, PEMáx, MIF, DASI ) %>%
  tbl_summary(statistic = all_continuous() ~ "{max}", missing = "no",
              digits = list(all_continuous()~ 2)) %>%
  modify_header(stat_0 ~ "**Máx.**") 

tbl_numerica <- tbl_merge(list(t1, t2,t3,t4,t5,t6,t7)) %>% 
  modify_header(update = list(label  ~  "**Variáveis**")) %>%  #modificando o nome da coluna
  modify_footnote(everything() ~ NA_character_) %>% #retiradando os significados das estatisticas
  modify_spanning_header(everything() ~ NA_character_) #retirando o nome da tabela
tbl_numerica

Variáveis	N	Média	S.D.	Mín	1ºQ	2ºQ	3ºQ	Máx.
Idade	61	69.05	7.32	60.00	63.00	68.00	73.00	87.00
Altura	61	160.57	9.17	140.00	155.00	160.00	165.00	184.00
IMC	61	24.75	4.71	15.00	21.81	24.71	26.90	41.90
Peso	61	70.61	10.71	43.50	64.00	69.40	77.60	107.00
PIMáx	61	58.77	17.29	25.00	45.00	60.00	70.00	100.00
PEMáx	61	70.00	23.66	20.00	50.00	70.00	80.00	160.00
MIF	61	108.13	21.37	50.00	95.00	118.00	125.00	126.00
DASI	30	4.30	1.06	2.74	3.30	4.47	4.98	6.70

• Análise descritiva para variáveis categóricas

categ <- AVC %>%
  select(Sexo, Disfagia,Classificação.IMC, Doença.crônica,Diagnóstico.Funcional, Classificação.MIF, ) %>%
  tbl_summary(
    type = all_categorical() ~ "categorical") %>% 
  modify_header(update =list(label  ~  "**Variáveis**"))%>% 
  bold_labels() #níveis variáveis em negrito
categ

Variáveis	N = 611
Sexo
Feminino	25 (41%)
Masculino	36 (59%)
Disfagia
0	45 (74%)
1	16 (26%)
Classificação.IMC
Adequado ou Eutrófico	30 (49%)
Baixo Peso	16 (26%)
Sobrepeso	15 (25%)
Doença.crônica
Hipertensão Arterial Sistêmica	37 (61%)
Hipertensão Arterial Sistêmica e Diabetes Mellitus	15 (25%)
Hipertensão Arterial Sistêmica e Insuficiência Renal	1 (1.6%)
Não	8 (13%)
Diagnóstico.Funcional
Hemiparesia à direita	25 (41%)
Hemiparesia à esquerda	36 (59%)
Classificação.MIF
Dependência modificada até 25%	13 (21%)
Dependência modificada até 50%	6 (9.8%)
Independência completa	42 (69%)
1 Statistics presented: n (%)

• Tabela de contingência

AVC %>%
  select(Disfagia, Sexo, Classificação.IMC,Doença.crônica, Diagnóstico.Funcional,
         Classificação.MIF,) %>%
  mutate(Disfagia = factor(Disfagia, labels = c("Sem risco", "Com Risco"))) %>%
  tbl_summary(
    by = Disfagia, 
    missing = "no",
  ) %>%
  add_p(pvalue_fun = ~style_pvalue(.x, digits = 3)) %>% 
  modify_header(update =list(label  ~  "**Variáveis**", p.value ~ "**Valor-p**"))%>% 
  bold_labels() %>% 
  bold_p(t = 0.05)

Variáveis	Sem risco, N = 451	Com Risco, N = 161	Valor-p2
Sexo			0.973
Feminino	19 (42%)	6 (38%)
Masculino	26 (58%)	10 (62%)
Classificação.IMC			0.098
Adequado ou Eutrófico	19 (42%)	11 (69%)
Baixo Peso	12 (27%)	4 (25%)
Sobrepeso	14 (31%)	1 (6.2%)
Doença.crônica			0.782
Hipertensão Arterial Sistêmica	26 (58%)	11 (69%)
Hipertensão Arterial Sistêmica e Diabetes Mellitus	11 (24%)	4 (25%)
Hipertensão Arterial Sistêmica e Insuficiência Renal	1 (2.2%)	0 (0%)
Não	7 (16%)	1 (6.2%)
Diagnóstico.Funcional			0.531
Hemiparesia à direita	20 (44%)	5 (31%)
Hemiparesia à esquerda	25 (56%)	11 (69%)
Classificação.MIF			0.050
Dependência modificada até 25%	9 (20%)	4 (25%)
Dependência modificada até 50%	2 (4.4%)	4 (25%)
Independência completa	34 (76%)	8 (50%)
1 Statistics presented: n (%) 2 Statistical tests performed: chi-square test of independence; Fisher’s exact test

tbl_cross

• Adiciona automaticamente um cabeçalho com o nome ou rótulo da variável de comparação.
• Usa percent = “cell” por padrão.
• Adiciona totais de margem de linha e coluna (personalizável).

tc1 <- AVC %>%
  tbl_cross(
    row = Sexo,
    col = Disfagia,
    percent = "column"
  ) %>%
  add_p() 
tc1

	DISFAGIA	DISFAGIA
Characteristic	0	1	Total	p-value1
Sexo				>0.9
Feminino	19 (42%)	6 (38%)	25 (41%)
Masculino	26 (58%)	10 (62%)	36 (59%)
Total	45 (100%)	16 (100%)	61 (100%)
1 chi-square test of independence

As funções tbl_uvregression() e tbl_regression() do gtsummary fornecem tabelas com as estatísticas resumo de um modelo de regressão. Elas apresentam as mesmas funções para personalização

• Argumentos para modificar a aparência.

Argumento	Descrição
label	modificar rótulos de variáveis na tabela
exponentiate	exponenciar os coeficientes do modelo
include	nomes das variáveis a serem incluídas na saída. O padrão é todas as variáveis
show_single_row	Por padrão, as variáveis categóricas são impressas em várias linhas. Se uma variável é dicotômica e você deseja imprimir o coeficiente de regressão em uma única linha, inclua o nome da variável aqui.
conf.level	nível de confiança do intervalo de confiança
intercept	indica se incluir a interceptação
estimate_fun	função para arredondar e formatar estimativas de coeficiente
pvalue_fun	função para arredondar e formatar valores-p

tbl_uvregression()

A tbl_uvregression() produz uma tabela de modelos de regressão univariada.

Argumento	Descrição
method	método de regressão
y	variável resposta
x	variáveis explicativas. Por padrão, todas as outras são selecionadas
method.args	lista de argumentos da regressão

Uso básico

AVC %>%
  select(Disfagia,Idade, Altura,Peso, IMC, Tempo.de.diagnóstico, PIMáx, PEMáx, MIF, DASI) %>%
  tbl_uvregression(
    method = glm,
    y = Disfagia,
    method.args = list(family = binomial),
    exponentiate = TRUE,
  )

Characteristic	N	OR1	95% CI1	p-value
Idade	61	1.08	0.99, 1.17	0.072
Altura	61	1.06	1.00, 1.14	0.078
Peso	61	0.99	0.93, 1.04	0.7
IMC	61	0.97	0.85, 1.10	0.6
Tempo.de.diagnóstico	61	0.99	0.96, 1.01	0.3
PIMáx	61	0.94	0.89, 0.98	0.006
PEMáx	61	0.98	0.95, 1.01	0.2
MIF	61	0.97	0.94, 1.00	0.031
DASI	30	0.62	0.20, 1.60	0.4
1 OR = Odds Ratio, CI = Confidence Interval

Uso personalizado

AVC %>%
  select(Disfagia,Idade, Altura,Peso, IMC, Tempo.de.diagnóstico, PIMáx, PEMáx, MIF, DASI) %>%
  tbl_uvregression(
    method = glm,
    y = Disfagia,
    method.args = list(family = binomial),
    exponentiate = TRUE,
    pvalue_fun = ~style_pvalue(.x, digits = 2))%>%
  bold_p() %>%         
  modify_header( 
    update =list(label  ~  "**Variáveis**" ,
                 p.value  ~  "**Valor-p**",
                 ci ~ "**I.C. 95%**"))

Variáveis	N	OR1	I.C. 95%1	Valor-p
Idade	61	1.08	0.99, 1.17	0.072
Altura	61	1.06	1.00, 1.14	0.078
Peso	61	0.99	0.93, 1.04	0.70
IMC	61	0.97	0.85, 1.10	0.64
Tempo.de.diagnóstico	61	0.99	0.96, 1.01	0.27
PIMáx	61	0.94	0.89, 0.98	0.006
PEMáx	61	0.98	0.95, 1.01	0.22
MIF	61	0.97	0.94, 1.00	0.031
DASI	30	0.62	0.20, 1.60	0.35
1 OR = Odds Ratio, CI = Confidence Interval

tbl_regression()

A tbl_regression() produz uma tabela de modelos de regressão multivariada.

Uso básico

modelo_mult <- lm(MIF ~ Idade + Peso + Altura + Sexo + 
                      Classificação.IMC + Doença.crônica+ Disfagia+
                    Tempo.de.diagnóstico + Diagnóstico.Funcional +
                    PIMáx + PEMáx , 
                    AVC)
r_multi <- modelo_mult %>% 
  tbl_regression()
r_multi

Characteristic	Beta	95% CI1	p-value
Idade	-1.3	-2.1, -0.45	0.003
Peso	0.39	-0.36, 1.1	0.3
Altura	-0.10	-0.78, 0.58	0.8
Sexo
Feminino	—	—
Masculino	9.9	-2.4, 22	0.11
Classificação.IMC
Adequado ou Eutrófico	—	—
Baixo Peso	4.1	-10, 18	0.6
Sobrepeso	-9.1	-24, 5.6	0.2
Doença.crônica
Hipertensão Arterial Sistêmica	—	—
Hipertensão Arterial Sistêmica e Diabetes Mellitus	2.1	-10, 14	0.7
Hipertensão Arterial Sistêmica e Insuficiência Renal	18	-23, 58	0.4
Não	3.3	-14, 21	0.7
Disfagia	-8.9	-22, 4.0	0.2
Tempo.de.diagnóstico	0.05	-0.09, 0.19	0.5
Diagnóstico.Funcional
Hemiparesia à direita	—	—
Hemiparesia à esquerda	0.24	-10.0, 10	>0.9
PIMáx	0.00	-0.38, 0.38	>0.9
PEMáx	0.06	-0.22, 0.34	0.7
1 CI = Confidence Interval

Uso personalizado

#regresão linear

linear <- lm(PEMáx ~ Sexo +Classificação.IMC + Doença.crônica
             + Diagnóstico.Funcional +Disfagia + Peso+
               Idade + Altura +  IMC+
               Tempo.de.diagnóstico +
                 PIMáx + MIF+ DASI, AVC)
inicial <- linear %>% 
  tbl_regression(pvalue_fun =  ~ style_pvalue ( .x , digits =  3))%>% 
  modify_header(update =list(label  ~  "**Variáveis**",p.value  ~  "**Valor-p**",
                 ci ~ "**I.C. 95%**"))  %>% 
  bold_labels() %>%  #grifa a variavel
  bold_p(t = 0.05)   #grifa os p valores menores que t
inicial

Variáveis	Beta	I.C. 95%1	Valor-p
Sexo
Feminino	—	—
Masculino	28	-8.2, 63	0.119
Classificação.IMC
Adequado ou Eutrófico	—	—
Baixo Peso	13	-34, 60	0.552
Sobrepeso	-8.0	-71, 55	0.787
Doença.crônica
Hipertensão Arterial Sistêmica	—	—
Hipertensão Arterial Sistêmica e Diabetes Mellitus	0.03	-36, 36	0.999
Hipertensão Arterial Sistêmica e Insuficiência Renal	6.4	-69, 82	0.857
Não	-11	-70, 47	0.689
Diagnóstico.Funcional
Hemiparesia à direita	—	—
Hemiparesia à esquerda	2.7	-28, 34	0.855
Disfagia	-10	-51, 31	0.603
Peso	-3.7	-13, 5.3	0.386
Idade	-1.9	-4.7, 1.0	0.177
Altura	0.89	-3.1, 4.8	0.636
IMC	16	-13, 45	0.255
Tempo.de.diagnóstico	-0.04	-0.35, 0.28	0.803
PIMáx	0.49	-0.32, 1.3	0.212
MIF	0.21	-1.3, 1.7	0.770
DASI	0.89	-19, 21	0.926
1 CI = Confidence Interval

Usando novamente a função tbl_merge() para juntar duas tabelas, podemos chamá-las de modelo inicial e modelo final

linear2 <- lm(PEMáx ~ Sexo +
               Idade +  
               PIMáx, AVC)
final <- linear2 %>% tbl_regression(pvalue_fun =  ~ style_pvalue(.x , digits =  3)) %>% 
          modify_header(update =list(label  ~  "**Variáveis**" ,
                 p.value  ~  "**Valor-p**")) %>% 
  bold_labels() %>%  #grifa a variavel
  bold_p(t = 0.05) %>%   #grifa os p valores menores que t
  modify_header(update =list(label  ~  "**Variáveis**")) 

#Podemos juntar duas tabelas
tbl_merge_ex2 <-
  tbl_merge(
    tbls = list(inicial, final), 
    tab_spanner = c("**Modelo inicial**", "**Modelo final**") 
  )
tbl_merge_ex2

	BETA	I.C. 95%1	VALOR-P	BETA	95% CI1
Sexo
Feminino	—	—		—	—
Masculino	28	-8.2, 63	0.119	11	0.51, 21	0.040
Classificação.IMC
Adequado ou Eutrófico	—	—
Baixo Peso	13	-34, 60	0.552
Sobrepeso	-8.0	-71, 55	0.787
Doença.crônica
Hipertensão Arterial Sistêmica	—	—
Hipertensão Arterial Sistêmica e Diabetes Mellitus	0.03	-36, 36	0.999
Hipertensão Arterial Sistêmica e Insuficiência Renal	6.4	-69, 82	0.857
Não	-11	-70, 47	0.689
Diagnóstico.Funcional
Hemiparesia à direita	—	—
Hemiparesia à esquerda	2.7	-28, 34	0.855
Disfagia	-10	-51, 31	0.603
Peso	-3.7	-13, 5.3	0.386
Idade	-1.9	-4.7, 1.0	0.177	-0.90	-1.6, -0.18	0.015
Altura	0.89	-3.1, 4.8	0.636
IMC	16	-13, 45	0.255
Tempo.de.diagnóstico	-0.04	-0.35, 0.28	0.803
PIMáx	0.49	-0.32, 1.3	0.212	0.54	0.23, 0.86	0.001
MIF	0.21	-1.3, 1.7	0.770
DASI	0.89	-19, 21	0.926
1 CI = Confidence Interval

inline_text()

Resultados de uma regressão de forma reproduzível

`r inline_text(tabela, variable = ,pattern = "{}")`

Argumentos:

• nome da tabela
• variable: a variável que deseja ter os resultados
• pattern: as estatísticas que serão imprimidas entre chaves e aspas ({estimate},{conf.low},{conf.high},{p.value},{conf.level},{N})

Houve influência significativa (valor- p=0.001) e positiva (β = 0.54) do PIMáx sobre a PEMáx. Sendo assim, a cada uma unidade acrescida no PIMáx, espera-se um aumento médio de 0.54 unidades na PEMáx.

Houve influência significativa (valor- p=0.015)) e negativa (β = -0.90) da Idade sobre a PEMáx. Sendo assim, a cada uma unidade acrescida na Idade, espera-se um diminuição média de -0.90 unidades na PEMáx.

Resultados de uma análise descritiva de forma reproduzível

`r inline_text(tabela, variable = , column = ,level = ,pattern = "{}")`

Argumentos:

• nome da tabela;
• variable: a variável que deseja ter os resultados;
• column: nível da variável escolhida (coluna);
• level: nível da variável categórica (linha);
• pattern: as estatísticas que devem ser imprimidas entre aspas e chaves( ).

Os indivíduos apresentaram, em média, 69.05 anos, com desvio padrão de 7.32. A idade mínima observada foi 60.00 e a idade máxima foi 87.00

A maioria dos indivíduos (59%) é do sexo masculino.