From 0d5a3e12410a59edbf08e46a810de17c98d30413 Mon Sep 17 00:00:00 2001 From: Thalita Carneiro <168604585+wowcarneirinho@users.noreply.github.com> Date: Fri, 4 Oct 2024 21:21:44 -0300 Subject: [PATCH 1/7] =?UTF-8?q?Update=20and=20rename=20nome-projeto.md=20t?= =?UTF-8?q?o=20an=C3=A1lise-bipolar.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- "material /an\303\241lise-bipolar.md" | 26 +++++++++++++++++++ material /nome-projeto.md | 37 --------------------------- 2 files changed, 26 insertions(+), 37 deletions(-) create mode 100644 "material /an\303\241lise-bipolar.md" delete mode 100644 material /nome-projeto.md diff --git "a/material /an\303\241lise-bipolar.md" "b/material /an\303\241lise-bipolar.md" new file mode 100644 index 0000000..e615f39 --- /dev/null +++ "b/material /an\303\241lise-bipolar.md" @@ -0,0 +1,26 @@ +# Análise Transtorno Bipolar Tipo 1 e 2 + +## Contexto +Este projeto consiste na análise de variações de humor e ativações em pessoas com Transtorno Afetivo Bipolar (TAB) 1 e 2. + +# Bases Escolhidas + Base 1: [A Collection of 120 Psychology Patients with 17 Essential Symptoms to Diagnose Mania Bipolar Disorder, Depressive Bipolar Disorder, Major Depressive Disorder, and Normal Individuals, Harvard Dataverse] + +# Objetivo Geral: +Esse projeto tem como objetivo de ter uma base comparativa de comportamentos de pessoas com Transtorno Afetivo Bipolar Tipo 1 e Tipo 2. Vendo as diferenças de comportamento em cima dos temas de maiores riscos para o paciente. +As perguntas norteadoras deste projeto são: + +[Pergunta sobre o perfil dos dados] - Em sua maioria, qual é o principal desempenho e comportamento de ambas as classificações (Tipo 1 e Tipo 2)? + +[Pergunta comparativa] - Quando o paciente em Atividade Sexual a sua Concentração permanece o mesmo ou muda?? + +[Pergunta relacional] - A maioria das mudanças de humor vem quando o sono está desregulado? + +[Pergunta exploratória] - Quais comportamentos podem ser os principais fatores para identificar se o paciente está entrando em uma mudança de humor? + +# Ferramentas Utilizadas +Colab: Python dentro do colab para a análise exploratória de dados utilizando bibliotecas como seaborn, pandas, matplotlib e warnings. + +GitHub: Para versionamento do projeto e documentação. + +Google Colab: Para execução de notebooks e limpeza de dados de forma colaborativa e em nuvem. diff --git a/material /nome-projeto.md b/material /nome-projeto.md deleted file mode 100644 index 3df5cb3..0000000 --- a/material /nome-projeto.md +++ /dev/null @@ -1,37 +0,0 @@ -# Projeto Final de Análise de Dados - -## Contexto -Este projeto consiste na análise de **[escolha o tema do seu projeto, por exemplo: dados educacionais do ENEM]**. - -## Etapas do projeto: -1. **Selecionar a Base de Dados** [Escolher e explorar a base de dados relevante ao tema.] -2. **Definir Objetivo e Perguntas** [Estabelecer o objetivo e formular perguntas-chave com base nas variáveis disponíveis.] -3. **Realizar Análise Exploratória** [Identificar correlações, padrões e outliers nos dados.] -4. **Gerar Base Final** [Limpar e estruturar os dados para a visualização.] -5. **Criar Visualizações no Tableau** [Desenvolver gráficos que sintetizem os principais insights.] -6. **Preparar Apresentação Final** [Apresentar o tema, dados e visualizações de forma clara e objetiva.] - ---- - -## Bases Escolhidas -- **Base 1**: [Nome da base de dados e fonte (por exemplo, Microdados do ENEM, INEP)] -- **Base 2**: [Nome da base de dados e fonte (opcional, caso use outra base complementar)] - ---- - -### Objetivo Geral: -Realizar uma análise dos dados com o objetivo de **[escreva o objetivo do seu projeto, por exemplo: identificar as variáveis que influenciam o desempenho dos alunos no ENEM]**. - -### As perguntas norteadoras deste projeto são: -1. **[Pergunta sobre o perfil dos dados]** - Quais são as principais características da base de dados selecionada? -2. **[Pergunta comparativa]** - Há diferenças de desempenho entre os grupos de interesse (ex.: escolas públicas vs. privadas)? -3. **[Pergunta relacional]** - Existe correlação entre fatores socioeconômicos e os resultados dos alunos? -4. **[Pergunta exploratória]** - Quais insights podem ser extraídos a partir dos padrões identificados nos dados? - ---- - -## Ferramentas Utilizadas -- **Python (Jupyter Notebook)**: Para a análise exploratória de dados utilizando bibliotecas como Pandas, Seaborn, Matplotlib, etc. -- **Tableau**: Para criar as visualizações finais e apresentar os insights gerados. -- **GitHub**: Para versionamento do projeto e documentação. -- **Google Colab** (opcional): Para execução de notebooks de forma colaborativa e em nuvem. From c6d09d22e51f6c1ab6598b364b83a15251248eed Mon Sep 17 00:00:00 2001 From: Thalita Carneiro <168604585+wowcarneirinho@users.noreply.github.com> Date: Fri, 11 Oct 2024 21:37:10 -0300 Subject: [PATCH 2/7] =?UTF-8?q?Update=20and=20rename=20an=C3=A1lise-bipola?= =?UTF-8?q?r.md=20to=20an=C3=A1lise-bipolar.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../an\303\241lise-bipolar.md" | 0 1 file changed, 0 insertions(+), 0 deletions(-) rename "material /an\303\241lise-bipolar.md" => "material/an\303\241lise-bipolar.md" (100%) diff --git "a/material /an\303\241lise-bipolar.md" "b/material/an\303\241lise-bipolar.md" similarity index 100% rename from "material /an\303\241lise-bipolar.md" rename to "material/an\303\241lise-bipolar.md" From 52e69852b56d28ac5852f89450ece4f499e75a80 Mon Sep 17 00:00:00 2001 From: Thalita Date: Fri, 11 Oct 2024 23:29:39 -0300 Subject: [PATCH 3/7] =?UTF-8?q?An=C3=A1lise=20Transtono=20Bipolar=20Tipo1?= =?UTF-8?q?=20e=20Tipo2=20Para=20Leigos?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- README.md | 218 ----------- assets/reprograma-fundos-claros.png | Bin 51367 -> 0 bytes material/THALITA_PROJETO_FINAL.csv.csv | 60 +++ "material/an\303\241lise-transtorno.ipynb" | 430 +++++++++++++++++++++ material/transtorno-bipolar.md | 48 +++ 5 files changed, 538 insertions(+), 218 deletions(-) delete mode 100644 README.md delete mode 100644 assets/reprograma-fundos-claros.png create mode 100644 material/THALITA_PROJETO_FINAL.csv.csv create mode 100644 "material/an\303\241lise-transtorno.ipynb" create mode 100644 material/transtorno-bipolar.md diff --git a/README.md b/README.md deleted file mode 100644 index 501b007..0000000 --- a/README.md +++ /dev/null @@ -1,218 +0,0 @@ -

- logo reprograma -

- -# Tema da Aula - -Turma Online 35 | Python | Semanas 17 e 18 | 2024 | [Jessica Montenegro](https://www.linkedin.com/in/jambsantos/) - -### Instruções -Antes de começar, vamos organizar nosso setup. -* Fork esse repositório -* Clone o fork na sua máquina (Para isso basta abrir o seu terminal e digitar `git clone url-do-seu-repositorio-forkado`) -* Entre na pasta do seu repositório (Para isso basta abrir o seu terminal e digitar `cd nome-do-seu-repositorio-forkado`) -* [Add outras instruções caso necessário] - -### Resumo -**Horário:** 9h - 17h (com pausa para o almoço das 12h às 13h) -**Objetivo:** Escolher a base de dados, formular problemas e hipóteses, desenvolver a análise exploratória e criar a base final para visualização de dados -**Material da aula:** [Slide Semana 17](https://docs.google.com/presentation/d/1TN24pwUz_T_3yvuUnyvF-D5dQ807jj-IvBnZktYdszM/edit?usp=sharing) e [Slide Semana 18](https://docs.google.com/presentation/d/1jXNrq_Nd8Ah-FAS51zj1NnFRCdHWYyKZzfNohCGm-WA/edit?usp=sharing) - -### O que veremos na aula de hoje? -* Boas Vindas e Apresentação Professora -* Apresentação do projeto e entregáveis -* Escolher o tema -* Selecionar a Base de Dados -* Definir Objetivo e Perguntas norteadoras -* Realizar Análise Exploratória - -## Conteúdo -## Escolher o tema - -### Dado -Dado é qualquer tipo de valor bruto que, sozinho, não tem significado. Pode ser um número, palavra ou símbolo. -- **Exemplo:** "20", "João", "Brasil" - -### Informação -Informação é o dado processado e organizado, que já tem algum sentido e pode ser útil para entender algo. -- **Exemplo:** "João tem 20 anos e mora no Brasil." - -### Conhecimento -Conhecimento é o que a gente entende e aprende a partir da informação, permitindo tomar decisões ou resolver problemas. -- **Exemplo:** "Sabemos que jovens de 20 anos no Brasil têm maior acesso à tecnologia, o que afeta seus hábitos." - -Assim, **dados** são a base, **informação** é o dado com sentido, e **conhecimento** é o aprendizado que tiramos disso. - -No início do projeto de dados, essas são perguntas essenciais: -Conteúdo: O que eu quero informar? -Público : Para quem eu estou contando essa história? Com quem vou compartilhar essa informação? - -Há duas abordagens distintas para a escolha de um tema em projetos de análise de dados. - -No **"caminho comum"**, o processo segue os seguintes passos: -1. **Delimitação do tema**: Escolha de um assunto amplo. -2. **Definição do problema**: Identificação de uma questão específica a ser resolvida. -3. **Desenvolvimento de perguntas**: Criação de perguntas que guiarão a pesquisa e análise. -4. **Coleta de dados**: Identificação e aquisição de dados necessários para responder às perguntas. - -Já no **"caminho do projeto final"**, a proposta é inverter um pouco a ordem tradicional: -1. **Definir um interesse**: Escolher um tema que desperte curiosidade ou paixão. -2. **Identificar um problema social**: Relacionar o tema com uma questão relevante na sociedade. -3. **Selecionar uma base de dados**: Encontrar uma base de dados disponível que seja adequada para o tema. -4. **Desenvolver perguntas**: Formular perguntas que possam ser respondidas com os dados escolhidos. - -Essa abordagem mais flexível ajuda na exploração de dados reais, relacionando-os com temas de interesse pessoal e questões sociais importantes. - -## Selecionar a Base de Dados - -### 1. Dados Educacionais -- **Censo da Educação Superior** - - **Descrição:** Dados sobre a educação superior no Brasil. - - **Link:** [Censo da Educação Superior](https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/microdados/censo-da-educacao-superior) - -- **ENEM (Exame Nacional do Ensino Médio)** - - **Descrição:** Microdados do ENEM, incluindo informações sobre desempenho dos alunos. - - **Link:** [Microdados do ENEM](https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/microdados/enem) - -### 2. Dados de Saúde -- **Base de Dados do SUS** - - **Descrição:** Dados sobre o Sistema Único de Saúde, incluindo informações de atendimentos, serviços e procedimentos realizados. - - **Link:** [Base de Dados do SUS](https://datasus.gov.br) - -- **Dados Abertos do Ministério da Saúde** - - **Descrição:** Portal com dados sobre saúde pública, incluindo informações sobre vacinação, doenças e atendimentos. - - **Link:** [Ministério da Saúde](https://www.gov.br/saude/pt-br/dados-abertos) - -### 3. Dados Públicos e Governamentais -- **Gov.br Dados Abertos** - - **Descrição:** Portal que reúne diversos conjuntos de dados abertos do governo brasileiro. - - **Link:** [Gov.br Dados Abertos](https://www.gov.br/pt-br/dados-abertos) - -- **Data Rio** - - **Descrição:** Portal de dados abertos da cidade do Rio de Janeiro, com informações sobre diversos temas. - - **Link:** [Data Rio](https://www.data.rio/) - -- **Brasil.io** - - **Descrição:** Conjunto de dados abertos sobre o Brasil, incluindo informações de saúde, educação e segurança pública. - - **Link:** [Brasil.io](https://brasil.io/datasets/) - -### 4. Dados Sociais e Econômicos -- **IBGE Dados Abertos** - - **Descrição:** Conjunto de dados do Instituto Brasileiro de Geografia e Estatística, incluindo dados demográficos e socioeconômicos. - - **Link:** [IBGE Dados Abertos](https://www.ibge.gov.br/) - -- **Banco Mundial** - - **Descrição:** Conjunto de dados globais sobre desenvolvimento econômico, saúde, educação e outros indicadores. - - **Link:** [Banco Mundial - Dados](https://data.worldbank.org/) - -- **OECD (Organização para Cooperação e Desenvolvimento Econômico)** - - **Descrição:** Dados sobre diversos indicadores sociais e econômicos de países membros. - - **Link:** [OECD Data](https://data.oecd.org/) - -### 5. Dados Culturais e de Entretenimento -- **Spotify** - - **Descrição:** Conjunto de dados sobre músicas e gêneros no Spotify. - - **Link:** [Spotify Dataset](https://www.kaggle.com/datasets/georgeggcoco/closeness-of-music-genres) - -- **YouTube** - - **Descrição:** Dados sobre estatísticas de vídeos do YouTube. - - **Link:** [YouTube Statistics Dataset](https://www.kaggle.com/datasets/nelgiriyewithana/global-youtube-statistics-2023) - -- **Anime and Manga Dataset** - - **Descrição:** Dados sobre animes e mangás, incluindo avaliações e características. - - **Link:** [Anime and Manga Dataset](https://www.kaggle.com/datasets/nikhil1e9/myanimelist-anime-and-manga) - -- **Top 1000 Steam Games 2023** - - **Descrição:** Conjunto de dados sobre os 1000 jogos mais populares da plataforma Steam. - - **Link:** [Top 1000 Steam Games Dataset](https://www.kaggle.com/datasets/joebeachcapital/top-1000-steam-games) - -### 6. Dados Diversos -- **Kaggle Datasets** - - **Descrição:** Diversos conjuntos de dados em várias áreas, disponíveis no Kaggle. - - **Link:** [Kaggle Datasets](https://www.kaggle.com/datasets) - -- **Nosso Mundo em Dados** - - **Descrição:** Plataforma com visualizações e conjuntos de dados sobre diversos temas globais. - - **Link:** [Our World in Data](https://ourworldindata.org/data) - -- **Portal de Dados Abertos da Justiça** - - **Descrição:** Dados sobre processos, varas e tribunais do Brasil. - - **Link:** [Justiça Dados Abertos](https://www.gov.br/justica-e-seguranca/pt-br/dados-abertos) - -- **Dados Abertos da ANP (Agência Nacional do Petróleo)** - - **Descrição:** Dados sobre a produção, refino e distribuição de petróleo e gás no Brasil. - - **Link:** [ANP Dados Abertos](https://www.gov.br/anp/pt-br/dados-abertos) - -## Definir Objetivo e Perguntas - -### 1. Entenda o Contexto da Base de Dados -Antes de fazer perguntas, você deve compreender: -- **Qual é o tema** da base de dados? -- **Qual é o escopo** dos dados (tempo, região, tipo de variáveis)? -- **Quais são os principais campos (colunas)** e o que eles representam? - -Exemplo: Se você está trabalhando com uma base de dados do ENEM, os dados podem incluir notas, dados socioeconômicos, idade dos alunos, etc. - -### 2. Defina um Objetivo Geral -O objetivo geral é a grande questão que você quer responder. Ele deve estar alinhado com o propósito da análise e os resultados que você quer atingir. - -Exemplo: Objetivo geral: "Entender os fatores que influenciam o desempenho dos alunos no ENEM." - -### 3. Divida o Objetivo em Perguntas Norteadoras (Perguntas Menores) -Você pode criar perguntas específicas que guiarão sua análise. Essas perguntas devem ajudar a quebrar o objetivo geral em partes manejáveis. - -#### Tipos de Perguntas Norteadoras: -- **Perguntas Descritivas**: Perguntas que ajudam a entender o básico sobre os dados. - - "Qual é a distribuição das notas dos alunos?" - - "Quantos alunos vêm de escolas públicas versus privadas?" - -- **Perguntas Comparativas**: Perguntas que comparam diferentes grupos dentro dos dados. - - "Existe diferença no desempenho entre alunos de escolas públicas e privadas?" - - "Alunos de diferentes regiões do país apresentam desempenho diferente?" - -- **Perguntas Relacionais**: Perguntas que buscam entender relações entre variáveis. - - "Há uma correlação entre a renda familiar e o desempenho nas provas?" - - "A idade dos alunos influencia suas notas finais?" - -- **Perguntas Temporais**: Perguntas que analisam tendências ao longo do tempo (se aplicável). - - "Como as notas dos alunos evoluíram nos últimos 5 anos?" - - "Há uma tendência de melhora ou piora no desempenho de escolas específicas?" - -- **Perguntas de Causalidade ou Hipóteses**: Perguntas mais avançadas, que buscam identificar possíveis causas ou testar hipóteses. - - "O tipo de escola (pública ou privada) tem impacto significativo nas notas finais?" - - "Estudantes com maior nível de escolaridade dos pais tendem a obter melhores resultados?" - -### 4. Seja Específico -Certifique-se de que suas perguntas norteadoras sejam específicas e direcionadas. Isso evita análises muito amplas ou inconclusivas. - -Exemplo: -- Pergunta vaga: "Como os dados influenciam os resultados dos alunos?" -- Pergunta específica: "Qual a relação entre o tempo de estudo diário e a nota final em matemática no ENEM?" - -### 5. Alinhe com os Dados Disponíveis -Verifique se as perguntas que você formulou podem ser respondidas com os dados que você tem. - -Exemplo: -- Se a base de dados do ENEM não inclui a variável "horas de estudo", você precisaria ajustar a pergunta ou buscar outra base de dados. - -### 6. **Perguntas de Valor Prático** -Pense no valor prático das perguntas para o seu projeto. Perguntas que respondem a um problema real ou fornecem insights acionáveis são as mais úteis. - -Exemplo: -- "Quais grupos de alunos poderiam se beneficiar de mais recursos educacionais com base no seu desempenho?" - - -## O que eu quero tentar responder? VAMOS AO [BRAINSTORM](#material-da-aula)! - -## Realizar Análise Exploratória -Links úteis para referência durante a análise exploratória e manipulação dos dados: -- [Documentação Pandas](https://pandas.pydata.org/docs/user_guide/index.html#user-guide) -- [Introdução ao Pandas](https://medium.com/tech-grupozap/introdu%C3%A7%C3%A3o-a-biblioteca-pandas-89fa8ed4fa38) -- [Análise Exploratória de Dados I](https://escoladedados.org/tutoriais/analise-exploratoria-de-dados/) -- [Análise Exploratória de Dados II](https://www.alura.com.br/artigos/analise-exploratoria) -- [Storytelling com Dados](https://medium.com/resumos-resenhas/storytelling-com-dados-resumo-fd63ebe4f704) -- [Markdown Cheatsheet](https://www.ibm.com/docs/en/watson-studio-local/1.2.3?topic=notebooks-markdown-jupyter-cheatsheet) - -

-Desenvolvido com :purple_heart: -

diff --git a/assets/reprograma-fundos-claros.png b/assets/reprograma-fundos-claros.png deleted file mode 100644 index 3c07ec4bf470a35a581b98aa713ae980c0f765e6..0000000000000000000000000000000000000000 GIT binary patch literal 0 HcmV?d00001 literal 51367 zcmeFacT|+i(l0!KBoPqFSu#q_8B`QRf`CMcLmH5rGt4N0fPjJoiIPMzh~zXI1Ox;W z$#DphbI#mm@2#72-gB<^e(V18ttCsP=Xt8rudAx7s;kFfRTX*si&PgO5D31)-P`IA z2=*5U1f3ZN3p|m-DEbP1;X2&ab%sFjh|m6_LE;lBAP~`ORvJ1kI?77oruMenP&0cI zb8Zh?2S5#hNXmFPKuxX9U9Os#!>sJ27+0(78LwKINik{*Df22j$eLSP-Su)Zf8eE} zVd`aVDrUwgBYjcQLmV_S1eR=Pd3a#rS8t;-Gx?n1}J|pCm5UQj9mxI=rf* zta??}-pTx`5VtUwDW3rURS_|6J|QuFQ9;hD{Jea^JiLNDd}3UD0^;D0An(<`e;B1N zf|8_@nT5FeZMna@1D~WAEnQq3#Cdq!-QBs}1-R{txJxLDcST|H|TYGUu|BE`sf*3r+OzvpG^@UtU3=fAN7DDrqf z9eDV-d3pX*B{S2XbsSusZ2laYnJJICjk&G4or^Q5$M+xWIau1e*gIR=|CcU*zW%Qr zgEdiB{@M3`9IvhIf9%@X<&GPG;BQF(V@+obPX}`zb#rHXS0_{RJ8obqO#f;2E>;%* zEY82QboS=Ij@{hD>c3Pwd-GSdKUv|g6_NyV6_<4~hq~B1Y1rG_NdLuUsy`sSDl2=& zRYKfCSJ{=JrdD=m$X=7=`S)u7toc7Jn%{=Hm`k7WBp0s;7oUg*AFntl@Cu0Y@}6tq zFS37YK-u2R%EI$MH6SJ~$alVtbCmzy1`r@Ks0;M}sFm}y=h`td6}PZ=vW2=xTiHTk z<~$B|FiD<&9-gE8$yVaB_BQrTU|8nT0+Kxc>G8Q*f3ljmf}OJq)Xvmg;kGn*z-?t^ zCN9j!Z_Y0)BFbfA$`9odG=-XRi3yqVatR0uLq*N_&430m{S!oG<@445N7J|MORvlrRlGB{v`SDEjZg-xVS@|%x}T~L;Rmg`d=;oYt?`6 zLXzi9|Jzvo>q`9f^j{a~2h0A?1(iHgYvOzpmBjq9KE zBK*AIhllU%-@mJ#fBo-Ob^rHO&%gfns{ho~w6k)N=Ks65e|vnc)|u}8OD{YCW`eo2 zu#k{|kR;E)KmPX`s#YH6HafShfB-w6vE|tW|E~4#ul{3I-G8bI35uStdG5{MHUC%aQzaZ^8~-)I*-OL%fI3JB}C^5 ze#3PhjbE03!}Uvu&J+BG>pU92EdPeT%kpoyehJZeg5PkRN8^{}-*EjBqVoj5;X04T zFU!B-`Xxl?34X(M9*tj?f5Y`lh|UxIhU+{UzbyZT>z5FnC-@E5c{F}m{teeJAv#a+ z8?N(c{IdKTu3tiQp5QlJ=h66O`8Qm@gy=lMZ@A8*@yqgWxPA%Id4k_?ok!!B<^L^Q z7yr5cXKn{B{kenNeHG2cLf~fLRnxob$`FVb3j_jx0)gzGg5UEHh$}AyvS18>h{r)7 zz)O#Gb-H3ZiFieD#wT}4S})#v-}?C7)ig%NvS+xw z9A#hRE_K1th0!mjUAV)43nP+wHqjLK4!cv}Yft|~DjMTB2YYST13&BSNvS61s@+k8 ztlS-3Q&yG4XUqzbKmIh@vC3Zk=VK(M%efB_yt$u*k<4ghUs(QmiO%^(@t>C$bZ*4{ zXfl!+w+PPt59JkOG=qOAnUUyK|4=Hxe|Pv3o8OTBW}3ed_$?Oyu)=S#_y>#My7V6` zB7bjBKevv^|Lq105uip7>xtttJyo3?5y$C{# zRqQ^jW-8Jj^)vckQ^pl~aN*W?zdyAzN$;zo5+xKxtH>BE&`a&R;ZK=?06malxuHqp z=2_hSX%EQRTq?3yKe+Coo!%#YaqmHiL4DVn}`v*yBCBJ?4nfc?|>JrS}2w7t8aWvo3F&~ks#yK&tc z+T)LU9-89Z*~GwsIocm&$8$fJCEG;G1)ZS6~;2fa#xH;&(_S+gL;kn}|! zKP{Xd+Y&SxNC6li2PMHa2j1L*MA$=XYm}F_ zoYEk240y78Ry+qy7yX-a_7Plo==Bmu66~w0n`0tf`S|NJr6h0cCU2S%w^D{g;`Wf|4|?JqjvWv z!AJS8;jC+;1R}?bMM@5bR*e~@R>+@YO;69|iu7bU#Z+QD32|vi@_R!!B;Ie(%LMxkahiZM{?A9%>73GV0GusSr7&SSVrjfE-46M zM6L2;%`)yCQ+Z^_+S*!+_S%9m2!%c5K<`^nb(XO&TkN9J{7JV!vi&;6^<8Bz;IHB5 zIaRIbRaI6@#!A>jo|Jo06R&>2yAUEnydacRR6L;}0sd|$kd}nL6;%l~ihDmOG71&|k%4Ts-FtX}-NRB0+ZyylEB2rBs#;J& z^%8t2NlX2+6K%i)WY$2fChV+b`g)$ho?y4_p)W z@iVKM09fXA1f`o5ss8|lo0KyQ#?yZ`rsvD55`*#?JMK@;o=&S>@+X_G?Md;}drgY`RR>s{pV8V{)mE=n3suS_9LJ!4b^A9vp{AS7dNE><{A#H7Ic zECpJzag_2ff4}(0)QuIPo3x*sDnp8`)TKKOr>AI|>NhT~>AwsWTfPwHiz5V06tgIg|ML*q85Zk`E{Z zu1dBf_`dhwZk9CHH-#hwJ2uG%yhh~5 zFIS0}exv_Z84_1Vtb?ml<-xTXNIxhr1XQmSvbIUa9=iaez`AVlK82_2nw%qn@iJqO zHmBk0RTB2*=WkkL(?u%@E9fhTD~Kx4Dx|yAowbwNhTm1}aH~Bx4<%;h?9hJ>OODZ}u70|UF79*XS?2GP%TCZj(JTD#h5GW1o7viCER>B&xF0+tNpnP60?^p6-{Ezk7}|W!nRB5hMY6jI#-U&>Mk|L)b)~ z5`H?blP=O*!L9evMO{A@W_G99>UG#DslfOiojOV#)iCMmTVg=JY9#;7^MQy&5pEIX z8Xd}j_GGL}-G?UzTi922yd3THnjvgf*Q?&2NLjwK6Dtqf=0Z(^s;ZtD)oDrA^AQcx zsvAV@`0#C9LaJHL?CRoxU~fg0iF$8_kSJ?JXvkti6X3c9Bg?rB#}yO(_*W6uWTpyi z9e8<~HLRTb2-Y$Qv?bk=PHCbm($|O)Uwe})) zn=0JCUL{{j6V;{hkWu9@#B+N${~BQ)+CLL@JnKoqHVc8FXU*syJfj>dspM1SlT(tm zc(uJ`=Y&UANSfs|?o2u1IkxW^V{uZ-yiEmI8w;@ZLyA4f8iTQ^Trv8?!X_83h9~*9 zAp_jK81@`!(&{ykWSgFcFh~{}449KG$L;g@A}=;EBp~#h1^6Yd^Z9wIHEtYZ{b9&? zqzo^aBUySbyRgHw+ch9dU3lOpP+A4U!tI590+=!L&86$qvhS%9Cc+&l|aFe@_e(YG=aAY zR7!HDbPjcqDQ?r4iiCJqcZ&Af35=D5)eWue?Pl)2__E!tuaj$%imSXBS%<4NWNR&v z@#ELKy0JNqIGu^LzAVY=>(y`i>_B$dQ|E^_IFBt;zPA;Ij87)*tV$~G7VMSep)aYh z?{P}D&FplQxYVQ7t8o5t%IaHi-(G2lYT0#K6t(IZQzg;);q;_Gre|x+Gv=iF@oxR) zHQk1i*WbN4YhdUyT_szI(w{>en}neEZ$Urw7vM#p)ngKDSjH8MEc#p+NOriODdSyL zu_{I;+M@9BI9JWuHEnM%0XTO3cTZdTWQ3>+Zp2s}narwzZ~jo2K$ z04y!XHv~R`R`!G=xfYBz9krBeKIwf25^L4K@OtV$L0NW7p+9)@Ufs**ID~dPW(VQ6 zbENH%ar8RUrq)X2O{9WnOx>gFD!uwF;jn0>D)taOZw&g(U9F2-N$e^nw~8&?-`3cA z8TrznoSPQ^U{@i)CfME!s%vj84dJt5JAk=owEEwd0@6tjmw8olU5b0%Ys@}|`x@D< z)~n4a9L&uwfdgDok&GC7h#xDRxiWU(wtEW0p%SXdKh0 za&K&Rp+F%4BSGHLiE^z}QjurjiFM;+Bsp%ErPu!c=f^jQ_a2e3)k98ry1HkN#baa0 z+aW2eoFqCXaOok*fZ*wBBDV<9OM9ltnc4oX3YzcX+}VY|CKiI*U$M~bG`lT+<=ZY% zhzPxLQ71ely&`)cQ_b3dfCh)=n@vC0U4oggX~w3~3Gkg&p*t#r86KmWk^!O(w(D5@ zuyMsW!Q$wzb9W{Cd79rZV{IkF)QpW#5^9Nw1V^l0-6hBEyDlnyA**|=7%#jJF~+$s z&SOvO9=z~}Dl^Q^GAbDk1)aoy9LV>m#oN1*>LEQxJZHgXvw4!82H#gi(XZrn?~2vX z710;UuvPcxlHE{8UFpFPQ%Iz z@5^rQD7Qv+iBX40_s}FF|Cg}&Qj5nK*TFv06AShc2{=7*8LK+XqzZG*pkXlKi5)G9 z-MAizt}Kd&tQ&jA!U>9!xFk1m6c&R?fK^A|)ar+X7Tl$OmS{k{M|o_dvG`OcoFUQr zWSN1o{i+h(2-W~=NE8Pm1^x5`&esQ?l?)D$-W27BWrH}?GQQj)QR8SbE{YbUVls;B z5=-95TXJSq&H27?sdmgR*B2p-3xn9+NOF#$LSMx*INc&7BL=&0wKzj zpA z;K}JlBy9lpK?(j^OBg~HPMt2g5BEQ=>lkE77Zt;*xDq;>^lbJmk`!qrD;lHxo@^oy zxmYW_bz7x?q^UJKApKq+Eh<8s8frd5tCr|fphKED(Q!x%Pr#iWe<jR3c!Df# zswmA?gWkEta2#pEQsN~OF;3Rhnu_e*a$om}^hBhmiHeo6Yq)U~2*^8bu%NgbrsHo` z79I;a=#sFlt_=$`it%Zau#KayVEZ*Xkadk)R!=6+ela0>${gK*UX@Yz`+AZMc_jDUwV9;< zjYOJgHhFc`U3Ga~z}1@}%R{FaM`&xTUR&#l=^*%0QNcId{H&(a8?FdAeibaQWMKNN zJ^O6vNSIVgi8Zm-JPqVC^tK#nyJwo{zAI5zJkjeke0XSR zH08^Qcg#E@%t~_y!n}5O8;h_U?tm$ST~({Z1m)~!16JYM#+dbbk7=oXF-OzufT;{Y z*Az^p&6)modvkST*z?=TMTaYzK*jqJi?)$!LI(s zAL!6IpbVDMy76m?$Sa|S#-Y*YSeHYJ>(M%&Pnz*Hes$g#cP3%ON0}ItGVw2X_{9}5 zb!a=t$InxKbHla^oix*KRC}n>2~2`6gg=HNHIW6@4oe=tcl89tK#dVu#pOLBlv!|j z_%|B0#G{P8(S_Qk=ei`KOd(N5a*q6=6LSalgY=if>8N68{mEEKrnR`l$`*;k*^d~X zl*gaue?~t7TB_sNt@avyOvL2$C6rl%N^ra%HCn%%;|7B)L-qr347s2HrohnfdITH2 zg!-jgi*o@GTAVc=WPWniee}ekcclaXf*Ir05!Ftbrq&3YTz4`dMtgOpM9i7SXJf5{ znK+n%$GCS`!X#rh?>IUMP9&}lJo~J(2WJAJ)ar~bksPZ?TxNPg)wqfB_5xt4`{~-h>;pfT~5zCVId@Ob%p`zldgC7Z7?yJlF zXPir40ikHtESZ8&N$q@h-Cx@_`Rp(o_A-HfPag0_$mGYW*bKGJTa4MWBrsJYd>zPw zl4L(aV&lG8Iv-;S_F0^Hx!DrubLS7kb}>)`z#SH#iJo1IV^`V1RAE!H{4!^P%?=^6F*1TJ8n$L^@NGw|fse_M_)uh)oM(kY+FI}}RaP&;8b|(Cc1a9```P42 zf$8?Hsn?(?i^C<}SR$wb>Lci9`HRrxJ!9F%gQ496o<{L?iIAw#P(D+G2dPtK*eAfQ zsR_K*efLaB5Q9m8Andjx%2+a?n)pvWL5p|P=i&A_5s3?e&)8uP+cj%@$29B|J&daZ zzQ#c%E|=AOFjh0D>qMuy6Ng0EFMn-vGHlrQm*J1e+|zRO)%m3QS=BH+Y;w9E$>S*U zin5f?!K#?H=zwE&98(`F&-`o}JXgY9bUH0xS=@X>+Z5dNc4Nas8pYYrw||hb9WuU~ z9=sfc2(2yjjpCww->R#Y_?fn;l@FN;Cmw6xG(>TR&PB?#VXH+}6{uNvpwX=2KWv$- zWQUTThRdas9HPq$KjP}*%bRI-(nh7g_3Xn&4gyLJ$plC;XBUrdQ14ZIrEukpWwtS| z2>Z(3D~B|1>U$aQW*Ckcexc4pP|jxGMCoC#>X!1Dz2=A>r-|SgznnAh9cUb`+SThl z^~8~Q=s|mJcDKJN0QbIEN#PyG_wzWW)z}U+yw%XeG^5*&??1ip>C$4Q(c4!$U5eJh z7HwJ{VF?QW836_$Qa*#($!wFK{%LncVif~(7+ zHK(Eu7n9wkODVV%2Ci9Qr>kXqA_USz*F9o8zi;FOB(X}uPV&RhPJltWBtS8Ij8o0! zWpvm#gXJfEVZ4M85{pt{(e&nVm@c9ty=pa0Q^De@3_QRWMM7~fDtFdoYV=tmx_dc3 z323t2Vf#cZLaf91owT-M{FxHi^tD1{@zy*DzKZ~8$R+R(osm(D?kp_25~J%jP%MCqKQod7SKvC;F0C_eSp_@0x7mRVz6UCgyAoz|Oaj z^|*TTmRsv1RH9Fck_-wx9~a?|sNEnQh$_ zaUVjzGFNyBXPWy_^TsCflrmVI6Yr>904W|{sCYSKHhEs+K*tU*F+@+#tz8rqVA7O* z5*up@mqAzIo~!Z1;kY{*SSjKkTKUjvfp3UTl$y=Qb+{TwZ`OLcvPO6UCk->K+2v5q zk&rikz>j?I?L<6-3qJ3~h!n?~Bgmxcsh$8Y%}T61Id{-Gek;ksKdooLtu!UaItP z^TIImZ&P9@D5`k!V9jJbKAIQTxNMTDnD@A(+l&+HEej$+L!U38AjbXDKI1%)2(m(0 zsN?cJqX>+Jq;M89(nNnT1{2{70uaFes8%jduAo~bpfO{9OPMb7rTXa$7@Qj69op~P zq_gd@KD=|ym~rj;L?vp#B#}z{s16LInjBk;g(kbZ9ailRENExobtVjoHCEOzLL0n9 zSSM$rM(w2tm9El|^J%X?%n91G(?Urg=^g|x8@j+s!D(4NlBsF$REe*%>)wE)<;kSP zSZ;q|e!8eGOIJ5F_OygB-kNs9!mQ!85h}(cuY&w88?`_(_r|l<=I4VU{WMLY#W+Rm zP`!g*xH(P>?N&}b5NF_IoVt>{5aa@hLYg^1=iFpZF0>L9ztWXI=l2Jc5xTfnkHH4c zQn1_Sz$(;3^wnwzu1TLh3Lu5jGv-Op#keA-z{XGpLI5?d#U>Nlw-GYhJ_4sEFCX+n zL`Vv~H#vPhu*P=5&KEI$bD+UFf3mmzDRLK$%a~li{^Nd?DqnKthR;^*e^#c~bz{?|o!j zcSE#fhYBU$fbqo}gfd*PT8cAqh)K0MHk_4nhVe}pP+ROOV@a@iVnfpE_)QRi2;A=D zJ0OFSLJK`ADN?wZmkwMFk~4SR_5>m@#|Ub$2Lg(sbP8>^kE_{LI+I?Gugy5U$LY1Wy_3IHp$Dvi&XTQ@Yc;FO2qUdEIzxuUEMHs) z76&c|qvXs&C8mNY9AdaOdLNJB;+Iie*QjCYz0VMzmYJ(d1*MLJwfQZf#gmL6q<5fl zx&tgqm4@luu#j~VUoY#RVoV%j%yMVuzZdH*IB~>0Q5)Gi(+F`ZWL@-(B=1j0vNdM} zas~^G?z3AQ6{%V0-_l{&nV-aV>@7oo2u!YBa76X>Qqn|1UM9j{{p9+S;DB3=^8ra$ zxIwVu`&U67$#>or6+}r#7W<<}vH(-un8iPe{P{zo7B@MMpHhl8?u%nPP_1MDYo$Qm zqexH@j2X9Scb^$WbBoWUfxVEp>+;3KeiGB&jQl^eSxA_qZ+Lv_;mAc;poas~GeJ_Z zi>iBM1YY#im8XhK^fhnr>;gf!X{_?jK8!(9X`Espa3jLtA=(}cNO9QCrsYR5BaCq5 zvUwI+y5Y5CnG1>PN6AtWAOg^~#M#xo9?&XQ4hbSH*1;IS-J^gCS(kG`j$#}%;@&2; zmk@QD80LMn<3IXQQHmzBy z1qvvZeLGyH`<(+Ok1~<>Ll-*^5fQ{8eYL7e)}T-3yi9_V-)kpE5PI^D-tAVfBc`?TB{ zUI=_j71RSH+r5)Sfdx3bN6Pg4e2KgVd5ymc4N)Ez}XlWV5+|m zE*w33l;Z+3S-Fi`ncUqp2neR>x^nS0Kq6VNtQKE~N++3{W~v9HX%iM&|MhD?ny$8c zZClCKBh&&TH#M3OixT_FTUy|(i*|Ky9%g+q#0Y;he`ck-9@zl{(kgLRoppfEjb0}ohcgzI zUoi`DV;{RO6P~?!C8T$Ceq*({9wHCo=z6g&q2#zxxGG_jX50-I;tF?=z6(6S`N&*S zu#7xN047m1u=~d^NNcOP-@l?Yov0YM?%`Zwkiz?9)!m}OO{;6in3FtRV)m63L=awo zma*V1)E|;Rb_$$%0wxlUU5uE#HLjx!HS1AuNZGZPATvt9oY%1QK^`uPkcnM~z_9G8 z3Nd!B(ebZbT6)k8OI8yg>V$a1NHH7H*6|t|Gp6N_9o=tC4ljF|FP7H6b}M*@Nj7Pa{H-^n{Ub50

HC867!Ve1ox~ObaRrn2H91(-QHyj&XQ-ZjhQe)6DIu8 zPSLo5+_e(b%szeR@E&-j!`-!$`^y2rbN&lWy>U&h^ZKZf$)UB5NxD3}+3^$LqX|`c z)-GWTf7>@rv_tbFI4XTUxuW4GvP|C8YL82NBs2U}hx@jUnzv7J$(OGI3VBHzjH#9< z!`D|~APj`Hr%J-MNLH^rKKOKCMJa{s3$6r(Yr2Otk!T5pfXZsqA~;^_LJtBaF9kFx z9cxr#(z)2=^CMBtyIve1&DJGWH;mV_`T3C_$Qe1N+H12MmjwqaQ${9RzyMPZ7z{S| zAcsChX1}VYMNJ`#n-gctSD`yQH~c};IT(IgJjJCLy-w#O{M^XE0nbOI5CTw zD5S$&C%&j*;aQ|ivur?+eG7&*!6XJM?S?1ogi?(i<$axw;m;*ob#&pqSCDl9Cf^6R z>!LXj_+H!bLlbeUct>xr$J*)z*PCiEw_@10PPUuJ!q7zwlL3+jI=2G7lQD;+6Co&=0WvF_;B^kMnQ?uOeP z4qUZqr*2Y^IT{6LdMV+HJNA9-DrKAn0-E%*Znu&%>BA?@3Mc74JeWe!!!fF)5XEuN z4~ZKpr#0gtocc$$m#*ybci7Wc1)SHY!wz?&@ zc90^M-y2-KBm(SL8F1`kqP83Dq2~ zWFyQx@VS0CqRAPDqdQ^w-~`!*^dxnapm(qV2bxWaNI}>49)5UhP~%=nMZ(4Jx9)=@ z(M?V%MA5}#yny_QYAa{s``;XM`mhMDWiNw0vU#Qn|EM3Zm=9e0{xKYEw_Ok|phX30 z^(A==Ed{DP4`@ZP1KyFN?;K?sg96?n+ILXUieySg!O^&YLt z4dlNgwn(o^k`5fTzgFmRg7f7HD>z%h_i zVv*?(ebpM-Oa=zt5i>qFI4W!FVwoWgjLnhat<<^nmCI`_KL z1-}b<+KF6ayCBCw3dtIvsjfM)m#?5>khhVEWW&WQCO(+I2?Fy|0ONNRP|3P>`&qb2 zY3|#lhyZ6DiFq;9Dcl@b7(hH>u7^tB-UH7Qe{GrD_4Ml6grs6Q(D!|QA$rM~<+Hj~ zLeOs169X@5@7sJi<$(iz(FU}uczR0oQORe5X zq}NYe7Gx;d)x8RI_v+OPx$Mu5jDig$RoL$qbQeC|6!~av;%MN(=5VKJwD4Zst9MQ` zSez-a`Bh*}mbPrH&>3UAX}dL<7~ni8Up+i3gscLnMZ)I&z1Jjsnb(MNxYBkvclQnh zlGfXt@Qa|ynZux?cF6PM`(Vh}MYiOA@_v;AR&tSJA3?zOz3YblM{OK|E3sf}-v%c( zn?)Cjfw?9>AXj@a0z(h%2EN|=d7CdSL2L~$aA8Qo!gVcLzgjhG+XeGCf;_~X)!y>S znf~*$y9dmyj{pDm$Yeg-JEvK)C#sRI5pdq zRHR>=Nc1Kdxbn`aCG@G>dcAKjZ>38TINVuXU)^j)u8_J_LS;@_8JG0C=Ucya5wUU< z04p8yiQ7vcTqF%DSIRX9mXDAvH6In@uK-p&Xevey13c(J=HLnR00m6il}UswDMy+e zQ=Yht^$SywrNM*U$B?L~StfIqIC*r@eZ(9Ito36zp!@N^;7>UssRAg!kE#Mlk)E}6+ac!C$N*! z6&>kQ?PEN_Ek#~;X*`HpffO%=HmEHeRE>NN*s3Dgc`?hOj?Y z=a$62+JEOqje-Z^P@G2~0WF{?^KiVqZoV;pL}H!=MU6Z-F2mfsG{$QOIVw@KpP03S zYK3g#5Pp)5h0Qn0?(NIm-yY^2!_EUAQ?R!lI$oHV=*A#*ucaFu4y@;_XH2X%C|$*% z? zxYSGQFZ?MP+l_tO73(rY&W`%DrLcWSb+Ul#!=HB(7+%9fotHU>>k-NT5#mOY zaj-4(7ZE#nv>NzU0zq5s_v%?;CF%5+o}0Z5!Ud9R&|7L*j}#%}f}`Ryjwk^nD>yFa zeU8Si1wYQ4v@2wmd{yIzEF|r}d~v8>Yh)Yj=DJolHcGH;v>nTd;RYL=wgg^Z`MSDc zp#oeoIFjFA@bY$IYH>O3J!LpLN*`=HCPm?axdSuRX8;|*S$@4@H-37`PgDN;$>dmW zO2o7!daavAHy*MDFsoB>?j0Gw2qR{t@cf2&U%w7&z%ILJt3WKskA2KWaZGnfii8|s zcMQbm?{z1f1#UyRFKF47EuQw<^tTXNUj`P7B=RPy%eK8SI8i=1;%%<{R6L4cQe3jQ zv^ET~Pn!#OpCw($16!}AtV^RP7`iW<-Zk~GP|orF3oDUFS(iHnrF?X>W@?{~6P2A5 z0Am6_$UM^@oJ*opqs?j$EQ_KDoBED?b3IP6HAa>>kUKy-2q}?+6}r!u$4K24d>dn0 ztU)+y6*!mSQ2bkJk_RLLhL=4rdjM}38{d=8H~CR`_d{?ZXnr&l{^?GDKuqEC=ITPm zXuDUFKLQ^}-6BLEn+GdrkA{QrMxI<%^r3FRlv>~nHC z$1}Q!Wv&@8yL96pU5NKx-c=X(kVRx&Y#;@i7#G$WQ<-!q9)N8d?}&Xl1phw4yz*2X z^8WP|Hx*R%+p%X-giGM`wCst`+xabU-s6qJAa(P+Sfp7T+Q@6bmW*D;s6_X!4XbHj zuuJ+V;pD}){_$20?N*9!AeoI_6IZKJBk4kWGgfj;U389sH-DLJ0$E3gOXKU(Tm zsD?`!-gMVH>`j8Qp(g;f{0TliJdRlOLgkMri9VcLKx>O$MKh1Uwx@rgBlNmhA)x;H ziWME~6FBdsRxNy!+nXk;K!eV#46=VS4A-x&)qzF*1~qh*RshZ-_MT1a=m?(8D9BM0 zI5yM^uETS13?4mm9y-iFWDQ?zJ2dXHakB_sv{}E~$m~rh)uF3Twd19Yo zN%so|W)8~(Z0p-MXrSLK2_0F%vAq$b44aNUJCtHC?PW4|A%q@mU8=I{@jU2R+5_V@ z$gx1*z(n*suwy9)qT>)Y$L72%%ta8A5oQHysU?nFtSC+6CTCot>xn4C*2>#pGX!RX zmo8jVu?1|}Y`yj=g_OJKMT*IpM!*6gZCrn=pPXD`OUOXNoFZakA2R+GS;^vF;>QQQ z_stDwZ4ixX=$O%FE;& zZ5%?X`+_8e)f04tKF^DejWngnn}YYnef^Z#QPQ^TS3{yOvsWnKr|9&&JB0=uP7U|A za>{&0I6|UW4tX^+lY9Vm=u-`*z42+O>#UXOTqLYJ1(RX8ov3{ zJG1FSt?I`M5qAnyXuhn@D zZ#l*EQ*#noq_$FsDgo=4;D_$>9z+gp*dL!|ygx{JIfRQXGQ3?+y<84v%!6I0slK^M zWYPJkjTIt6ct}?Mpwh~RYT%_qvm5Emg&o0-Zy(%~GrebZ#s5&PnXyLJkZx^WDFVSd zLaL2^1CAARH}-;T^91~X@{~#9rq)2DIH{|`2Fd$igD0BICLD)6dyL}5k!Fb+&dMhG=Nfs2&6w_@=UEu^0# zAW4yRyzSVkA)wUx>xUyM_DzY>8a$l8MA2^F4cNora>6d6VR0Fk)6nEl1mlomX8r`~ z=cZumKUnf*yjy#N)AeynkA0PW+E6+~8YEfhFv;8@#?5v0vt>WY((yIa3||3Usww9i z(jVfCSk>+s%>o-tT13NUX2=0ZV+J{!U2!iTY||n&J8P%78$3tBVaRd+u!!CF6W}-a zo0+{G?gGrFDSH&djVUe6T+N)QsPkR#X%M0#)Bq9qhXPA^{imy#i}-q#^*7=yCjv_6 zLr0@-47MEQTV${(n*aqW;!{0XP~AO^54Mg(q=@2@iR4-~&@yRXlgmt;T43z6&olQC zqhT8fN6njcZx5T-aoYS<`4nyq5IigtA=)zoN}W1HWSt97C2HT4 znZmjAB^mhej7T?9*K(uv7a9-fzp;|lhjt238Mu=dsez=O)VK-By2zr01~jluc0K#7 zy2OpuCTVCxnl5>V5FMD)2S+ca2iuXPq%K19qVEp_*<-n9{E45n6(J$bOY%q-q%bgQ zTiU-~vWgz51NsA`FUM+>rszrfD|$m5gO^XMfOTLMmt_Rf(^59dGDow3cC>kAi?QWlkrT8cI>w$^+gajPC^|-(E>!*nnXj z2bySz*{p<*1hbUYf;gCpzF)09*ntKw`>ni>I2Hp(4daAXD$%+(Qk*Yi0DCOgFhp)C z;L5OJ!`i+0GtVYRAA4!x^{l-WTZ3?``Mw+wjH3=B;Kmf9d&l-1&4%$_?tIaCsqxtn zT1C}kzh(%%zzF06!uL{R!W~C`vOOnEgQOR*`D=1MfixHO4R6Y%06Tq$F1*nT$xpiF z?2(+Q9p@%cFwnLSVN$CES$|$(P*w8!!*UFBTTdx6ogVi385>l;?7^TtSMhQSF0le% z8LdcXVg48@4-B*I?_pk-#9u-U4nNo~y)s-!wU^642d;$pkvaI`D%*qXgBa?KwPdhm zu3HR#A{iFYF5N!vluHbP-zRbGPp}19*G}|Z4_3mtp7`VsJSpO@Qo`#VjZsxPon2C0v`w1F(&B1B46f%d!ZQVfo#QnCep1Hrpr>TWf=&KOt zZ=HE>a^3GZZiF)s?q-1#iH~`U3)@Svpk?EC@-F!mSbOd8=|3)UxZNE{eOy2Q;zbMs zb{drjSJvE_)PfTb_7qs#&lVMJywMsD<5PWw0rKr|iInK6x+}xUO=}DIyX-;uyW@UkZmOT6a9 zD$f|hdzG_r<@d{%g9aDpdwg>qdxxd~mn$!ouD5j34|N|HBzlB?N7q>)w282JQ;Yb6 zkAr9Wg7;m}t4hqRkwERI^7uEe)$^sW(U>yfH^lK}O+;S+D-qp=J^El*&A2aesE$^2 z^s;-;JW`6~!{T7~LV%IxmliLzL{7nsb>FWfiwmwxd?>=eN+v(_8g(ani93$n*44SM zq|huS*Cf6v`hL6>=CA_)XCaSke()daHmk<|T={f9y zeC`zEXA)V@V7UQr%Rypocq>)Dz%}>9c7=Lc5s{vF{bGaN>n!e@;6%lUcPL#u@7Aea z>nJBd-mt7#6?4(8*3raQz+1A2V-EB1@j_cW(KHumY1_j zU|6XEzpgr{01<<^^rHD^9_7Cl5&G=)WLeSf)IOPGR2QrwroOt92>n88#L-FQus_5y zK{rzH(f#P20>W{jRu9>$_!scz8XLtUtD4U)uDm4pu>KyZk-|}8?3Fjc)f>$6p)wlU zYe{;i`GMk!MJu~X4F3@Nvq@&GF-<3tAgXzF8ZD1;$ZD}Mm$Q2^8U3E` zF>E>YdZIGg&MqNwqJ93#L~fj|R|aX0>DieF;>04WpA3|djDv4b0__u+Vy=J+OCqJg zTUY!NR_d;{Epl1?a7o3K)FWDsvN=RVm0|1h_ye0@p0g`T2PrC?@I(xqZq*!Wum;rP z+h2}}WV5BUW+)p@d26EC)8~qU0YJb3;ryP`R2}|OD|IPYhE74f;Jvnr{pBWw@~$MV zLoe4Ht3R(z*>5-m4LK48Re?0as?-O=T3LbWzBcJ#&2bW~Jvbb15*pEG3IH4pq*O^B z!~$SBFUJlvf!Okxd4{5^_}Z=Dut|4#7V$5SiCFZl29txJd7l15zJU zC8Sj~jX=VeB6@pF&(Su(z%gAvxLwiGxd|AJ?jUf{y!PnTiKf$G2|5QvgmNKuXAHE~ zbUBuztD77gx@0}6@5(a6K!tGoeb!X8IV5d+t;(kGO+(2dksRb7*UobyeUQ1xlBW6{ z^ohM{woT6MI35M6F+S5Blh1Mad$XJYtpz-gsOF$7aB9v@i2rF{gWMkxk9&@6!$ z-1{?;I8&l$#8ytjH|Mji^DO1qBM_xy0}Qf^9F`bZQVPho=mPpL3}mWBIG|Oax0v zf7)kcXCw%2+#R^LT@Oy$cQMM*%Q4D9MsXZbY(^cOzzmiao6=R^7PG0QD>nq6*h*oV zAu*6o0&dOa2h6U6An8F3QNK$?sq8W*NXzL1yRSC2x+b_6ms6$(ZuvDkr zbYLvTN`SK5BcJ!_sogCSwsQ1XQqyKkq%ycLwN;oVQc?EA))xy5;~tO-bAak&WC87? z6)}`WdX99dRvB052DE=`jhwo$3O2)v=p`x|D(w}xjP zfW7&!!)=t-S!2FQC8te9+=FQ^#iDveR&zTEaBfUdk~(EF2tVvnf4?_sa4P{^W4vZw zIA+j%nXr@;mt(NaDV3o>V~`_Td$oJ^Vb%0bQU$x!?KIKX*FX*>;Op?B{DYSP=m&{X zTf#7wynxed4%PrW5cz%rRNF2OyFzq0rL(-FI>@xVg6f>CI$2$cXEF{YVG=h$mzVQvord*U``JB&KS)!HS1c8f!rs`$xw~nte8w^y|vnx)%+TT z&(RMg0REz~xdat-9+e+=Vue4-+GYaP_W82*LWp!%tet)q9SG;uzYWizBx-8a2Pu+I zRUu-;0|+O!4A(7b%mMNWklq*yGF|froD3s1I^&9!K<++M;>{E6hLBA^-k74&BYHTH zgL)8bdg=c)wYOEgQ#(XFN&^>f?)uqXUD7?gFRhQiD9CB~K57CsTI-rt0T|h5q!ZYf zfUCrDGMjFJOnk6v=XUc)plkUkMDL8Hew0f)sxYKcn#JkFEo zpnGhKqEqnnP_HNraWFQ`^gb#K8uYxuKP-42frX_o*v{sMwT@bOb!Ya zfq2GJ(zO`DkFvR+m-SXb^ng-UKYQ^WNV6kujJz^j2Isbl2g?jXU%v2a_$tOG{(!vx zdD4@U)J=0JBb*%#p31|^qR?vsz0>@_s$C=bi7M@ElKzT*cBonQOBUm z#!D|U=IMBvfxXFvazlOF>KmLf*P#)msSpZ@B7BV|JAoo7FXu>oCf)ZXM+uB31l%OY z$U@r&_n#pSHAGtUdO5(ld*d!onagZ|C{U@ap57U^cox)mg{925WMVl)?@-WatnC&{ zxqsm`CaZgCqQO80F7AO&d<%UN!`_*qud*LS5m=yqtrJgK3_;Pjwf?jgV?|292ejlsGL zt}VA6P$|1HBXuIzW!XcbieE{1PI9M@keWC9mH`GT+}nKR>s!_J>ZRaQzKvt#Hj*t+ zl0*^G0$ArEux{fiBe!O}bI$T#xv{ipHyms(>I2uY&TdgUF2t+zghjAc%s~<4v4IOd zm4{*Cop_OQz>Ec7wSYH3wRicut+E^bL?TIcO0+J86d1199~oZeiHi$m0}HPXfltpM zEBT5Ht8L`^vYqS*DH!JoBa)cZFZq4fgzpzHD3D$Y4*o^$DZ=^(FIIs2df<-8fp#N< z!sVvcTOjklS#C;507C{M4RRy7fw{vmh}sue!@NbC9W{gDhv@^pdLik?0O@`_P+S49 z|JB}GhDF&$ZNtM1Ev0lDpeQXVX@ZD!OM`$&N;9+~sFZ>dN(xF!h;)r0pws{|0#bt@ z=nw$*;-KY1S47~2u3VGw2>{TG z)vQAHGoFT<0VZ%GS4qMGSFC-0?_Tr{{i^PTphTVfPa57XQqjfeEp6_5r;Kb~$4eTh zowy7-7}1F^=ZZUj2O$s1eXVfP$R3`0A^pX^qai%$ynl38X!ThV!`}L9<+@Iky(ftV z0emud%x_F>VyMTWRU=^eWheaT<6@iDx87+<5c|=7C7}h%#JQMyAPe zZIRDcH?3GeG@CJh=a%c<4me~|Uo2O3`RBE82g(lhH-Wx&34a=&p=MwIfzkrXJ$8Yd z{5+16|6GYu*7tk2Yp{rU;B(XdA{%raW+Z2jJwc#?H(5BO3m%ZTcNrRJ#HMyK6r0>`7R>MQK-doPi zMGX~YyJ*SkFV&V2V)PYuW1F(&ru@wZPT?tNd`J)NKHwe`Jwh5N6-QTfq0B9FUdOAe zZ~U(^Hm1~|<{^og$SK3|42{i?ct4;k?)@VPJ#j+oVYUlt-M-l5-c41xj56+Unh)4pTL84*TTJQQ%D6~9DE$2FLQ@hawu?6~@ zFciscy;-U+RuG_9G}$aNu#zSxlwb7!8Zf%TP;%+Qvd89$u}!NRTvzqdV<`?POUBQ5 z{G|cXts%ZuN%KhY%+btS`F}T8(Z$$Ck#fFrmGa}|b~ITt*+SY@U=TbjZx15kI5m++ zdH!c#Op>KvPbK#Y1emV}pSp@%nfm2>z@kEwxADbKV1mN6Xp$-woUh==?d%>>Uaz!N zt%M{NVo`nMXGpr9UKy!@!-F&BZh&lc>fQ_AL0ulqPQx+yB{sAL>a^6{f ziP07Jdu!#Qr;?|&S!br}kQ(qr zmV2g5-J;w-z71e_%_}9VMkFvnL%G|(-NtZXeqhw8i-#0#ue3^Du$KN#sa}!lMFjRe zH(t6`TV8({Ji0PdihI!ggh_`nUK8mcE;HMz& zJ>Ql?ww`{fpDwkHsemz{xnA0IjyD_o&lNx!`=Xm|Q1%iSaprHI)TjJ#BBC3{Rp}1( zS3=mqP9RIb2QI>whGJ!)p?ScQ9sd0sr(@-r|R`EY57tUWbmG*Sy_=8Owv(C*EV;2PXdju<32qFL1;x0j*^) z<&+OzH^M`nZ5a^e{1qg6xx&RhD7kdQlzuVM8MI$Ms; zd^f-8y$Bg_QS9JSglKqB&smLY5{@E_i$=C7%;7|&Ie7k4D*RH~NMKx>{YxB`-UhvN z$~4O`LFx*Qk->fF4pEMd3!%e})Uecb%;{YC>3N}2!kMfos4M;;3ANtPt@J9YEgtil zb<_W3xo_sXoosRm?4VSHQTSAasq2kG0(xmcy#Ek^$UfPM0SQb~$8wyz4%sw@hIz z#&Waz?Mx_Xwg5(j$>0SDat(+k6t472_x&`uFp~C0t$D>op)>BlJ^A*CqZ@)v@=2=w z=jB~isJsFq&m&)rji+h!5o)$(HYzrpcuR~d=Dx!L+bP$D)hlhKD#n{TzHZ}ZL!T?% zr5=jl-bo9m&|Lhbk*oBwYri4k6nGMC7Ih!b6{{Gn&Xep6(D>Q9Du=ELZd!#N>j0AR7IW|nn?h*_VUX366 zgV}u*Wj1)1EpI%nsq`|xwgWpodpi;>Co(u6xTfZyV-d_Vo(zeTPy5xi7Q0f$kNGqFP2KTz7JWZAJ@b8yS(MoRPMj%fEk z0l#*ohPuD(;(5GfYw_!8GSmEa`g|9JbMn%N+?fMCrL zIMlbCzb%P7kbIz8Ro&J3Z#@PYXCN-RgF& zNNPDTOs76Lmec21S@>g%K`5uUA%Y&<)6RTDr4+SpWc{rHNRW~LAQM~k{9X*&bBo({ zqv9ezpZNU%!KTkA1ZzCVLa4!`LjHDtTpg>o{Osb4O3tz2V?dNqBYbDI%=P2@B8AOg ztN9WD99`qm#G#aDXTJM=$S$4%<>mQ=sA^zy2Cr6Gs>-^Nj#C_8e2h^5dyPC(@)0_} zIKN&(Gq{rZpk30$A*%TjiQPI_8ozRTw%3_ttRfSl)`*9f^6O}jgyh}DmYwCxFa zqI*4T{N8%P+xSW&syD&Z+n4qH6K^??S-t}{Rsx~{dMG`JeA_sb;4WO@#y@)to%`|F zA4ZN}IYy3T6RRcYZe-=AbMx)q3Bl^6>x|A4ZYExP;z(<$o}(nd&m*Mg_ttS9#SeI0JyPCI3cP}J{smZOEM+`Ia^_q{8-?Zo z#{=y3+t+e%*7$tIQp$OM-+Z)r8guI$aE${Yj+EJzw|+kdZmpFxAW2%h&UjaV#;E4a z2;^Vnz>$7{Z)+!NY7kPUurZKJmZM)|>5P>v&wBBP+uW!8gZ=-+*`h^*Tj8s`_g(DU z3RR5eP_v_}O4=Ha0arl0J<(8`KjLT5_IERJ%(|P&7q&R z&zWNbppT6fm#|E3C0cRdOIMM1b(G?35Z$V7L-p+Du+*1V7ZfLlegAq-=y~lOE+_Oq%*f@GD!J7bhCF zfzK$;=}aH4jq~ujYN=855@rc%H*^r%3%cI!)1{%lH$cY5q3hnoFN6J4{n#rz!u=ky zgYiy~L7*HNXEJ&FqciZLa+k$p6~*%A^8)m-I0!{zfxf_Pr{UF@%8*I?aHS$R`sbw& zqosR_w_X8~=`P;_sGy?|E?-Qz?x2^hLV8^`Z=CfVq#QlTWHz8W|)?%O{IhESaG3Ta`oSW1wHx8Z?ml48ZVoB3}bS)2M+g;O&=9 zRhuX8a!fY6CdR-=_$k5IBpiORhHV_`y&pu?DM7M?rUW4VBhKeR2{j+zr3uhSIsigv zaZN-6W&anD9w2Et(N|Dj&nL*GaNY8KMB(Gx#v3{6lPi;zW2kx|{$g$R7qMz6Z?EKX zb}o3O{9?}QS_uHD$O8@M*BQ7=H7`SiDSc-E2P|U}uJ2_uE zGyo|#`$ck;rXFVJ`nL%sdJFqcMzyp;-Z9H{4_MJ=ez5B75oRCN#Hy46 z@`baTEh7b09bAsi1;N!1Rr(|$6Ep*G2RIHtWO{h3n18z~(|B5x1&=_GhU62ed&3LG zZeNBHcax#GVsQO+yX3W^9`C5j6F^>=_*Zo5dF>M~>;p5}?dP`1QP=cpcWzQxR>f6M zlIm{{9e#F7_z#)DPIJJ|^6m9Fv}8TNWWG<%J0H-&bTjcikZIYDy&Dc{XDTpk4*F8979Qwv_vs3uq4;hD*@j+c@)` z&c=v(+1u=+ci@Lhbqh3oPLH~rD4o%QbCRP?9D<~broR6x%gffhBYhH@sIVku_LUvl zdWCQI7DV^!W;Z(#Q}FT?M8s^{&2-HjbGyD{!H`)T@wX}(Oai%2nSPZQp+C254m^RO zGo-t*!`iz+_M%`i}by*%cHZo8FOg4giu=;J_+=Y!!7IvH_{uE1=iRNqZ3<=?jOhS=gO~^d_NA6g|ki8v--W_ z>$!?B#rp{{4zVCv(E<-mM zUyf9_Gm#!jjSZA}g zm0S8Aq(<$^*?Q$qz`?r6N)6(8PBDTMGeyUxw^x^-lb&n6_ zYWGCY+2*C$T$tdZmEI^{ zrF3wXj)TLmzK9!b9lvJwuA}uxsW(;sLj6@mTjzO-K(T|Ze7#n z+173)ZNvDPXUy1ZS&#>@2i#6BE(-niH;H8Pc=)b{{!WWvnP^1}sQa|uo1h?|hd~}6 z;DW@w*EpX_R6cZ(yb-ti2R^jIy~A_CCvH{CJM)9G@8gq0N5~Xrd5&K*>I2h8d8UjL zg7UQXstQ_C9ziqru->Iz8`BJ=I95+r{;0qA@Da3odzK(BZ!!QNmd8toWEOAj=g)4c z+LP8h9Rk!fvN7-=2&CeVp`cAvW=VF|jc_UMs^lA8$H99uN9Lb6Drb;veb zZQ4?WU2F4o&0DOMZ8vLktccHte#PhMk_V{NUr}a>l&yi_{850xo&f(m5l!l%8c8sY z`+!Ub@tTwPCk2JDxE*U~qazv-606-=g0g^yA^+O=o{+F!>&Ub}Mwe8fH1PJdIK#|$ z!({4)Lla6E&i3m`w#~+kNxJFjO>f0?0G!!ZVHnK{9}`~m@N1P6Twrhx6=SrZtvzAg zq~IP$)d#-C1I%#jy1CVvYRY8k6N$TD9%H-(t6QK?2sh_k%`7=e;~fwlHJbi1bt&sO zdl4zM{RMZ|ouQKpEEhIHwXt1(ml>NvEchLv`BpxVSWXE{&BxS?-YG@33m$Jm3E>`O z2_{3s4>5IsVJYMdKQoG`gbKr=6{T_$)lR_aObXoxe+d9i3dnBKsc!62xN!KZCXu4f z3`4KIEC|Or+xFkPe7T6Rj*ZMy+2!3iVVf9~7RuKCw1KBNuxEsRWa8${3#8IS!WAf} zQd%*y3BFP7P|tHa4VF2R4K6CKlz~Fx zd^nyCP}&sg98&v-p{hJRDX-W`)*{(c)}Y-(m43TQQB*_!T)M8;o(n4LVh;pMlgFUC zUcd<4OM#67phF0HUVdy@in0KII9Ybr<3~Z2?CJEF+Et(Zh3*r6$93m>==QBy&ULag zjz&#)cv1kJpYUs^II^<%o%W@4-SH1y4>1&a>8>&Y!_St&y$h@519?}9$!KTT|C`mB za8)RiT_crt^p9I`*K&<~@6O)60rniqq}SabF;FlN1%Exqqx@@`C2@D)DMkvy*ly5! zl0#)nwZ0c5iU*z>QjkPu>@`MApQ` zPXiD_`t7)BHH_e8x$12tfSAm+WPAZUW2O;4mswmsb}7ODp8PZ0JqU6)AVpfPi91GnlwIb`Obhtu|}Ys z9%xDW-T?qt_aJaoicFR2Q01PY34qC}Ii80}V&mUKppU`=m4sFc)%fVU=3y##&{o4L z*zPoVVQEj{mB+^q{Swii|6(Qtw<<16s?h(wQ2#a{^g?;n-?N3-gVKj8vf`n|4DalI z@4(i6%cj8vaa!Wg3>bQPObW32MOKdCt)XWyUv(;ACluUO#>Z-(47g<}pPN?lsY$ue zxr|wY%(WwvqdoiB#|+B-l5GaRHg*VFx`y;Q0nR(~+apF%5bEmBxjbU(ga!hPxENynF3jsG1o_=+26ggw(`8v7XI@jDXo z4(_)K?`FN_mDhd z3pEUzf6Pji_|f#i;R~n`&#rXhn4;dF?0#3jC~>kZJ1gNtwKxB>(`c9slnK)1wOu0R zR~;~TU+o5e=|1^2+g=&4=`JRExCqxWu!vxyeWJvW^3w$%ZB=zNN?0htrnEU&)-|XF4*gz&`ak5nfa)k zoOF!kQXu#A{;w*9k$vxWnO4?6gw22r5nJ`r3yW8T-X`!41+X!zZ9&P3#TU9HX&d{F zmhkQif9~^m0#9X(!Al9Ovg)&>nTRQygIoISfn*;|8n4hzxpbqehV=|+J{Ib)7e=s!T+GR8uUBEgl*B4 zsb{-CQS#05+`-wfJLIP=cC5)NQ;icThvb9_PCP5%Q*ZKoImy;(WO*$3%ge+e=)Wyk zm;fOW70r!x_WE_UjuX|gEua$)U|~fk5*|P}-VNSK7V7+pVwY%oiyuE?A6oy!$s}3N zJGb7dWLF$t{s}!zL!hZxIlD2D)qLUyB<(ZGm6xJ}W<6Gb$EYL4Y6R7+M|Asn-5&N2 z@Y%ltE7vi3W6k0j%F%M8=MQ$*2Jmg8A6vRJT0qS0^@s`lBX7C~o2lBdoO zh&ibdy$&KQw}Elg>2%540|`%^|Bi+T0>D3q{TF!CY=~+~6>8TTBeYd-tPrJ=kEX!6 zX@dxbb0q(ZyR48^3n&ycehL$ac^sHL$Jsh0DwR+p($?}7nw4(aa&0EYM zJ><60@mgrSXxyoi=VQnKV4@r$=2?cH6+_}U=h5&}GnyM+TH#tTE(T?8EbEW zKaq?lLvQSjcxxF72wxNGB2-}&B}p}XlRv~)A=~eL_4wUumFj~`@tj*AhN7+7(MD#R zwIJoz$Nkm?&BW@5QI#9kXsm+Ov!Z_8X8V$%g>k6 zr%!>3DgH$dQdLL8_+pC6m7(MYvE)|}*$6v}{bKT9aSQoRFm9fZqoS**u zX9F5=quLiF@q+k54aUuwS8u(UXc=Reo-uYKg^@1({9|!Vh~R#2EY1zk8t{~j!wSo{24gndDDNyE-a;%*~!7cJu zZ|7OYsEE{yH&S`dYP2n$Y<1Cz##&(_vHTv|!3;F!MmRh*@zLa@+@ z6bz|Atxy7ZBmIgu)-@)r8aI(0VAQ#(&2Lz%%cF>Mz$_lQ$qmObNHH60is}emEuk&Z zNDWjpU_30$L{vj_sg$%T4@elUf(5xPl=s2l!IsAAPxJ*j^rI658Vnearq&XJgy5|# zapRH<++*V5I+x;TfYhJiC)^QQu$fvH!MdIU=G}Q4?bb`PgmmHX-Wc!q@2s|h@CO(_ zOO7x<3Kgq#`XEox;J%6+Kngf@J9v*{MZ@NhL3+=lHF9XgCuyj&h4OC|Xm2(wy^9m9RMx2B2ndxB<2L$pXbv3R&Rv>0Mi`-w(d@EGYpI)_EG8 zZ$ak@;iN&-)etYBiq#Z5c=gc^S`fD zw6w6Yu=cn(CP0r#eF27@+4iBQT&86^CL#O))c%W=#+8x_Chq{!k+608`r+BaUOKPq zVKhb+(2c^oU~HTbU~F1oiK8Qu{`4#!UFgv;wJraJIC2)FR2hMWz1Mq2dgo?9Lm~I0 z%e%uBoUqV6L5_|vKs+>n-$EmKqTK0M4df$(59iG1=JQVP4q(({zZRsUTo<~$H~xAI zxzQ-P^nP!z`DnbVP%HF4>(0J=^V_816}vYR{zxL(q-A55Jk_CB>+FYl%6oF`8u6U- zAn~k4%8Unb9b}3uW$d}~&Zwi)w<#M`AU0Eww(7Z^YEf-0=~$vOQs;7;ChIR$61G4f zOK?of`$*cwWTb>1n92o|6GD^gMX4gowig7n1G=$)9M^#ACoAT@Z1HrGGYHIkxvg$O z*cK_ObHUr#$eqzo3qv%R_NP0BHd~aO-KC!%SL>}+MfqZtO!%#-+<|i3hWQ)Wdc8*L z!g~}1+inf%xs8!0g9E!jUVd#)cV^Fejv(SwBy-c1XXx`M9Q-Y`+rAEJQ!sAf?MQ#yygiu zN6XcTnDguIf_b57w4vaTdsU@NndJ3a#B@Tu3@ ziAA%$%>wkPjt!Y8b0)qg#dm5D3ua2hbT}2D_3rb^Sm+&#aP?TV2-!V2l3clB)v|jf zV@+x08!VplYVh@)oiIqEGppIZ&J-w-s0t{(QcuaFBNTO8g6oWz%>zp~SID`)Gv;Yz zM%CecX|-VN$EJ2~jS12bij=z0J_hu73k@Xj?XF)~b+Lg%VnQ=={%q6FOJR(Cwie4n zUy^Y{tB8*|y8K~BI;UN=7OJW$mk~c8&n^ztSUZ7~(1Z5fK!BzR%7typ!MVSbOdX}T z+Tu1K<5qSeo^{u&A~#xqzAZp9Q{pcn0oY(l2vyU}Mst+fZz@C7bbbd(9jUlp-US|d+%MhxR#_;nzM|_vN0wdX^R%&hb`8|5TAFlyf zY<(gOs?p1s;(cz$eSM-t>k5#9)3Xfap}Kuiov;UrC|I)0@8^%?2Gnl@4EjYLu7@rd z3XDSJOuDo~KC&1l^eJ%rX6-wmbB(4_t6i5BMKe7~mDxvK)0ZR3;wg~D1af2Y_={Y* zer)Avh`8KA7C(C$hPDN=mMeJ14g_S-jhw~~HbM2KupT{O>xc(@r>)wb{%ZR)rr*x+ z-oj#IXcUiv`8hf)ovp|iPO^LxlRhJTcj{;?0{Y^`bu1{M7JAv2Az1eMHMz;73Gdg)Tl;9$>71#T5tFd$Vr-q#kyA&) zH0E=mCu*@z8nxAg@U0eBRP2Fw?^XZOcMg@ zxksRl`UkMVQ?bwUYIwvmVfRa6Wa)^KM)@dVurJC9hcAXmC1``s!NnxCM41ZrM`U$e z-F<0+3Xb&b+nIt>NyaF)=CtO)IbBv0(%*Nwsj@kPnT#}2o=>IV`b9ha76j&RT`(U{peE4psIzm?I1#tmn+` zY{6k`pBmS$Tar&ekHWT+ut4pYYSNWdAGx8E_t;5eUIVQ#(Ne#Hk> z&cC9Ay_7Pv0JEDIK1}bP-3MS%@2qH}W0OR7_>~=wzu>XHeOi|||7Qs^2?1=w zc19I*Ij4jsW6M%dgeodb%ot~!Qxc%$z*cl@YR@TLjZ`MUGN_8RVHqS+9x}><{LLR| zYU-7&6+#a!K0!?1@lBJKAUb1mq2ZVSZ+@}){242Q$oAdZBL_e0sX zh03?XV=X&T(Xc%pg)KGr4zNe$M&tqv(87^hjhtlc8Af@mTH*74`42u;`SViYUlVjz zsbA^D@I_ulx5PoGrgNz16VFcaJrLCR9m|=58iRpfEN5SNu(-~d61iy@L$oPNS1i^dTK=X} z?{jba1M&QLU(PtEX;t*p<^;w%BDd*Vy6sl7e5SHu}WCKM`J{wO_W^It`v048yA&w`sw{npKV!{?<}TC!iIEq_kbs z(OBA?se9Xr7*6glZIP_s%QynIxhksqEYII^`lbfvc5=KDct~LoT;6*ca`4*g?D34@ z=tBJ;9zSi5mXC__rZ!aeXd6zq3w{dv`#gbDjw}mmbhzOpJ2A{p<^ANWvq~O{4BMb1 z%3coX%r&*-eT;)cMxM_8&mkjMhe(Hvv|j4Yh4t;+PI+Dg(bAk?2_YnG6|K(LGGPur zEu&T+@OCCg;(>5Jj3kQW{GEbUJSOZaSVih$Jvpi$6pjSDfOCixvV2rNEa?Z%b4Fgg zrg6HpBPF#A>x0kYQvgVp&G8Ja5)O}6Fk!ZN^{Wb5E>O-=PA;)PC!2y|B=cwL%WkaL zo_A|{Y2ThU;NWV84hFsU+KBL(xU&zhqaLpH_mGXq$ZoIuMi&wI1x{w$=t*7mYyFkH z6jAkOd5sQEZE%BB^j&LzEHfhRPBHTqJBh9m6t^DcdSH+{O$$kFI(QMC$|~PVZ|4HI`It)e6;H=5-M2WTeEN zrX-)6;l8(}P3eh-u)^Bt`gDoHHGMqWId=_xY&>TTN|hp%t6k%IYQRRbU61K2FaOwJ zWNj&ju$XYBlhUH~jlq*7u#gM5euwhYIm<4Levl^NiTu^}FOpSXlc{gpJat9a=kQn7 zcdi(#)2>q%m#p6*>9F!!DMdHa*~f5v)dP_W zRt61xw}abcrU&fk8d5wh+9og`+5<-hZ+dM7;&*=e51f3ed4CvLzdIdtaIyXP_4WX1 zO4E2<7PE@&7Ivx=t;ZSHv>ZgZtY;5q+EtIt$5oYeW3R}O`3Ffq5!hHteZgF`-*bCmd?6f*4m1SoZVIe78&xa=r(ylfbLD(EM1( zRKtJc)8Pbwi{~Vk>5o>|z%V=UaGl1P5c=$-e1Jnnfo--o_#sBOI}*e!|K8I%i^zs&VM>$*&~EwhF^BX zq)|7pX)Qxryet`X;yRk7TP?wR%aWocv~e5MSf)t-MdMND3a>%3k0te8-W>nMR<8aB zUp34V^Zs&*pJnn3cqyRO1_y7FDm?`@p7_5U**u6cA^r4Un_*Iws(zX2J5nXkf5(x( zhq}c7YE22O#VJF}*H6kc{#PXGTmk!o^bOtKpm~3568t>L|Ic6QA*!V~Po!Jtjw>hK z!Wm7PGSWp&*~WHba-3GA?}O|A_i%Ic=Q*e}dNlot^#5ovLU2v`QdkU3Tq;+n9x>r^ z&^W?QW>9Hmvaj=oVUa;6kKIGz?&n6HW{bS`uv4G*qg`esd9ggX(yik)pSlYKidh;? zOjitE@u6YSwY!nkb-|F1uNz5O=X#6%()E&BZU#-0%kfsu2^|#4XBOj=RO^#|3Y=`a z&5vDMTrk=gs+5u0Tgt?KmyuE?&JWWg5c$_GQ^5iBeoI+K*7Z4+>@howXl4`w;i*9G z1HZQ!&iwefa>~&PzH6t1Gr-4UkBxl2`bI7Ng zrOV}?*Q`D45Qq_miKv;&m*)!%_ViD4fs!HA0{NLX-A@}ifsCe(a>~IUl&rI1i@RUIK?71%D;`+tAsKIqRaGtvt z#%=CfCUY3V=Xdq8lZm5?!u*x@Fhto|^`e;KZ#MF~D&8en_(%LYq{TlYB0nR6o$ z)%PtY<|qw53L_O7{(Y9o@P2Wg3=!_jO{acTi(dW^`lkz?B-CBvFm|lidbCxmY3L^c zQSQ4ykmZ*aY&e}=DNHPLH*34ZI69?Rn|q0LEhnA&ykU#Q#BN;&Z;=UIRId7+KP3lt zzC`+|4qsRf#@q06W0eFMMzc1(bH!U`FD;Mvk3Rk86YTAKz!k61^0QJ1o}rdv%(%y+ z8hT}8?DTFL3@F8Ts`BxhT?!Wz0`p_3YEjl{p(*L_cIDiEGxRqBrrTZ%CbOgs7R6&D zJq(|}PkeI7;Sw@1rc#eSWOKi-*VOZiH2eh1@0W&OCt9B9AARTBls=gRtG(>14NK(; z;~g^+FYMbxs%|_?7M~A&iqj4ni#9Q-$_R@Nn6y*bdx;}M*aR78%xSnNEHAM+q`><8 z)q)9+$0hZ`^V8pT7soU|ng4FW0H>&wwkl?I5(J6X-~Vwl$}Z*NVm`p8GvAs`ZgS)e zol0L!4Dai^{eEW4Fs$zVjM&(eqWo|XY{E1SI(5c^&|SL2;e3-aUOIK_`|a4e1^c3@ zQnB$tEfo*RtckmUup={#vg%y5IuG1@GmJ(BVOIrhyzZ-W+Gv}D%D zY-;geVLeL$H@m57q&zEvRb;9R(d=P0iR43!mIr$c(ip3CO+%|_r%&* zk-yPY#qT$n#^PH~C_!M%Hc}t`*h6GUnI?tLPD702qLvdJ#eZF@4i(i`^YqYqn6{n)}#`!FJ2 z?*~kyN(zik&v%E-o#2NP#AU&~i;Zi7cs3h6VRej~TF~0QDZCS}OpK1co#BG}I^nEC zn>PG9hPB?$s8)(aN5EKD`HOs;$0tF+h(ulsyF0LTf551AaGK^FOKx?R8+UW|v1J62b z<1an1n`rraI7|qV^)#{8SN6TgJ2hKO>FEe}^TiFjer?S;?lwAC!Vz)!2ga`2A@5-rzswe*c5? zV2_Q}U+{iTIGN%Ef04P$E#fb2`l#FnlY{~>tB~=d=OHvl&AaZaJfH?WVD_(fd%SOY zyW2%S{^c9tqNaChEiywYY^7v}76|2E_HZpz_=)Cb^n;BBST>JfRx<4b;eImt_hHS- zAJCJhnq&BjOFvAG{%h)(YS^u{1p)jNWqm|}Ybx3^Vl3dR-3^|)cKB{@wLN(AYJv@j zX8J+XqXv^HqXW|o8SchHc33~n;gEvEZ=+28m)5ATj>z3Q9DmJ@FpsuTm}yfkT4!Sz z7w4j|*8w7!p-%0YPW=bLGov~aTE5#}y%+jtVdZZ!@!H`4VFq{3ILo8Zop)Hr(7z5h z-%uSq^{=czOzENZM<tJ;8p3eIj zosvD9gQUu7!SPFmXTPsHZGpwBaTr(eezcb{*1;Lu+VJ4DAOaEYX4>OKbl*Ag*rTE&$IE+T z7A{8`fIh5P?I4&r;>*D{_lOlvI#PlyZn(R^lgG+avF>I)PO5s!IlHMh{N{LZaw2n5Wz?imb<*Q< zVJhO@<0Y8;FAc%hDZ?OKmMQoTBgyT-e!d&oT|xich6@Q!#nGa3QbY~L|GBE2BZdSU^JRCw!9Pa^ECHXbF%p8ArVI1I|uJ-KZ6pT*$LA6tamco zTcD)$dRV{)*MDRDn2OZ~>0&oxEU|KV5hrhEsi*8InPq7YrbFI%QqNK#)B7d$A0AG4 z?0bSF4*TB--@{xr!+(DWtGH;9kFsShoPA+ll38_K{0KyRigh8MWLo^uPZl1*8aXoc zZ!ke-%HALsy~R@jE#nvd&u~drYuH5f&cR)o@-EJuHiB8qj_ZBWwEC&&9ef3GH8SvI zsY7O*alXjglJi?rsQC-&Rb^qoI^uJc^F~{RnU*0v7xI^ua4i-+PK>NrG6dcf?Y4n{ zV}yEG|L~Y4{SDANz<{28g*#SURtYyR7lo|>D-1fT4p+NdgHsk=JGx}n^btL6rxH|r z3G|yO+GAt=o6r6Q1J5DS<2~TzVn{3dDHW?yk&4Z3kaAS0R-a zpO5o_DJ>N(I}EVf=*3a|Ad|O0s;J+i>}&e*3BjWduX#;$ivM5~-c$wWZ#ZS8yq>De zu4;6!MUcTQ6sg|naS9_IC+)_*Uffu*iD3&Uz@sh!9+Pw08UK3m>C=zqzdSwTZ4L6; z_o2BEJi05m;S!a;F-&h0EQ$5vaTwix3k*KP7^}%whmQZJQ@obYFFq}WJ1UseZ>mGD zfg4j$CIZTT3Kl^IcShE8y%)DpoS<4*S~v;MQ}s2h9#Fl+jZ|-gb zlMATIMPYEu8*0Fpz!OScm5Ijd+~#54?Fa&PHCLY`5sX;e_`_ zpzehI#!h#UV)ecnUa`9I*+DDTdt4NE&g3X$hOpLI-10%?j%X2gQQ*cj0fpOx)jnE( z1$T)*4chHgHpnjN-{pnCy8Hk06(RrczgU3u)6L7IXaW9(-}>Kg|2qf&yAS?X7XDKQ j|EmxF|J8{_hr\n", + "\n", + "\n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + "
Número do PacienteTristezaEuforiaProblemas com o sonoMudança de humorAtividade SexualConcentraçãoOtimismoDiagnóstico do Profissional
0Paciente-03As VezesMaioria das VezesAs VezesSIM657Bipolar Tipo-1
1Paciente-07Quase NuncaGeralmenteAs VezesSIM729Bipolar Tipo-1
2Paciente-12Quase NuncaAs VezesGeralmenteSIM849Bipolar Tipo-1
3Paciente-16As VezesAs VezesAs VezesSIM646Bipolar Tipo-1
4Paciente-18GeralmenteAs VezesAs VezesSIM623Bipolar Tipo-1
\n", + "" + ], + "text/plain": [ + " Número do Paciente Tristeza Euforia Problemas com o sono \\\n", + "0 Paciente-03 As Vezes Maioria das Vezes As Vezes \n", + "1 Paciente-07 Quase Nunca Geralmente As Vezes \n", + "2 Paciente-12 Quase Nunca As Vezes Geralmente \n", + "3 Paciente-16 As Vezes As Vezes As Vezes \n", + "4 Paciente-18 Geralmente As Vezes As Vezes \n", + "\n", + " Mudança de humor Atividade Sexual Concentração Otimismo \\\n", + "0 SIM 6 5 7 \n", + "1 SIM 7 2 9 \n", + "2 SIM 8 4 9 \n", + "3 SIM 6 4 6 \n", + "4 SIM 6 2 3 \n", + "\n", + " Diagnóstico do Profissional \n", + "0 Bipolar Tipo-1 \n", + "1 Bipolar Tipo-1 \n", + "2 Bipolar Tipo-1 \n", + "3 Bipolar Tipo-1 \n", + "4 Bipolar Tipo-1 " + ] + }, + "execution_count": 12, + "metadata": {}, + "output_type": "execute_result" + } + ], + "source": [ + "df.head(5)" + ] + }, + { + "cell_type": "code", + "execution_count": 13, + "metadata": {}, + "outputs": [ + { + "name": "stdout", + "output_type": "stream", + "text": [ + "\n", + "RangeIndex: 59 entries, 0 to 58\n", + "Data columns (total 9 columns):\n", + " # Column Non-Null Count Dtype \n", + "--- ------ -------------- ----- \n", + " 0 Número do Paciente 59 non-null object\n", + " 1 Tristeza 59 non-null object\n", + " 2 Euforia 59 non-null object\n", + " 3 Problemas com o sono 59 non-null object\n", + " 4 Mudança de humor 59 non-null object\n", + " 5 Atividade Sexual 59 non-null int64 \n", + " 6 Concentração 59 non-null int64 \n", + " 7 Otimismo 59 non-null int64 \n", + " 8 Diagnóstico do Profissional 59 non-null object\n", + "dtypes: int64(3), object(6)\n", + "memory usage: 4.3+ KB\n", + "None\n" + ] + } + ], + "source": [ + "print(df.info())" + ] + }, + { + "cell_type": "code", + "execution_count": 14, + "metadata": {}, + "outputs": [ + { + "name": "stdout", + "output_type": "stream", + "text": [ + " Atividade Sexual Concentração Otimismo\n", + "count 59.000000 59.000000 59.000000\n", + "mean 4.898305 3.610169 4.644068\n", + "std 2.309612 1.671433 2.123455\n", + "min 1.000000 1.000000 1.000000\n", + "25% 3.000000 2.000000 3.000000\n", + "50% 5.000000 4.000000 4.000000\n", + "75% 7.000000 5.000000 6.000000\n", + "max 9.000000 8.000000 9.000000\n" + ] + } + ], + "source": [ + "print(df.describe())" + ] + }, + { + "cell_type": "code", + "execution_count": 15, + "metadata": {}, + "outputs": [], + "source": [ + "df.drop('Número do Paciente', axis=1, inplace=True)" + ] + }, + { + "cell_type": "code", + "execution_count": 16, + "metadata": {}, + "outputs": [ + { + "name": "stdout", + "output_type": "stream", + "text": [ + " Tristeza Euforia Problemas com o sono Mudança de humor \\\n", + "0 False False False False \n", + "1 False False False False \n", + "2 False False False False \n", + "3 False False False False \n", + "4 False False False False \n", + "5 False False False False \n", + "6 False False False False \n", + "7 False False False False \n", + "8 False False False False \n", + "9 False False False False \n", + "10 False False False False \n", + "11 False False False False \n", + "12 False False False False \n", + "13 False False False False \n", + "14 False False False False \n", + "15 False False False False \n", + "16 False False False False \n", + "17 False False False False \n", + "18 False False False False \n", + "19 False False False False \n", + "20 False False False False \n", + "21 False False False False \n", + "22 False False False False \n", + "23 False False False False \n", + "24 False False False False \n", + "25 False False False False \n", + "26 False False False False \n", + "27 False False False False \n", + "28 False False False False \n", + "29 False False False False \n", + "30 False False False False \n", + "31 False False False False \n", + "32 False False False False \n", + "33 False False False False \n", + "34 False False False False \n", + "35 False False False False \n", + "36 False False False False \n", + "37 False False False False \n", + "38 False False False False \n", + "39 False False False False \n", + "40 False False False False \n", + "41 False False False False \n", + "42 False False False False \n", + "43 False False False False \n", + "44 False False False False \n", + "45 False False False False \n", + "46 False False False False \n", + "47 False False False False \n", + "48 False False False False \n", + "49 False False False False \n", + "50 False False False False \n", + "51 False False False False \n", + "52 False False False False \n", + "53 False False False False \n", + "54 False False False False \n", + "55 False False False False \n", + "56 False False False False \n", + "57 False False False False \n", + "58 False False False False \n", + "\n", + " Atividade Sexual Concentração Otimismo Diagnóstico do Profissional \n", + "0 False False False False \n", + "1 False False False False \n", + "2 False False False False \n", + "3 False False False False \n", + "4 False False False False \n", + "5 False False False False \n", + "6 False False False False \n", + "7 False False False False \n", + "8 False False False False \n", + "9 False False False False \n", + "10 False False False False \n", + "11 False False False False \n", + "12 False False False False \n", + "13 False False False False \n", + "14 False False False False \n", + "15 False False False False \n", + "16 False False False False \n", + "17 False False False False \n", + "18 False False False False \n", + "19 False False False False \n", + "20 False False False False \n", + "21 False False False False \n", + "22 False False False False \n", + "23 False False False False \n", + "24 False False False False \n", + "25 False False False False \n", + "26 False False False False \n", + "27 False False False False \n", + "28 False False False False \n", + "29 False False False False \n", + "30 False False False False \n", + "31 False False False False \n", + "32 False False False False \n", + "33 False False False False \n", + "34 False False False False \n", + "35 False False False False \n", + "36 False False False False \n", + "37 False False False False \n", + "38 False False False False \n", + "39 False False False False \n", + "40 False False False False \n", + "41 False False False False \n", + "42 False False False False \n", + "43 False False False False \n", + "44 False False False False \n", + "45 False False False False \n", + "46 False False False False \n", + "47 False False False False \n", + "48 False False False False \n", + "49 False False False False \n", + "50 False False False False \n", + "51 False False False False \n", + "52 False False False False \n", + "53 False False False False \n", + "54 False False False False \n", + "55 False False False False \n", + "56 False False False False \n", + "57 False False False False \n", + "58 False False False False \n" + ] + } + ], + "source": [ + "nulos = df.isnull()\n", + "print(nulos)" + ] + }, + { + "cell_type": "code", + "execution_count": 17, + "metadata": {}, + "outputs": [ + { + "name": "stdout", + "output_type": "stream", + "text": [ + "Tristeza 0\n", + "Euforia 0\n", + "Problemas com o sono 0\n", + "Mudança de humor 0\n", + "Atividade Sexual 0\n", + "Concentração 0\n", + "Otimismo 0\n", + "Diagnóstico do Profissional 0\n", + "dtype: int64\n" + ] + } + ], + "source": [ + "nulos_por_coluna = df.isnull().sum()\n", + "print(nulos_por_coluna)" + ] + } + ], + "metadata": { + "kernelspec": { + "display_name": "base", + "language": "python", + "name": "python3" + }, + "language_info": { + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "file_extension": ".py", + "mimetype": "text/x-python", + "name": "python", + "nbconvert_exporter": "python", + "pygments_lexer": "ipython3", + "version": "3.12.4" + } + }, + "nbformat": 4, + "nbformat_minor": 2 +} diff --git a/material/transtorno-bipolar.md b/material/transtorno-bipolar.md new file mode 100644 index 0000000..43f87d5 --- /dev/null +++ b/material/transtorno-bipolar.md @@ -0,0 +1,48 @@ +** + +## Transtorno Bipolar Tipo1 e Tipo2 e Suas Comparações + +** + +Neste projeto será apresentado comparações sobre comportamentos que são integrados a alguns sintomas para assim definir os pacientes com Transtorno Afetivo Bipolar (TAB). Sendo dividido em duas formas: + +- Tipo1: há a predominância dos quadros de mania ou hipomania ao invés de quadros depressivos. Os períodos de mania são caracterizados por períodos de ativação, em que o paciente se sente mais confiante, autoestima inflada, falas rápidas, agitação, redução do sono, impulsos, comportamento de atividade sexual aumentado, entre outros, podendo levar a esquizofrenia; já os de hipomania eles são os mesmos de mania, porém mais brandos; + +- Tipo2: a depressão é mais predominante do que a hipomania. O paciente pode nunca ter tido um quadro de mania. Geralmente começa por depressão, mas também pode começar com quadros de transtornos alimentares, ansiedade ou/e uso de substâncias. + + +A escolha do tema se deu por primeiramente eu ser uma paciente com TAB, e também para ajudar pessoas leigas que tenham familiares, amigos, afetos, etc a identificar alguns comportamentos e ajudar a observar o paciente quando ele está tendo alguma virada, seja ela qual for (mania, hiponiaca ou depressiva). + +Através dos dados apresentados, aqui será mostrado os sintomas para os quadros do Tipo1 e do Tipo2 e será feito um comparativo para identificar o que é predominante em um ou outro e até mesmo por pacientes. + +**Dados de Análise** +Em uma pesquisa feita com 120 pacientes, entre eles com os diagnósticos de Transtorno Bipolar Tipo1, Transtorno Bipolar Tipo2, Depressão e Pessoas sem transtorno, selecionei os pacientes de TAB Tipos 1 e 2, e também a seleção de 17 sintomas a níveis comportamentais que reduzi para 7. Os sintomas selecionados foram: tristeza, euforia, otimismo, mudanças de humor, problemas com o sono, atividade sexual e concentração. A escolha desses sintomas foram feitas para comparar seus totais extremos a princípio, e também para comparar um comportamento mediante a outro (atividade sexual com concentração). +Todos os sintomas estão presentes do DSM-5 (Manual Diagnóstico e Estatístico de Transtornos Mentais 5.ª edição) e os dados foram coletados pelo [Havard Dataverse](https://dataverse.harvard.edu/file.xhtml?fileId=7440350&version=1.1&toolType=PREVIEW) (ou podem ser localizado pelo [Kaggle](https://www.kaggle.com/code/mrcsdvale/mental-disorder-eda)) + +**Antes de Tudo** + +O primeiro passo foi fazer a limpeza e tradução do documento. O documento original se encontra na língua inglesa, e como dito anteriormente com 120 pacientes e 17 sintomas, como reportado abaixo: + +Logo após, foi tratado e filtrado dentro da própria planilha, reduzindo apenas para pacientes com Transtorno Bipolar e 7 sintomas: + +**Onde a mágica começa a acontecer** + +Agora começamos a nossa análise. Antes de tudo, foi separado quantos pacientes tem o Tipo1 e o Tipo2, sendo *28 Tipo1* e *31 com Tipo2*, sendo o total de 59 pacientes com TAB. + +**Euforia e Tristeza** + +Aqui vemos que a maior parte dos pacientes que respondem positivamente a Euforia seria os paciente com Tipo2, já que a maioria relata que *geralmente* e *as vezes* se sentem eufóricos. Agora com Tristeza, a 16 dos pacientes do tipo 2 respondem que sentem *geralmente*, e 8 *com maioria das vezes*. Já os com Tipo1 12 responderam *as vezes*. Podemos ver que os números em Euforia seriam altos para os pacientes com Tipo1 e iguais para os de tipo2. Mas quando se fala em Tristeza, a maior parte dos pacientes do Tipo2 respondem, mas vemos também que 12 pessoas (uma boa parte dos de Tipo1) respondem que sentem as vezes. Com isso observamos que sim, estado de euforia é algo geralmente do tipo1 e de tristeza do tipo2, mas que o tipo1 também pode transitar em um quadro de tristeza. + +**Problemas com o Sono e Mudança de Humor** + +Tanto os pacientes com Tipo1 quanto Tipo2 relatam ter problemas com o sono, e consequentemente acabam gerando uma mudança de humor. Mas o número elevado de *as vezes* e *geralmente* do Tipo2 são altos, e se observa que todos os 31 pacientes tiveram mudança de humor, enquanto os pacientes com tipo1 25 tiveram mudança e apenas 3 não tiveram. +Aqui vemos que a regulação no sono é importante, pois segundo o DSM-5 e psiquiatras, a regulação do ciclo cicardiano é o ponto principal para que não se tenha uma virada maníaca/hipomaníaca ou depressiva. A regulação do sono não se dá apenas a dormir pouco, mas a dormir bastante também, pois pode ser um sinal de um quadro depressivo. + +**Atividade Sexual e Concentração** + +Podemos ver que enquanto os pacientes Tipo1 está com uma atividade sexual alta e uma concentração baixa, os pacientes Tipo2 estão com a libido baixa, mas em questão de concentração está quase igualada ao Tipo 1. + +**Conclusões Finais** + +Aqui podemos verificar tanto por paciente quanto numa forma geral. Mas no geral, podemos ver que alguns comportamentos variam sim de um quadro pro outro, e outros nem tanto (como é o caso da concentração entre Tipo1 e Tipo2. Mas quando o assunto é comparar com atividade sexual o Tipo1 tem a atividade sexual maior e a concentração menor, e o Tipo2 não tem tanta variação). +Essas observações são super importantes para olhar além os pacientes e assim procurar ajudar da melhor forma quando tiver quadros de viradas de humor ou até mesmo alguns comportamentos nocivos e que podem colocar a vida deles em risco. From 716a0371bbde3640a2c43f9725fc25cba7382ae4 Mon Sep 17 00:00:00 2001 From: Thalita Date: Sun, 13 Oct 2024 20:45:49 -0300 Subject: [PATCH 4/7] =?UTF-8?q?an=C3=A1lise=20transtorno=20bipolar=20tipo?= =?UTF-8?q?=201=20e=202?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- material/transtorno-bipolar.md | 48 ---------------------------------- 1 file changed, 48 deletions(-) delete mode 100644 material/transtorno-bipolar.md diff --git a/material/transtorno-bipolar.md b/material/transtorno-bipolar.md deleted file mode 100644 index 43f87d5..0000000 --- a/material/transtorno-bipolar.md +++ /dev/null @@ -1,48 +0,0 @@ -** - -## Transtorno Bipolar Tipo1 e Tipo2 e Suas Comparações - -** - -Neste projeto será apresentado comparações sobre comportamentos que são integrados a alguns sintomas para assim definir os pacientes com Transtorno Afetivo Bipolar (TAB). Sendo dividido em duas formas: - -- Tipo1: há a predominância dos quadros de mania ou hipomania ao invés de quadros depressivos. Os períodos de mania são caracterizados por períodos de ativação, em que o paciente se sente mais confiante, autoestima inflada, falas rápidas, agitação, redução do sono, impulsos, comportamento de atividade sexual aumentado, entre outros, podendo levar a esquizofrenia; já os de hipomania eles são os mesmos de mania, porém mais brandos; - -- Tipo2: a depressão é mais predominante do que a hipomania. O paciente pode nunca ter tido um quadro de mania. Geralmente começa por depressão, mas também pode começar com quadros de transtornos alimentares, ansiedade ou/e uso de substâncias. - - -A escolha do tema se deu por primeiramente eu ser uma paciente com TAB, e também para ajudar pessoas leigas que tenham familiares, amigos, afetos, etc a identificar alguns comportamentos e ajudar a observar o paciente quando ele está tendo alguma virada, seja ela qual for (mania, hiponiaca ou depressiva). - -Através dos dados apresentados, aqui será mostrado os sintomas para os quadros do Tipo1 e do Tipo2 e será feito um comparativo para identificar o que é predominante em um ou outro e até mesmo por pacientes. - -**Dados de Análise** -Em uma pesquisa feita com 120 pacientes, entre eles com os diagnósticos de Transtorno Bipolar Tipo1, Transtorno Bipolar Tipo2, Depressão e Pessoas sem transtorno, selecionei os pacientes de TAB Tipos 1 e 2, e também a seleção de 17 sintomas a níveis comportamentais que reduzi para 7. Os sintomas selecionados foram: tristeza, euforia, otimismo, mudanças de humor, problemas com o sono, atividade sexual e concentração. A escolha desses sintomas foram feitas para comparar seus totais extremos a princípio, e também para comparar um comportamento mediante a outro (atividade sexual com concentração). -Todos os sintomas estão presentes do DSM-5 (Manual Diagnóstico e Estatístico de Transtornos Mentais 5.ª edição) e os dados foram coletados pelo [Havard Dataverse](https://dataverse.harvard.edu/file.xhtml?fileId=7440350&version=1.1&toolType=PREVIEW) (ou podem ser localizado pelo [Kaggle](https://www.kaggle.com/code/mrcsdvale/mental-disorder-eda)) - -**Antes de Tudo** - -O primeiro passo foi fazer a limpeza e tradução do documento. O documento original se encontra na língua inglesa, e como dito anteriormente com 120 pacientes e 17 sintomas, como reportado abaixo: - -Logo após, foi tratado e filtrado dentro da própria planilha, reduzindo apenas para pacientes com Transtorno Bipolar e 7 sintomas: - -**Onde a mágica começa a acontecer** - -Agora começamos a nossa análise. Antes de tudo, foi separado quantos pacientes tem o Tipo1 e o Tipo2, sendo *28 Tipo1* e *31 com Tipo2*, sendo o total de 59 pacientes com TAB. - -**Euforia e Tristeza** - -Aqui vemos que a maior parte dos pacientes que respondem positivamente a Euforia seria os paciente com Tipo2, já que a maioria relata que *geralmente* e *as vezes* se sentem eufóricos. Agora com Tristeza, a 16 dos pacientes do tipo 2 respondem que sentem *geralmente*, e 8 *com maioria das vezes*. Já os com Tipo1 12 responderam *as vezes*. Podemos ver que os números em Euforia seriam altos para os pacientes com Tipo1 e iguais para os de tipo2. Mas quando se fala em Tristeza, a maior parte dos pacientes do Tipo2 respondem, mas vemos também que 12 pessoas (uma boa parte dos de Tipo1) respondem que sentem as vezes. Com isso observamos que sim, estado de euforia é algo geralmente do tipo1 e de tristeza do tipo2, mas que o tipo1 também pode transitar em um quadro de tristeza. - -**Problemas com o Sono e Mudança de Humor** - -Tanto os pacientes com Tipo1 quanto Tipo2 relatam ter problemas com o sono, e consequentemente acabam gerando uma mudança de humor. Mas o número elevado de *as vezes* e *geralmente* do Tipo2 são altos, e se observa que todos os 31 pacientes tiveram mudança de humor, enquanto os pacientes com tipo1 25 tiveram mudança e apenas 3 não tiveram. -Aqui vemos que a regulação no sono é importante, pois segundo o DSM-5 e psiquiatras, a regulação do ciclo cicardiano é o ponto principal para que não se tenha uma virada maníaca/hipomaníaca ou depressiva. A regulação do sono não se dá apenas a dormir pouco, mas a dormir bastante também, pois pode ser um sinal de um quadro depressivo. - -**Atividade Sexual e Concentração** - -Podemos ver que enquanto os pacientes Tipo1 está com uma atividade sexual alta e uma concentração baixa, os pacientes Tipo2 estão com a libido baixa, mas em questão de concentração está quase igualada ao Tipo 1. - -**Conclusões Finais** - -Aqui podemos verificar tanto por paciente quanto numa forma geral. Mas no geral, podemos ver que alguns comportamentos variam sim de um quadro pro outro, e outros nem tanto (como é o caso da concentração entre Tipo1 e Tipo2. Mas quando o assunto é comparar com atividade sexual o Tipo1 tem a atividade sexual maior e a concentração menor, e o Tipo2 não tem tanta variação). -Essas observações são super importantes para olhar além os pacientes e assim procurar ajudar da melhor forma quando tiver quadros de viradas de humor ou até mesmo alguns comportamentos nocivos e que podem colocar a vida deles em risco. From 8e04323c11da88a0e8712cdc267e007de0cc1b02 Mon Sep 17 00:00:00 2001 From: Thalita Date: Sun, 13 Oct 2024 20:51:33 -0300 Subject: [PATCH 5/7] =?UTF-8?q?ana=C3=A1lise=20transtorno=20bipolar=20tipo?= =?UTF-8?q?=201=20e=202?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- material/transtorno-bipolar.md | 48 ++++++++++++++++++++++++++++++++++ 1 file changed, 48 insertions(+) create mode 100644 material/transtorno-bipolar.md diff --git a/material/transtorno-bipolar.md b/material/transtorno-bipolar.md new file mode 100644 index 0000000..0506055 --- /dev/null +++ b/material/transtorno-bipolar.md @@ -0,0 +1,48 @@ +** + +## Transtorno Bipolar Tipo1 e Tipo2 e Suas Comparações + +** + +Neste projeto será apresentado comparações sobre comportamentos que são integrados a alguns sintomas para assim definir os pacientes com Transtorno Afetivo Bipolar (TAB). Sendo dividido em duas formas: + +- Tipo1: há a predominância dos quadros de mania ou hipomania ao invés de quadros depressivos. Os períodos de mania são caracterizados por períodos de ativação, em que o paciente se sente mais confiante, autoestima inflada, falas rápidas, agitação, redução do sono, impulsos, comportamento de atividade sexual aumentado, entre outros, podendo levar a esquizofrenia; já os de hipomania eles são os mesmos de mania, porém mais brandos; + +- Tipo2: a depressão é mais predominante do que a hipomania. O paciente pode nunca ter tido um quadro de mania. Geralmente começa por depressão, mas também pode começar com quadros de transtornos alimentares, ansiedade ou/e uso de substâncias. + + +A escolha do tema se deu por primeiramente eu ser uma paciente com TAB, e também para ajudar pessoas leigas que tenham familiares, amigos, afetos, etc a identificar alguns comportamentos e ajudar a observar o paciente quando ele está tendo alguma virada, seja ela qual for (mania, hiponiaca ou depressiva). + +Através dos dados apresentados, aqui será mostrado os sintomas para os quadros do Tipo1 e do Tipo2 e será feito um comparativo para identificar o que é predominante em um ou outro e até mesmo por pacientes. + +**Dados de Análise** +Em uma pesquisa feita com 120 pacientes, entre eles com os diagnósticos de Transtorno Bipolar Tipo1, Transtorno Bipolar Tipo2, Depressão e Pessoas sem transtorno, selecionei os pacientes de TAB Tipos 1 e 2, e também a seleção de 17 sintomas a níveis comportamentais que reduzi para 7. Os sintomas selecionados foram: tristeza, euforia, otimismo, mudanças de humor, problemas com o sono, atividade sexual e concentração. A escolha desses sintomas foram feitas para comparar seus totais extremos a princípio, e também para comparar um comportamento mediante a outro (atividade sexual com concentração). +Todos os sintomas estão presentes do DSM-5 (Manual Diagnóstico e Estatístico de Transtornos Mentais 5.ª edição) e os dados foram coletados pelo [Havard Dataverse](https://dataverse.harvard.edu/file.xhtml?fileId=7440350&version=1.1&toolType=PREVIEW) (ou podem ser localizado pelo [Kaggle](https://www.kaggle.com/code/mrcsdvale/mental-disorder-eda)) + +**Antes de Tudo** + +O primeiro passo foi fazer a limpeza e tradução do documento. O documento original se encontra na língua inglesa, e como dito anteriormente com 120 pacientes e 17 sintomas. + +Logo após, foi tratado e filtrado dentro da própria planilha, reduzindo apenas para pacientes com Transtorno Bipolar e 7 sintomas: + +**Onde a mágica começa a acontecer** + +Agora começamos a nossa análise. Antes de tudo, foi separado quantos pacientes tem o Tipo1 e o Tipo2, sendo *28 Tipo1* e *31 com Tipo2*, sendo o total de 59 pacientes com TAB. + +**Euforia e Tristeza** + +Aqui vemos que a maior parte dos pacientes que respondem positivamente a Euforia seria os paciente com Tipo2, já que a maioria relata que *geralmente* e *as vezes* se sentem eufóricos. Agora com Tristeza, a 16 dos pacientes do tipo 2 respondem que sentem *geralmente*, e 8 *com maioria das vezes*. Já os com Tipo1 12 responderam *as vezes*. Podemos ver que os números em Euforia seriam altos para os pacientes com Tipo1 e iguais para os de tipo2. Mas quando se fala em Tristeza, a maior parte dos pacientes do Tipo2 respondem, mas vemos também que 12 pessoas (uma boa parte dos de Tipo1) respondem que sentem as vezes. Com isso observamos que sim, estado de euforia é algo geralmente do tipo1 e de tristeza do tipo2, mas que o tipo1 também pode transitar em um quadro de tristeza. + +**Problemas com o Sono e Mudança de Humor** + +Tanto os pacientes com Tipo1 quanto Tipo2 relatam ter problemas com o sono, e consequentemente acabam gerando uma mudança de humor. Mas o número elevado de *as vezes* e *geralmente* do Tipo2 são altos, e se observa que todos os 31 pacientes tiveram mudança de humor, enquanto os pacientes com tipo1 25 tiveram mudança e apenas 3 não tiveram. +Aqui vemos que a regulação no sono é importante, pois segundo o DSM-5 e psiquiatras, a regulação do ciclo cicardiano é o ponto principal para que não se tenha uma virada maníaca/hipomaníaca ou depressiva. A regulação do sono não se dá apenas a dormir pouco, mas a dormir bastante também, pois pode ser um sinal de um quadro depressivo. + +**Atividade Sexual e Concentração** + +Podemos ver que enquanto os pacientes Tipo1 está com uma atividade sexual alta e uma concentração baixa, os pacientes Tipo2 estão com a libido baixa, mas em questão de concentração está quase igualada ao Tipo 1. + +**Conclusões Finais** + +Aqui podemos verificar tanto por paciente quanto numa forma geral. Mas no geral, podemos ver que alguns comportamentos variam sim de um quadro pro outro, e outros nem tanto (como é o caso da concentração entre Tipo1 e Tipo2. Mas quando o assunto é comparar com atividade sexual o Tipo1 tem a atividade sexual maior e a concentração menor, e o Tipo2 não tem tanta variação). +Essas observações são super importantes para olhar além os pacientes e assim procurar ajudar da melhor forma quando tiver quadros de viradas de humor ou até mesmo alguns comportamentos nocivos e que podem colocar a vida deles em risco. From 9c43e40db3cde7718f736ef23e1eabd1798c658b Mon Sep 17 00:00:00 2001 From: Thalita Date: Sun, 13 Oct 2024 21:01:33 -0300 Subject: [PATCH 6/7] =?UTF-8?q?descri=C3=A7=C3=A3o=20projeto?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- ...an\303\241lise-descri\303\247\303\243o.md" | 51 +++++++++++++++++++ 1 file changed, 51 insertions(+) create mode 100644 "material/an\303\241lise-descri\303\247\303\243o.md" diff --git "a/material/an\303\241lise-descri\303\247\303\243o.md" "b/material/an\303\241lise-descri\303\247\303\243o.md" new file mode 100644 index 0000000..dd5be2a --- /dev/null +++ "b/material/an\303\241lise-descri\303\247\303\243o.md" @@ -0,0 +1,51 @@ +# Análise Transtorno Bipolar Tipo 1 e 2 + +## Contexto +Este projeto consiste na análise de variações de humor e ativações em pessoas com Transtorno Afetivo Bipolar (TAB) 1 e 2. + +# Bases Escolhidas + Base 1: [A Collection of 120 Psychology Patients with 17 Essential Symptoms to Diagnose Mania Bipolar Disorder, Depressive Bipolar Disorder, Major Depressive Disorder, and Normal Individuals, Harvard Dataverse] + +# Objetivo Geral: +Esse projeto tem como objetivo de ter uma base comparativa de comportamentos de pessoas com Transtorno Afetivo Bipolar Tipo 1 e Tipo 2. Vendo as diferenças de comportamento em cima dos temas de maiores riscos para o paciente. +As perguntas norteadoras deste projeto são: + +[Pergunta sobre o perfil dos dados] - Em sua maioria, qual é o principal desempenho e comportamento de ambas as classificações (Tipo 1 e Tipo 2)? + +[Pergunta comparativa] - Quando o paciente em Atividade Sexual a sua Concentração permanece o mesmo ou muda?? + +[Pergunta relacional] - A maioria das mudanças de humor vem quando o sono está desregulado? + +[Pergunta exploratória] - Quais comportamentos podem ser os principais fatores para identificar se o paciente está entrando em uma mudança de humor? + +# Ferramentas Utilizadas +Colab: Python dentro do colab para a análise exploratória de dados utilizando bibliotecas como seaborn, pandas, matplotlib e warnings. + +GitHub: Para versionamento do projeto e documentação. + +Google Colab: Para execução de notebooks e limpeza de dados de forma colaborativa e em nuvem.# Análise Transtorno Bipolar Tipo 1 e 2 + +## Contexto +Este projeto consiste na análise de variações de humor e ativações em pessoas com Transtorno Afetivo Bipolar (TAB) 1 e 2. + +# Bases Escolhidas + Base 1: [A Collection of 120 Psychology Patients with 17 Essential Symptoms to Diagnose Mania Bipolar Disorder, Depressive Bipolar Disorder, Major Depressive Disorder, and Normal Individuals, Harvard Dataverse] + +# Objetivo Geral: +Esse projeto tem como objetivo de ter uma base comparativa de comportamentos de pessoas com Transtorno Afetivo Bipolar Tipo 1 e Tipo 2. Vendo as diferenças de comportamento em cima dos temas de maiores riscos para o paciente. +As perguntas norteadoras deste projeto são: + +[Pergunta sobre o perfil dos dados] - Em sua maioria, qual é o principal desempenho e comportamento de ambas as classificações (Tipo 1 e Tipo 2)? + +[Pergunta comparativa] - Quando o paciente em Atividade Sexual a sua Concentração permanece o mesmo ou muda?? + +[Pergunta relacional] - A maioria das mudanças de humor vem quando o sono está desregulado? + +[Pergunta exploratória] - Quais comportamentos podem ser os principais fatores para identificar se o paciente está entrando em uma mudança de humor? + +# Ferramentas Utilizadas +Colab: Python dentro do colab para a análise exploratória de dados utilizando bibliotecas como seaborn, pandas, matplotlib e warnings. + +GitHub: Para versionamento do projeto e documentação. + +Google Colab: Para execução de notebooks e limpeza de dados de forma colaborativa e em nuvem. \ No newline at end of file From befefba10634aec0182016490840e2928f0ef1e3 Mon Sep 17 00:00:00 2001 From: Thalita Carneiro <168604585+wowcarneirinho@users.noreply.github.com> Date: Sun, 13 Oct 2024 21:28:59 -0300 Subject: [PATCH 7/7] =?UTF-8?q?Update=20an=C3=A1lise-bipolar.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- "material/an\303\241lise-bipolar.md" | 2 ++ 1 file changed, 2 insertions(+) diff --git "a/material/an\303\241lise-bipolar.md" "b/material/an\303\241lise-bipolar.md" index e615f39..8ab324b 100644 --- "a/material/an\303\241lise-bipolar.md" +++ "b/material/an\303\241lise-bipolar.md" @@ -24,3 +24,5 @@ Colab: Python dentro do colab para a análise exploratória de dados utilizando GitHub: Para versionamento do projeto e documentação. Google Colab: Para execução de notebooks e limpeza de dados de forma colaborativa e em nuvem. + +Tableau: para demonstração das análises por gráficos.