YGTSS_CAARS_new.Rmd

---
title: "R Notebook"
output: html_notebook
---

```{r}
library('dplyr')
library('lme4')
library('sjmisc')
library("ggplot2")
library('afex')
library('jmv')
library('emmeans')
library('effectsize')
library('rstatix')
library('haven')
library('readxl')
library("writexl")
```


!!!
Vérifier que groupes sont égaux sur les autres variables (âge, QI, scolarité...). Et le rapporter dans l'article

Regarder médication, voir si gr sont égaux sur la médication. 
pour Pre, peux faire moyenne si pas trop de variance entre les scores Pre du participant.

pour le YGTSS, les items manquants sont probablement 0, vérifier si ça concorde avec le score final si on met 0 à la place du NA à l'item. --> OK c'est fait

```{r}
setwd("C:/Users/Admin/Desktop/CRIUSMM/Tourette")
```


# YGTSS
```{r}
ygtss <- readxl::read_excel("Excel/YGTSS_Emmanuelle.xlsx")
YGTSS = data.frame(id = ygtss$PatientCode, tps_de_mesure = ygtss$tblCondition.Nom, 
                   nbr_moteur = ygtss$nbr_moteur, nbr_phonique = ygtss$nbr_phonique, 
                   frq_moteur = ygtss$frq_moteur, frq_phonique = ygtss$frq_phonique, 
                   int_moteur = ygtss$int_moteur, int_phonique = ygtss$int_phonique, 
                   comp_moteur = ygtss$comp_moteur, comp_phonique = ygtss$comp_phonique, 
                   inter_moteur = ygtss$inter_moteur, inter_phonique = ygtss$inter_phonique, 
                   deter_moteur = ygtss$deter_moteur, deter_phonique = ygtss$deter_phonique, YGTSS = ygtss$total)
YGTSS
```

## Vérifier comment les différents temps de mesures sont notés pour voir lesquels je peux regrouper (lesquels correspondent à la même chose)
```{r}
sjmisc::frq(YGTSS$tps_de_mesure)
# une seule personne a Post T1 donc clairement veut dire post 6 mois
YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "Post T1"] <- "Post_6_mois"
YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "Pre 2"] <- "Pre_T2"

YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "post 1 an"] <- "Post_1_an"
YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "post 6 mois"] <- "Post_6_mois"

YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "Pré"] <- "Pre"
YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "Pré_T1"] <- "Pre_T1"
YGTSS['tps_de_mesure'][YGTSS['tps_de_mesure'] == "Pré_T2"] <- "Pre_T2"

sjmisc::frq(YGTSS$tps_de_mesure)

YGTSS_wide <- reshape(YGTSS, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
YGTSS_wide
```

# CAARS
Modifications direct dans le fichier :
ô --> o
é --> e
1222 B --> 1222
1753/1922 --> 1922
, --> . (sinon lu comme alpha)

controle PRe 2, controle PRE, controle, PrE T2 --> Pre
Post T1 --> Post
```{r}
# J'ai dû modifier le fichier pour remplacer les ô et les é par o et e, pcq r les lisait pas correctement
caars <- read.csv("Excel/MarcCAARSwide.csv", sep = ";")
CAARS = data.frame(id = caars$PatientCode, protocole = as.character(caars$tblProtocole.Nom), tps_de_mesure = as.character(caars$tblCondition.Nom), A = caars$CAARSA, B = caars$CAARSB, C = caars$CAARSC, D = caars$CAARSD, E = caars$CAARSE, score = caars$Total)
CAARS <- subset(CAARS, id != 3307) # j'ai pas son âge
CAARS

frq(CAARS$protocole)
CAARS <- subset(CAARS, protocole != "IBA_2003" & protocole != "RCT-act" & protocole != "Rachel M\xe9moire" & protocole != "TAC-RV") # IBA_2003 = des TOC et RCT-act sont ans-dep

sjmisc::frq(CAARS$tps_de_mesure)
CAARS_wide <- reshape(CAARS, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
CAARS_wide

# Personne a Pre ET PrE. Même chose pour PrE T1, controle, etc. Donc --> Pre.
subset(CAARS_wide, !is.na(CAARS_wide$score.Pre) & !is.na(CAARS_wide$`score.controle PRe 2`))
subset(CAARS_wide, !is.na(CAARS_wide$score.Pre) & !is.na(CAARS_wide$`score.Pre T1`))
subset(CAARS_wide, !is.na(CAARS_wide$score.Pre) & !is.na(CAARS_wide$score.controle))
subset(CAARS_wide, !is.na(CAARS_wide$score.Pre) & !is.na(CAARS_wide$`score.controle PRe`))
CAARS['tps_de_mesure'][CAARS['tps_de_mesure'] == "controle" | CAARS['tps_de_mesure'] == "controle PRe" | CAARS['tps_de_mesure'] == "controle PRe 2"| CAARS['tps_de_mesure'] == "Pre T1"] <- "Pre"

# Seulement 1642 a Post ET Post T1, mais c'est le même score, donc ok de faire Post T1 --> Post
subset(CAARS_wide, !is.na(CAARS_wide$score.Post) & !is.na(CAARS_wide$`score.Post T1`))
CAARS['tps_de_mesure'][CAARS['tps_de_mesure'] == "Post T1"] <- "Post"
sjmisc::frq(CAARS$tps_de_mesure)
CAARS
# Conserver juste le tableau des colonnes pre, enlever les post
CAARS_pre <- subset(CAARS, tps_de_mesure == "Pre")
CAARS_pre # 132 participants

CAARS_pre <- CAARS_pre %>% rename(CAARS = score)
CAARS_pre
```


# Données BAI et BDI
## BAI
J'ai retiré directement dans le fichier tous les id qui sont pas entre 1222 et 8010
1945 a 2 Pre mais donnent le même score final donc j'ai supprimé une des lignes 1945 Pre
```{r}
bai <- read.csv("Excel/Marc_BAIwide.csv", sep = ";")
BAI <-  data.frame(id = bai$PatientCode, protocole = as.character(bai$Protocole), tps_de_mesure = bai$Condition, BAI = as.numeric(bai$IABtot))
BAI
BAI <- subset(BAI, protocole != "IBA_2003" & protocole != "RCT-act" & protocole != "Rachel M\xe9moire" & protocole != "TAC-RV")

# Garder juste les pré
BAI <- BAI[!(BAI$tps_de_mesure == "Exclusion" | BAI$tps_de_mesure=="abandon" | BAI$tps_de_mesure== "desistement" | BAI$tps_de_mesure == "Post_T1" | BAI$tps_de_mesure == "Post_T2" | BAI$tps_de_mesure == "Post" | BAI$tps_de_mesure == "Post-RV" | BAI$tps_de_mesure == "post_6_mois" | BAI$tps_de_mesure == "post_1_an" | BAI$tps_de_mesure =="Bloc_0" | BAI$tps_de_mesure=="MI" | BAI$tps_de_mesure== "Mid"| BAI$tps_de_mesure== "post"),]

sjmisc::frq(BAI$tps_de_mesure)

BAI_wide <- reshape(BAI, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
BAI_wide

# Ceux qui ont juste le tps de mesure controle --> Pre
subset(BAI, tps_de_mesure == "controle")
BAI['tps_de_mesure'][BAI['tps_de_mesure'] == "controle"] <- "Pre"

# PRe_2 --> Pre_T2
subset(BAI, tps_de_mesure == "PRe_2")
BAI['tps_de_mesure'][BAI['tps_de_mesure'] == "PRe_2"] <- "Pre_T2"
sjmisc::frq(BAI$tps_de_mesure)


# Tous les controle_PRe ont juste ce score là, sauf 1222. Les autres --> Pre. 1222 --> Pre T1 T2
subset(BAI_wide, !is.na(BAI_wide$BAI.controle_PRe) & (!is.na(BAI_wide$BAI.Pre_T1) | !is.na(BAI_wide$BAI.Pre) | !is.na(BAI_wide$BAI.Pre_T2 | !is.na(BAI_wide$BAI.controle_PRe_2))))
BAI$tps_de_mesure <- ifelse(BAI$id == "1222" & BAI$tps_de_mesure == "controle_PRe", "Pre_T1", BAI$tps_de_mesure)
BAI$tps_de_mesure <- ifelse(BAI$id == "1222" & BAI$tps_de_mesure == "controle_PRe_2", "Pre_T2", BAI$tps_de_mesure)
BAI['tps_de_mesure'][BAI['tps_de_mesure'] == "controle_PRe"] <- "Pre"

# controle_PRe_2 --> Pre
subset(BAI_wide, !is.na(BAI_wide$BAI.controle_PRe_2) & (!is.na(BAI_wide$BAI.Pre_T1) | !is.na(BAI_wide$BAI.Pre) | !is.na(BAI_wide$BAI.Pre_T2)))
BAI['tps_de_mesure'][BAI['tps_de_mesure'] == "controle_PRe_2"] <- "Pre"


BAI_wide_2 = reshape(BAI, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
BAI_wide_2
```


```{r}
# Aucun a les 3 scores Pre.
subset(BAI_wide_2, !is.na(BAI_wide_2$BAI.Pre_T2) & !is.na(BAI_wide_2$BAI.Pre) & !is.na(BAI_wide_2$BAI.Pre_T1))
# Ceux qui ont juste un Pre T2
subset(BAI_wide_2, !is.na(BAI_wide_2$BAI.Pre_T2) & is.na(BAI_wide_2$BAI.Pre) & is.na(BAI_wide_2$BAI.Pre_T1))

BAI_wide_3 = reshape(BAI, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
BAI_wide_3

# Aucun a Pre et T1
subset(BAI_wide_3, !is.na(BAI_wide_3$BAI.Pre_T1) & !is.na(BAI_wide_3$BAI.Pre) & is.na(BAI_wide_3$BAI.Pre_T2))

# Aucun a Pre et T2
subset(BAI_wide_3, is.na(BAI_wide_3$BAI.Pre_T1) & !is.na(BAI_wide_3$BAI.Pre) & !is.na(BAI_wide_3$BAI.Pre_T2))
# 164 id ont juste un T1
subset(BAI_wide_3, !is.na(BAI_wide_3$BAI.Pre_T1) & is.na(BAI_wide_3$BAI.Pre) & is.na(BAI_wide_3$BAI.Pre_T2))

BAI_wide_3$BAI.Pre <- ifelse(!is.na(BAI_wide_3$BAI.Pre_T1) & is.na(BAI_wide_3$BAI.Pre) & is.na(BAI_wide_3$BAI.Pre_T2), BAI_wide_3$BAI.Pre_T1, BAI_wide_3$BAI.Pre)
BAI_wide_3$BAI.Pre_T1 <- ifelse(!is.na(BAI_wide_3$BAI.Pre_T1) & !is.na(BAI_wide_3$BAI.Pre) & is.na(BAI_wide_3$BAI.Pre_T2), NA, BAI_wide_3$BAI.Pre_T1)

# Aucun qui a juste T2
subset(BAI_wide_3, is.na(BAI_wide_3$BAI.Pre_T1) & is.na(BAI_wide_3$BAI.Pre) & !is.na(BAI_wide_3$BAI.Pre_T2))

BAI_wide_4 <- data.frame(id = BAI_wide_3$id, BAI_pre = as.numeric(BAI_wide_3$BAI.Pre), BAI_T1 = as.numeric(BAI_wide_3$BAI.Pre_T1), BAI_T2 = as.numeric(BAI_wide_3$BAI.Pre_T2))
```

## BDI
```{r}
bdi <- read.csv("Excel/Marc_BDIwide.csv", sep = ";")
BDI <-  data.frame(id = bdi$PatientCode, protocole = as.character(bdi$tblProtocole.Nom), tps_de_mesure = bdi$tblCondition.Nom, bdi = as.numeric(bdi$BDItot))
BDI

BDI <- subset(BDI, protocole != "IBA_2003" & protocole != "Group_1999" & protocole != "RCT-act" & protocole != "Rachel M\xe9moire" & protocole != "TAC-RV")
sjmisc::frq(BDI$tps_de_mesure)

BDI <- BDI[!(BDI$tps_de_mesure == "Exclusion" | BDI$tps_de_mesure=="abandon" | BDI$tps_de_mesure== "desistement" | BDI$tps_de_mesure == "Post_T1" | BDI$tps_de_mesure == "Post_T2" | BDI$tps_de_mesure == "Post" | BDI$tps_de_mesure == "Post-RV" | BDI$tps_de_mesure == "post_6_mois" | BDI$tps_de_mesure == "post_1_an" | BDI$tps_de_mesure =="Bloc_0" | BDI$tps_de_mesure=="MI" | BDI$tps_de_mesure== "Mid"| BDI$tps_de_mesure== "post"),]

sjmisc::frq(BDI$tps_de_mesure)

BDI_wide <- reshape(BDI, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
BDI_wide

# Ceux qui ont juste le tps de mesure controle ou TOC_controle --> Pre
subset(BDI, tps_de_mesure == "controle" | tps_de_mesure== "TOC_controle")
BDI['tps_de_mesure'][BDI['tps_de_mesure'] == "controle"] <- "Pre"

# PRe_2 ont tous aussi un Pre. donc --> Pre_T2
subset(BDI, tps_de_mesure == "PRe_2")
subset(BDI_wide, !is.na(BDI_wide$bdi.PRe_2) & (!is.na(BDI_wide$bdi.Pre)))
BDI['tps_de_mesure'][BDI['tps_de_mesure'] == "PRe_2"] <- "Pre_T2"
sjmisc::frq(BDI$tps_de_mesure)


# Tous les controle_PRe ont juste ce score là. --> Pre.
subset(BDI_wide, !is.na(BDI_wide$bdi.controle_PRe) & (!is.na(BDI_wide$bdi.Pre_T1) | !is.na(BDI_wide$bdi.Pre) | !is.na(BDI_wide$bdi.Pre_T2 | !is.na(BDI_wide$bdi.controle_PRe_2))))
BDI['tps_de_mesure'][BDI['tps_de_mesure'] == "controle_PRe"] <- "Pre"

# controle_PRe_2 --> Pre
subset(BDI_wide, !is.na(BDI_wide$bdi.controle_PRe_2) & (!is.na(BDI_wide$bdi.Pre_T1) | !is.na(BDI_wide$bdi.Pre) | !is.na(BDI_wide$bdi.Pre_T2)))
BDI['tps_de_mesure'][BDI['tps_de_mesure'] == "controle_PRe_2"] <- "Pre"


BDI_wide_2 = reshape(BDI, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
BDI_wide_2
```

```{r}
# Aucun a les 3 scores Pre.
subset(BDI_wide_2, !is.na(BDI_wide_2$bdi.Pre_T2) & !is.na(BDI_wide_2$bdi.Pre) & !is.na(BDI_wide_2$bdi.Pre_T1))
# 2603 a juste un Pre T2
subset(BDI_wide_2, !is.na(BDI_wide_2$bdi.Pre_T2) & is.na(BDI_wide_2$bdi.Pre) & is.na(BDI_wide_2$bdi.Pre_T1))
BDI$tps_de_mesure <- ifelse((BDI$id == "2603"), "Pre", BDI$tps_de_mesure)

BDI_wide_3 = reshape(BDI, idvar = "id", timevar = "tps_de_mesure", direction = "wide")
BDI_wide_3

# Aucun a Pre et T1
subset(BDI_wide_3, !is.na(BDI_wide_3$bdi.Pre_T1) & !is.na(BDI_wide_3$bdi.Pre) & is.na(BDI_wide_3$bdi.Pre_T2))

# 152 id ont juste un T1
subset(BDI_wide_3, !is.na(BDI_wide_3$bdi.Pre_T1) & is.na(BDI_wide_3$bdi.Pre) & is.na(BDI_wide_3$bdi.Pre_T2))

BDI_wide_3$bdi.Pre <- ifelse(!is.na(BDI_wide_3$bdi.Pre_T1) & is.na(BDI_wide_3$bdi.Pre) & is.na(BDI_wide_3$bdi.Pre_T2), BDI_wide_3$bdi.Pre_T1, BDI_wide_3$bdi.Pre)
BDI_wide_3$bdi.Pre_T1 <- ifelse(!is.na(BDI_wide_3$bdi.Pre_T1) & !is.na(BDI_wide_3$bdi.Pre) & is.na(BDI_wide_3$bdi.Pre_T2), NA, BDI_wide_3$bdi.Pre_T1)

# Aucun qui a juste T2
subset(BDI_wide_3, is.na(BDI_wide_3$bdi.Pre_T1) & is.na(BDI_wide_3$bdi.Pre) & !is.na(BDI_wide_3$bdi.Pre_T2))

BDI_wide_4 <- data.frame(id = BDI_wide_3$id, BDI_pre = as.numeric(BDI_wide_3$bdi.Pre), BDI_T1 = as.numeric(BDI_wide_3$bdi.Pre_T1), BDI_T2 = as.numeric(BDI_wide_3$bdi.Pre_T2))
```

#################################################################################
#################################################################################
#################################################################################
# Joindre les 3 dataframes
```{r}
df_CAARS_YGTSS <- merge(CAARS_pre, YGTSS_wide, by.x = "id", by.y = "id", all = TRUE)
df_CAARS_YGTSS_BAI <- merge(df_CAARS_YGTSS, BAI_wide_4, by.x = "id", by.y = "id", all = TRUE)
df_all___ <- merge(df_CAARS_YGTSS_BAI, BDI_wide_4, by.x = "id", by.y = "id", all = TRUE)


HD <- data.frame(id = x$ID, categorie = x$Groupes)
HD
df_w_HD <- merge(df_all___, HD, by.x = "id", by.y = "id", all = TRUE)
df_w_HD

# Retrait des participants qui n'ont pas fait le CAARS (mais qui ont été ajoutés au df pcq ont fait le YGTSS) et retrait de ceux qui ont pas fait BAI/BDI
df_all__ <- df_w_HD[complete.cases(df_w_HD$CAARS), ]
df_all_ <- subset(df_all__, !is.na(BAI_pre) | !is.na(BAI_T1)| !is.na(BAI_T2))
subset(df_all__, is.na(BAI_pre) & is.na(BAI_T1) & is.na(BAI_T2))
df_allz <- subset(df_all_, !is.na(BDI_pre) | !is.na(BDI_T1)| !is.na(BDI_T2))

# retrait participants HD et TOC
sjmisc::frq(df_allz$categorie)
df_allz
subset(df_allz, categorie == "HD")
subset(df_allz, categorie == "TOC") # aucun TOC
df_allzz <- subset(df_allz, categorie != "HD" | is.na(categorie) == TRUE) # is.na(categorie) == TRUE pcq sinon enlève aussi tous ceux qui ont NA dans catégorie
df_all <- subset(df_allzz, categorie != "TOC" | is.na(categorie) == TRUE)
df_all # 114 participants

```

# Formation des groupes

TOUS CEUX QUI ONT PASSÉ LE YGTSS ONT TOURETTE. DONC PAS BESOIN D'UTILISER MÉDIANE POUR YGTSS

--> SGT- : ceux qui ont passé le YGTSS et qui < médiane au CAARS
--> SGT + symptomatologie TDAH : ceux qui ont passé le YGTSS et >= médiane au CAARS
--> contrôles : ont PAS passé le YGTSS ET < médiane au CAARS
--> COntrôles avec symptomatologie TDAH : ont PAS passé le YGTSS et >= médiane CAARS du groupe ctrl
```{r}
# Médiane CAARS sans les scores des contrôles
df_all
df_GTS <- df_all[complete.cases(df_all$YGTSS.Pre|df_all$YGTSS.Pre_T1|df_all$YGTSS.Pre_T2), ]
df_GTS # 71 participants SGT
median(df_GTS$CAARS, na.rm = TRUE) #32

# Médiane CAARS des contrôles
df_ctrl_all <- df_all[!complete.cases(df_all$YGTSS.Pre|df_all$YGTSS.Pre_T1|df_all$YGTSS.Pre_T2), ]
df_ctrl_all # 43 participants ctrl ou TDAH-
median(df_ctrl_all$CAARS) #19

df_all$groupe <- ifelse(is.na(df_all$YGTSS.Pre) & is.na(df_all$YGTSS.Pre_T1) & is.na(df_all$YGTSS.Pre_T2) & df_all$CAARS < 19, "Contrôle-", 0)
df_all$groupe <- ifelse(is.na(df_all$YGTSS.Pre) & is.na(df_all$YGTSS.Pre_T1) & is.na(df_all$YGTSS.Pre_T2) & df_all$CAARS >= 19, "Contrôle+", df_all$groupe)
df_all$groupe <- ifelse(!(df_all$groupe == "Contrôle-") & !(df_all$groupe == "Contrôle+") & df_all$CAARS < 32, "SGT-",df_all$groupe)
df_all$groupe <- ifelse(!(df_all$groupe == "Contrôle-") & !(df_all$groupe == "Contrôle+") & df_all$CAARS >= 32, "SGT+",df_all$groupe)

df_GTS$groupe <- ifelse(df_GTS$CAARS < 32, "SGT-", 0)
df_GTS$groupe <- ifelse(df_GTS$CAARS >= 32, "SGT+",df_GTS$groupe)

frq(df_all$groupe)
```


# BAI & BDI vérification des variables Pre

## Score BAI et BDI Pre en fonction de la variance entre T1 et T2
BAI : 0.75        https://bmcprimcare.biomedcentral.com/articles/10.1186/1471-2296-12-66#:~:text=The%20BAI%20has%20a%20high,75%20%5B8%5D.
BDI : 0.75        

BAI : Skewness OK, kurtose négligeable. 21 prticipants
BDI : Skewness OK, kurtose négligeable. 1 participant
```{r}
# BAI
sd_T1_BAI = sd(df_all$BAI_T1, na.rm = TRUE)
SEM_T1_BAI = sd_T1_BAI*sqrt(1-0.75)
sd_T2_BAI = sd(df_all$BAI_T2, na.rm = TRUE)
SEM_T2_BAI = sd_T2_BAI*sqrt(1-0.75)
SEdiff_BAI = sqrt((SEM_T1_BAI^2)+(SEM_T2_BAI^2))
IC90_BAI = SEdiff_BAI*1.64
IC90_BAI # 4.95

df_all$delta_BAI_pre = df_all$BAI_T2 - df_all$BAI_T1

jmv::descriptives(df_all, vars(delta_BAI_pre), skew = T, kurt = T) # OK

subset(df_all, abs(delta_BAI_pre) >= IC90_BAI) # 6

df_all$BAI_pre_mean <- ifelse(!is.na(df_all$BAI_pre), df_all$BAI_pre, NA)
df_all$BAI_pre_mean
df_all$BAI_pre_mean <- ifelse(abs(df_all$delta_BAI_pre) >= IC90_BAI & is.na(df_all$BAI_pre), df_all$BAI_T2, df_all$BAI_pre_mean)
df_all$BAI_pre_mean
df_all$BAI_pre_mean <- ifelse(abs(df_all$delta_BAI_pre) < IC90_BAI & is.na(df_all$BAI_pre),rowMeans(df_all[,c('BAI_T1', 'BAI_T2')], na.rm=TRUE), df_all$BAI_pre_mean)
df_all$delta_BAI_pre
df_all$BAI_pre_mean <- ifelse(!is.na(df_all$BAI_T1) & !is.na(df_all$BAI_T2),rowMeans(df_all[,c('BAI_T1', 'BAI_T2')], na.rm=TRUE), df_all$BAI_pre_mean)
df_all$BAI_pre_mean

df_all
# BDI
subset(df_all, !is.na(BDI_pre) & !is.na(BDI_T2))
subset(df_all, is.na(BDI_pre) & is.na(BDI_T1) & !is.na(BDI_T2))
subset(df_all, is.na(BDI_pre) & !is.na(BDI_T1) & is.na(BDI_T2))

sd_T1_BDI = sd(df_all$BDI_T1, na.rm = TRUE)
SEM_T1_BDI = sd_T1_BDI*sqrt(1-0.75)
sd_T2_BDI = sd(df_all$BDI_T2, na.rm = TRUE)
SEM_T2_BDI = sd_T2_BDI*sqrt(1-0.75)
SEdiff_BDI = sqrt((SEM_T1_BDI^2)+(SEM_T2_BDI^2))
IC90_BDI = SEdiff_BDI*1.64
IC90_BDI # 6.98

df_all$delta_BDI_pre = df_all$BDI_T2 - df_all$BDI_T1

jmv::descriptives(df_all, vars(delta_BDI_pre), skew = T, kurt = T) # NOT OK

subset(df_all, abs(delta_BDI_pre) >= IC90_BDI) # juste id 2019

df_all$BDI_pre_mean <- ifelse(is.na(df_all$BDI_pre),rowMeans(df_all[,c('BDI_T1', 'BDI_T2')], na.rm=TRUE), df_all$BDI_pre)
df_all$BDI_pre_mean <- ifelse(df_all$id == 2019, df_all$BDI_T2, df_all$BDI_pre_mean)
#df_all$BDI_pre_mean

BAI_BDI <- data.frame(df_all$id, df_all$BAI_pre, df_all$BAI_T1, df_all$BAI_T2, df_all$BAI_pre_mean, df_all$BDI_pre, df_all$BDI_T1, df_all$BDI_T2, df_all$BDI_pre_mean)
write_xlsx(x = BAI_BDI, path = "BAI_BDI_pre_mean.xlsx", col_names = TRUE)
```

## YGTSS total
### YGTSS vérification des variables Pre, Pre T1, Pre T2 et établir le score qui sera utilisé pour chaque participant
```{r}
# Parmi ceux qui ont fait le YGTSS (donc ceux du df_GTS), est-ce que ceux qui ont pas fait Pre ont fait Pre 6 mois et Pre 1 an ? ou y'en a qui ont fait les 3 ou juste T1 ou T2?
subset(df_GTS, is.na(YGTSS.Pre)) # Aucun a fait Pre T2 mais pas T1

# Est-ce que ceux qui ont fait le Pre ont aussi pas fait le prré t1 et Pre t2
subset(df_GTS, !is.na(YGTSS.Pre)) # --> OUI. Donc pour tous ceux qui ont fait Pre, on prend leur score Pre
```

### Vérification de la variance entre T1 et T2

Coeff de fidélité test-retest = 0.84

```{r}
# N = 30 sub qui ont T1/T2 au YGTSS
# Les sub pour qui on va devoir faire la moyenne T1 T2 ou enlever le participant
sd_pre_T1 = sd(df_all$YGTSS.Pre_T1, na.rm = TRUE)
SEM_pre_T1 = sd_pre_T1*sqrt(1-0.84)
sd_pre_T2 = sd(df_all$YGTSS.Pre_T2, na.rm = TRUE)
SEM_pre_T2 = sd_pre_T2*sqrt(1-0.84)
SEdiff = sqrt((SEM_pre_T1^2)+(SEM_pre_T2^2))
SEdiff
IC90 = SEdiff*1.64 # 15.41. une diff pèlus élevée que ça entre T1 et T2 est considérée comme trop gros changement
IC90 #17.36

# Différence T1 T2. Ajout dans le df complet
df_all$delta_YGTSS.Pre = df_all$YGTSS.Pre_T2 - df_all$YGTSS.Pre_T1

# Vérification de la normalité de la distribution des différences T1-T2
jmv::descriptives(df_all, vars(delta_YGTSS.Pre), skew = T, kurt = T) # OK!

# Retrait des id dont la diff T1-T2 est trop élevée
subset(df_all, abs(delta_YGTSS.Pre) >= IC90) # id 2079

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$YGTSS.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('YGTSS.Pre_T1', 'YGTSS.Pre_T2')], na.rm=TRUE), df_all$YGTSS.Pre)

#id 2060 qui a juste T2 & ceux avec variance trop élevée qu'on prend T2
df_all$YGTSS.Pre_mean <- ifelse(df_all$id == 2079, df_all$YGTSS.Pre_T2, df_all$YGTSS.Pre_mean)
```


## Nbr_moteur
```{r}
sd_T1_nbr_moteur = sd(df_all$nbr_moteur.Pre_T1, na.rm = TRUE)
SEM_T1_nbr_moteur = sd_T1_nbr_moteur*sqrt(1-0.84)
sd_T2_nbr_moteur = sd(df_all$nbr_moteur.Pre_T2, na.rm = TRUE)
SEM_T2_nbr_moteur = sd_T2_nbr_moteur*sqrt(1-0.84)
SEdiff_nbr_moteur = sqrt((SEM_T1_nbr_moteur^2)+(SEM_T2_nbr_moteur^2))
IC90_nbr_moteur = SEdiff_nbr_moteur*1.64
IC90_nbr_moteur

df_all$delta_nbr_moteur_Pre = df_all$nbr_moteur.Pre_T2 - df_all$nbr_moteur.Pre_T1

jmv::descriptives(df_all, vars(delta_nbr_moteur_Pre), skew = T, kurt = T) # OK!

subset(df_all, abs(delta_nbr_moteur_Pre) >= IC90_nbr_moteur) # id 1642 & 2040

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$nbr_moteur.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('nbr_moteur.Pre_T1', 'nbr_moteur.Pre_T2')], na.rm=TRUE), df_all$nbr_moteur.Pre)

#id 2060 qui a juste T2
df_all$nbr_moteur.Pre_mean <- ifelse(df_all$id == 1642 | df_all$id == 2040, df_all$nbr_moteur.Pre_T2, df_all$nbr_moteur.Pre_mean)
```

## Nbr_phonique
```{r}
sd_T1_nbr_phonique = sd(df_all$nbr_phonique.Pre_T1, na.rm = TRUE)
SEM_T1_nbr_phonique = sd_T1_nbr_phonique*sqrt(1-0.84)
sd_T2_nbr_phonique = sd(df_all$nbr_phonique.Pre_T2, na.rm = TRUE)
SEM_T2_nbr_phonique = sd_T2_nbr_phonique*sqrt(1-0.84)
SEdiff_nbr_phonique = sqrt((SEM_T1_nbr_phonique^2)+(SEM_T2_nbr_phonique^2))
IC90_nbr_phonique = SEdiff_nbr_phonique*1.64
IC90_nbr_phonique

df_all$delta_nbr_phonique_Pre = df_all$nbr_phonique.Pre_T2 - df_all$nbr_phonique.Pre_T1

jmv::descriptives(df_all, vars(delta_nbr_phonique_Pre), skew = T, kurt = T) # NOT OK

subset(df_all, abs(delta_nbr_phonique_Pre) >= IC90_nbr_phonique) # id 2029, 2031, 2042, 2058 & 2079

df_all$nbr_phonique.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('nbr_phonique.Pre_T1', 'nbr_phonique.Pre_T2')], na.rm=TRUE), df_all$nbr_phonique.Pre)

#id 2060 qui a juste T2
df_all$nbr_phonique.Pre_mean <- ifelse(df_all$id == 2029 | df_all$id == 2031 | df_all$id == 2042 | df_all$id == 2058 | df_all$id == 2079, df_all$nbr_phonique.Pre_T2, df_all$nbr_phonique.Pre_mean)
```

## Frq_moteur
```{r}
sd_T1_frq_moteur = sd(df_all$frq_moteur.Pre_T1, na.rm = TRUE)
SEM_T1_frq_moteur = sd_T1_frq_moteur*sqrt(1-0.84)
sd_T2_frq_moteur = sd(df_all$frq_moteur.Pre_T2, na.rm = TRUE)
SEM_T2_frq_moteur = sd_T2_frq_moteur*sqrt(1-0.84)
SEdiff_frq_moteur = sqrt((SEM_T1_frq_moteur^2)+(SEM_T2_frq_moteur^2))
IC90_frq_moteur = SEdiff_frq_moteur*1.64
IC90_frq_moteur

df_all$delta_frq_moteur_Pre = df_all$frq_moteur.Pre_T2 - df_all$frq_moteur.Pre_T1

jmv::descriptives(df_all, vars(delta_frq_moteur_Pre), skew = T, kurt = T) # Kurt

subset(df_all, abs(delta_frq_moteur_Pre) >= IC90_frq_moteur) # id 1627, 1816, 1863, 2042, 2069, 2079

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$frq_moteur.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('frq_moteur.Pre_T1', 'frq_moteur.Pre_T2')], na.rm=TRUE), df_all$frq_moteur.Pre)


#id 2060 qui a juste T2
df_all$frq_moteur.Pre_mean <- ifelse(df_all$id == 1627 | df_all$id == 1816 | df_all$id == 1863 | df_all$id == 2042 | df_all$id == 2069 | df_all$id == 2079, df_all$frq_moteur.Pre_T2, df_all$frq_moteur.Pre_mean)
df_all$frq_moteur.Pre_mean
df_all
```

## Frq_phonique
```{r}
sd_T1_frq_phonique = sd(df_all$frq_phonique.Pre_T1, na.rm = TRUE)
SEM_T1_frq_phonique = sd_T1_frq_phonique*sqrt(1-0.84)
sd_T2_frq_phonique = sd(df_all$frq_phonique.Pre_T2, na.rm = TRUE)
SEM_T2_frq_phonique = sd_T2_frq_phonique*sqrt(1-0.84)
SEdiff_frq_phonique = sqrt((SEM_T1_frq_phonique^2)+(SEM_T2_frq_phonique^2))
IC90_frq_phonique = SEdiff_frq_phonique*1.64
IC90_frq_phonique

df_all$delta_frq_phonique_Pre = df_all$frq_phonique.Pre_T2 - df_all$frq_phonique.Pre_T1

jmv::descriptives(df_all, vars(delta_frq_phonique_Pre), skew = T, kurt = T) # Kurt

subset(df_all, abs(delta_frq_phonique_Pre) >= IC90_frq_phonique)

df_all$frq_phonique.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('frq_phonique.Pre_T1', 'frq_phonique.Pre_T2')], na.rm=TRUE), df_all$frq_phonique.Pre)

#id 2060 qui a juste T2
df_all$frq_phonique.Pre_mean <- ifelse(df_all$id == 2058 | df_all$id == 2079, df_all$frq_phonique.Pre_T2, df_all$frq_phonique.Pre_mean)
```

## Int_moteur
```{r}
sd_T1_int_moteur = sd(df_all$int_moteur.Pre_T1, na.rm = TRUE)
SEM_T1_int_moteur = sd_T1_int_moteur*sqrt(1-0.84)
sd_T2_int_moteur = sd(df_all$int_moteur.Pre_T2, na.rm = TRUE)
SEM_T2_int_moteur = sd_T2_int_moteur*sqrt(1-0.84)
SEdiff_int_moteur = sqrt((SEM_T1_int_moteur^2)+(SEM_T2_int_moteur^2))
IC90_int_moteur = SEdiff_int_moteur*1.64
IC90_int_moteur

df_all$delta_int_moteur_Pre = df_all$int_moteur.Pre_T2 - df_all$int_moteur.Pre_T1

jmv::descriptives(df_all, vars(delta_int_moteur_Pre), skew = T, kurt = T) # Kurt

subset(df_all, abs(delta_int_moteur_Pre) >= IC90_int_moteur) # 6 id

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$int_moteur.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('int_moteur.Pre_T1', 'int_moteur.Pre_T2')], na.rm=TRUE), df_all$int_moteur.Pre)

df_all$int_moteur.Pre_mean <- ifelse(df_all$id == 1627 | df_all$id == 1642 | df_all$id == 2040 | df_all$id == 2055 | 
                                       df_all$id == 2069 | df_all$id == 2074, df_all$int_moteur.Pre_T2, df_all$int_moteur.Pre_mean)
```

## Int_phonique
```{r}
sd_T1_int_phonique = sd(df_all$int_phonique.Pre_T1, na.rm = TRUE)
SEM_T1_int_phonique = sd_T1_int_phonique*sqrt(1-0.84)
sd_T2_int_phonique = sd(df_all$int_phonique.Pre_T2, na.rm = TRUE)
SEM_T2_int_phonique = sd_T2_int_phonique*sqrt(1-0.84)
SEdiff_int_phonique = sqrt((SEM_T1_int_phonique^2)+(SEM_T2_int_phonique^2))
IC90_int_phonique = SEdiff_int_phonique*1.64
IC90_int_phonique

df_all$delta_int_phonique_Pre = df_all$int_phonique.Pre_T2 - df_all$int_phonique.Pre_T1

jmv::descriptives(df_all, vars(delta_int_phonique_Pre), skew = T, kurt = T) # PAS OK

subset(df_all, abs(delta_int_phonique_Pre) >= IC90_int_phonique) # id 2042 et 2058

df_all$int_phonique.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('int_phonique.Pre_T1', 'int_phonique.Pre_T2')], na.rm=TRUE), df_all$int_phonique.Pre)

#id 2060 qui a juste T2
df_all$int_phonique.Pre_mean <- ifelse(df_all$id == 2042 | df_all$id == 2058, df_all$int_phonique.Pre_T2, df_all$int_phonique.Pre_mean)
```
## Comp_moteur
```{r}
sd_T1_comp_moteur = sd(df_all$comp_moteur.Pre_T1, na.rm = TRUE)
SEM_T1_comp_moteur = sd_T1_comp_moteur*sqrt(1-0.84)
sd_T2_comp_moteur = sd(df_all$comp_moteur.Pre_T2, na.rm = TRUE)
SEM_T2_comp_moteur = sd_T2_comp_moteur*sqrt(1-0.84)
SEdiff_comp_moteur = sqrt((SEM_T1_comp_moteur^2)+(SEM_T2_comp_moteur^2))
IC90_comp_moteur = SEdiff_comp_moteur*1.64
IC90_comp_moteur

df_all$delta_comp_moteur_Pre = df_all$comp_moteur.Pre_T2 - df_all$comp_moteur.Pre_T1

jmv::descriptives(df_all, vars(delta_comp_moteur_Pre), skew = T, kurt = T)

subset(df_all, abs(delta_comp_moteur_Pre) >= IC90_comp_moteur)

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$comp_moteur.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('comp_moteur.Pre_T1', 'comp_moteur.Pre_T2')], na.rm=TRUE), df_all$comp_moteur.Pre)

df_all$comp_moteur.Pre_mean <- ifelse(df_all$id == 1488 | df_all$id == 2029 | df_all$id == 2069, df_all$comp_moteur.Pre_T2, df_all$comp_moteur.Pre_mean)
```


## Comp_phonique
```{r}
sd_T1_comp_phonique = sd(df_all$comp_phonique.Pre_T1, na.rm = TRUE)
SEM_T1_comp_phonique = sd_T1_comp_phonique*sqrt(1-0.84)
sd_T2_comp_phonique = sd(df_all$comp_phonique.Pre_T2, na.rm = TRUE)
SEM_T2_comp_phonique = sd_T2_comp_phonique*sqrt(1-0.84)
SEdiff_comp_phonique = sqrt((SEM_T1_comp_phonique^2)+(SEM_T2_comp_phonique^2))
IC90_comp_phonique = SEdiff_comp_phonique*1.64
IC90_comp_phonique

df_all$delta_comp_phonique_Pre = df_all$comp_phonique.Pre_T2 - df_all$comp_phonique.Pre_T1

jmv::descriptives(df_all, vars(delta_comp_phonique_Pre), skew = T, kurt = T) # PAS OK

subset(df_all, abs(delta_comp_phonique_Pre) >= IC90_comp_phonique)

df_all$comp_phonique.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('comp_phonique.Pre_T1', 'comp_phonique.Pre_T2')], na.rm=TRUE), df_all$comp_phonique.Pre)

#id 2060 qui a juste T2
df_all$comp_phonique.Pre_mean <- ifelse(df_all$id == 2069, df_all$comp_phonique.Pre_T2, df_all$comp_phonique.Pre_mean)
```

## Inter_moteur
```{r}
sd_T1_inter_moteur = sd(df_all$inter_moteur.Pre_T1, na.rm = TRUE)
SEM_T1_inter_moteur = sd_T1_inter_moteur*sqrt(1-0.84)
sd_T2_inter_moteur = sd(df_all$inter_moteur.Pre_T2, na.rm = TRUE)
SEM_T2_inter_moteur = sd_T2_inter_moteur*sqrt(1-0.84)
SEdiff_inter_moteur = sqrt((SEM_T1_inter_moteur^2)+(SEM_T2_inter_moteur^2))
IC90_inter_moteur = SEdiff_inter_moteur*1.64
IC90_inter_moteur

df_all$delta_inter_moteur_Pre = df_all$inter_moteur.Pre_T2 - df_all$inter_moteur.Pre_T1

jmv::descriptives(df_all, vars(delta_inter_moteur_Pre), skew = T, kurt = T)

subset(df_all, abs(delta_inter_moteur_Pre) >= IC90_inter_moteur)

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$inter_moteur.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('inter_moteur.Pre_T1', 'inter_moteur.Pre_T2')], na.rm=TRUE), df_all$inter_moteur.Pre)

df_all$inter_moteur.Pre_mean <- ifelse(df_all$id == 2061 | df_all$id == 2074, df_all$inter_moteur.Pre_T2, df_all$inter_moteur.Pre_mean)
```


## Inter_phonique
```{r}
sd_T1_inter_phonique = sd(df_all$inter_phonique.Pre_T1, na.rm = TRUE)
SEM_T1_inter_phonique = sd_T1_inter_phonique*sqrt(1-0.84)
sd_T2_inter_phonique = sd(df_all$inter_phonique.Pre_T2, na.rm = TRUE)
SEM_T2_inter_phonique = sd_T2_inter_phonique*sqrt(1-0.84)
SEdiff_inter_phonique = sqrt((SEM_T1_inter_phonique^2)+(SEM_T2_inter_phonique^2))
IC90_inter_phonique = SEdiff_inter_phonique*1.64
IC90_inter_phonique

df_all$delta_inter_phonique_Pre = df_all$inter_phonique.Pre_T2 - df_all$inter_phonique.Pre_T1

jmv::descriptives(df_all, vars(delta_inter_phonique_Pre), skew = T, kurt = T) # PAS OK

subset(df_all, abs(delta_inter_phonique_Pre) >= IC90_inter_phonique)

df_all$inter_phonique.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('inter_phonique.Pre_T1', 'inter_phonique.Pre_T2')], na.rm=TRUE), df_all$inter_phonique.Pre)

#id 2060 qui a juste T2
df_all$inter_phonique.Pre_mean <- ifelse(df_all$id == 2061, df_all$inter_phonique.Pre_T2, df_all$inter_phonique.Pre_mean)
```

## Deter_moteur
```{r}
sd_T1_deter_moteur = sd(df_all$deter_moteur.Pre_T1, na.rm = TRUE)
SEM_T1_deter_moteur = sd_T1_deter_moteur*sqrt(1-0.84)
sd_T2_deter_moteur = sd(df_all$deter_moteur.Pre_T2, na.rm = TRUE)
SEM_T2_deter_moteur = sd_T2_deter_moteur*sqrt(1-0.84)
SEdiff_deter_moteur = sqrt((SEM_T1_deter_moteur^2)+(SEM_T2_deter_moteur^2))
IC90_deter_moteur = SEdiff_deter_moteur*1.64
IC90_deter_moteur

df_all$delta_deter_moteur_Pre = df_all$deter_moteur.Pre_T2 - df_all$deter_moteur.Pre_T1

jmv::descriptives(df_all, vars(delta_deter_moteur_Pre), skew = T, kurt = T)

subset(df_all, abs(delta_deter_moteur_Pre) >= IC90_deter_moteur)

# Si ya pas de score dans la colonne Pre (NA), on met la moyenne de T1 et T2 dans la colonne de moyenne Pre. Sinon (donc si ya un score dans la colonne Pre), on met le score de la colonne Pre
df_all$deter_moteur.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('deter_moteur.Pre_T1', 'deter_moteur.Pre_T2')], na.rm=TRUE), df_all$deter_moteur.Pre)


df_all$deter_moteur.Pre_mean <- ifelse(df_all$id == 1627 | df_all$id == 1642 | df_all$id == 1821 | df_all$id == 1863 | df_all$id == 2029
                                       | df_all$id == 2034 | df_all$id == 2055 | df_all$id == 2084, df_all$deter_moteur.Pre_T2, df_all$deter_moteur.Pre_mean)
```




## Deter_phonique
```{r}
sd_T1_deter_phonique = sd(df_all$deter_phonique.Pre_T1, na.rm = TRUE)
SEM_T1_deter_phonique = sd_T1_deter_phonique*sqrt(1-0.84)
sd_T2_deter_phonique = sd(df_all$deter_phonique.Pre_T2, na.rm = TRUE)
SEM_T2_deter_phonique = sd_T2_deter_phonique*sqrt(1-0.84)
SEdiff_deter_phonique = sqrt((SEM_T1_deter_phonique^2)+(SEM_T2_deter_phonique^2))
IC90_deter_phonique = SEdiff_deter_phonique*1.64
IC90_deter_phonique

df_all$delta_deter_phonique_Pre = df_all$deter_phonique.Pre_T2 - df_all$deter_phonique.Pre_T1

jmv::descriptives(df_all, vars(delta_deter_phonique_Pre), skew = T, kurt = T) # PAS OK

subset(df_all, abs(delta_deter_phonique_Pre) >= IC90_deter_phonique)

df_all$deter_phonique.Pre_mean <- ifelse(is.na(df_all$YGTSS.Pre),rowMeans(df_all[,c('deter_phonique.Pre_T1', 'deter_phonique.Pre_T2')], na.rm=TRUE), df_all$deter_phonique.Pre)

#id 2060 qui a juste T2
df_all$deter_phonique.Pre_mean <- ifelse(df_all$id == 2034 | df_all$id == 2079, df_all$deter_phonique.Pre_T2, df_all$deter_phonique.Pre_mean)
```



# Ajout âge et sexe
```{r}
x <- readxl::read_excel("Base de données (neuropsy) – version à jour.xlsx")
sociodemo <- data.frame(id = x$ID, age = x$QSÂge, sexe = x$QSSexe)
sociodemo

tab_complete <- merge(df_all, sociodemo, by.x = "id", by.y = "id", all = TRUE)

tab_complete_2 <- tab_complete[complete.cases(tab_complete$CAARS),]
tab_complete_2
```


```{r}
write_xlsx(x = tab_complete_2, path = "Excel/data_stats_.xlsx", col_names = TRUE)
```