Aplicações de Modelagem Estatística na área de saúde usando R · análise de dados de...

Aplicações de Modelagem Estatística

na área de saúde usando R

Dr. José Rodrigo de Moraes(Estatístico - ENCE e Doutor em Saúde Coletiva – IESC/UFRJ)

Professor Adjunto do Departamento de Estatística da UFFE-mail: [email protected]

1

Introdução

Modelagem estatística é uma das técnicas estatísticas mais usadas na

análise de dados de diferentes áreas do conhecimento, que visa

estabelecer a relação entre um conjunto de variáveis explicativas e uma

variável resposta (desfecho).

Aleitamento materno exclusivo (AME) e características da mãe, do bebê e

do parto (ALVES et al., 2013; PEREIRA et al., 2010);

Autoavaliação de saúde e características individuais e domiciliares

(MORAES et al., BARROS et al., 2006);

Doença autorreferidas e fatores demográficos, socioeconômicos,

comportamentais e/ou de saúde (MOREIRA et al., 2013; SOUSA et al.

2012).

2

Introdução

Neste contexto, destaca-se os modelos lineares generalizados

(MLG) que são definidos por uma distribuição de probabilidade

para Y, um conjunto de vars explicativas (estrutura linear) e uma

função de ligação.

Exemplos MLGs:

Modelo logístico ordinal;

Modelo logístico binário;

Modelo log-linear de Poisson.

3

Introdução

Em geral, os MLGs são estimados usando o método de MV,

através da maximização da função de verossimilhança da

amostra, assumindo que as observações amostrais são

independentes (AAS-CR).

Entretanto, muitas pesquisas amostrais do IBGE, utilizam planos

amostrais complexos (estratificação, conglomeração e

probabilidades desiguais de seleção), como por exemplo: PNAD

2008 (suplemento de saúde) e PNS 2013.

4

Pesquisa Nacional de Saúde (PNS) 2013

A PNS é uma pesquisa por amostragem domiciliar de

abrangência nacional, que divide nos setores censitários da Base

Operacional Geográfica de 2010, excluídas setores especiais.

A PNS adotou um plano amostral conglomerado em três estágios

de seleção, com estratificação das unidades primárias de

amostragem (setores censitários).

5

Plano amostral da Pesquisa Nacional de Saúde (PNS) 2013

6

Plano amostral da Pesquisa Nacional de Saúde (PNS) 2013

Estrato

Unidade primária de amostragem (UPA): Setor

Unidade secundária de amostragem (USA): Domicílios

Unidade terciária de amostragem (UTA): Morador adulto (18 anos ou mais)

7

Pesquisa Pesq. Nacional de Amostra de Domicílios (PNAD) 2008

A PNAD 2008 foi a última PNAD com suplemento de saúde, antes

da realização da PNS 2013, que coletou informações de uma

amostra probabilística de 150.591 domicílios e 391.868 pessoas,

distribuídas por todas as UFs, no período de 28 de setembro de

2007 a 27 de setembro de 2008 (IBGE, 2010).

A PNAD é uma pesquisa por amostragem probabilística que

considerou conglomeração das unidades, além de estratificação

das unidades (municípios) como ilustrado a seguir:

8

Plano amostral da Pesq. Nacional de Amostra de Domicílios (PNAD) 2008

UF

Estrato=Município

AR

Estrato=Grupo de

municípios NAR

UPA = SetorUPA = Município

NAR

USA = Domicílio USA = Setor

UTA = Domicílio

9

Modelos Lineares Generalizados (MLG)

O ajuste de MLG com base em dados amostrais de pesquisas que

utilizam planos amostrais complexos deve considerar estas

informações (o estrato, a UPA e o peso de cada unidade da

amostra);

As estimativas pontuais dos parâmetros do modelo são

influenciadas por pesos distintos das observações e as

estimativas de erros-padrão são influenciadas pela

conglomeração, estratificação e pesos amostrais (MORAES et al.,

2012 ; SZWARCWALD et al., 2008; PESSOA et al., 1998).10

Modelos Lineares Generalizados (MLG)

Utilizar programas estatísticos adequados para a análise de

dados amostrais com fins descritivos ou analíticos (o Programa

R).

A seguir serão apresentados três aplicações de modelagem

estatística na área de saúde usando o Programa R, e em uma

dessas situações utilizou-se o “pacote Survey” do R.

11

1ª Aplicação de Modelagem Estatística:

urbanização x saúde

No Brasil, a taxa de urbanização foi de 81,2% em 2000, 83,8% em 2008 e

84,4% em 2010.

Se por um lado a urbanização pode trazer oportunidades positivas, como:

um maior nível de renda, educação e informação (MCDADE e ADAIR,

2001; NOGUEIRA, 2008). Por outro lado, a urbanização pode trazer efeitos

negativos sobre a saúde como: residências impróprias, aglomeração

humana, poluição ambiental, água para consumo insuficiente ou

contaminada, instalações sanitárias inadequadas, esgoto não-tratado,

estresses associados com a pobreza e desemprego (MOORE et al., 2003;

AZEREDO et al., 2007).12



Objetivo: Estudar a associação entre a área de localização do

domicílio e a autoavaliação do estado global de saúde da

população adulta brasileira, controlando para um conjunto de

fatores demográficos, socioeconômicos, comportamentais e de

saúde.

Fonte: PNAD 2008

13



Desfecho: Autoavaliação de saúde (R/MR, Regular, B/MB)

Estrutura linear do modelo (18 vars + área):

1) sexo, 2) faixa-etária, 3) cor/raça, 4) escolaridade, 5) situação de ocupação, 6)

atividade física, 7) fumo, 8) morbidade autorreferida, 9) mobilidade física, 10)

posse de plano de saúde, 11) consulta ao médico nos últimos 12 meses, 12)

região de residência, 13) domicílio cadastrado no PSF, 14) qualidade da moradia,

15) posse de bens básicos no domicílio, 16) condição de ocupação do domicílio,

17) renda mensal domiciliar per capita, 18) Percentual de domicílios adequados

quanto a qualidade da moradia, 19) área de localização do domicílio.

14

1ª Aplicação de Modelagem Estatística: urbanização x saúde

# Análise bruta - área x autoavaliação de saúde

> plano=svydesign(id=~V4618, strata=~V4617, weights=~peso, data=banco)

> modelo_ord=svyolr(banco$Estado_saude_desf~banco$area_1, design=plano)> summary(modelo_ord)

Call:svyolr(banco$Estado_saude_desf ~ banco$area_1, design = plano)

Coefficients:Value Std. Error t value

banco$area_1 0.412016 0.02595464 15.87446

Intercepts:Value Std. Error t value

1|2 -2.4833 0.0279 -89.04882|3 -0.4323 0.0249 -17.3891

15

1ª Aplicação de Modelagem Estatística: urbanização x saúde

> coeficientes = coef(modelo_ord);coeficientes

banco$area_1 1|2 2|3

0.4120160 -2.4832905 -0.4322603

> IC=confint(modelo_ord);IC

2.5 % 97.5 %

banco$area_1 0.3611458 0.4628862

1|2 -2.5379477 -2.4286333

2|3 -0.4447733 -0.4197472

> round(exp(cbind(OR = coeficientes, IC)),2)

OR 2.5 % 97.5 %

banco$area_1 1.51 1.43 1.59 urbano=area_1

1|2 0.08 0.08 0.09

2|3 0.65 0.64 0.66

Área de localização do domicílio (urbano x rural):

OR=1,51

IC 95% = [1,43; 1,59]

16

1ª Aplicação de Modelagem Estatística: urbanização x saúde# Análise multivariada – 1º Passo: Modelo com todos os efeitos principais

> coeficientes = coef(modelo_ord1)> IC =confint(modelo_ord1)> round(exp(cbind(OR = coeficientes, IC)),2)

OR 2.5 % 97.5 %banco$area_1 0.97 0.91 1.03banco$sexo_1 0.85 0.83 0.88..............................................banco$emprego_1 1.19 1.15 1.23banco$renda_1 0.69 0.61 0.78banco$renda_2 0.53 0.49 0.59banco$renda_3 0.71 0.65 0.77banco$ocupdom_1 1.00 0.81 1.23banco$ocupdom_2 0.99 0.80 1.22banco$ocupdom_3 1.05 0.84 1.30banco$bem_1 1.14 1.10 1.19banco$psf_1 0.96 0.92 1.00banco$qualimor_1 1.01 0.97 1.05banco$percent_dom_adeq_setor 1.33 1.23 1.45

17

1ª Aplicação de Modelagem Estatística: urbanização x saúde# Análise multivariada - 2º Passo: Modelo sem os efeitos principais das 3 variáveis (ocupação do domicílio, PSF e qualidade da moradia)


OR 2.5 % 97.5 %banco$area_1 0.96 0.90 1.02banco$sexo_1 0.85 0.83 0.88banco$idade_1 1.41 1.33 1.49banco$idade_2 1.19 1.14 1.25banco$idade_3 0.96 0.92 1.00banco$idade_4 0.83 0.80 0.87banco$Cor_1 1.16 1.12 1.20..............................................banco$emprego_1 1.19 1.15 1.23banco$renda_1 0.69 0.61 0.78banco$renda_2 0.53 0.49 0.58banco$renda_3 0.71 0.65 0.77banco$bem_1 1.14 1.10 1.19banco$percent_dom_adeq_setor 1.36 1.26 1.46

18

1ª Aplicação de Modelagem Estatística: urbanização x saúde# Análise multivariada - 3º Passo: Modelo sem os efeitos principais das 3 variáveis (ocupação do domicílio, PSF e qualidade da moradia) e com as interações significativas


OR 2.5 % 97.5 %banco$area_1 0.93 0.83 1.05banco$sexo_1 0.96 0.90 1.02banco$idade_1 1.42 1.34 1.50banco$idade_2 1.20 1.14 1.26banco$idade_3 0.96 0.92 1.01banco$idade_4 0.84 0.80 0.87banco$Cor_1 1.02 0.95 1.10.............................................................banco$area_1:banco$sexo_1 0.86 0.81 0.92banco$area_1:banco$Cor_1 1.17 1.08 1.28banco$area_1:banco$Morbidade_1 0.83 0.76 0.90 5 interaçõesbanco$area_1:banco$bem_1 1.17 1.08 1.28 duplasbanco$area_1:banco$percent_dom_adeq_setor 1.40 1.11 1.77

19

ORMPV IC 95% p-valor ORMPV IC 95% p-valor

Área de localização do domicílio

Urbano 0,96 [0,90; 1,02] 0,208 0,93 [0,83; 1,05] 0,226

Rural 1 1

Região de residência

Norte 0,75 [0,68; 0,83] <0,001 0,75 [0,68; 0,83] <0,001

Nordeste 0,78 [0,74; 0,84] <0,001 0,78 [0,73; 0,83] <0,001

Sudeste 1,10 [1,04; 1,17] 0,002 1,10 [1,03; 1,17] 0,003

Sul 0,99 [0,91; 1,07] 0,722 0,99 [0,92; 1,07] 0,819

Centro-oeste 1 1

Sexo

Masculino 0,85 [0,83; 0,88] <0,001 0,96 [0,90; 1,02] 0,187

Feminino 1 1

Faixa etária

20 a 29 anos 1,41 [1,33; 1,49] <0,001 1,42 [1,34; 1,50] <0,001

30 a 39 anos 1,19 [1,14; 1,25] <0,001 1,20 [1,14; 1,26] <0,001

40 a 49 anos 0,96 [0,92; 1,00] 0,067 0,96 [0,92; 1,01] 0,101

50 a 59 anos 0,83 [0,80; 0,87] <0,001 0,84 [0,80; 0,87] <0,001

60 anos ou + 1 1

Cor/raça

Branca 1,16 [1,12; 1,20] <0,001 1,02 [0,95; 1,10] 0,618

Não branca 1 1

Variáveis

Modelo multivariado 1: Modelo multivariado 2:

inclui os efeitos principais

significativos

inclui os efeitos principais e de

interação significativos

Tabela 1: Modelo explicativo do estado de saúde autorreferido de adultos no Brasil

20


Escolaridade

Sem instrução ou menos de 1 ano 0,46 [0,42; 0,50] <0,001 0,46 [0,42; 0,50] <0,001

1 a 7 anos 0,47 [0,44; 0,51] <0,001 0,48 [0,45; 0,52] <0,001

8 a 14 anos 0,69 [0,65; 0,74] <0,001 0,70 [0,65; 0,75] <0,001

15 anos ou + 1

Sem declaração 0,46 [0,33; 0,64] <0,001 0,47 [0,34; 0,65] <0,001

Renda domiciliar mensal per capita

Sem renda ou até 1 salário mínimo 0,53 [0,49; 0,58] <0,001 0,53 [0,49; 0,58] <0,001

Mais de 1 a 5 salários mínimos 0,71 [0,65; 0,77] <0,001 0,71 [0,65; 0,77] <0,001

Mais de 5 salários mínimos 1 1

Sem declaração 0,69 [0,61; 0,78] 0,001 0,69 [0,61; 0,78] <0,001

Situação de ocupação

Ocupada 1,19 [1,15;1,23] <0,001 1,19 [1,15;1,23] <0,001

Não ocupada 1 1

Atividade física

Pratica 1,36 [1,31;1,41] <0,001 1,36 [1,31;1,41] <0,001

Não pratica 1 1

Sem declaração 0,50 [0,46;0,55] <0,001 0,50 [0,46;0,56] <0,001

Fumo

Fumante 0,86 [0,82;0,89] <0,001 0,86 [0,82;0,89] <0,001

Ex-fumante 0,88 [0,85;0,91] <0,001 0,88 [0,85;0,91] <0,001

Nunca fumou 1 1

Variáveis


inclui os efeitos principais

significativos

inclui os efeitos principais e de

interação significativos

Tabela 1: Modelo explicativo do estado de saúde autorreferido de adultos no Brasil (continuação)

21


Morbidade autorreferida

Pelo menos uma doença crônica 0,29 [0,28;0,30] <0,001 0,33 [0,31;0,36] <0,001

Nenhuma doença crônica 1 1

Mobilidade física

Muita limitação 0,13 [0,12;0,14] <0,001 0,13 [0,12;0,14] <0,001

Limitação 0,18 [0,17;0,19] <0,001 0,18 [0,17;0,19] <0,001

Pouca limitação 0,42 [0,40;0,43] <0,001 0,42 [0,40;0,43] <0,001

Sem limitação 1 1

Posse de plano de saúde

Sim 1,32 [1,26;1,37] <0,001 1,31 [1,26;1,37] <0,001

Não 1 1

Consulta médica

Sim 0,55 [0,53;0,57] <0,001 0,55 [0,53;0,58] <0,001

Não 1 1

Posse de bens básicos

Tem todos os quatro bens básicos 1,14 [1,10;1,19] <0,001 1,02 [0,95;1,10] 0,540

Não tem pelo menos um bem básico 1 1

% domicílios adequados 1,36 [1,26;1,46] <0,001 0,98 [0,78;1,23] 0,864

Área*Sexo

Urbana * Masculino 0,86 [0,81;0,92] <0,001

Área*Cor/raça

Urbana * Branca 1,17 [1,08;1,27] <0,001

Área*Morbidade autorreferida

Urbana * Pelo menos uma doença 0,83 [0,76;0,90] <0,001

Área*Posse de bens básicos

Urbana * Todos os bens 1,17 [1,08;1,28] <0,001

Área*%domicílios adequados

Urbana * %domicílios adequados 1,40 [1,11;1,77] 0,005


inclui os efeitos principais inclui os efeitos principais e de Variáveis

22



Conclusões:

Ao incluir as interações duplas, a área urbana parece influenciar

negativamente o estado de saúde, sobretudo para adultos:

do sexo masculino;

não brancos;

portadores de pelo menos 1 doença crônica;

Residentes em domicílios sem pelo menos 1 bem básico;

Residentes em setores com menores % de domicílios adequados quanto

a qualidade da moradia.

23


Grupo de disfunção x Impacto da IU na QV

Introdução: A incontinência urinária (IU) é a disfunção do assoalho pélvico definida

clinicamente como o sintoma de qualquer perda involuntária de urina,

sendo mais comum em mulheres (FARIA et al., 2015).

Tem grande impacto negativo sobre a qualidade de vida (QV), afetando o

contato social, a atividade laborativa, a higiene e a vida sexual das

mulheres.

Classificação clínica da IU:

1. Incontinência urinária de esforço (IUE);

2. Bexiga hiperativa (BH);

3. Incontinência mista (IUM).24

2ª Aplicação de Modelagem Estatística: Grupo de disfunção x Impacto da IU na QV

Objetivo:Avaliar o impacto do tipo de disfunção (IUE, BH, IUM) sobre a QV em

mulheres, controlando para idade, IMC e número de comorbidades.

Fonte:

Estudo transversal, realizado no período de junho de 2010 a fevereiro de

2013, com pacientes do Ambulatório de Uroginecologia do HUAP, em

Niterói, Estado do Rio de Janeiro.

25


Desfecho: Autoavaliação específica do impacto da incontinênciaurinária na QV, obtido através da pergunta: “Quanto você acha que oseu problema de bexiga afeta sua vida?”, contendo 4 alternativas derespostas possíveis: “nem um pouco”, “um pouco”,“moderadamente” e “muito”.

Dicotomização do desfecho: nenhum/leve impacto (Y=0);moderado\grave impacto (Y=1).

Estrutura linear do modelo: 1) Tipo de incontinência (IUM, BH, IUE);2) Faixa etária (menos de 60 anos, 60 anos ou mais); 3) Índice demassa corporal (normal/baixo peso, sobrepeso, obesidade);4) Número de comorbidades (nenhuma, 1 ou mais).

26


# Análise bruta – Grupo de disfunção x Impacto da IU na QVmodelo1=glm(ImpactoIU_Y~D_CLIN_IUM+D_CLIN_BH,binomial(link=logit),banco_filtrado1) summary(modelo1)

Call:glm(formula = ImpactoIU_Y ~ D_CLIN_IUM + D_CLIN_BH, family = binomial(link = logit),

data = banco_filtrado1)

Coefficients:Estimate Std. Error z value Pr(>|z|)

(Intercept) 0.4700 0.4031 1.166 0.2436 D_CLIN_IUM 1.0341 0.4620 2.238 0.0252 *D_CLIN_BH 0.3567 0.6065 0.588 0.5565 ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

OR1=exp(modelo1$coefficients);OR1

(Intercept) D_CLIN_IUM D_CLIN_BH 1.600000 2.812500 1.428571

27


Grupo de disfunção x Impacto IU na QV

# Análise multivariada – GLMmodelo2=glm(ImpactoIU_Y~D_CLIN_IUM+D_CLIN_BH+Idoso+IMC_3categs_obsesid+IMC_3categs_sobrepeso+N_comorbidades_2categs,binomial(link=logit),banco_filtrado1); summary(modelo2)


(Intercept) 0.61322 0.58744 1.044 0.2965 D_CLIN_IUM 1.05245 0.46740 2.252 0.0243 *D_CLIN_BH 0.41001 0.62740 0.654 0.5134 Idoso -0.18841 0.40237 -0.468 0.6396 IMC_3categs_obsesid -0.06109 0.50144 -0.122 0.9030 IMC_3categs_sobrepeso -0.22747 0.51186 -0.444 0.6568 N_comorbidades_2categs 0.06248 0.43757 0.143 0.8865 ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

OR2=exp(modelo2$coefficients);OR2(Intercept) D_CLIN_IUM D_CLIN_BH Idoso 1.8463591 2.8646529 1.5068324 0.8282710

IMC_3categs_obsesid IMC_3categs_sobrepeso N_comorbidades_2categs 0.9407424 0.7965448 1.0644725

28

Tabela 2: Associação entre o grupo de disfunção e o impacto da Incontinência urinária sobre a qualidade de vida, segundo as análises bruta e ajustada

Variáveis% de mulheres

(n=181)

Análise bruta Análise ajustada

OR p-valor OR p-valor

Grupo de disfunçãoIUM 72,9 2,813 0,025 2,865 0,024BH 12,7 1,429 0,556 1,507 0,513IUE 14,4 1 - 1 -Faixa-etária60 anos ou mais 53,0 0,828 0,640Menos de 60 anos 47,0 1 -IMCObesidade 46,4 0,941 0,903Sobrepeso 33,1 0,797 0,657Normal ou baixo peso 20,5 1 -Nº de comorbidadesUma ou mais 71,8 1,064 0,886

Nenhuma 28,2 1 -

29


Conclusões:

A IUM foi relacionada à pior qualidade de vida. Tal resultado

pode ser estar relacionado ao fato deste tipo de IU afetar os

domínios: “limitações das atividades diárias”, “emoções” e

“relações pessoais”.

Ausência de diferença entre as mulheres dos grupos IUE e BH.

As demais variáveis de controle não apresentaram associação

significativa com o impacto da IU na QV.

30


características clínicas / demog. x gravidade da rinite

Introdução:

A rinite é uma doença inflamatória da mucosa do nariz que afeta

crianças, adolescentes, adultos e idosos. Em termos clínicos,

caracteriza-se pela presença de coriza, prurido nasal, espirros

e/ou obstrução nasal. Etiologicamente pode ser dividida em

rinite alérgica (RA) ou rinite não alérgica (RNA).

A rinite alérgica frequentemente é sub-diagnosticada ou

inadequadamente tratada, e que pode reduzir a QV (CAMELO-

NUNES & SOLÉ, 2010).31


características clínicas / demog. x gravidade da rinite

Objetivo:

Identificar as características clínicas e demográficas associadas

com a gravidade da rinite em adultos.

Fonte:

Estudo seccional, realizado com pacientes que possuem

sintomas de rinite acompanhados no Ambulatório de Alergia e

Imunologia Clínica do HUAP/UFF.

32


características clínicas e demog. x gravidade da rinite

Desfecho:

Gravidade da rinite (leve, moderada).

Estrutura linear do modelo (10 vars): Como características

clínicas, foram consideradas o tipo de rinite (RA, RNA), a

presença de sintomas (espirro, coriza, prurido e obstrução

nasal). Foram consideradas ainda presença de doenças (asma e

dermatite) e características demográficas (sexo, grupo etário e

cidade de residência).33

3ª Aplicação de Modelagem Estatística: características clínicas e demog. x gravidade da rinite

# Análises bivariadas - GLM# 1 - SexoMod1=glm(dados.spss$Gravidade_binaria~sexo_D,binomial(link=logit),banco)summary(mod1)OR1=exp(mod1$coefficients);OR1# 2 - Grupo etarioMod2=glm(dados.spss$Gravidade_binaria~Grupo_etario_D,binomial(link=logit),banco)summary(mod2)OR2=exp(mod2$coefficients);OR2# 3 - CidadeMod3=glm(dados.spss$Gravidade_binaria~Cidade_Nit_D,binomial(link=logit),banco)summary(mod3)OR3=exp(mod3$coefficients);OR3# 4 - CorizaMod4=glm(dados.spss$Gravidade_binaria~Coriza_D,binomial(link=logit),banco)summary(mod4)OR4=exp(mod4$coefficients);OR4...........................................................................................# 10 - Grupo_TCLI_Rinite_DMod10=glm(dados.spss$Gravidade_binaria~Grupo_TCLI_Rinite_D,binomial(link=logit),banco) summary(mod10)OR10=exp(mod10$coefficients);OR10

34


características clínicas e demog. x gravidade da rinite

# Análise multivariada com Grupo-etario, Obstrução e Grupo_TCLI_Rinite - GLMMod11=glm(dados.spss$Gravidade_binaria~Grupo_etario_D+Obstrucao_D+Grupo_TCLI_Rinite_D,binomial(link=logit),banco); summary(mod11)


(Intercept) -0.9042 0.5343 -1.692 0.09059 . Grupo_etario_D -0.9855 0.4726 -2.085 0.03705 * Obstrucao_D 1.4991 0.5462 2.745 0.00605 **Grupo_TCLI_Rinite_D 1.0292 0.5123 2.009 0.04456 * ---Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 124.72 on 89 degrees of freedomResidual deviance: 106.35 on 86 degrees of freedomAIC: 114.35

OR11=exp(mod11$coefficients);OR11(Intercept) Grupo_etario_D Obstrucao_D Grupo_TCLI_Rinite_D0.4048631 0.3732536 4.4777868 2.7987192

35

Tabela 3: Associação entre as características clínicas e demográficas e a chance do paciente apresentar rinite moderada (Parte 1)

Características dos pacientes% de pacientes

(n=90)Análise bruta Análise ajustada

OR p-valor OR p-valorSexoMasculino 15,6 0,474 0,216Feminino 84,4 1 -Grupo-etárioIdoso 46,7 0,369 0,022 0,373 0,037Não idoso 53,3 1 - 1 -

Cidade

Niterói 38,9 1,487 0,362Fora de Niterói 61,1 1 -CorizaSim 70 1,185 0,713Não 30 1 -EspirroSim 71,1 0,689 0,427Não 28,9 1 -

36

Tabela 3: Associação entre as características clínicas e demográficas e a chance do paciente apresentar rinite moderada.

Características dos pacientes % de pacientesAnálise bruta Análise ajustada

OR p-valor OR p-valorPruridoSim 65,6 1,757 0,209Não 34,4 1 -Obstrução nasalSim 71,1 4,234 0,005 4,478 0,006Não 28,9 1 - 1 -AsmaSim 16,7 0,808 0,706Não 83,3 1 -DermatiteSim 7,8 0,698 0,651Não 92,2 1 -Grupo de riniteAlérgica 32,2 2,991 0,022 2,799 0,045Não alérgica 67,8 1 - 1 -

(continuação)

37


Conclusões:

A obstrução nasal, o mais proeminente dos sintomas, está

associada a eventos respiratórios relacionados aos distúrbios do

sono, uma condição que tem profundo efeito sobre a saúde

mental, o aprendizado, o comportamento e a atenção (CAMELO-

NUNES & SOLÉ, 2010).

RA é capaz de alterar de forma marcante a qualidade de vida dos

pacientes, assim como seu desempenho, aprendizado e

produtividade (CAMELO-NUNES & SOLÉ, 2010).38

Obrigado pela atenção !!!

39

Referências:

ALVES, A.L.N; OLIVEIRA, M.I.C; MORAES, J.R. Iniciativa Unidade Básica Amiga da Amamentação e sua relaçãocom o aleitamento materno exclusivo. Rev Saúde Pública 2013;47(6):1130-40.

AZEREDO, C.M.; COTTA, R.M.M.; SCHOTT, M.; MAIA, T.M.; MARQUES, E.S. Avaliação das condições dehabitação e saneamento: a importância da visita domiciliar no contexto do Programa de Saúde da Família.Cienc. Saude Colet 2007; 12(3):743-753.

BARROS, M.B.A.; ZANCHETTA, L.M.; MOURA, E.C.; MALTA, D.C. Auto-avaliação da saúde e fatores associados,Brasil, 2006. Rev Saude Publica 2009; 43(2):27-37.

CAMELO-NUNES, I.C.; SOLÉ, D. Rinite alérgica: indicadores de qualidade de vida. J Bras Pneumol. 2010; v. 36,n.1, p. 124-133.

FARIA, C. A. ; MORAES, J.R ; MONNERAT, B. R. D. ; VEREDIANO, K. A. ; HAWERROTH, P. A. M. M. ; FONSECA, S.C. Impacto do tipo de incontinência urinária sobre a qualidade de vida de usuárias do Sistema Único de Saúdeno Sudeste do Brasil. Revista Brasileira de Ginecologia e Obstetrícia (Impresso), v. 37, p. 374-380, 2015.

IBGE. Pesquisa Nacional por Amostra de Domicílios 2008. Notas Metodológicas: pesquisa básica, pesquisaespecial de tabagismo e pesquisas suplementares de saúde e acesso à internet e posse de telefone móvelcelular para uso pessoal. Brasil. Rio de Janeiro: IBGE, 2010. Disponível em: <http://www.ibge.gov.br>. Acessoem: abr. 2010.

IBGE. Pesquisa Nacional de Saúde 2013: Percepção do estado de saúde, estilos de vida e doenças crônicas.Brasil. Rio de Janeiro: IBGE, 2014. Disponível em: <http://www.ibge.gov.br>. Acesso em: abr. 2015.

40

Referências (continuação):

MCDADE, T.; ADAIR, L. Defining the Urban in Urbanization and Health: A Factor Analysis Approach. Soc.Sci. Med; 2001, 53:55-70.

MOORE, M.; GOULD, P.; KEARY, B. Global urbanization and impact on health. International Journal ofEnvironmental Health 2003; 203:269-278.

MORAES, J.R; MOREIRA, J.P.L; LUIZ, R.R. Efeito do plano amostral em modelo logístico ordinal: umaanálise do estado de saúde autorreferido de adultos no Brasil usando a Pesquisa Nacional por Amostrade Domicílios de 2008. Cad. Saúde Pública, Rio de Janeiro , v. 28, n. 5, p. 913-924, 2012.

MORAES, J.R; MOREIRA, J.P.L; LUIZ, R.R. Associação entre o estado de saúde autorreferido de adultos e aárea de localização do domicílio: uma análise de regressão logística ordinal usando a PNAD 2008. Ciênc.saúde coletiva, Rio de Janeiro , v. 16, n. 9, p. 3769-3780, 2011.

NOGUEIRA, H. Os Lugares e a Saúde. Coimbra; 2008 . PEREIRA, R.S.V.; OLIVEIRA, M.I.C.; ANDRADE, C.L.T., BRITO, A.S. Fatores associados ao aleitamento

materno exclusivo: o papel do cuidado na atenção básica. Cad Saude Publica. 2010;26(12):2343-54. PESSOA, D.G.C. et al. Análise de dados amostrais complexos. São Paulo: ABE, 1998. SOUSA, C.A et al. Prevalência de asma e fatores associados: estudo de base populacional em São Paulo,

SP, 2008-2009. Rev. Saúde Pública, São Paulo , v. 46, n. 5, p. 825-833, 2012. SZWARCWALD, C.L.; DAMACENA, G.N. Amostras complexas em inquéritos populacionais: planejamento e

implicações na análise estatística dos dados. Rev Bras Epidemiol. 2008; 11 (supl.1): 38-45 .

41

Aplicações de Modelagem Estatística na área de saúde usando R · análise de dados de...

Documents

Transcript of Aplicações de Modelagem Estatística na área de saúde usando R · análise de dados de...