Aplicações de Modelagem Estatística na área de saúde usando R · análise de dados de...
Transcript of 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
1ª Aplicação de Modelagem Estatística:
urbanização x saúde
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
1ª Aplicação de Modelagem Estatística:
urbanização x saúde
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$percent_dom_adeq_setor 1.33 1.23 1.45
17
1ª Aplicação de Modelagem Estatística: urbanização x saúde# Análise multivariada - 2º Passo: Modelo sem os efeitos principais das 3 variáveis (ocupação do domicílio, PSF e qualidade da moradia)
> coeficientes = coef(modelo_ord2)> IC =confint(modelo_ord2)> round(exp(cbind(OR = coeficientes, IC)),2)
OR 2.5 % 97.5 %banco$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
> coeficientes = coef(modelo_ord3)> IC =confint(modelo_ord3)> round(exp(cbind(OR = coeficientes, IC)),2)
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
ORMPV IC 95% p-valor ORMPV IC 95% p-valor
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
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 (continuação)
21
ORMPV IC 95% p-valor ORMPV IC 95% p-valor
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
Modelo multivariado 1: Modelo multivariado 2:
inclui os efeitos principais inclui os efeitos principais e de Variáveis
22
1ª Aplicação de Modelagem Estatística:
urbanização x saúde
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
2ª Aplicação de Modelagem Estatística:
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
2ª Aplicação de Modelagem Estatística: Grupo de disfunção x Impacto da IU na QV
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
2ª Aplicação de Modelagem Estatística: Grupo de disfunção x Impacto da IU na QV
# 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
2ª Aplicação de Modelagem Estatística:
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)
Coefficients:Estimate Std. Error z value Pr(>|z|)
(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
2ª Aplicação de Modelagem Estatística:
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
3ª Aplicação de Modelagem Estatística:
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
3ª Aplicação de Modelagem Estatística:
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
3ª Aplicação de Modelagem Estatística:
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$coefficients);OR10
34
3ª Aplicação de Modelagem Estatística:
características clínicas e demog. x gravidade da rinite
# Análise multivariada com Grupo-etario, Obstrução e Grupo_TCLI_Rinite - GLMMod11=glm(dados.spss$Gravidade_binaria~Grupo_etario_D+Obstrucao_D+Grupo_TCLI_Rinite_D,binomial(link=logit),banco); summary(mod11)
Coefficients:Estimate Std. Error z value Pr(>|z|)
(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
3ª Aplicação de Modelagem Estatística:
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