OBJETIVOS: A cirurgia cardíaca (CC) determina alterações que demandam cuidados específicos no pós-operatório, incluindo as alterações pulmonares. A consciência da importância da disfunção da musculatura respiratória na insuficiência respiratória motivou o desenvolvimento de diversos estudos da força muscular em indivíduos saudáveis. Esses trabalhos utilizam valores de pressão inspiratória máxima (PIMÁX) e pressão expiratória máxima (PEMÁX). O presente estudo avaliou a concordância existente entre os valores preditos pelas equações propostas por Black & Hyatt e Neder et al., com valores observados em pacientes submetidos à CC. MÉTODOS: Os dados foram coletados das fichas de avaliação pré-operatória. Para a análise estatística verificou-se a concordância existente entre os valores preditos e observados pelas as equações de Black & Hyatt e Neder et al., sendo utilizado o coeficiente de concordância de Lin e o gráfico de Bland-Altman. Posteriormente, os dados foram submetidos à regressão linear múltipla e análise de variância, para proposição de novas fórmulas. RESULTADOS: Para PIMÁX, observou-se fraca concordância de 0,22 e 0,19 e para PEMÁX, 0,10 e 0,32, respectivamente, para as fórmulas de Black & Hyatt e Neder et al. Os valores da ANOVA para PIMÁX e PEMÁX, foram significativas (P<0,0001), permitindo propor as seguintes fórmulas: PIMÁX = 88,82 - (0,51 x Idade) + (19,86 x Sexo), e para PEMÁX = 91,36 - (0,30 x Idade) + (29,92 x Sexo). CONCLUSÃO: As fórmulas de Black e Hyatt e Neder et al. predizem valores de PIMÁX e PEMÁX discrepantes, não devendo ser utilizadas para identificar fraqueza muscular em pacientes submetidos a cirurgia cardíaca.

OBJECTIVES: Cardiac surgery (CC) determines systemic and pulmonary changes that require special care. Awareness of the importance of respiratory muscle dysfunction in the development of respiratory failure motivated several studies conducted in healthy subjects to assess muscle strength. These studies were carried out by evaluating the maximal inspiratory pressure (MIP) and maximal expiratory pressure (MEP) values. This study examined the concordance among the values predicted by the equations proposed by Black & Hyatt and Neder, and the measured values in cardiac surgery (CS) patients. METHODS: Data were collected from preoperative evaluation forms. The Lin coefficient and Bland-Altman plots were used for statistical concordance analysis. The multiple linear regression and analysis of variance (ANOVA) were used to produce new formulas. RESULTS: There were weak correlations of 0.22 and 0.19 in the MIP analysis and of 0.10 and 0.32 in the MEP analysis, for the formulas of Black & Hyatt and Neder, respectively. The ANOVA for both MIP and MEP were significant (P <0.0001), and the following formulas were developed: MIP = 88.82 - (0.51 x age) + (19.86 x gender), and MEP = 91.36 - (0.30 x age) + (29.92 x gender). CONCLUSIONS: The Black and Hyatt and Neder formulas predict highly discrepant values of MIP and MEP and should not be used to identify muscle weakness in CS patients.

Este estudo tem por objetivo desenvolver um modelo para a predição do número de casos de dengue em Ribeirão Preto, São Paulo, Brasil, por técnicas de análise de séries temporais. Para isto, foi utilizado o modelo SARIMA (Seasonal Autoregressive Integrated Moving Average). Inicialmente, ajustamos um modelo considerando o número mensal de casos notificados de dengue entre os anos 2000 e 2008 em Ribeirão Preto. Em uma etapa seguinte, obtivemos, com base nesse modelo, valores preditos para 2009, os quais comparamos com os valores observados neste ano. O modelo SARIMA (2,1,3)(1,1,1)12 trouxe o melhor ajuste para os dados de incidência de dengue. Os resultados obtidos neste artigo mostram que o modelo SARIMA é bastante eficiente em descrever o número de casos de dengue no período em estudo e em predizer valores em meses futuros, mostrando-se uma útil ferramenta para estratégias de controle e prevenção da doença.

This study aimed to develop a forecasting model for the incidence of dengue in Ribeirão Preto, São Paulo State, Brazil, using time series analysis. The model was performed using the Seasonal Autoregressive Integrated Moving Average (SARIMA). Firstly, we fitted a model considering monthly notifications of cases of dengue recorded from 2000 to 2008 in Ribeirão Preto. We then extracted predicted values for 2009 from the adjusted model and compared them with the number of cases observed for that year. The SARIMA (2,1,3)(1,1,1)12 model offered best fit for the dengue incidence data. The results showed that the seasonal ARIMA model predicts the number of dengue cases very effectively and reliably, and is a useful tool for disease control and prevention.

Este estudo tem por objetivo desenvolver um modelo para a predição do número de casos de dengue em Ribeirão Preto, São Paulo, Brasil, por técnicas de análise de séries temporais. Para isto, foi utilizado o modelo SARIMA (Seasonal Autoregressive Integrated Moving Average). Inicialmente, ajustamos um modelo considerando o número mensal de casos notificados de dengue entre os anos 2000 e 2008 em Ribeirão Preto. Em uma etapa seguinte, obtivemos, com base nesse modelo, valores preditos para 2009, os quais comparamos com os valores observados neste ano. O modelo SARIMA (2,1,3)(1,1,1)12 trouxe o melhor ajuste para os dados de incidência de dengue. Os resultados obtidos neste artigo mostram que o modelo SARIMA é bastante eficiente em descrever o número de casos de dengue no período em estudo e em predizer valores em meses futuros, mostrando-se uma útil ferramenta para estratégias de controle e prevenção da doença.

This study aimed to develop a forecasting model for the incidence of dengue in Ribeirão Preto, São Paulo State, Brazil, using time series analysis. The model was performed using the Seasonal Autoregressive Integrated Moving Average (SARIMA). Firstly, we fitted a model considering monthly notifications of cases of dengue recorded from 2000 to 2008 in Ribeirão Preto. We then extracted predicted values for 2009 from the adjusted model and compared them with the number of cases observed for that year. The SARIMA (2,1,3)(1,1,1)12 model offered best fit for the dengue incidence data. The results showed that the seasonal ARIMA model predicts the number of dengue cases very effectively and reliably, and is a useful tool for disease control and prevention.

INTRODUÇÃO: A predição do número de casos de dengue em uma população utilizando modelos de series temporais pode trazer informações úteis para um melhor planejamento de intervenções públicas de saúde. O objetivo deste artigo é desenvolver um modelo capaz de descrever e predizer a incidência de dengue em Campinas, sudeste do Brasil, considerando a metodologia de Box e Jenkins. MÉTODOS: O modelo seasonal autoregressive integrated moving average (SARIMA) para os dados de incidência de dengue em Campinas, foi implementado no programa R. Ajustamos um modelo baseado na incidência mensal notificada da doença de 1998 a 2008 e validado pelos dados de janeiro a dezembro de 2009. RESULTADOS: O modelo SARIMA (2,1,2) (1,1,1)12 foi o mais adequado aos dados. Este modelo indicou que o número de casos de dengue em um dado mês pode ser estimado pelo número de casos ocorridos há um, dois e doze meses. Os valores preditos para 2009 são relativamente próximos aos valores observados. CONCLUSÕES: Os resultados deste artigo indicam que os modelos SARIMA são ferramentas úteis para o monitoramento da incidência da dengue. Observamos ainda que o modelo SARIMA é capaz de representar com relativa precisão o número de casos de dengue em um ano consecutivo à série de dados usada no ajuste do modelo.

INTRODUCTION: Forecasting dengue cases in a population by using time-series models can provide useful information that can be used to facilitate the planning of public health interventions. The objective of this article was to develop a forecasting model for dengue incidence in Campinas, southeast Brazil, considering the Box-Jenkins modeling approach. METHODS: The forecasting model for dengue incidence was performed with R software using the seasonal autoregressive integrated moving average (SARIMA) model. We fitted a model based on the reported monthly incidence of dengue from 1998 to 2008, and we validated the model using the data collected between January and December of 2009. RESULTS: SARIMA (2,1,2) (1,1,1)12 was the model with the best fit for data. This model indicated that the number of dengue cases in a given month can be estimated by the number of dengue cases occurring one, two and twelve months prior. The predicted values for 2009 are relatively close to the observed values. CONCLUSIONS: The results of this article indicate that SARIMA models are useful tools for monitoring dengue incidence. We also observe that the SARIMA model is capable of representing with relative precision the number of cases in a next year.