O objetivo do estudo foi estimar a morbidade respiratória entre 12 e 36 meses em crianças prematuras e identificar os fatores associados. A população compreendeu 84 crianças de uma coorte de prematuros de muito baixo peso. O desfecho foi a taxa de incidência de morbidade respiratória. A associação entre as variáveis independentes e morbidade respiratória foi verificada por modelo linear generalizado. Entre 12 e 24 meses, 56,3% das crianças apresentaram morbidade respiratória. Entre 24 e 36 meses, 38,1% das crianças foram acometidas. As variáveis associadas à morbidade respiratória foram: displasia broncopulmonar (RT = 1,9; IC95%: 1,2-2,9), complacência pulmonar alterada (RT = 1,6; IC95%: 1,1-2,2), pneumonia neonatal (RT = 2,8; IC95%: 2,0-4,0), persistência do canal arterial (RT = 1,6; IC95%: 1,1-2,4) e morbidade respiratória no primeiro ano de vida (RT = 1,8; IC95%: 1,3-2,6). A incidência de morbidade respiratória entre 12 e 36 meses se manteve elevada neste grupo de crianças de alto risco, o que reforça a necessidade de acompanhamento e de intervenções efetivas na prevenção do adoecimento e na melhora da qualidade de vida destas crianças e suas famílias.

The aim of this paper was to estimate respiratory morbidity and its determinants for premature infants aged 12 to 36 months. The population comprised 84 infants from a cohort of very low birth weight premature infants. The outcome was the respiratory morbidity incidence rate. The relationship between the independent variables and respiratory morbidity was estimated using a Poisson regression model. From 12 to 24 months of age, 56.3% of children had experienced at least one episode of respiratory disease. >From 24 to 36 months, 38.1% of children were affected. Variables significantly associated with respiratory morbidity were bronchopulmonary dysplasia (RR = 1.9; 95%CI: 1.2-2.9), abnormal lung compliance (RR = 1.6; 95%CI: 1.1-2.3), neonatal pneumonia (RR = 2.8; 95%CI: 1.9-4.0), patent ductus arteriosus (RR = 1.6; 95%CI: 1.1-2.5), and respiratory morbidity in the first year of life (RR = 1.7; 95%CI: 1.2-2.5). The incidence of respiratory morbidity remains high in this group of high-risk infants, which calls for regular follow-up and effective interventions to prevent respiratory disease and to improve the quality of life of these children and their families.

O objetivo do estudo foi estimar a morbidade respiratória entre 12 e 36 meses em crianças prematuras e identificar os fatores associados. A população compreendeu 84 crianças de uma coorte de prematuros de muito baixo peso. O desfecho foi a taxa de incidência de morbidade respiratória. A associação entre as variáveis independentes e morbidade respiratória foi verificada por modelo linear generalizado. Entre 12 e 24 meses, 56,3% das crianças apresentaram morbidade respiratória. Entre 24 e 36 meses, 38,1% das crianças foram acometidas. As variáveis associadas à morbidade respiratória foram: displasia broncopulmonar (RT = 1,9; IC95%: 1,2-2,9), complacência pulmonar alterada (RT = 1,6; IC95%: 1,1-2,2), pneumonia neonatal (RT = 2,8; IC95%: 2,0-4,0), persistência do canal arterial (RT = 1,6; IC95%: 1,1-2,4) e morbidade respiratória no primeiro ano de vida (RT = 1,8; IC95%: 1,3-2,6). A incidência de morbidade respiratória entre 12 e 36 meses se manteve elevada neste grupo de crianças de alto risco, o que reforça a necessidade de acompanhamento e de intervenções efetivas na prevenção do adoecimento e na melhora da qualidade de vida destas crianças e suas famílias.

The aim of this paper was to estimate respiratory morbidity and its determinants for premature infants aged 12 to 36 months. The population comprised 84 infants from a cohort of very low birth weight premature infants. The outcome was the respiratory morbidity incidence rate. The relationship between the independent variables and respiratory morbidity was estimated using a Poisson regression model. From 12 to 24 months of age, 56.3% of children had experienced at least one episode of respiratory disease. >From 24 to 36 months, 38.1% of children were affected. Variables significantly associated with respiratory morbidity were bronchopulmonary dysplasia (RR = 1.9; 95%CI: 1.2-2.9), abnormal lung compliance (RR = 1.6; 95%CI: 1.1-2.3), neonatal pneumonia (RR = 2.8; 95%CI: 1.9-4.0), patent ductus arteriosus (RR = 1.6; 95%CI: 1.1-2.5), and respiratory morbidity in the first year of life (RR = 1.7; 95%CI: 1.2-2.5). The incidence of respiratory morbidity remains high in this group of high-risk infants, which calls for regular follow-up and effective interventions to prevent respiratory disease and to improve the quality of life of these children and their families.

Neste artigo, discutem-se alternativas de modelagem do índice de massa corporal (IMC), analisado como variável contínua, e a análise de resíduos. Buscaram-se estratégias de aplicação dos modelos lineares generalizados adequadas tanto do ponto de vista do ajuste estatístico quanto da facilidade de interpretação dos resultados. Nestas análises, foram incluídos dados relativos a 2.060 participantes da Fase 1 de estudo longitudinal (Estudo Pró-Saúde), com informação completa de peso, estatura, idade, raça/cor, renda familiar e escolaridade. Em nosso estudo, a análise de resíduos dos modelos estimados pelo método da máxima verossimilhança, amplamente utilizado, não possibilitou ajuste adequado dos modelos aos dados. A transformação da variável resposta, apesar de resultar em um bom ajuste, não conduziu a estimativas de fácil interpretação. Considerou-se como melhor alternativa a mudança do método de estimação para quase-verossimilhança. Assim, melhor ajuste foi alcançado e a variância permaneceu constante. Na modelagem de dados epidemiológicos, cabe aos pesquisadores buscarem o melhor equilíbrio entre a aplicação adequada de técnicas estatísticas e a facilidade de interpretação dos dados.

This article presents alternatives for modeling body mass index (BMI) as a continuous variable and the role of residual analysis. We sought strategies for the application of generalized linear models with appropriate statistical adjustment and easy interpretation of results. The analysis included 2,060 participants in Phase 1 of a longitudinal study (Pró-Saúde Study) with complete data on weight, height, age, race, family income, and schooling. In our study, the residual analysis of models estimated by maximum likelihood methods yielded inadequate adjustment. The transformed response variable resulted in a good fit but did not lead to estimates with straightforward interpretation. The best alternative was to apply quasi-likelihood as the estimation method, presenting a better adjustment and constant variance. In epidemiological data modeling, researchers should always take trade-offs into account between adequate statistical techniques and interpretability of results.

Neste artigo, discutem-se alternativas de modelagem do índice de massa corporal (IMC), analisado como variável contínua, e a análise de resíduos. Buscaram-se estratégias de aplicação dos modelos lineares generalizados adequadas tanto do ponto de vista do ajuste estatístico quanto da facilidade de interpretação dos resultados. Nestas análises, foram incluídos dados relativos a 2.060 participantes da Fase 1 de estudo longitudinal (Estudo Pró-Saúde), com informação completa de peso, estatura, idade, raça/cor, renda familiar e escolaridade. Em nosso estudo, a análise de resíduos dos modelos estimados pelo método da máxima verossimilhança, amplamente utilizado, não possibilitou ajuste adequado dos modelos aos dados. A transformação da variável resposta, apesar de resultar em um bom ajuste, não conduziu a estimativas de fácil interpretação. Considerou-se como melhor alternativa a mudança do método de estimação para quase-verossimilhança. Assim, melhor ajuste foi alcançado e a variância permaneceu constante. Na modelagem de dados epidemiológicos, cabe aos pesquisadores buscarem o melhor equilíbrio entre a aplicação adequada de técnicas estatísticas e a facilidade de interpretação dos dados.

This article presents alternatives for modeling body mass index (BMI) as a continuous variable and the role of residual analysis. We sought strategies for the application of generalized linear models with appropriate statistical adjustment and easy interpretation of results. The analysis included 2,060 participants in Phase 1 of a longitudinal study (Pró-Saúde Study) with complete data on weight, height, age, race, family income, and schooling. In our study, the residual analysis of models estimated by maximum likelihood methods yielded inadequate adjustment. The transformed response variable resulted in a good fit but did not lead to estimates with straightforward interpretation. The best alternative was to apply quasi-likelihood as the estimation method, presenting a better adjustment and constant variance. In epidemiological data modeling, researchers should always take trade-offs into account between adequate statistical techniques and interpretability of results.

O objetivo deste estudo foi investigar a associação entre escolaridade e renda com o Índice de Massa Corporal (IMC). Nestas análises, foram estudados 3.963 funcionários de uma universidade no Rio de Janeiro, Brasil, participantes da fase 1 de um estudo longitudinal (Estudo Pró-Saúde). Para testar as diferenças entre os subgrupos, utilizaram-se análise de variâncias, teste de Wald e modelos lineares generalizados. A prevalência de obesidade variou inversamente com o nível educacional, especialmente entre as mulheres (p < 0,001). Nas análises de regressão múltipla, observou-se que, entre os homens, a educação e a renda familiar per capita não foram associadas com maior IMC. Entre as mulheres, a educação, mas não a renda, foi significativa e inversamente associada com IMC mais elevado (p < 0,001). Assim, a baixa escolaridade exerce um papel importante na determinação social da obesidade, principalmente entre mulheres.

This study focuses on associations between schooling, income, and body mass index (BMI). The analyses are based on data from 3,963 public university employees in Rio de Janeiro, Brazil, participating in phase 1 of a longitudinal study (the Pró-Saúde Study). ANOVA, Wald test, and generalized linear models were used to analyze differences between subgroups. Obesity prevalence was inversely associated with schooling, especially among women (p < 0.001). In regression analyses, schooling and per capita income were not associated with BMI among men. In women, schooling but not income was significantly and inversely associated with BMI (p < 0.001). Thus, low schooling plays an important role in the social determination of obesity, especially among women.

O objetivo deste estudo foi investigar a associação entre escolaridade e renda com o Índice de Massa Corporal (IMC). Nestas análises, foram estudados 3.963 funcionários de uma universidade no Rio de Janeiro, Brasil, participantes da fase 1 de um estudo longitudinal (Estudo Pró-Saúde). Para testar as diferenças entre os subgrupos, utilizaram-se análise de variâncias, teste de Wald e modelos lineares generalizados. A prevalência de obesidade variou inversamente com o nível educacional, especialmente entre as mulheres (p < 0,001). Nas análises de regressão múltipla, observou-se que, entre os homens, a educação e a renda familiar per capita não foram associadas com maior IMC. Entre as mulheres, a educação, mas não a renda, foi significativa e inversamente associada com IMC mais elevado (p < 0,001). Assim, a baixa escolaridade exerce um papel importante na determinação social da obesidade, principalmente entre mulheres.

This study focuses on associations between schooling, income, and body mass index (BMI). The analyses are based on data from 3,963 public university employees in Rio de Janeiro, Brazil, participating in phase 1 of a longitudinal study (the Pró-Saúde Study). ANOVA, Wald test, and generalized linear models were used to analyze differences between subgroups. Obesity prevalence was inversely associated with schooling, especially among women (p < 0.001). In regression analyses, schooling and per capita income were not associated with BMI among men. In women, schooling but not income was significantly and inversely associated with BMI (p < 0.001). Thus, low schooling plays an important role in the social determination of obesity, especially among women.