A mortalidade infantil é um sensível indicador de saúde. Conhecer o seu perfil geográfico auxilia na formulação de estratégias de saúde pública. O mapeamento de doenças tem por objetivo descrever a distribuição geográfica das taxas de mortalidade ou incidência de doenças por intermédio de mapas. Em razão da alta instabilidade das taxas brutas quando há pequenas áreas, utilizam-se os métodos de suavização bayesiana, que se valem de informações de toda a região ou da vizinhança para estimar as taxas. O artigo faz a comparação entre os métodos Bayesiano Empírico e Totalmente Bayesiano para as taxas de mortalidade infantil (dados acumulados de 2001 a 2004) no Rio Grande do Sul, Brasil. O trabalho aponta as vantagens do uso dos estimadores bayesianos na visualização espacial dos mapas. Os métodos Bayesianos Empíricos apresentaram resultados muito semelhantes aos dos métodos Totalmente Bayesianos e possuem a grande vantagem de ser de fácil utilização por profissionais da área de saúde, destacando igualmente os principais padrões espaciais da taxa de mortalidade no Rio Grande do Sul no período estudado.

Infant mortality is considered a sensitive health indicator, and knowledge of its geographical profile is essential for formulating appropriate public health policies. Disease mapping aims to describe the geographical distribution of disease incidence and mortality rates. Due to the heavy instability of crude rates in small areas, methods involving Bayesian smoothing of rates are used, drawing on information for the whole area or neighborhood to estimate the event rate. The current study compares empirical Bayesian (EB) and fully Bayesian (FB) methods for infant mortality rates (accumulated data from 2001 to 2004) in Rio Grande do Sul State, Brazil. This study highlights the advantages of Bayesian estimators for viewing and interpreting maps. For the problem at hand, EB and FB methods showed quite similar results and had the great advantage of easy use by health professionals, since they evenly highlight the main spatial patterns in the mortality rate in the State during the target period.

A mortalidade infantil é um sensível indicador de saúde. Conhecer o seu perfil geográfico auxilia na formulação de estratégias de saúde pública. O mapeamento de doenças tem por objetivo descrever a distribuição geográfica das taxas de mortalidade ou incidência de doenças por intermédio de mapas. Em razão da alta instabilidade das taxas brutas quando há pequenas áreas, utilizam-se os métodos de suavização bayesiana, que se valem de informações de toda a região ou da vizinhança para estimar as taxas. O artigo faz a comparação entre os métodos Bayesiano Empírico e Totalmente Bayesiano para as taxas de mortalidade infantil (dados acumulados de 2001 a 2004) no Rio Grande do Sul, Brasil. O trabalho aponta as vantagens do uso dos estimadores bayesianos na visualização espacial dos mapas. Os métodos Bayesianos Empíricos apresentaram resultados muito semelhantes aos dos métodos Totalmente Bayesianos e possuem a grande vantagem de ser de fácil utilização por profissionais da área de saúde, destacando igualmente os principais padrões espaciais da taxa de mortalidade no Rio Grande do Sul no período estudado.

Infant mortality is considered a sensitive health indicator, and knowledge of its geographical profile is essential for formulating appropriate public health policies. Disease mapping aims to describe the geographical distribution of disease incidence and mortality rates. Due to the heavy instability of crude rates in small areas, methods involving Bayesian smoothing of rates are used, drawing on information for the whole area or neighborhood to estimate the event rate. The current study compares empirical Bayesian (EB) and fully Bayesian (FB) methods for infant mortality rates (accumulated data from 2001 to 2004) in Rio Grande do Sul State, Brazil. This study highlights the advantages of Bayesian estimators for viewing and interpreting maps. For the problem at hand, EB and FB methods showed quite similar results and had the great advantage of easy use by health professionals, since they evenly highlight the main spatial patterns in the mortality rate in the State during the target period.

INTRODUÇÃO: A perda de informações é um problema frequente em estudos realizados na área da Saúde. Na literatura essa perda é chamada de missing data ou dados faltantes. Através da imputação dos dados faltantes são criados conjuntos de dados artificialmente completos que podem ser analisados por técnicas estatísticas tradicionais. O objetivo desse artigo foi comparar, em um exemplo baseado em dados reais, a utilização de três técnicas de imputações diferentes. MÉTODO: Os dados utilizados referem-se a um estudo de desenvolvimento de modelo de risco cirúrgico, sendo que o tamanho da amostra foi de 450 pacientes. Os métodos de imputação empregados foram duas imputações únicas e uma imputação múltipla (IM), e a suposição sobre o mecanismo de não-resposta foi MAR (Missing at Random). RESULTADOS: A variável com dados faltantes foi a albumina sérica, com 27,1% de perda. Os modelos obtidos pelas imputações únicas foram semelhantes entre si, mas diferentes dos obtidos com os dados imputados pela IM quanto à inclusão de variáveis nos modelos. CONCLUSÕES: Os resultados indicam que faz diferença levar em conta a relação da albumina com outras variáveis observadas, pois foram obtidos modelos diferentes nas imputações única e múltipla. A imputação única subestima a variabilidade, gerando intervalos de confiança mais estreitos. É importante se considerar o uso de métodos de imputação quando há dados faltantes, especialmente a IM que leva em conta a variabilidade entre imputações para as estimativas do modelo.

INTRODUCTION: It is common for studies in health to face problems with missing data. Through imputation, complete data sets are built artificially and can be analyzed by traditional statistical analysis. The objective of this paper is to compare three types of imputation based on real data. METHODS: The data used came from a study on the development of risk models for surgical mortality. The sample size was 450 patients. The imputation methods applied were: two single imputations and one multiple imputation and the assumption was MAR (Missing at Random). RESULTS: The variable with missing data was serum albumin with 27.1% of missing rate. The logistic models adjusted by simple imputation were similar, but differed from models obtained by multiple imputation in relation to the inclusion of variables. CONCLUSIONS: The results indicate that it is important to take into account the relationship of albumin to other variables observed, because different models were obtained in single and multiple imputations. Single imputation underestimates the variability generating narrower confidence intervals. It is important to consider the use of imputation methods when there is missing data, especially multiple imputation that takes into account the variability between imputations for estimates of the model.

INTRODUÇÃO: A perda de informações é um problema frequente em estudos realizados na área da Saúde. Na literatura essa perda é chamada de missing data ou dados faltantes. Através da imputação dos dados faltantes são criados conjuntos de dados artificialmente completos que podem ser analisados por técnicas estatísticas tradicionais. O objetivo desse artigo foi comparar, em um exemplo baseado em dados reais, a utilização de três técnicas de imputações diferentes. MÉTODO: Os dados utilizados referem-se a um estudo de desenvolvimento de modelo de risco cirúrgico, sendo que o tamanho da amostra foi de 450 pacientes. Os métodos de imputação empregados foram duas imputações únicas e uma imputação múltipla (IM), e a suposição sobre o mecanismo de não-resposta foi MAR (Missing at Random). RESULTADOS: A variável com dados faltantes foi a albumina sérica, com 27,1% de perda. Os modelos obtidos pelas imputações únicas foram semelhantes entre si, mas diferentes dos obtidos com os dados imputados pela IM quanto à inclusão de variáveis nos modelos. CONCLUSÕES: Os resultados indicam que faz diferença levar em conta a relação da albumina com outras variáveis observadas, pois foram obtidos modelos diferentes nas imputações única e múltipla. A imputação única subestima a variabilidade, gerando intervalos de confiança mais estreitos. É importante se considerar o uso de métodos de imputação quando há dados faltantes, especialmente a IM que leva em conta a variabilidade entre imputações para as estimativas do modelo.

INTRODUCTION: It is common for studies in health to face problems with missing data. Through imputation, complete data sets are built artificially and can be analyzed by traditional statistical analysis. The objective of this paper is to compare three types of imputation based on real data. METHODS: The data used came from a study on the development of risk models for surgical mortality. The sample size was 450 patients. The imputation methods applied were: two single imputations and one multiple imputation and the assumption was MAR (Missing at Random). RESULTS: The variable with missing data was serum albumin with 27.1% of missing rate. The logistic models adjusted by simple imputation were similar, but differed from models obtained by multiple imputation in relation to the inclusion of variables. CONCLUSIONS: The results indicate that it is important to take into account the relationship of albumin to other variables observed, because different models were obtained in single and multiple imputations. Single imputation underestimates the variability generating narrower confidence intervals. It is important to consider the use of imputation methods when there is missing data, especially multiple imputation that takes into account the variability between imputations for estimates of the model.

OBJETIVO: Desenvolver um modelo preditivo de óbito hospitalar com base nos dados do Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de 453.515 autorizações de internação de 332 hospitais do Rio Grande do Sul no ano de 2005. A partir da razão entre óbitos observados e óbitos esperados elaborou-se um ranking ajustado dos hospitais que foi comparado ao ranking bruto da taxa de mortalidade. Utilizou-se regressão logística para desenvolvimento do modelo preditivo de probabilidade para óbito hospitalar segundo sexo, idade, diagnóstico e uso de unidade de terapia intensiva. Foram obtidos os intervalos com 95% de confiança para 206 hospitais com mais de 365 internações por ano. RESULTADOS: Obteve-se um índice de risco para mortalidade hospitalar. A ordenação dos hospitais utilizando apenas a taxa de mortalidade bruta diferiu da ordenação quando se utiliza o ranking ajustado pelo modelo preditivo de probabilidade. Dos 206 hospitais analisados, 40 hospitais apresentaram mortalidade observada significativamente superior à esperada e 58 hospitais com mortalidade significativamente inferior à esperada. Uso de unidade de terapia intensiva apresentou maior peso para a composição do índice de risco, seguida pela idade e diagnóstico. Quando os hospitais atendem pacientes com perfis muito diferentes, o ajuste de risco não resulta numa indicação definitiva sobre qual prestador é o melhor. Os hospitais de grande porte apresentaram, no conjunto, maior número de óbitos do que seria esperado de acordo com as características das internações. CONCLUSÕES: O índice de risco de óbito hospitalar mostrou-se preditor adequado para o cálculo dos óbitos esperados, podendo ser aplicado na avaliação do desempenho hospitalar. Recomenda-se que, ao comparar hospitais, seja utilizado o ajuste pelo modelo preditivo de probabilidade de risco, estratificando-se pelo porte do hospital.

OBJECTIVE: To develop a hospital mortality prediction model based on data from the Hospital Information System of the Brazilian National Health System. METHODS: This was a cross-sectional study using data from 453,515 authorizations for hospital admission relating to 332 hospitals in Rio Grande do Sul, Southern Brazil in the year 2005. From the ratio between observed and expected deaths, the hospitals were ranked in an adjusted manner, and this was compared with the crude ranking of the mortality rate. Logistic regression was used to develop a predictive model for the likelihood of hospital mortality according to sex, age, diagnosis and use of an intensive care unit. Confidence intervals (95%) were obtained for the 206 hospitals with more than 365 hospital admissions per year. RESULTS: An index for the risk of hospital mortality was obtained. Ranking the hospitals using only the crude mortality rate differed from the ranking when it was adjusted according to the predictive likelihood model. Among the 206 hospitals analyzed, 40 of them presented observed mortality that was significantly greater than what was expected, while 58 hospitals presented mortality that was significantly lower than expected. Use of an intensive care unit presented the greatest weight in making up the risk index, followed by age and diagnosis. When the hospitals attended patients with widely differing profiles, the risk adjustment did not result in a definitive indication regarding which provider was best. Among this group of hospitals, those of large size presented greater numbers of deaths than would be expected from the characteristics of the hospital admissions. CONCLUSIONS: The hospital mortality risk index was shown to be an appropriate predictor for calculating the expected death rate, and it can be applied to evaluate hospital performance. It is recommended that, in comparing hospitals, the adjustment using the predictive likelihood model for the risk should be used, with stratification according to hospital size.

OBJETIVO: Desarrollar un modelo predictivo de óbito hospitalario con base en los datos del Sistema de Informaciones Hospitalarios del Sistema Único de Salud de Brasil. MÉTODOS: Estudio transversal con datos de 453.515 autorizaciones de internación de 332 hospitales de Rio Grande do Sul (Sur de Brasil) en el año 2005. A partir de la tasa de óbitos observados y óbitos esperados se elaboró un ranking ajustado de los hospitales que fue comparado al ranking bruto de la tasa de mortalidad. Se utilizó regresión logística para desarrollo del modelo predictivo de probabilidad para óbito hospitalario según sexo, edad, diagnóstico y uso de unidad de terapia intensiva (UTI). Se obtuvieron los intervalos con 95% de confianza para los 206 hospitales con más de 365 internaciones por año. RESULTADOS: Se obtuvo un índice de riesgo para mortalidad hospitalaria. La ordenación de los hospitales utilizando sólo la tasa de mortalidad bruta difirió de la ordenación al utilizarse el ranking ajustado por el modelo predictivo de probabilidad. De los 206 hospitales analizados, 40 hospitales presentaron mortalidad observada significativamente superior a la esperada y 58 hospitales con mortalidad significativamente menor a la esperada. El uso de UTI presentó mayor peso para la composición del índice de riesgo, seguida por la edad y diagnóstico. Cuando los hospitales atienden pacientes con perfiles muy diferentes, el ajuste de riesgo no resulta en una indicación definitiva sobre cual prestador es mejor. Los hospitales de gran porte presentaron, en conjunto, mayor número de óbitos del que sería esperado de acuerdo con las características de las internaciones. CONCLUSIONES: El índice de riesgo de óbito hospitalario se mostró predictivo adecuado para el cálculo de los óbitos esperados, pudiendo ser aplicado en la evaluación del desarrollo hospitalario. Se recomienda que, al comparar hospitales, sea utilizado el ajuste por el modelo predictivo de probabilidad de riesgo, estratificándose por el porte del hospital.

OBJETIVO: Desenvolver um modelo preditivo de óbito hospitalar com base nos dados do Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de 453.515 autorizações de internação de 332 hospitais do Rio Grande do Sul no ano de 2005. A partir da razão entre óbitos observados e óbitos esperados elaborou-se um ranking ajustado dos hospitais que foi comparado ao ranking bruto da taxa de mortalidade. Utilizou-se regressão logística para desenvolvimento do modelo preditivo de probabilidade para óbito hospitalar segundo sexo, idade, diagnóstico e uso de unidade de terapia intensiva. Foram obtidos os intervalos com 95% de confiança para 206 hospitais com mais de 365 internações por ano. RESULTADOS: Obteve-se um índice de risco para mortalidade hospitalar. A ordenação dos hospitais utilizando apenas a taxa de mortalidade bruta diferiu da ordenação quando se utiliza o ranking ajustado pelo modelo preditivo de probabilidade. Dos 206 hospitais analisados, 40 hospitais apresentaram mortalidade observada significativamente superior à esperada e 58 hospitais com mortalidade significativamente inferior à esperada. Uso de unidade de terapia intensiva apresentou maior peso para a composição do índice de risco, seguida pela idade e diagnóstico. Quando os hospitais atendem pacientes com perfis muito diferentes, o ajuste de risco não resulta numa indicação definitiva sobre qual prestador é o melhor. Os hospitais de grande porte apresentaram, no conjunto, maior número de óbitos do que seria esperado de acordo com as características das internações. CONCLUSÕES: O índice de risco de óbito hospitalar mostrou-se preditor adequado para o cálculo dos óbitos esperados, podendo ser aplicado na avaliação do desempenho hospitalar. Recomenda-se que, ao comparar hospitais, seja utilizado o ajuste pelo modelo preditivo de probabilidade de risco, estratificando-se pelo porte do hospital.

OBJECTIVE: To develop a hospital mortality prediction model based on data from the Hospital Information System of the Brazilian National Health System. METHODS: This was a cross-sectional study using data from 453,515 authorizations for hospital admission relating to 332 hospitals in Rio Grande do Sul, Southern Brazil in the year 2005. From the ratio between observed and expected deaths, the hospitals were ranked in an adjusted manner, and this was compared with the crude ranking of the mortality rate. Logistic regression was used to develop a predictive model for the likelihood of hospital mortality according to sex, age, diagnosis and use of an intensive care unit. Confidence intervals (95%) were obtained for the 206 hospitals with more than 365 hospital admissions per year. RESULTS: An index for the risk of hospital mortality was obtained. Ranking the hospitals using only the crude mortality rate differed from the ranking when it was adjusted according to the predictive likelihood model. Among the 206 hospitals analyzed, 40 of them presented observed mortality that was significantly greater than what was expected, while 58 hospitals presented mortality that was significantly lower than expected. Use of an intensive care unit presented the greatest weight in making up the risk index, followed by age and diagnosis. When the hospitals attended patients with widely differing profiles, the risk adjustment did not result in a definitive indication regarding which provider was best. Among this group of hospitals, those of large size presented greater numbers of deaths than would be expected from the characteristics of the hospital admissions. CONCLUSIONS: The hospital mortality risk index was shown to be an appropriate predictor for calculating the expected death rate, and it can be applied to evaluate hospital performance. It is recommended that, in comparing hospitals, the adjustment using the predictive likelihood model for the risk should be used, with stratification according to hospital size.

OBJETIVO: Desarrollar un modelo predictivo de óbito hospitalario con base en los datos del Sistema de Informaciones Hospitalarios del Sistema Único de Salud de Brasil. MÉTODOS: Estudio transversal con datos de 453.515 autorizaciones de internación de 332 hospitales de Rio Grande do Sul (Sur de Brasil) en el año 2005. A partir de la tasa de óbitos observados y óbitos esperados se elaboró un ranking ajustado de los hospitales que fue comparado al ranking bruto de la tasa de mortalidad. Se utilizó regresión logística para desarrollo del modelo predictivo de probabilidad para óbito hospitalario según sexo, edad, diagnóstico y uso de unidad de terapia intensiva (UTI). Se obtuvieron los intervalos con 95% de confianza para los 206 hospitales con más de 365 internaciones por año. RESULTADOS: Se obtuvo un índice de riesgo para mortalidad hospitalaria. La ordenación de los hospitales utilizando sólo la tasa de mortalidad bruta difirió de la ordenación al utilizarse el ranking ajustado por el modelo predictivo de probabilidad. De los 206 hospitales analizados, 40 hospitales presentaron mortalidad observada significativamente superior a la esperada y 58 hospitales con mortalidad significativamente menor a la esperada. El uso de UTI presentó mayor peso para la composición del índice de riesgo, seguida por la edad y diagnóstico. Cuando los hospitales atienden pacientes con perfiles muy diferentes, el ajuste de riesgo no resulta en una indicación definitiva sobre cual prestador es mejor. Los hospitales de gran porte presentaron, en conjunto, mayor número de óbitos del que sería esperado de acuerdo con las características de las internaciones. CONCLUSIONES: El índice de riesgo de óbito hospitalario se mostró predictivo adecuado para el cálculo de los óbitos esperados, pudiendo ser aplicado en la evaluación del desarrollo hospitalario. Se recomienda que, al comparar hospitales, sea utilizado el ajuste por el modelo predictivo de probabilidad de riesgo, estratificándose por el porte del hospital.

OBJETIVO: Avaliar a mortalidade hospitalar por meio de análise multinível utilizando dados disponíveis no Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de internações obtidas das Autorizações de Internação Hospitalar do Rio Grande do Sul no ano de 2005. A modelagem foi realizada por meio de regressão logística multinível, utilizando variáveis do nível individual (internações) e do nível contextual (hospitais). Analisou-se a variabilidade causada por variáreis individuais no nível hospitalar, bem como a participação do perfil dos hospitais na taxa de mortalidade hospitalar. RESULTADOS: A taxa bruta de mortalidade calculada para o conjunto de hospitais foi de 6,3%. As variáveis uso de Unidade de Terapia Intensiva e idade foram os principais preditores para óbito hospitalar no nível individual. As variáveis de contexto que se relacionaram mais intensamente com o óbito hospitalar foram: porte do hospital, natureza jurídica e média de permanência. A chance de óbito em hospital de grande porte é 1,85 vezes a chance do hospital de pequeno porte e no hospital de médio porte é 1,69 vezes a chance do hospital de pequeno porte. Os hospitais públicos apresentam 67% mais chances de óbito hospitalar do que os privados. CONCLUSÕES: O perfil hospitalar tem papel importante na mortalidade hospitalar do Sistema de Informações Hospitalares do Sistema Único de Saúde. A análise multinível deve ser empregada para a estimação da contribuição do perfil dos hospitais na mortalidade hospitalar.

OBJECTIVE: To use a multilevel analysis methodology to evaluate hospital mortality from the data available in the Hospital Information System of the National Unified Health System. METHODS: Cross-sectional study with data obtained from Authorization Forms for Hospital Admissions in Rio Grande do Sul, Brazil in 2005. The modeling was performed using multilevel logistic regression, with variables from the individual level (hospital admissions) and the context level (hospital profile). The variability originated from individual variables was analyzed as well as the participation of the profile of hospitals in the rate of hospital mortality. RESULTS: The crude death rate calculated for all hospitals was 6.3%. The variables "Use of Intensive Care Unit" followed by "Patient Age" were the main predictors for hospital death at the individual level. The context variables that were related most closely to hospital death (outcome) were: size of hospital, legal nature, and average length of stay. The OR for deaths at large hospitals was 1.85 times the odds for small hospitals and the OR for medium hospitals was 1.69 times the odds for small ones. The chance of deaths in public hospitals was 67% higher than in private ones. CONCLUSIONS: The hospital profile has an important role in hospital mortality in the Hospital Information System of the National Unified Health System. Multilevel analysis should be used to estimate the contribution of the profile of mortality in hospitals.

OBJETIVO: Avaliar a mortalidade hospitalar por meio de análise multinível utilizando dados disponíveis no Sistema de Informações Hospitalares do Sistema Único de Saúde. MÉTODOS: Estudo transversal com dados de internações obtidas das Autorizações de Internação Hospitalar do Rio Grande do Sul no ano de 2005. A modelagem foi realizada por meio de regressão logística multinível, utilizando variáveis do nível individual (internações) e do nível contextual (hospitais). Analisou-se a variabilidade causada por variáreis individuais no nível hospitalar, bem como a participação do perfil dos hospitais na taxa de mortalidade hospitalar. RESULTADOS: A taxa bruta de mortalidade calculada para o conjunto de hospitais foi de 6,3%. As variáveis uso de Unidade de Terapia Intensiva e idade foram os principais preditores para óbito hospitalar no nível individual. As variáveis de contexto que se relacionaram mais intensamente com o óbito hospitalar foram: porte do hospital, natureza jurídica e média de permanência. A chance de óbito em hospital de grande porte é 1,85 vezes a chance do hospital de pequeno porte e no hospital de médio porte é 1,69 vezes a chance do hospital de pequeno porte. Os hospitais públicos apresentam 67% mais chances de óbito hospitalar do que os privados. CONCLUSÕES: O perfil hospitalar tem papel importante na mortalidade hospitalar do Sistema de Informações Hospitalares do Sistema Único de Saúde. A análise multinível deve ser empregada para a estimação da contribuição do perfil dos hospitais na mortalidade hospitalar.

OBJECTIVE: To use a multilevel analysis methodology to evaluate hospital mortality from the data available in the Hospital Information System of the National Unified Health System. METHODS: Cross-sectional study with data obtained from Authorization Forms for Hospital Admissions in Rio Grande do Sul, Brazil in 2005. The modeling was performed using multilevel logistic regression, with variables from the individual level (hospital admissions) and the context level (hospital profile). The variability originated from individual variables was analyzed as well as the participation of the profile of hospitals in the rate of hospital mortality. RESULTS: The crude death rate calculated for all hospitals was 6.3%. The variables "Use of Intensive Care Unit" followed by "Patient Age" were the main predictors for hospital death at the individual level. The context variables that were related most closely to hospital death (outcome) were: size of hospital, legal nature, and average length of stay. The OR for deaths at large hospitals was 1.85 times the odds for small hospitals and the OR for medium hospitals was 1.69 times the odds for small ones. The chance of deaths in public hospitals was 67% higher than in private ones. CONCLUSIONS: The hospital profile has an important role in hospital mortality in the Hospital Information System of the National Unified Health System. Multilevel analysis should be used to estimate the contribution of the profile of mortality in hospitals.

OBJETIVO: averiguar a existência de relações entre o desempenho em testes de processamento auditivo e em tarefas cognitivas. MÉTODOS: participaram 12 adolescentes com desenvolvimento típico, estudantes de terceiro ano do Ensino Médio de escolas privadas do estado do Rio Grande do Sul, Brasil, examinados com uma bateria de testes de PA(C) e com o Instrumento de Avaliação Neuropsicológica Breve Neupsilin. Foram realizadas análises de correlação de Pearson e análises qualitativas intertestes para comparação do desempenho na avaliação do PA(C) e na avaliação neuropsicológica. RESULTADOS: da bateria de testes PA(C), os Testes SSI - MCI - Teste de Sentenças Sintéticas com mensagem competitiva ipsilateral, SSW - Teste de Dissílabos Alternados e o teste Dicóticos de Dígitos apresentaram correlação forte significativa positiva (coeficiente de correlação de Pearson) com os subtestes do Neupsilin: atenção - contagem inversa, percepção de faces, linguagem oral automática e repetição, memória verbal episódica e memória de trabalho - span auditivo de palavras em sentenças. Alguns testes do PA(C) apresentaram maior frequência de dissociações com subtestes neuropsicológicos. As correlações encontradas indicam que os testes de PA(C) e as tarefas neuropsicológicas parecem examinar algumas habilidades cognitivas subjacentes em comum. As dissociações observadas sugerem que os processamentos auditivo e neuropsicológico são relativamente independentes e a análise intertestes do desempenho dos participantes na avaliação do PA(C), comparada ao desempenho na avaliação neuropsicológica, confirma os resultados encontrados para as questões anteriores. CONCLUSÃO: ressalta-se a necessidade de se pensar o contexto da administração dos testes de PA(C), considerando-se a relação de complementaridade da avaliação neuropsicológica e do exame de processamento auditivo.

PURPOSE: to check if there is a relation between the performance in auditory processing tests and in cognitive tasks. METHODS: the sample was made up by 12 teenagers in typical development, all of them high-school students (third year) in private schools from Rio Grande do Sul, Brazil. They were evaluated through an auditory processing battery as well as with the Brazilian Brief Neuropsychological Assessment Battery NEUPSILIN. Data analyses included Person's correlation and qualitative interests interpretation towards a comparison of the performance in (C)AP's battery and in the neuropsychological assessment. RESULTS: regarding (C)AP's battery, SSI - MCI - Synthetic Sentence Test with ipsilateral competitive message, SSW - Test of Alternated Disyllables and Digit Dicotics tests showed a significant strong positive correlation with NEUPSILIN's subtests that follows: attention - reverse counting, face perception, oral language - automated language and repetition, episodic verbal memory and working memory - auditory word span in sentences. Some (C)AP's tests presented a greater frequency of dissociation when compared to neuropsychological tasks. Correlation index suggest that (C)AP's tests and neuropsychological tasks seem to evaluate some common basic cognitive abilities. The observed dissociation suggest that auditory and neuropsychological processing are partially independent on each other. The interests analysis confirms these results. CONCLUSION: there is a need to rethink about the administration of (C)AP's tests, when it comes to the addition relation between neuropsychological assessment and auditory processing examination.

Neste artigo são analisados os fatores possivelmente associados à mortalidade infantil nos 496 municípios do Rio Grande do Sul, Brasil, com base em dados acumuladas entre os anos de 2001 a 2004, obtidos pela análise de regressão utilizando modelagem inteiramente bayesiana como alternativa para superar a autocorrelação espacial e a instabilidade dos estimadores clássicos, como a taxa bruta e a SMR (Standardised Mortality Ratio). Foram comparadas diferentes especificações de componente espacial e covariáveis, provenientes dos blocos do Índice de Desenvolvimento Sócio-econômico da Fundação de Economia e Estatística (IDESE/FEE-2003). Verificou-se que o modelo que utiliza a estrutura espacial além da covariável educação apresenta melhor desempenho, quando comparado pelo critério DIC (Deviance Information Criterion). Comparando as estimativas das SMR com os riscos relativos obtidos pela modelagem inteiramente bayesiana, foi possível observar um ganho substancial na interpretação e na detecção de padrões de variação do risco de mortalidade infantil nos municípios do Rio Grande do Sul ao utilizar essa modelagem. A região da Serra Gaúcha destacou-se com baixo risco relativo e estimativas muito homogêneas.

The infant mortality rate is one of the key indicators used to measure a population's quality of life. The State of Rio Grande do Sul has a social and economic indicator called the Socioeconomic Development Index (IDESE). Most studies analyze the infant mortality rate in relation to risk factors, visually aided by maps. This study presents the methodology and an application of a Spatial Epidemiology method called the ecological correlation, using hierarchical Bayesian procedures. The article discusses the main problems found in ecological correlations, such as spatial autocorrelation and the estimator's instability for small areas. To overcome these difficulties, the relative risk estimate obtained by spatial regression analysis using fully Bayesian estimation is presented. The infant mortality rate is analyzed in all 496 municipalities of Rio Grande do Sul for the years 2001 to 2004. Several models with spatial component and different variables from the IDESE/2003 were compared. The model using spatial structure along with the variable "education" was considered the best choice. With this methodology, it was possible to obtain a more interpretable pattern of infant mortality risk in Rio Grande do Sul.

Neste artigo são analisados os fatores possivelmente associados à mortalidade infantil nos 496 municípios do Rio Grande do Sul, Brasil, com base em dados acumuladas entre os anos de 2001 a 2004, obtidos pela análise de regressão utilizando modelagem inteiramente bayesiana como alternativa para superar a autocorrelação espacial e a instabilidade dos estimadores clássicos, como a taxa bruta e a SMR (Standardised Mortality Ratio). Foram comparadas diferentes especificações de componente espacial e covariáveis, provenientes dos blocos do Índice de Desenvolvimento Sócio-econômico da Fundação de Economia e Estatística (IDESE/FEE-2003). Verificou-se que o modelo que utiliza a estrutura espacial além da covariável educação apresenta melhor desempenho, quando comparado pelo critério DIC (Deviance Information Criterion). Comparando as estimativas das SMR com os riscos relativos obtidos pela modelagem inteiramente bayesiana, foi possível observar um ganho substancial na interpretação e na detecção de padrões de variação do risco de mortalidade infantil nos municípios do Rio Grande do Sul ao utilizar essa modelagem. A região da Serra Gaúcha destacou-se com baixo risco relativo e estimativas muito homogêneas.

The infant mortality rate is one of the key indicators used to measure a population's quality of life. The State of Rio Grande do Sul has a social and economic indicator called the Socioeconomic Development Index (IDESE). Most studies analyze the infant mortality rate in relation to risk factors, visually aided by maps. This study presents the methodology and an application of a Spatial Epidemiology method called the ecological correlation, using hierarchical Bayesian procedures. The article discusses the main problems found in ecological correlations, such as spatial autocorrelation and the estimator's instability for small areas. To overcome these difficulties, the relative risk estimate obtained by spatial regression analysis using fully Bayesian estimation is presented. The infant mortality rate is analyzed in all 496 municipalities of Rio Grande do Sul for the years 2001 to 2004. Several models with spatial component and different variables from the IDESE/2003 were compared. The model using spatial structure along with the variable "education" was considered the best choice. With this methodology, it was possible to obtain a more interpretable pattern of infant mortality risk in Rio Grande do Sul.

The aim of this study was to assess the impact of oral status on the daily performances of civil servants from the Public Works and Waste Management Department of the city of Porto Alegre, located in Southern Brazil. A cross-sectional study was conducted on a representative sample composed of 276 civil servants with ages ranging from 35 to 44 years. The Oral Impacts on Daily Performances index developed was employed to measure impacts caused by oral clinical conditions. Oral examinations were performed after the interviews. Multinomial Logistic Regression Analysis was used. After adjusting for sex and educational level, the results showed that the subjects with high DMFT scores were 5.8 times (95% CI = 2.1-16.1) more likely to have high impacts on their everyday life than those with low DMFT scores. Subjects that presented some coronal caries were 4.3 times (95% CI = 1.9-9.8) more likely to have high impacts on their everyday life than those with no coronal caries. Dental status assessed through the DMFT index and coronal caries are important indicators of impacts on the everyday life of the studied population.

Em situações com dados faltantes, é comum restringir-se à análise dos sujeitos com dados completos. Porém, as estimativas com apenas esses sujeitos podem tornar-se viesadas. A prática de preenchimento de dados faltantes é a chamada técnica de imputação. Este trabalho tem como objetivo divulgar o método de imputação múltipla. Em um conjunto de dados de 470 pacientes cirúrgicos, foram ajustados modelos logísticos para o desfecho óbito. Foram gerados dois conjuntos de dados incompletos: um com 5% e outro com 20% de dados faltantes para uma variável. Foram ajustados modelos para o conjunto completo, com dados faltantes e para o conjunto completado por imputação múltipla. As estimativas obtidas pela análise dos conjuntos com dados faltantes e com o conjunto completo foram diferentes, principalmente as do conjunto com 20% de dados faltantes. A imputação múltipla utilizada pareceu eficiente, pois os resultados conseguidos com o banco completado por imputações foram próximos dos obtidos com o conjunto completo. Porém, um coeficiente deixou de ser estatisticamente significativo. A imputação múltipla se mostrou superior à análise do conjunto com dados faltantes, que desconsiderou os casos incompletos.

In situations with missing data, statistical analyses are usually limited to subjects with complete data. However, such estimates may be biased. The method of "filling in" missing data is called imputation. This article aimed to present a multiple imputation method. From a data set of 470 surgical patients, logistic models were developed for death as the outcome. Two incomplete data sets were generated: one with 5% and another with 20% of missing data in a single variable. Logistic models were fitted for the complete and incomplete data sets and for the data set completed by multiple imputations. Estimates obtained for the data set with missing data were different from those observed in the complete data set, mainly in the situation with 20% of missing data. The multiple imputation used here appeared efficient, producing very similar results to those obtained with the complete data set. However, one coefficient became non-significant. The analysis using multiple imputations was considered superior to using the data sets that excluded incomplete cases from the analysis.

Em situações com dados faltantes, é comum restringir-se à análise dos sujeitos com dados completos. Porém, as estimativas com apenas esses sujeitos podem tornar-se viesadas. A prática de preenchimento de dados faltantes é a chamada técnica de imputação. Este trabalho tem como objetivo divulgar o método de imputação múltipla. Em um conjunto de dados de 470 pacientes cirúrgicos, foram ajustados modelos logísticos para o desfecho óbito. Foram gerados dois conjuntos de dados incompletos: um com 5% e outro com 20% de dados faltantes para uma variável. Foram ajustados modelos para o conjunto completo, com dados faltantes e para o conjunto completado por imputação múltipla. As estimativas obtidas pela análise dos conjuntos com dados faltantes e com o conjunto completo foram diferentes, principalmente as do conjunto com 20% de dados faltantes. A imputação múltipla utilizada pareceu eficiente, pois os resultados conseguidos com o banco completado por imputações foram próximos dos obtidos com o conjunto completo. Porém, um coeficiente deixou de ser estatisticamente significativo. A imputação múltipla se mostrou superior à análise do conjunto com dados faltantes, que desconsiderou os casos incompletos.

In situations with missing data, statistical analyses are usually limited to subjects with complete data. However, such estimates may be biased. The method of "filling in" missing data is called imputation. This article aimed to present a multiple imputation method. From a data set of 470 surgical patients, logistic models were developed for death as the outcome. Two incomplete data sets were generated: one with 5% and another with 20% of missing data in a single variable. Logistic models were fitted for the complete and incomplete data sets and for the data set completed by multiple imputations. Estimates obtained for the data set with missing data were different from those observed in the complete data set, mainly in the situation with 20% of missing data. The multiple imputation used here appeared efficient, producing very similar results to those obtained with the complete data set. However, one coefficient became non-significant. The analysis using multiple imputations was considered superior to using the data sets that excluded incomplete cases from the analysis.

A Análise de Componentes Principais foi aplicada em 309 dados químicos de águas subterrâneas de poços do Sistema Aqüífero Serra Geral. Correlações entre sete parâmetros hidroquímicos foram examinadas através da estatística. O modelo de quatro componentes foi utilizado por explicar 81% da variância total. A Componente 1 é representada por águas cálcio-magnesianas com longo tempo de residência, a Componente 2 representa águas bicarbonatadas sulfatadas e cloretadas, a Componente 3 representa águas bicarbonatadas sódicas e a Componente 4 é caracterizada por águas de fácies sódica e sulfatada com alto fluoreto. A distribuição espacial das componentes mostra águas com concentrações anômalas ao longo dos sistemas tectônicos de falhas, analisados e alinhados a NE em algumas áreas, sugerindo outros sistemas de falhas hidrogeológicos. As concentrações de fluoreto aumentam de acordo com a profundidade de bombeamento das águas. A Análise de Componentes Principais revelou feições de mistura e individualizou diferentes fácies de águas subterrâneas. Neste cenário, é possível determinar blocos hidrogeológicos associados com os sistemas tectônicos de falhas introduzidos no presente trabalho.

Principal component analysis is applied to 309 groundwater chemical data information from wells in the Serra Geral Aquifer System. Correlations among seven hydrochemical parameters are statistically examined. A four-component model is suggested and explains 81% of total variance. Component 1 represents calcium-magnesium bicarbonated groundwaters with long time of residence. Component 2 represents sulfated and chlorinated calcium and sodium groundwaters; Component 3 represents sodium bicarbonated groundwaters; and Component 4 is characterized by sodium sulfated with high fluoride facies. The components' spatial distribution shows high fluoride concentration along analyzed tectonic fault system and aligned on northeast direction in other areas, suggesting other hydrogeological fault systems. High fluoride concentration increases according to groundwater pumping depth. The Principal Component Analysis reveals features of the groundwater mixture and individualizes water facies. In this scenery, it can be determined hydrogeological blocks associated with tectonic fault system here introduced.