Todos os sujeitos foram informados dos objetivos do estudo e foi-lhes apresentada a folha de consentimento, onde constavam todas as informações do estudo, assim como as condições de participação. Depois de assinada a folha passámos ao segundo momento, realizámos uma anamnese, para obter informação sobre os dados pessoais e familiares mais relevantes do sujeito, assim como outra informação relevante como a dominância manual, a língua materna, o nível educacional e passado clínico relevante.
Em seguida realizámos a passagem do Mini Mental State Examination (Folstein, et al., 1975, versão portuguesa adaptada por Guerreiro, Silva & Botelho, 1994). Foram incluídos na amostra os sujeitos que obtiveram uma pontuação igual ou superior a 27.
Após termos comprovado que o sujeito reunia todas as considerações exigidas, realizámos a passagem das provas que avaliam a orientação temporal e espacial, memória imediata, memória auditiva e memória visual. Os resultados obtidos por cada sujeito foram registados num caderno individual, para posteriormente corrigir e avaliar.
As sessões foram realizadas individualmente, em sala devidamente acondicionada, com a duração de trinta a quarenta minutos, de forma a garantir as condições ideais. Depois da recolha de dados realizámos a devida análise estatística de acordo com os objetivos definidos.
Para realizarmos a análise dos resultados foram consideradas cada uma das funções cognitivas avaliadas: orientação temporal e espacial, memória imediata, memória auditiva e memória visual.
Para cada uma das variáveis dependentes quantitativas (todas, exceto a variável tipo de execução e reprodução de memória da Figura Complexa de Rey) fizemos as seguintes análises:
a) Apresentámos os valores descritivos de cada uma das analisadas, tendo em consideração as variáveis independentes (idade, sexo e nível educativo);
b) A Análise de Variância Múltipla (MANOVA) é uma extensão da Análise de Variância (ANOVA) para casos que envolvam duas ou mais variáveis dependentes, teoricamente correlacionadas. O nosso objetivo é o de analisar se existem diferenças entre grupos para o conjunto de variáveis dependentes. Na MANOVA, as variáveis dependentes são consideradas simultaneamente, organizadas de forma composta e com os efeitos associados a cada variável ponderados pela correlação existente entre estas (mantém o erro tipo I = α). Apesar de não se encontrarem diferenças entre os grupos para as variáveis
isoladas é possível que estas existam quando se considera o conjunto das variáveis dependentes
c) Através das Curvas ROC pretende-se, neste caso, determinar de entre todos os testes realizados qual ou quais permitem detetar se um indivíduo tem uma memória acima ou abaixo da média. Identificaremos os primeiros como positivos e os segundos como negativos. Pretendemos verificar dois fatores: a sensibilidade dos testes aplicados (probabilidade de um indivíduo que tem uma memória acima da média obter um resultado positivo no teste utilizado) e a especificidade dos testes (probabilidade de um indivíduo que tem uma memória abaixo da média obter um resultado negativo no teste utilizado). Ou seja, um bom teste será então aquele em que o valor da sensibilidade é alto e a especificidade baixa, condição que pretendemos verificar. Escolhemos as Curvas ROC porque são uma forma eficiente de demonstrar a relação normalmente antagónica entre a sensibilidade e a especificidade dos testes que apresentam resultados contínuos.. As Curvas ROC foram desenvolvidas no campo das telecomunicações como uma forma de demonstrar as relações entre sinal-ruído, tendo-se generalizado a sua aplicação nas ciências da saúde. A Curva ROC é uma ferramenta poderosa para medir e especificar problemas no desempenho do diagnóstico, por permitir estudar a variação da sensibilidade e especificidade para diferentes valores de corte. A Curva ROC é um gráfico de sensibilidade (ou taxa de verdadeiros positivos) versus especificidade (ou taxa de falsos positivos) (Bamber, 1975; Egan, 1975; Braga, 2003; Fawcett, 2006; Krzanowski & Hand 2009).
A linha diagonal ponteada corresponde a um teste que é positivo ou negativo, aleatoriamente. A Curva ROC permite evidenciar os valores para os quais existe maior otimização da sensibilidade em função da especificidade que corresponde ao ponto que se encontra mais próximo do canto superior esquerdo do diagrama, uma vez que o índice de positivos verdadeiros é 1 e o de falsos positivos é zero.
A Curva ROC permite comparar dois ou mais exames diagnósticos. No exemplo a seguir o Teste A tem melhor acurácia que o teste B (teste inválido: os seus resultados não são melhores do que os da escolha aleatória). O ponto 1 confere maior valor de sensibilidade e especificidade, o ponto 2 confere maior sensibilidade, porém menor especificidade e o ponto 3 maior especificidade, porém, menor sensibilidade.
O valor do ponto de corte é definido como um valor que pode ser selecionado pelo pesquisador entre os valores possíveis para a variável de decisão. Acima deste ponto o indivíduo é classificado como positivo (teste de diagnóstico positivo, indivíduo com memória acima da média) e abaixo do qual é classificado como negativo (teste de diagnóstico negativo, indivíduo com memória abaixo da média).
Para cada ponto de corte são calculados valores de sensibilidade e especificidade, os quais são representados no gráfico. Um classificador perfeito corresponderia a uma linha horizontal no topo do gráfico, porém esta dificilmente será alcançada. Na prática, Curvas consideradas boas estarão entre a linha diagonal e a linha perfeita, onde quanto maior a distância da linha diagonal tanto melhor o sistema. A linha diagonal indica uma classificação aleatória, ou seja, um sistema que aleatoriamente seleciona saídas como positivas ou negativas, como jogar uma moeda ao ar e esperar cara ou coroa. Finalmente, a partir de uma Curva ROC devemos poder selecionar o melhor limiar de corte para obtermos o melhor desempenho possível (Bamber, 1975; Egan, 1975; Braga, 2003; Fawcett, 2006; Krzanowski & Hand, 2009). Para determinar se duas ou mais Curvas ROC são significativamente diferentes, a avaliação é feita através da determinação da área sob a Curva, usando uma modificação do teste da soma de ordens de Wilcoxon para esta comparação. Assim, é possível quantificar a exatidão de um teste diagnóstico (proporcional à área sob a Curva), além da possibilidade de comparar testes diagnósticos. Quanto mais próximo de 1 for a área abaixo da Curva tanto melhor será o teste (Bamber, 1975; Egan, 1975; Braga, 2003; Fawcett, 2006; Krzanowski & Hand, 2009).