Performance comparison in reducing control horizon

Para o processamento do arquivo de dados foi utilizado o software de domínio público

EPI INFO 6.04D e o SAS System versão 9.3 (SAS Institute Inc. Cary North Carolina USA) para análise de desfecho (resposta) binário. Para a análise foi utilizado modelo hierárquico em três níveis para identificar as variáveis preditores da morte neonatal: nível distal (características sociais, econômicas e demográficas), nível intermediário I e II (assistência

pré-natal, ao parto e características maternas) e nível proximal (condição de saúde do nascido vivo e da atenção neonatal - utilização de tecnologias).

A razão de chances (Odds Ratio) foi a medida de associação utilizada para avaliar a relação entre a exposição aos fatores de risco estudados e a consequência, morte antes de completar o 28° dia de vida. Primeiramente realizou-se a análise descritiva das variáveis e posteriormente a análise bivariada com distribuição de frequência, cálculo do Odds Ratio

(OR) bruto e da significância estatística de associação entre as variáveis independentes em relação à dependente (OR e seu respectivo intervalo de confiança de 95%), utilizando o teste de Wald. Foram utilizadas as Equações de Estimação Generalizadas (Generalized Estimating Esquations - GEE) para a análise de associação entre as variáveis independentes e o desfecho, que intencionam análise correlacionada em indivíduos de um mesmo grupo. (AGRANONIK, 2009).

A seguir foi realizada a análise multivariada hierarquizada, cujo procedimento estatístico para ajuste dos efeitos de confusão foi a regressão logística, tendo sido utilizada a medida de Odds Ratio, com as variáveis pré-selecionadas na etapa anterior em cada bloco, de acordo com a hierarquização apresentada no modelo conceitual. Foram incluídas todas as variáveis com valor de p<0,20 na análise bivariada. Foram considerados como potenciais fatores de confusão, as variáveis selecionadas que alteraram em 10% (para mais ou para menos) os valores da medida de OR. A significância estatística das associações foi verificada em função do erro alfa igual a 0,05 (5%), sendo construídos intervalos de confiança de 95%. O componente de erro foi mensurado através do teste de ajustamento (godness of fit test), encontrando-se Qui-quadrado Hosmer-Lemeshow=14,87 e valor de p=0,061.

4.6.1 Análise multinível: aspectos gerais

Os modelos de desenho multinível são proposições teóricas para a compreensão de fenômenos cujo foco principal está voltado para o reconhecimento da contribuição de variáveis preditoras em diversos níveis. A utilização desses modelos é pertinente para o entendimento do contexto em que se insere o objeto de investigação, ou seja, os modelos multinível destacam o efeito do contexto sobre o comportamento do desfecho estudado. (PUENTE-PALACIOS; LAROS, 2009). Trata-se de uma estratégia analítica que permite o exame simultâneo dos fatores dos níveis individual e grupal. (DIEZ-ROUX, 2000). Luppi e Boggio (2006) reafirmam que os modelos de múltiplos níveis oferecem a possibilidade de integrar diferentes subdomínios de estudo para uma análise concomitante, mantendo a estrutura hierárquica proposta na construção teórica do objeto de estudo e reforçam que tais modelos oferecem uma alternativa analítica para a descrição e explicação dos determinantes e condicionantes, possibilitando restaurar a dimensão populacional em estudos epidemiológicos.

A análise estatística contextual ou multinível, denominada de modelos hierárquicos ou modelos de efeitos aleatórios ou ainda modelos de componentes de variância e modelos mistos, combina análise das características individuais com as características sociais dos grupos a que eles pertencem. As variáveis de contexto podem influenciar ou modificar a maneira como os determinantes individuais incidem sobre a situação de saúde. Sendo assim, a análise de estudos que integrem indivíduos dentro de seus contextos sociais tem favorecido explicações muito além do nível individual e biológico. (MORAES, 2007). O modelo multinível responde à necessidade de analisar a relação entre indivíduos e o meio em que se desenvolvem, separando o papel de cada um dos componentes em uma estrutura interativa

com a finalidade de aprimorar o conhecimento da realidade sócio-sanitária permitindo intervenções mais eficientes. (LLANOS; SALAS, 2007).

No modelo multinível, os dados são tratados em uma estrutura hierarquizada, unidades de um mesmo grupo, compartilhando de um mesmo ambiente e com características semelhantes. Nesse modelo de regressão, as relações estabelecidas entre as variáveis e o desfecho são dependentes, ou seja, aquelas denominadas variáveis de grupo ou macro variáveis podem influenciar diretamente os determinantes do nível individual, podendo ser investigadas variações entre indivíduos e entre grupos e a contribuição de cada um dos níveis no desfecho de interesse. (MORAES, 2007; SANTOS et al., 2007). Santos et al. (2000) reforçam que as análises multiníveis apresentam estimativas mais fidedignas por não assumirem o pressuposto de independência entre as observações das unidades pertencentes a um agregado.

Catalán-Reyes e Galindo-Villardón (2003) acrescentam que a definição das estruturas hierárquicas, a unidade de análise com a qual se pretende trabalhar em cada nível e o número de níveis do modelo dependerão do conhecimento que se tem sobre a população em estudo e dos objetivos da investigação. De acordo com Luppi e Boggio (2006), quando o problema que se pretende investigar compreende dois níveis, há dois tipos de covariáveis: aquelas do nível macro, cujos valores variam de grupo para grupo e as do nível micro, onde os valores variam entre as unidades de um mesmo grupo, permitindo assim através de uma modelagem hierarquizada examinar ao mesmo tempo os efeitos das variáveis do nível macro sobre aquelas do nível micro através da decomposição (separação) da variabilidade total de uma variação intragrupo e entre grupos. Llanos e Salas (2007) destacam que estimar a magnitude das variações que ocorrem entre os diferentes níveis e como se relacionam com as variáveis explicativas consiste em um dos principais objetivos dos modelos multiníveis e segundo De la Cruz (2008), os modelos multinível são flexíveis na medida em que permitem modelar a

estrutura de variação dos dados em função de variáveis explicativas, permitindo dessa forma a análise de dados nos quais a variação não é homogênea, além de explorar detalhadamente o comportamento dessa variação.

Em relação à aplicação do modelo multinível sobre os determinantes da mortalidade infantil, Santos e Moura (1998) aconselham a utilização de modelos hierárquicos para estimar a associação entre crianças pertencentes à mesma família ou crianças que residem na mesma comunidade. Acrescentam que, os modelos convencionais mais utilizados na análise da mortalidade infantil, tais quais, regressões logísticas, modelos log-lineares ou modelos de riscos, baseavam-se na pressuposição da independência entre as observações. Esta pressuposição não é válida quando, por exemplo, existe na amostra, mais de uma criança pertencente à mesma família ou comunidade. De fato, crianças pertencentes à mesma família ou comunidade podem estar sujeitas aos riscos semelhantes de morte, devido à similaridade das condições intrauterinas, nutricionais, cuidados pré-natais, de domicílio e condições ambientais. A não consideração desta restrição (dependência entre as observações) pode conduzir a conclusões errôneas e estimativas falsamente significantes, devido à subestimação dos erros padrões.

4.7

Bloco I (variáveis distais): características sociais, econômicas e demográficas:

 Raça/cor;

 Anos de estudo da mãe;

 Ocupação materna;

Bloco III (variáveis proximais):