Foi realizada, inicialmente, a análise descritiva das variáveis utilizadas no estudo. As variáveis nominais ou categóricas foram organizadas em tabelas de distribuição de freqüências e as variáveis contínuas como “idade” foram analisadas com medidas de tendência central e de variabilidade.
4.8.1 Análise descritiva
Foram analisados 31 pacientes distribuídos em dois grupos: 18 com lesões em cavidades nasal, oral e/ou faríngea (58,06%) e 13 com lesões localizadas fora das cavidade nasal, oral e/ou faríngea (41,94%) (FIG 2).
FIGURA 2 – Distribuição dos 31 pacientes com PCM examinados entre março de 2007 – fevereiro de 2008 no CTR-DIP-HC-UFMG, em função da presença ou ausência de lesões em cavidades nasal, oral e/ou faríngea.
Foram descritas as características relacionadas ao gênero, idade, hábito de tabagismo e uso de medicamentos, localizações e tipo das lesões, além dos parâmetros relacionados à freqüência fundamental, jitter, proporção harmônico-ruído, qualidade vocal, tipo vocal, pitch, loudness, ressonância, articulação e as características da voz, obtidas através da escala GRBASI, de todos os pacientes. Os aspectos mencionados foram comparados entre os dois grupos.
4.8.2 Análise univariada
A variável resposta, considerada neste estudo, foram os grupos: “lesões em cavidades nasal, oral e/ou faríngea” ou “lesões localizadas fora das cavidades nasal, oral e/ou faríngea”, sendo buscados os fatores associados a estes grupos.
As variáveis categóricas foram analisadas por intermédio do teste exato de Fisher, apropriado para a comparação de proporções quando são utilizadas amostras com pequenas freqüências.
Para verificar diferenças entre os dois grupos, em que foram analisadas variáveis contínuas, foi usado o teste não-paramétrico de Mann-Whitney. Optou-se por utilizar testes não- paramétricos devido ao caráter assimétrico da distribuição das variáveis testadas.
4.8.3 Análise multivariada
A análise multivariada é uma técnica estatística usada para avaliar fatores associados a determinado evento, controlando possíveis fatores de confusão. Nesse tipo de análise, considera-
se a variável resposta (no caso, os grupos: “lesões em cavidades nasal, oral e/ou faríngea” ou “lesões localizadas fora das cavidades nasal, oral e/ou faríngea”) e possíveis fatores associados a esse evento, analisados conjuntamente.
4.8.3.1 Regressão logística binária
Foi usada, ainda, a análise de regressão logística binária para descrever a relação entre as variáveis preditoras como “análise acústica da voz”, “escala GRBASI”, etc. e a variável resposta ou desfecho, nesse caso, os grupos: “lesões em cavidades nasal, oral e/ou faríngea” ou “lesões localizadas fora das cavidades nasal, oral e/ou faríngea”. Esse tipo de análise é vantajoso em controlar possíveis fatores de confusão, que podem influenciar no efeito de outros fatores da análise. Para a entrada das variáveis preditoras no modelo logístico, usou-se um valor -p de 0,15 e, para a permanência da variável no modelo final, foi adotado o nível de 5% de significância. Foi estimada a odds ratio com seu intervalo de 95%. Para avaliar o ajuste do modelo foi usado o teste de Hosmer & Lemeshow (HOSMER & LEMESHOW, 2000).
Os critérios para entrada no modelo logístico binário foram preenchidos, apenas, por três variáveis na análise univariada: tabagismo, uso de medicamentos e loudness (valor-p<0,15). Essas variáveis, entretanto, não permanecem significativas no modelo final de regressão logística. Por isso, optou-se por outro tipo de análise multivariada que é um método descritivo: a árvore de decisão.
4.8.3.2 Árvore de decisão
Como nenhum modelo de regressão logística foi encontrado, ou seja, nenhuma variável foi estatisticamente significativa no modelo de regressão, optou-se por um segundo tipo de análise multivariada. A árvore de decisão foi utilizada para levantamento dos fatores associados aos grupos: lesões em cavidades nasal, oral e/ou faríngea e lesões localizadas fora das cavidades nasal, oral e/ou faríngea. Utilizou-se o algoritmo CART (Classification and Regression Tree – Árvore de Classificação e Regressão). O CART é um algoritmo incluído no pacote estatístico AnswerTree, que é um sub-pacote do software SPSS.
O método de análise fundamenta-se em regras de classificação, baseado em árvore de decisão. A árvore começa com um nó raiz que contém todas as observações da amostra. Os nós seguintes representam subconjuntos e subdivisões dos dados. Cada divisão resulta em exatamente
dois nós. Permite a identificação de subgrupos homogêneos de pacientes pela comparação sistemática de suas características, visando estabelecer relação entre as variáveis explicativas e uma única variável resposta. O modelo é ajustado através de sucessivas divisões no conjunto de dados com o objetivo de tornar seus subconjuntos cada vez mais homogêneos em relação à variável resposta. O processo de divisão repete-se até que nenhuma das variáveis selecionadas mostre influência significativa na divisão ou quando o tamanho do subconjunto for muito pequeno (BREIMAN et al., 1984).
Na análise pelo algoritmo CART, o critério de exclusão das variáveis do modelo é uma medida denominada improvement, que avalia o grau de “impurezas” que foram eliminadas do modelo com o acréscimo de novas variáveis. Quanto maior o valor do improvement, maior a importância da variável na classificação. Em conseqüência, mais homogêneos serão os novos nós. Nesta análise, foi utilizado como critério de parada, um improvement mínimo de 0,01.
O ajuste do modelo final foi avaliado por meio da estimativa de risco, que identifica os casos que foram incorretamente classificados. A estimativa de risco indica em que medida a árvore prediz corretamente os resultados, comparando a diferença entre o valor ajustado, estimado pelo modelo, e o valor real, observado na amostra (BREIMAN et al., 1984).
Neste estudo, a árvore apresentou um bom ajuste, com risco de classificação incorreta de 16%, o que indica que o modelo classificou corretamente 84% dos casos.