Análise estatística

Os dados quantitativos referentes à caracterização da amostra foram analisados através de medidas de tendência central e dispersão (média ou mediana, desvio-padrão e intervalo de confiança à 95%), baseadas na distribuição de cada variável. Os dados qualitativos ou categóricos foram analisados de acordo com a distribuição de freqüência.

Para atingir o primeiro objetivo específico — testar a confiabilidade intra e interexaminadores da versão em português da PLOC-C —, as análises de confiabilidade foram realizadas utilizando-se o coeficiente de correlação de Pearson (CCP), conforme realizado pelo autor da escala original e o coeficiente de correlação intraclasse (CCI). Para determinar as confiabilidades, foi considerado um nível de significância de 5%.

A interpretação dos resultados obtidos no ICC baseou-se nos pontos de corte sugeridos por Landis & Koch (1977) que adota: abaixo de 0 = pobre; 0 a 0.20 fraca; 0.21 a 0.40 = regular; 0.41 a 0.60 = moderada; 0.61 a 0.80 boa e 0.81 a 1 = quase perfeita (77). Para a interpretação dos resultados obtidos com o CCP, foram adotados os critérios sugeridos por Tiboni (2003) que adota r = 0.0 (correlação nula); 0.1 a 0.3 (fraca); 0.31 a 0.6 (regular); 0.61 a 0.9 (forte), 0.91 a 0.99 (muito forte) e 1.0 (perfeita) (93).

Para atingir o segundo objetivo específico — estudar as características relacionadas à validade de construto da escala através de uma análise fatorial exploratória —, foi realizada uma análise dos componentes principais, com rotação ortogonal varimax. A análise dos componentes principais é uma técnica estatística de análise multivariada, que transforma

linearmente um conjunto original de variáveis em conjuntos substancialmente menores de variáveis pouco ou não-correlacionadas, que contêm a maior parte da informação do conjunto original (94). Essa análise tem o objetivo de identificar o modo como um conjunto original de itens de uma escala se comporta e é utilizada quando se acredita que os itens são reunidos (por apresentarem correlação) em grupos menores e independentes, denominados fatores. Um fator representa um grupo de itens fortemente correlacionados entre si e fracamente relacionados com os itens de outro fator. A análise dessa correlação de itens sugere que os fortemente correlacionados representam um conceito único (fator) diferente de outro fator, ou seja, cada fator representa uma combinação única entre itens, que reflete diferentes componentes teóricos do construto proposto (90, 91, 95). Nesse contexto, a análise fatorial tem sido utilizada para testar a validade de construto de escalas e como um guia para refinar teorias (90, 95). Esse modelo de análise foi utilizado para confirmar as quatro dimensões propostas pela forma C da escala MHLC: LC interno, LC ao acaso, LC em profissionais de saúde e LC em outras pessoas.

Para a utilização da análise fatorial, verificou-se a adequação da matriz correlacional através dos critérios de Kaiser-Meyer-Olkin (KMO), e o teste de Bartlett considerando nível de significância de 5%, segundo recomendações descritas por Mingoti (92).

Foram considerados relevantes para a extração dos fatores as variáveis que mostraram um autovalor (eigenvalue) maior ou igual a 1 (um). Somente os itens da escala com carga fatorial superior a 0.45, foram incluídos nos fatores. Esse valor foi estipulado a partir do tamanho da amostra (n = 181 idosos), considerando um poder de 0.8 e um nível de significância de 5% (91).

Os dados da análise fatorial foram também estudados graficamente por meio de representações tridimensionais através do software Maple, versão 7.0.

Para a análise da consistência interna das subescalas foi utilizado o coeficiente Alfa de Cronbach.

Para atingir o terceiro objetivo específico — descrever a percepção de locus de controle da dor preferencial na amostra —, foi realizada, após a constatação de distribuição não- paramétrica do LC, uma comparação entre as pontuações das subescalas de LC da dor. Nessa

análise foram utilizados os testes Kruskal-Wallis e Mann-Whitney, considerando um nível de significância de 5%. Para essa comparação, os dados brutos foram transformados em médias aritméticas devido à diferença do número de itens em cada subescala.

Todas as análises acima descritas foram realizadas com o pacote estatístico SPSS versão 13.0, instalado em ambiente Windows.

Para atingir o quarto objetivo específico — observar as relações entre o locus de controle da dor e as variáveis clínicas, demográficas e sociais, a mobilidade e os sintomas depressivos —, foi realizada uma análise de regressão linear multivariada. Essa análise foi feita com o intuito de complementar a observação da validade de construto da escala adaptada e do LC da dor nos idosos. Para a análise foram consideradas como variáveis independentes, as características clínicas e sociodemográficas, e as pontuações na EVA, na GDS e no TUG. Utilizaram-se quatro modelos de predição considerando-se como variáveis dependentes os locus de controle interno, ao acaso, médicos/profissionais de saúde e outras pessoas. Antes da análise multivariada foi feita uma análise de regressão univariada, utilizando-se o teste de Wald, para a verificação de significância estatística.

Nessa análise univariada, para observar suas relações com os locus de controle da dor, foram utilizadas as seguintes variáveis independentes:

 Idade (como variável contínua e estratificada: até 70 anos/71 a 79 anos e acima de 80 anos);

 Sexo (feminino e masculino);

 Estado civil (solteiro/separado/viúvo/casado/outros);

 Número de filhos (como variável quantitativa e estratificada: sem filhos/1 e 2 filhos/3 e 4 filhos/5 ou mais filhos);

 Arranjo familiar (sozinho/filhos/cônjuge/cônjuge e filhos/cônjuge, filhos e netos/filhos e netos/outros);

 Escolaridade (0 anos/1 a 7 anos/8 ou mais anos);  Participação em atividades religiosas (sim/não);

 Renda (sem rendimento/até 2 salários mínimos/2 a 5 salários/mais de 5 salários);  Número de problemas associados;

 Utilização de seguros de saúde (sim/não);  Prática de atividade física (sim/não);  Tempo de evolução da dor (em anos);

 Número de modalidades de tratamentos para a dor já realizados;

 Tratamentos para a dor realizados atualmente (nada/medicação/medicação e outros/outros);

 Seguir as orientações dos profissionais de saúde para o controle da dor (sim/não);  Percepção da influência da dor na vida (muita/razoável/pouca);

 Autopercepção de saúde (boa e muito boa/razoável/ruim e muito ruim);  Prática de atividades de lazer (sim/não);

 Número de sintomas depressivos (pontuação na GDS);  Pontuação no TUG (tempo em segundos);

 Pontuação na EVA;

 Avaliação em locais de atendimento para a dor (sim/não).

O nível de significância menor que 0.10 na análise de regressão univariada e a relação entre as variáveis dependentes e independentes, já constatadas na literatura, foram utilizados para restringir o número de variáveis nos modelos multivariados. Foi realizada uma análise de regressão multivariada backward, que considerou vários modelos com grupos diferentes de variáveis candidatas para a regressão multivariada. Esses modelos foram examinados antes da especificação do modelo final. As variáveis que mostraram associação na análise univariada com o locus de controle foram selecionadas para a análise linear multivariada, a saber:

Variáveis independentes associadas ao locus de controle ao acaso  Renda (p = 0.06);

 Escolaridade (p = 0.0001);

 Número de sintomas depressivos (p = 0.005);  Número de problemas associados (p = 0.08);  Percepção da influência da dor na vida (p = 0.09).

Variáveis independentes associadas ao locus de controle interno  Estado civil (p = 0.03);

 Tratamentos para a dor realizados atualmente (p = 0.04).

Variáveis independentes associadas ao locus de controle em profissionais de saúde  Intensidade da dor: pontuação na EAV (p = 0.05);

 Avaliação em locais de atendimento para a dor (p = 0.008).

Variáveis independentes associadas ao locus de controle em outras pessoas  Arranjo familiar (p = 0.07);

 Percepção da influência da dor na vida (p = 0.07);  Número de sintomas depressivos (p = 0.003);  Intensidade da dor: pontuação na EAV (p = 0.08);

 Avaliação em locais de atendimento para a dor (p = 0.002).

O ajuste dos modelos para a observação dos fatores associados ao locus de controle foi analisado considerando-se o coeficiente de correlação beta (), o valor p de cada variável independente no modelo e do modelo como um todo, bem como o coeficiente de determinação R2 e o coeficiente de determinação R2 ajustado. O coeficiente de correlação beta indica a magnitude da influência da variável independente sobre a dependente. Os coeficientes de determinação R2 e R2 ajustado representam a proporção (percentual) de variação da resposta verificada, que é explicada pelo modelo estatístico utilizado. O R2 ajustado representa melhor a explicação do modelo por considerar as peculiaridades da amostra em questão (95).

As análises de regressão linear uni e multivariada foram realizadas no pacote estatístico Stata versão 9.0 instalado em ambiente Windows.