Análise Estatística

A análise estatística considerada neste trabalho, e realizada com o software IBM SPSS Statistics 21, consiste na construção de regressões lineares univariáveis com os parâmetros clínicos e bioquímicos recolhidos para a população em questão (variável dependente) e o perfil lipídico consoante os grupos AG considerados (variável independente).

2.2.1. Análise Univariável e Multivariável

A análise univariável consiste na avaliação da relação funcional entre uma variável dependente (Y) e uma variável independente (X), da qual resulta uma expressão matemática do tipo “Y = β X” (onde β é um coeficiente que pode ser negativo ou positivo), que representa o comportamento de Y a uma variação em X [46]. Associado a cada coeficiente β existe um valor p que deve ser inferior a 0,05 para que a correlação encontrada seja significativa e quanto mais perto de zero este p for mais forte é a correlação.

Os parâmetros que demostraram mais que uma correlação univariável com o perfil lipídico foram posteriormente sujeitos a regressões lineares multivariáveis, de forma a determinar a possibilidade de uma relação simultânea com os grupos AG encontrados na análise univariável. A análise multivariável, da mesma forma que a univariável, consiste também na avaliação da relação funcional entre uma variável dependente (Y), mas aqui há mais que uma variável independente (X1, X2, …). A expressão matemática será então do tipo “Y = β1X1 + β2X2 + …” e representa o comportamento de Y a uma variação em X1 e/ou em X2 [46].

2.2.2. Métodos do modelo de Regressão Linear

Na construção do modelo de regressão linear existem cinco opções de escolha para o método a utilizar: Enter, Stepwise, Remove, Backward Elimination e Forward Selection.

Estes permitem especificar como as variáveis independentes são utilizadas na análise.

Método Enter: todas as variáveis independentes são inseridas no modelo de regressão linear numa única etapa.

Comparação dos Perfis Lipídicos de Plasma de uma População da Região Norte

22

Método Stepwise: Em cada passo, a variável independente com menor probabilidade de F, é inserida no modelo de regressão linear, se esta probabilidade for suficientemente pequena (por norma menor ou igual a 0,05). Enquanto variáveis independentes já existentes no modelo de regressão linear são removidas se a sua probabilidade de F se tornar suficientemente grande (por norma maior ou igual a 0,10). O método termina quando não há mais variáveis independentes elegíveis para inclusão ou remoção do modelo.

Método Remove: todas as variáveis independentes que satisfaçam o critério de eliminação, previamente estabelecido, são removidas num único passo.

Método Backward Elimination: todas as variáveis independentes são inseridas na equação e, em seguida, removidas sequencialmente. A variável independente com a menor correlação parcial com a variável dependente é considerada a primeira a remover. Após a primeira variável ser removida, a variável remanescente na equação com a menor correlação parcial é a próxima considerada. O processo termina quando já não há variáveis na equação que satisfaçam os critérios de remoção.

Método Forward Selection: as variáveis são inseridas sequencialmente no modelo. A primeira variável independente considerada para entrar na equação é aquela com maior correlação positiva ou negativa com a variável dependente. Esta variável é inserida na equação, se respeitar o critério de entrada previamente estabelecido. Após a primeira variável inserida, a próxima variável independente a ser considerada será a com maior correlação parcial com a variável dependente e assim sucessivamente. O processo termina quando já não existem variáveis que satisfaçam o critério de entrada [47].

2.2.3. Condições necessárias ao modelo de Regressão Linear

As variáveis dependentes e independentes devem ser quantitativas e as variáveis categóricas (área de residência, faz terapia hormonal de substituição, tem hipercolesterolémia, …) precisam ser transformadas em variáveis binárias (dummy).

Para cada valor da variável independente, a distribuição da variável dependente deve ser normal. A variação da distribuição da variável dependente deve ser constante durante todos os valores da variável independente. A relação entre a variável dependente e cada variável independente deve ser linear, bem como as observações devem ser independentes. Caso a variável independente/dependente não siga uma distribuição normal é necessário proceder à linearização da mesma, pela aplicação do logaritmo neperiano, Ln.

Os valores de significância são baseados na montagem de um único modelo. Portanto, estes são geralmente inválidos quando um método passo a passo (Stepwise, Forward, ou Backward) é usado.

Todas as variáveis devem ser superiores ao valor definido como tolerância para serem inseridas na equação, independentemente do método de entrada especificado. O nível de tolerância padrão é de 0,0001. Além disso, uma variável independente pode não ser inserida se isso levar a que a tolerância de uma outra variável já existente no modelo fique abaixo da tolerância definida.

Todas as variáveis independentes selecionadas são adicionadas a um modelo de regressão simples. No entanto, pode-se especificar diferentes métodos de entrada para diferentes subconjuntos de variáveis. Por exemplo, é possível colocar um bloco de variáveis no modelo de regressão usando o método Stepwise e um segundo bloco usando o método Forward Selection [47].

2.2.4. Perfil metabólico da população

Os dados clínicos, bioquímicos e sociais que constituem o perfil metabólico das 53 mulheres na pós-menopausa foram obtidos pelo departamento de investigação médica CINTESIS da Faculdade de Medicina do Porto (FMUP) durante os meses de Novembro de 2013 e Janeiro de 2014. Estes dados são apresentados no Anexo A, bem como a análise de certos parâmetros foi efetuada.

O perfil metabólico, com o qual o perfil lipídico será posteriormente associado, é constituído por parâmetros antropométricos (índice de massa corporal – IMC), por outros parâmetros lipídicos (colesterol total, triglicerídeos totais, colesterol HDL e LDL), por marcadores de dano celular (aspartato aminotransferase – AST, alanina aminotransferase – ALT, gama glutamil transferase – GGT e fosfatase alcalina – ALP), por parâmetros inflamatórios (interleucinas 6 e 10 – IL6 e IL10, proteína quimiotática de monócitos 1 – MCP1 e proteína C-reativa), por parâmetros hormonais (estradiol, hormona luteinizante – LH e folículo estimulante – FSH, androstenediona, globulina de ligação das hormonas sexuais – SHBG e sulfato dehidroepiandrosterona – DHEAs) e ainda pela ureia e ácido úrico.