3.3 Materiais e métodos
3.3.4 Testes estatísticos
A amostra analisada é constituída por pares ordenados de dados, sendo para cada objeto (indivíduo), medidos vários atributos. Assim houve todo o interesse na realização de uma análise bivariada. Neste tipo de análise, interessa verificar se existe uma relação de associação entre os atributos e, caso exista, caracterizar essa relação. Desta forma, procuraram-se relações entre as principais variáveis, a identificação dos sintomas e dos elementos mais contributivos para a presença de sintomas e a estratificação por classes e/ou grupos. Esta análise baseia-se na utilização de gráficos vários, tabelas de informação cruzada (contingência) e testes estatísticos (Guimarães & Cabral, 2007a).
A estrutura de testes
Com base nas variáveis com informação disponível, foi elaborada uma estrutura de testes estatísticos, dado que em alguns casos a figura do mesmo não era aplicável. Essa estrutura foi baseada em dois pilares básicos, que configuram dois objetivos diferentes que se propunha atingir com este estudo. São eles:
A relação da sintomatologia e a existência de doença com fatores de risco (nos últimos 12 meses considerando os valores gerais e por zona anatómica);
A relação entre as diferentes metodologias aplicadas e a existência efetiva de sinais de lesão.
Figura 14 – Estrutura de testes (sintomatologia LME/sinais de doença)
Para o primeiro ponto, a Estrutura de testes foi realizada para a população geral (na sua totalidade), inicialmente com a variável dicotómica “LME (12 meses)” e depois para cada uma das áreas anatómicas consideradas. Este ramo foi também repetido com base na variável “Sinais de doença”. O segundo ramo de testes estatísticos pretendeu relacionar os sinais de doença, avaliados através de exames ortopédicos e os resultados de outras metodologias de estudo: o RULA, o OCRA e os resultados do Questionário Nórdico. Para a análise da associação entre variáveis recorreu-se a testes estatísticos não- paramétricos. A utilização de testes não-paramétricos deve-se ao facto de não serem conhecidas as distribuições populacionais das variáveis. Os testes permitem verificar hipóteses acerca da forma da distribuição da população de onde provém uma amostra ou avaliar se diferentes as mostras são provenientes de uma população comum. Também são utilizados estes testes para verificar o nível de associação entre variáveis, isto é, a sua independência (Guimarães & Cabral, 2007c).
Si nt o m at o lo gi a LM E 1. Geral (S/N) Factores de Risco Individuais Idade Genero Caracteristicas antropométricas Peso Altura Perímetro abdominal Condição de saúde Atividade física Fumador Diagnóstico médico Av. Postural IMC Medicação regular Lesão traumática e acidentes Doença Profissional HIstórico profissional Tarefas do dia-a-dia Atividades fora da empresa Tempo de serviço Factores de risco Físicos (atividade de trabalho) Av. RULA Av. OCRA Posto de trabalho 2. Zona anatómica (S/N)
Teste qui-quadrado baseado na tabela de contingência
O teste utilizado foi o qui-quadrado, considerando que as variáveis em estudo eram maioritariamente categóricas. Este teste serve para verificar se duas ou mais populações (ou grupos) independentes diferem relativamente a uma determinada característica, isto é, se a frequência com que os elementos da amostra se distribuem pelas classes de uma variável nominal, categorizada, é, ou não, idêntica (Guimarães & Cabral, 2007c). O teste de independência do qui-quadrado permite verificar a independência entre duas variáveis de qualquer tipo que se apresentem agrupadas numa tabela de contingência. As hipóteses nula e alternativa são então as seguintes:
H0: as variáveis são independentes; H1: As variáveis não são independentes.
Através do cálculo da estatística de teste, considera-se, para um determinado nível de significância, a rejeição de H0. No output do SPSS o valor da estatística de teste é designado por Pearson Chi-square. Contudo, o teste de independência de variáveis, baseado no qui-quadrado e na tabela de contingência, não deve ser utilizado se se verificar que mais do que 20% das frequências dos conjuntos cruzados da tabela de contingência são inferiores a 5, ou se alguma das frequências é menor do que 1. Nestes casos tem de ser realizado um teste exato, que funciona da mesma forma que o anterior, o teste exato de
Fisher. Ainda deve ter-se em consideração o caso especial das tabelas 2x2, em que o valor
da estatística de teste a considerar é corrigido. No output do SPSS este valor é designado por continuity correction.
Todos os testes realizados neste estudo utilizaram um nível de significância de 5%, ou seja, quando o valor p-value (Exact .sig 2-sided) for inferior a 0,05 a hipótese nula, H0, foi rejeitada, o que, por outras palavras, significa que as variáveis não são independentes entre si.
Após a rejeição de H0 é interessante fazer uma avaliação local das categorias, através do cálculo do Adjusted residual. Este tem distribuição normal com média zero e desvio padrão igual a 1, pelo que sempre que se verifique que o resíduo ajustado é superior a 1,96 existe evidência de associação entre as categorias.
4 RESULTADOS
A totalidade da amostra utilizada é de 146 trabalhadores, distribuídos por diferentes secções de trabalho. Destes, 32% trabalham na secção de embalamento que engloba o corte do queijo, de acordo com o tipo e formato (fatiado, cortado em metades e quartos, ou em cunhas); a pesagem individual; a aplicação de rótulos e etiquetas e o embalamento final (filme plástico aplicado a vácuo, papel celofane, couvettes de plástico, papel vegetal e tripa). Segue-se a secção de tratamento e/ou cura, com 13% dos indivíduos. Outro valor que convém ressaltar são os 10% de indivíduos que desempenham funções, regularmente, em mais de um sector (vários) (Figura 15).
Figura 15 – Distribuição da amostra por secção de trabalho