Estabilidade e dinâmica do crescimento físico,
desempenho motor e saúde. Um estudo longitudinalmisto em adolescentes portugueses.
Michele Caroline de Souza
2014
Estabilidade e dinâmica do crescimento físico, desempenho
motor e saúde. Um estudo longitudinal-misto em adolescentes
portugueses.
Dissertação apresentada ao Programa Doutoral em Ciências
do Desporto (Decreto-Lei n.º 74/2006, de 24 de Março), com
vista à obtenção do grau de Doutor em Ciências do
Desporto, sob a orientação do Professor Doutor José
António Ribeiro Maia e co-orientação dos Professores
Doutor Joey Eisenmann e Doutora Cláudia Forjaz.
Michele Caroline de Souza
Porto, Novembro de 2014
Ficha de catalogação
FICHA DE CATALOGAÇÃO
Souza, M.C. (2014). Estabilidade e dinâmica do crescimento físico,
desempenho
motor
e
saúde.
Um
estudo
longitudinal-misto
em
adolescentes portugueses. Porto: Dissertação de Doutoramento apresentada
à Faculdade de Desporto da Universidade do Porto.
Palavras-chave:
CRESCIMENTO,
DESEMPENHO
MOTOR,
SAÚDE
CARDIOMETABÓLICA, INFORMAÇÃO LONGITUDINAL, ADOLESCENTES.
Michele Caroline de Souza
IV
“…Para se aprender a pensar é preciso primeiro aprender a
dançar. Quem dança com as ideias descobre que pensar é
alegria. Se pensar lhe da tristeza é porque você só sabe
marchar, como soldados em ordem unida. Saltar sobre o
vazio, pular de pico em pico. Não ter medo da queda. Foi assim
que se construiu a ciência: não pela prudência dos que
marcham, mas pela ousadia dos que sonham. Todo
conhecimento nada mais é que a aventura pelo mar
desconhecido, em busca da terra sonhada. Mas sonhar é coisa
que não se ensina. Brota das profundezas do corpo, como a
água brota das profundezas da terra.”
Rubem Alves
1
1
Alves, Rubem. A alegria de ensinar. São Paulo: Ars Poética, 1994.
Michele Caroline de Souza
V
Dedicatórias
DEDICATÓRIAS
Aos meus pais Júlio e Sandra
E à minha irmã Jeane
Todas as minhas conquistas são fruto do vosso amor, cuidado e dedicação. O
forte sentimento familiar que nos une, transcendeu o oceano e foi o alicerce para que
este nosso lindo sonho se concretizasse.
“Sou mais eu, porque sou vocês!”
Ao meu namorado Roberto
Nosso amor sobreviveu ao tempo, foi paciente, resignado e insistente.
E na certeza de muitos reencontros, incitou-nos a continuar…juntos…pois não
houve distância que nos fizesse ausentes.
À minha amiga-irmã Raquel
Um dos melhores presentes desta aventura além-mar…
“Não havíamos marcado hora, não havíamos marcado lugar. E, na infinita
possibilidade de lugares, na infinita possibilidade de tempos, nossos tempos e nossos
lugares coincidiram. E deu-se o encontro.” 1
1
Rubem Alves
Michele Caroline de Souza
VII
Agradecimentos
AGRADECIMENTOS
Esta caminhada foi, e para sempre será, uma das melhores em minha
vida. Marcada por um crescimento acadêmico e pessoal imensurável. De toda
experiência, de todos os objetivos atingidos e desafios ultrapassados, fica a
certeza de que nunca estive sozinha, foram muitas as pessoas e Instituições
que “conspiraram” ao meu favor e trabalharam para a concretização desta tese
e deste projeto. Portanto, gostaria de expressar todo o meu carinho e
sentimento de gratidão a todos que foram luz, imprescindível, nesta minha
trajetória. “Há gente que fica na histórida da história da gente!”
Ao meu orientador Professor Doutor José António Ribeiro Maia, por
idealizar e confiar a mim este lindo desafio, e acreditar que eu seria capaz de
cumpri-lo. Agradeço imensamente pela sua primazia em orientar e, às vezes,
até em “desorientar”, me fazendo crescer pessoal e academicamente. Seus
ensinamentos e conhecimentos sabiamente partilhados, bem como o seu apoio
constante e incansável, dedicação, entrega e rigor acadêmico-científico serão,
para sempre, exímios exemplos a serem seguidos. Esses 6 anos deixarão
saudades, mas parto com a certeza de muitos reencontros. Muito obrigada!
À Professora Doutora Cláudia Forjaz, co-orientadora desta tese e tutora
do meu processo de bolsa de Doutorado no exterior. Não obstante todo o seu
enorme trabalho e ocupações acadêmicas, aceitou fazer parte de todas as
etapadas desta trajetória, desde a conceção e escrita do projeto, recolha de
dados, candidatura à bolsa, e desenvolvimento da tese. Agradeço pelo
empenho, dedicação, tempo, ensinamento e apoio tão gentilmente partilhados
e transmitidos. Durante este convívio, minha admiração por si só aumentou.
Espero que possamos trabalhar juntas novamente!
To Professor Joey Eisenmann, the co-supervisor of this thesis. It was a
privilege having your knowledge and wisdom supporting and guiding this
project. Thank you for this opportunity to work and learn with you, and for your
Michele Caroline de Souza
IX
Agradecimentos
kindness and sympathy. I hope that we continue to work together… we have a
lot of data for this!
À Faculdade de Desporto da Universidade do Porto (FADE-UP), na
pessoa do respetivo Diretor, Professor Doutor Jorge Olímpio Bento, pelo
acolhimento e apoio institucional. Estendo meu agradecimento a todos os
professores da FADE-UP, pelos ensinamentos ministrados e enorme
contribuição a minha formação acadêmica.
À Coordenação de Aperfeiçoamento de Pessoal de Ensino SuperiorCapes, pela concessão da bolsa de Doutorado no exterior (processo de nº
621410-0), permitindo que eu me dedicasse plenamente à realização do
Programa Doutoral e desenvolvimento desta tese.
À Fundação para a Ciência e Tecnologia (FCT) de Portugal, pelo apoio
ao projeto PTDC/DES/67569/2006.
Ao Professor Doutor António Manuel Fonseca, Diretor do Programa
Doutoral em Ciências do Desporto e Presidente do Conselho Científico da
FADE-UP. Agradeço pelo apoio acadêmico, bem como pela enorme
disponibilidade e prontidão em auxiliar nas questões mais burocráticas.
Ao Professor Doutor Gaston Beunen, in memorian, pelo privilégio de o
ter conhecido e participado de suas aulas, bem como pelo seu jeito gentil e
terno de partilhar conosco suas experiências e ensinamentos.
Ao Professor Doutor Rui Garganta, por ter sido, simultaneamente,
mestre e amigo. Agradeço imensamente pelos ensinamentos transmitidos,
pelas conversas informais (sempre regadas com muitos sorrisos), pela
disponibilidade e cuidado constantemente demonstrados. Estendo meu
agradecimento a sua esposa Olga Castela, sempre atenciosa e de alegria
contagiante. Sentirei muitas saudades, mas vos levo no meu coração!
Michele Caroline de Souza
X
Agradecimentos
Ao Professor Doutor André Seabra pela contribuição em minha formação
acadêmica, sempre disponível para ajudar e partilhar seus conhecimentos e
experiências.
À Professora Doutora Olga Vasconcelos, pelas contribuições no meu
percurso acadêmico e ao desenvolvimento desta tese. Não posso deixar de
agradecer a sua presença, sempre tão bem disposta, e suas palavras de
carinho e incentivo durante os nossos Seminários do Programa Doutoral.
Ao Professor Doutor Duarte Freitas, por todas as aulas ministradas e
apoio concedido durante todo o processo do Programa Doutoral. Quero
expressar a minha grande admiração por todos os seus trabalhos
desenvolvidos na Região Autônoma da Madeira.
Aos Professores Doutores Go Tani e António Prista, pela participação
constante em vários projetos do nosso gabinete, bem como pelo cuidado e
interesse em nosso percurso acadêmico. Vosso trabalho e dedicação são
motivos de forte inspiração para mim.
Ao Professor Doutor Luciano Basso, sempre tão solícito em ajudar no
que fosse preciso. Muito obrigada por todos os ensinamentos transmitidos,
desde o início do Mestrado, pela amizade construída e, sobretudo, pelo seu
exemplo de responsabilidade, profissionalismo e competência acadêmica.
À Professora Doutora Carol Leandro Góis, a quem tenho elevada
admiração acadêmica e pessoal. Agradeço imenso suas contribuições e
sugestões para o desenvolvimento deste estudo, aulas e seminários
ministrados, bem como a partilha de momentos de muita descontração e
sorrisos.
Ao Professor Doutor Peter Katzmarzyk, do Pennington Biomedical
Research Center, pelo exemplo de competência científica e colaboração em
nossos projetos. Estendo meus agradecimentos ao Tiago Barreira e Emily Mire,
pela disponibilidade em ajudar com as informações da acelerometria.
Michele Caroline de Souza
XI
Agradecimentos
Aos Professores Doutores Adam Baxter-Jones, Carla Rêgo, Denisa
Mendoça, Huiqi Pan e Vincent Diego. Foi um privilégio ter aula convosco. Muito
obrigada pelos conhecimentos partilhados!
À Professora Doutora Adriana Berleze, minha eterna coordenadora, coorientadora e grande amiga. Muito obrigada pela atenção, cuidado e interesse,
sempre demonstrados, por minha vida acadêmica e pessoal. Quero, também,
expressar meu agradecimento a seu marido Renato Penna, sempre tão amável
comigo. Vocês são especiais! Tenho muito apreço pela amizade que
construímos ao longo desses anos.
Ao Professor Doutor Ronei Silveira Pinto, pela disponibilidade constante
em ajudar no que fosse preciso. Muito obrigada por, mesmo de longe, estimar
o meu sucesso ao longo de todo o meu percurso acadêmico.
À Professora Doutora Nádia Cristina Valentini, meu primeiro exemplo de
competência e profissionalismo acadêmico-científico. Muito obrigada pelo
incentivo inicial nesta caminhada em terras lusitanas.
À minha querida Professora Teresa Marinho, pelas excelentes aulas de
inglês, mas sobretudo, pelas primorosas “aulas de vida”. Muito obrigada por ter
sido, além de mestre, minha amiga, confidente e “mãezona”, ternamente
cuidando e amparando-me nesta difícil, porém inebriante, aventura em terras
portuguesas. Estarás para sempre em meu coração!
A todos os alunos portugueses que participaram do projeto “Oporto
Growth, Health and Performance Study”. Muitíssimo obrigada pelo entusiasmo,
colaboração e disponibilidade apresentados nas diversas avaliações durante
esses três anos. Vocês são os personagens principais desta história!
Às escolas que integraram o projeto. De um modo muito especial,
agradeço a todos os professores de Educação Física e funcionários:
- Escola Secundária D. Dinis (Santo Tirso)
Michele Caroline de Souza
XII
Agradecimentos
Professores de Educação Física e Grupo PES: Adelino Passadiço, Alda
Garrido, Ana Gomes, Ana Pais Sousa, Ana Paula Carneiro, Carla Cruz, Cláudia
Figueiredo, José Soares, Manuela Machado, Miguel Branco, Paulina Ferreira,
Rosa Pereira e Sérgio Silva. Funcionária: D. Maria João.
- Escola Secundária João Gonçalves Zarco (Matosinhos)
Professores de Educação Física: Alfredo Calheiros, Amália Almeida,
Audrey Pais, Aurélio Ribeiro, Joaquim Fontoura, Jorge Silva, José Manuel
Ferreira, Luís Mortágua, Manuel Romão, Maria de Fátima Costa, Mariana
Martins, Pedro Silva Pereira e Rosa Furriel. Funcionários: D. Eva e Sr. Carlos.
- Escola EB2/3 de Paranhos (Porto)
Professores de Educação Física: Raquel Eira, Paula Viana, Helena Dias,
Ana Monteiro, Rita Areias. Funcionário: Sr. Vítor.
- Escola EB2/3 de Leça da Palmeira (Matosinhos)
Professores de Educação Física: Ana Cristina Morêda, António Gomes,
Augusta Magalhães, Cláudia Malafaya, Madalena Oliveira, Manuel Ribeiro,
Manuela Guimarães, Maria de Fátima Pinto, Mário Pereira, Teresa Assunção e
Vanda Teixeira.
- Escola EB2/3 de São Martinho do Campo (Santo Tirso)
Professores de Educação Física: Ana Rito, António Figueiredo, Bento
Miguel, Carlos Pereira, Eunice Figueiroa e Rui Silva. Funcionário: Sr. Joaquim
Fernandes
Escola EB2/3 de Nevogilde (Lousada)
Professores de Educação Física: Alexandra Vergueiro, Ana Ribeiro,
Bruno Leite, Bruno Maia, Cláudia Bastos, Fernando Caldeira, João Gama, Gil
Castro, Luciano Caçador, Luisa Silva, Maria José Rocha, Miguel Ribeiro, Nuno
Bessa, Pedro Vilaça, Vitor Sousa.
Michele Caroline de Souza
XIII
Agradecimentos
Escola Secundária de Fontes Pereira de Melo (Porto)
Professores de Educação Física: Ana Paula Brito, Ana Sofia,
José
Mario Cachada, Laura Lopes, Manuel Araújo, Pedro Ferreira, Pedro Seco,
Rosário Ferreira e Telmo Barbosa.
Muito, muito obrigada! Sem vocês, com certeza, este projeto não “sairia
do papel”! Quero manifestar um agradecimento especial aos Professores
Paulina Ferreira, Amália Almeida, Ana Monteiro, Cristina Morêda, Cláudia
Malafaya, António Figueiredo, Miguel Ribeiro e Pedro Seco. Serei sempre grata
pela vossa disponibilidade e prontidão em ajudar a mim e à equipe da FADEUP no que fosse preciso.
A todos os Funcionários da FADE-UP. Em especial à equipe da
Biblioteca e da Informática, pelas assistências dedicadamente prestadas.
Agradeço, também, ao Sr. Marinho, Nuno Conceição, Sr. Coimbra e Sr.
Serafim, pela boa disposição, prontidão em ajudar e, sobretudo, pela apoio e
amizade ao longo desses anos.
À minha querida Maria Domingues, pelo enorme cuidado acadêmico e
pessoal dispensado. Fico imensamente feliz ao olhar para trás e ver que
criamos laços estreitos de carinho e amizade. Adoro-te!
Aos colegas e amigos do gabinete de Cineantropometria e Estatística
Aplicada: Alessandra Borges, Amanda Batista, Ana Carolina Reyes, Duke de
Oliveira, Carla Santos, Fernando Garbeloto, João Paulo dos Anjos, Maria
Sidônio Madanelo (Soni), Pedro Gil, Raquel Vasconcelos, Renata Cecília,
Rojapon Buranarugsa, Sara Pereira e Tânia Amorim. Foi muito bom conhecer e
conviver com cada um de vocês, partilhando sorrisos e angústias. Nosso apoio
mútuo e diário tornou nossa caminhada menos cansativa e muito, muito mais
divertida e agradável. Estarei sempre a desejar o vosso sucesso!
À minha amiga Simonete Pereira da Silva, pela sua “alegria de viver”
contagiante, bem como pela amizade e incentivo à concretização deste projeto.
Michele Caroline de Souza
XIV
Agradecimentos
Tenho uma admiração especial pelo seu estudo realizado na Região do Cariri
Cearense, este foi e sempre será motivo de forte inspiração para mim.
À minha amiga Mafalda Sofia Roriz, pela amizade construída ao longo
desses anos e pela ajuda nos momentos de dificuldade. Estendo meus
agradecimentos a todos os profissionais envolvidos nas Férias Desportivas da
Câmara Municipal da Maia. Foi muito bom partilhar momentos de trabalho e de
muita diversão convosco. Muito obrigada pela oportunidade e confiança!
Ao meu querido amigo Alcibíades Bustamante, “hombre” de poucas
palavras, sorriso sincero e coração puro. Muito obrigada pelo exemplo diário de
dedicação e perseverança, bem como pela amizade, incentivo e apoio
constante. Aguardo sua visita em Porto Alegre!
À Sofia Sá Cachada, minha “portuga” predileta. Muito obrigada pelas
ajudas incansáveis nas recolhas de dados, pela disponibilidade desinteressada
e, principalmente, pela amizade e momentos de descontração, regados de
muitos sorrisos. Gosto muito de ti e levo-te no meu coração!
À minha querida amiga Fernanda Santos, com quem comecei e, agora,
termino esta enobrecedora caminhada. Durante esses 6 anos, partilhamos
muitos momentos, e tu sempre com este sorriso contagiante estampado no
rosto. Muito obrigada pela nossa amizade, que cativou um lugar especial em
meu
coração,
pela
dedicação,
cuidado,
entusiasmo
e
parceria
no
desenvolvimento deste projeto que também foi seu. Espero que a vida te
reserve sempre o melhor e nos conceda muitos reencontros! Amo!
À minha amiga Thayse Gomes, pela amizade sólida e sincera que aos
poucos fomos construindo. Admiro muito a competência e exímia dedicação
que demonstras em tudo que fazes. Agradeço por todo o empenho e ajuda nas
recolhas de dados, e por seres do jeitinho que és: séria e direta, mas ao
mesmo tempo, meiga e benevolente. Estes “extremos” tornam-te única… a
minha querida “BFF”! Tenho certeza que nossa amizade estará sempre bem
guardada em nossos corações!
Michele Caroline de Souza
XV
Agradecimentos
Ao amigo e colega de gabinete, Daniel Santos, que mesmo com uma
vida completa (família, trabalho e seu próprio doutoramento), sempre
conseguiu doar uma parte substancial do seu tempo para que este projeto se
concretizasse. Muito obrigada por tudo que fizeste, pela presença sempre bem
disposta nas recolhas, pelas inúmeras boleias às escolas, por levar e trazer
questionários e acelerômetros…enfim, por tudo! Agradeço, mais ainda, pela
amizade e cumplicidade edificadas ao longo desses anos. Com certeza, tudo
isso ficará na memória e no coração! Estendo meus agradecimentos a sua
querida esposa Bárbara Lourenço, que tanto nos ajudou nas recolhas. Muito
obrigada!
À querida Sarita Bacciotti, meu “presente” neste último ano de
doutoramento. Muito obrigada por todos os momentos que partilhamos, pela
amizade sincera e cuidado constante. Estendo meus agradecimentos a sua
linda família, Carlos e Sofia Bacciotti, que sempre foram tão amáveis comigo.
Espero revê-los em breve!
Ao meu amigo Marcelo Peduzzi de Castro, pelo sentimento fraterno que
construímos. Obrigada por estar sempre presente, pelas palavras de conforto,
pelas risadas, críticas, incentivos e até pelas consultas fisioterapêuticas!
Estarei sempre sorrindo com tuas conquistas pessoais e acadêmicas.
Saudades!
À minha amiga Roseanne Autran, por me “reconhecer” neste último ano
de doutoramento. Serei sempre grata por nossos laços estarem mais estreitos,
por nossa amizade, que tornou esses últimos meses mais leves e alegres, e
pelo simples prazer da tua companhia e parceria. Obrigada por seres tão
especial para mim e, agora, para minha família. Gosto imenso de ti!
Aos amigos Denise Soares e Luciano Silveira, por me receberem tão
bem aqui em Portugal e por permanecerem presentes durante todo este
percurso. Muito obrigada pelos churrascos, almoços, jantares e companhia
familiar. Espero reencontrá-los brevemente em Porto Alegre.
Michele Caroline de Souza
XVI
Agradecimentos
À minha querida “irmã gêmea” Geise Nascimento, pela nossa linda
amizade. Muito obrigada por todas as conversas, risadas e bons momentos
que compartilhamos. Saudades!
Aos amigos Jenny Carolina Tavares, Bruna Santos, Amanda Santos,
Toni Bovolini, Renata Willig, Cristine Schmidt, César Agostinis, Jailton Pelarigo,
Henrique Soares, Ítalo Ramos e Bruno Remígio, pelos bons momentos de
convívio, pela preocupação, amizade e partilha. Desejo muito sucesso a cada
um de vocês!
Ao Bom Sucesso Health Club, especialmente ao André Oliveira e
Susana Soares, pela oportunidade inicial de trabalho, pelos incentivos e
amizade durante todos esses anos. Quero expressar, também, o meu carinho à
“malta” da dança. Muito obrigada pelos finais de tarde mais felizes, pelo
convívio, energia positiva e cuidado.
Aos amigos dos tempos de escola e Licenciatura, que permanecem até
hoje, Ana Paula Corrêa, Caroline Kummer, Daisy Sampaio, Franciele Anziliero,
Jamile Schmelzer, Kátia Souza, Lisiane Ribeiro, Marcelo Borges, Marcelo
Souza, Michele Bandinelli e Paula Kersche. Não obstante à distância, nossa
amizade e carinho mativeram-nos sempre próximos. Sei o quanto vocês
desejaram o meu sucesso. Por isso e por tudo, muito obrigada!
Às minhas amadas famílias Silva e Souza. Vocês são minha raiz e
minha história. É por vocês e com vocês que realizo mais este sonho, pois em
cada passo dado, senti o amor e carinho que, ternamente, foi me transmitido.
Quero agradecer, especialmente, aos grandes responsáveis por esta união
familiar: “Vô” Algemiro Silva (in memorian), “Vó” Carlinda Silva (in memorian),
“Vô” Nilton Souza (in memorian) e “Vó” Lourdes de Souza. Amo vocês!
Às famílias Ribas e Bicca, pela crença nesta conquista. Serei sempre
grata pelo carinho e amor sempre demonstrados. Em especial, agradeço aos
meus queridos “sogrinhos”, Lúcia e Jorge Ribas, e aos meus amáveis tios,
Clary e Elimar Bicca. Vocês são um presente que a vida, gentilmente, me deu!
Michele Caroline de Souza
XVII
Agradecimentos
À minha amiga-irmã Raquel Nichele de Chaves, por ter cuidado tão bem
de mim ao longo desta nossa memorável caminhada. Agradeço por todos os
momentos acadêmicos e pessoais ternamente partilhados, pela cumplicidade e
respeito, pelas palavras de incentivo e consolo, bem como pelos sorrisos
sinceros, que iluminaram e deram mais vida a esta aventura em Portugal. Mas,
principalmente, obrigada pela possibilidade de conviver diariamente com tua
amabilidade, sinceridade e benevolência, que fizeram de mim uma pessoa
melhor. Quero estender meus agradecimentos a tua querida família: “Tio” Jair e
“Tia” Dinalva, Fagner, Rafael e Eduardo Chaves, pelo carinho e amor que
sempre demonstraram. Tenho certeza que os laços criados, entre “Souzas” e
“Chaves”, perdurarão vivamente em nossos corações!
À minha irmã Jeane de Souza da Silveira, pelo amor e cumplicidade
incondicional. Agradeço por sempre estar ao meu lado, por me ajudar nos
momentos de dificuldade e por acreditar no sucesso desta minha trajetória.
Nosso companheirismo é nossa maior dádiva…irmãs de coração e, sobretudo,
de alma! Agradeço também ao meu cunhado Vinícius Silveira pelo incentivo
constante. Muito obrigada!
Ao meu namorado Roberto Lampert Ribas, pelo amor e cuidado. Se
outrora houve tropeços, hoje nossos passos são firmes e fortes, e nos
conduzem a um lindo caminho, com a realização deste sonho, que idealizamos
juntos há anos, e o começo de uma nova etapa. Muito obrigada por ser meu
amado e amigo, por se fazer presente em todos os momentos e por,
constantemente, dar-me a mão e fazer-me acreditar que sempre é possível
seguir em frente. És encantadoramente especial… TEPS!
Aos meus amados pais, Júlio César de Souza e Sandra Mercedes de
Souza, por me amarem incondicionalmente. Não foram poucas as vezes em
que a saudade não coube em meu peito e transbordou pelos olhos, e vocês,
igualmente saudosos, guardaram vosso sentimento e sorrindo, encorajaramme a continuar. Serei eternamente grata pelo vosso esforço e dedicação para
que essa história tivesse um lindo e próspero final. Obrigada por esses últimos
Michele Caroline de Souza
XVIII
Agradecimentos
meses de convívio, que enriqueceram e abrilhantaram os meus dias. É por
vocês e com vocês que continuarei sempre. Amo!
Ao Criador, por mais essa oportunidade de evolução acadêmica e
pessoal. Obrigada por guiar e fortalecer os meus passos, consolar meu
coração e ser presença constante em minha vida.
Michele Caroline de Souza
XIX
Índice Geral
ÍNDICE GERAL
DEDICATÓRIAS ......................................................................................................................... VII
AGRADECIMENTOS ................................................................................................................... IX
ÍNDICE GERAL ......................................................................................................................... XXI
ÍNDICE DE TABELAS ............................................................................................................. XXV
ÍNDICE DE FIGURAS ............................................................................................................ XXVII
RESUMO ................................................................................................................................. XXIX
ABSTRACT ............................................................................................................................. XXXI
LISTA DE ABREVIATURAS E SIGLAS .............................................................................. XXXIII
CAPÍTULO I – INTRODUÇÃO GERAL E ESTRUTURA DA TESE ............................................ 1
INTRODUÇÃO GERAL ........................................................................................................................3
Necessidade de um olhar integrador .................................................................................... 3
Janelas de leitura e interpretação – modelos disponíveis .................................................... 6
Desafios e exigências da informação longitudinal. ............................................................. 11
Pilares da tese. .................................................................................................................... 12
ESTRUTURA DA TESE .......................................................................................................... 16
REFERÊNCIAS ....................................................................................................................... 19
CAPÍTULO II – ESTUDOS METODOLÓGICOS ........................................................................ 27
ESTUDO I – THE OPORTO MIXED-LONGITUDINAL GROWTH, HEALTH AND PERFORMANCE STUDY. DESIGN,
METHODS AND BASELINE RESULTS ................................................................................................. 29
ABSTRACT ......................................................................................................................... 31
INTRODUCTION ................................................................................................................. 33
METHODS ........................................................................................................................... 35
Design and sample .......................................................................................................... 35
Measurements ................................................................................................................. 36
Anthropometry ............................................................................................................. 36
Body Composition ....................................................................................................... 37
Biological Maturation ................................................................................................... 37
Physical Fitness............................................................................................................... 37
Cardio-metabolic risk factors ........................................................................................... 38
Lifestyle characteristics ................................................................................................... 39
Michele Caroline de Souza
XXI
Índice Geral
Physical activity ........................................................................................................... 39
Behaviours and Eating Habits ..................................................................................... 40
Sleep Habits ................................................................................................................ 41
Health Status Perception ............................................................................................. 41
Family support for Physical Activity ............................................................................. 41
Gestational information ............................................................................................... 41
Socioeconomic status ................................................................................................. 41
Built Environment ........................................................................................................ 42
Data quality control .......................................................................................................... 42
Statistical analysis ........................................................................................................... 44
RESULTS ............................................................................................................................ 45
DISCUSSION ...................................................................................................................... 48
CONCLUSIONS .................................................................................................................. 52
REFERENCES .................................................................................................................... 53
ESTUDO II – A NOÇÃO DO TRACKING E A SUA APLICAÇÃO À EDUCAÇÃO FÍSICA E AO ESPORTE .................... 63
RESUMO ............................................................................................................................. 65
ABSTRACT ......................................................................................................................... 67
INTRODUÇÃO .................................................................................................................... 69
PROCEDIMENTOS METODOLÓGICOS ........................................................................... 71
O conceito do Tracking ................................................................................................... 72
Tracking: estatísticas, resultados e significado ............................................................... 73
Autocorrelações........................................................................................................... 73
O γ de Foulkes & Davis ............................................................................................... 77
Estatística γ segundo sugestões de David Rogosa .................................................... 80
Índice de constância de crescimento de Goldstein ..................................................... 83
CONCLUSÃO ...................................................................................................................... 88
REFERÊNCIAS ................................................................................................................... 89
ESTUDO III – MODELAÇÃO MULTINÍVEL E DELINEAMNETO LONGITUDINAL-MISTO NA PESQUISA EM EDUCAÇÃO
FÍSICA E CIÊNCIAS DO ESPORTE ....................................................................................................... 93
RESUMO ............................................................................................................................. 95
ABSTRACT ......................................................................................................................... 97
INTRODUÇÃO .................................................................................................................... 99
MÉTODOS ........................................................................................................................ 101
Amostra ......................................................................................................................... 101
Controle da qualidade da informação ........................................................................... 103
Procedimentos estatísticos ........................................................................................... 103
Variáveis e problema em estudo ................................................................................... 106
Michele Caroline de Souza
XXII
Índice Geral
RESULTADOS .................................................................................................................. 108
DISCUSSÃO ..................................................................................................................... 111
REFERÊNCIAS: ................................................................................................................ 116
Capítulo III – ESTUDOS ANALÍTICOS ................................................................................... 121
ESTUDO IV – SHORT-TERM TRACKING OF YOUTH PHYSICAL FITNESS: THE OPORTO GROWTH, HEALTH AND
PERFORMANCE STUDY ................................................................................................................ 123
ABSTRACT ....................................................................................................................... 125
INTRODUCTION ............................................................................................................... 127
MATERIAL AND METHODS ............................................................................................. 129
Sample .......................................................................................................................... 129
Anthropometry ............................................................................................................... 129
Biological Maturation ..................................................................................................... 130
Physical fitness .............................................................................................................. 130
Physical activity ............................................................................................................. 130
Data quality control ........................................................................................................ 131
Statistical analysis ......................................................................................................... 131
RESULTS .......................................................................................................................... 134
DISCUSSION .................................................................................................................... 137
PERSPECTIVES ............................................................................................................... 143
REFERENCES .................................................................................................................. 144
ESTUDO V – MODELING THE DYNAMICS OF BMI CHANGES DURING ADOLESCENCE. THE OPORTO GROWTH,
HEALTH AND PERFORMANCE STUDY.............................................................................................. 149
ABSTRACT ....................................................................................................................... 151
INTRODUCTION ............................................................................................................... 153
MATERIALS AND METHODS .......................................................................................... 154
Sample .......................................................................................................................... 154
Anthropometry ............................................................................................................... 155
Biological Maturation ..................................................................................................... 155
Physical fitness .............................................................................................................. 156
Physical activity ............................................................................................................. 156
Sleep Habits .................................................................................................................. 156
Dietary habits ................................................................................................................. 157
Data quality control ........................................................................................................ 157
Statistical analysis ......................................................................................................... 157
RESULTS .......................................................................................................................... 158
DISCUSSION .................................................................................................................... 162
REFERENCES .................................................................................................................. 166
Michele Caroline de Souza
XXIII
Índice Geral
ESTUDO VI – MODELING LONGITUDINAL CHANGES IN HYPERTENSIVE AND WAIST PHENOTYPE. THE OPORTO
GROWTH, HEALTH AND PERFORMANCE STUDY ............................................................................... 173
ABSTRACT ....................................................................................................................... 175
INTRODUCTION ............................................................................................................... 177
METHODS ......................................................................................................................... 179
Sample .......................................................................................................................... 179
Biological Maturation ..................................................................................................... 180
Physical activity ............................................................................................................. 180
Physical fitness .............................................................................................................. 180
Hypertensive and waist phenotype ............................................................................... 181
Data quality control ........................................................................................................ 181
Statistical analysis ......................................................................................................... 182
RESULTS .......................................................................................................................... 183
DISCUSSION .................................................................................................................... 186
REFERENCES .................................................................................................................. 192
Capítulo IV – SÍNTESE FINAL................................................................................................. 197
CONCLUSÕES FINAIS ......................................................................................................... 199
LIMITAÇÕES DO ESTUDO ................................................................................................... 208
DESAFIOS FUTUROS .......................................................................................................... 209
REFERÊNCIAS ..................................................................................................................... 212
Michele Caroline de Souza
XXIV
Índice de Tabelas
ÍNDICE DE TABELAS
CAPÍTULO I
Tabela 1. Principais pesquisas longitudinais conduzidos nos Estados Unidos e Europa
..................................................................................................................................... 5
Tabela 2. Estrutura básica do delineamento longitudinal-misto do OGHPS ............... 10
Tabela 3. Estrutura da tese ....................................................................................... 16
CAPÍTULO II
Estudo I
Table 1. Sample size per age and sex groups ........................................................... 35
Table 2. Summary overview of data collected ............................................................ 43
Table 3. Reliability estimates of key anthropometric and physical fitness measurements
in the Oporto Growth and Health Study ...................................................................... 44
Table 4. Descriptive characteristics for several indicators of anthropometry, physical
activity, muscular fitness and cardiorespiratory fitness among Portuguese boys and
girls (ANCOVA F test and p-values)............................................................................ 46
Table 5. Prevalence (95% confidence interval, CI) of weight status, body fat status,
physical activity, physical fitness and cardio-metabolic indicators in Portuguese boys
and girls ..................................................................................................................... 47
Estudo II
Tabela 1. Medidas descritivas do IMC das coortes 2 e 3 ........................................... 73
Tabela 2. Autocorrelações e respectivos intervalos de confiança (IC95%) entre as
mensurações de IMC ao longo de 3 anos em cada uma das coortes ........................ 75
Estudo III
Tabela 1. Estrutura básica do delineamento longitudinal-misto de acordo com as
quatro coortes de idade ........................................................................................... 102
Tabela 2. Dimensão da amostra em função da idade, coorte e sexo ........................ 103
Michele Caroline de Souza
XXV
Índice de Tabelas
Tabela 3. Parâmetros (±erro-padrão) dos modelos ajustados para o desempenho da
força de preensão, com preditores variantes e invariantes no tempo........................ 110
CAPÍTULO III
Estudo IV
Table 1. Descriptive statistics for boys and girls of each age cohort ........................ 134
Table 2. Mean auto-correlations, estimated population tracking coefficients (β), and
Cohen’s kappa (κ) for each PF test in each cohort separately for boys and girls ...... 136
Estudo V
Table 1. Sample size by age, cohorts and sex ......................................................... 155
Table 2. Descriptive statistics for girls and boys in each annual time point (10 to 18
years of age) ............................................................................................................. 160
Table 3. Results summary for the three nested models of girls and boys ................ 161
Estudo VI
Table 1. Sample size by age, sex, and cohort ......................................................... 179
Table 2. Descriptive statistics for girls and boys in each annual time point (T0-T8) .. 185
Table 3. Results summary for the three nested models ........................................... 186
CAPÍTULO IV
Tabela 1. Resumo das principais conclusões do estudo I ....................................... 200
Tabela 2. Resumo das principais conclusões dos estudos II e III ............................ 201
Tabela 3. Resumo das principais conclusões do estudo IV ..................................... 204
Tabela 4. Resumo das principais conclusões do estudo V ...................................... 205
Tabela 5. Resumo das principais conclusões do estudo VI ..................................... 206
Michele Caroline de Souza
XXVI
Índice de Figuras
ÍNDICE DE FIGURAS
CAPÍTULO I
Figura 1. Níveis de influência no desenvolvimento de comportamentos de saúde
segundo o modelo ecológico ....................................................................................... 7
Figura 2. Estrutura básica do delineamento longitudinal-misto do OGHPS ................. 8
Figura 3. Quadro relacional entre atividade física, aptidão física e saúde na infância e
adolescência e suas associações na vida adulta ......................................................... 9
Figura 4. Modelo relacional das diferentes variáveis estudadas nas três janelas do
tempo do OGHPS ...................................................................................................... 10
CAPÍTULO II
Estudo II
Figura 1. Exemplo de partes (muito reduzidas, mas importantes) do output do LDA
para o γ de Foulkes & Davis da coorte 2 ..................................................................... 79
Figura 2. Exemplo de output do TIMEPATH para o γ segundo as sugestões de
Rogosa da coorte 3 .................................................................................................... 82
Figura 3. Exemplo de partes muito reduzidas, mas importantes, do output do LDA
para o modelo I e II do índice de constância de crescimento de Goldstein das meninas
da coorte 2.................................................................................................................. 87
Estudo III
Figura 1. Representação do desempenho da força de preensão das quatro coortes de
adolescentes em função do tempo .......................................................................... 108
Figura 2. Representação das trajetórias médias dos sujeitos dos dois sexos em
função do tempo e, também, do Percentil 25 e 75 da %GTotal ............................... 110
Michele Caroline de Souza
XXVII
Índice de Figuras
CAPÍTULO III
Estudo IV
Figure 1. Examples of all possible trajectories of positive and negative instability as
previously defined .................................................................................................... 133
Figure 2. Example of trajectories of 30 random girls (left) and boys (right) from cohort 2
in the 1-mile run/walk, 50-yard dash, standing long jump, handgrip strength and agility
shuttle run ................................................................................................................ 140
Estudo VI
Figure 1. Average trajectories of HWP as function of time (time 0=10 years, time 1=11
years, …, time 8=18 years) and sex (no other covariates are included in the model that
produced these mean trajectories) ............................................................................ 183
Michele Caroline de Souza
XXVIII
Resumo
RESUMO
O principal propósito desta tese foi investigar, longitudinalmente, a rede
de inter-relações entre características individuais, fatores ambientais e do estilo
de vida que afetam a estabilidade e o dinamismo da mudança no crescimento
físico, desempenho motor e saúde de adolescentes portugueses com idades
entre os 10 e os 18 anos.
A amostra total foi constituída por 6894 jovens de ambos os sexos,
divididos em 4 coortes etárias (10, 12, 14 e 16 anos), acompanhados durante 3
anos. Os participantes são provenientes de escolas da Região do Grande
Porto, Portugal. Procedimentos estandardizados foram utilizados para medir e
estimar indicadores do crescimento físico, maturação biológica, composição
corporal, desempenho motor, atividade física, risco cardiometabólico, hábitos
alimentares e tempo de sono. As análises estatísticas univariadas e
multivariadas foram realizadas no SPSS, WinPepi, LDA, TIMEPATH e HLM.
Distintos procedimentos de análise do tracking mostraram estabilidade
moderada a elevada do índice de massa corporal (IMC) de meninas das
coortes 2 e 3; e estabilidade baixa a moderada da aptidão física de
adolescentes das coortes 1 e 2. Na análise da força muscular estática, as
meninas são mais fortes aos 10 anos, mas os meninos apresentam maiores
ganhos anuais; a percentagem de gordura corporal tem uma associação
positiva com as mudanças da força. Na análise do IMC, meninos e meninas
apresentam um aumento linear com a idade; a aptidão física evidencia
associação negativa com a mudança do IMC; o tempo de sono e consumo de
frutas e vegetais não foram significativos. Na análise do fenótipo conjunto da
tensão arterial e perímetro da cintura, os valores de meninos e meninas
aumentam de forma não-linear; os meninos e adolescentes avançados
maturacionalmente têm valores de risco mais elevados; a atividade física e
aptidão física têm associações negativas com as mudanças longitudinais deste
fenótipo.
Das principais conclusões destacamos: (1) a importância da abordagem
multidisciplinar utilizada, o seu delineamento longitudinal-misto e a vasta gama
de informação; (2) a validade do estudo do tracking e análise multinível para
descrever e interpretar as mudanças longitudinais; (3) a reduzida estabilidade
dos componentes da aptidão física quando analisados por técnicas estatísticas
distintas; (4) a importância da aptidão física e atividade física como fatores de
proteção ao aumento longitudinal do IMC e dos indicadores cardiometabólicos.
Palavras-chave: crescimento, desempenho motor, saúde cardiometabólica,
informação longitudinal, adolescentes.
Michele Caroline de Souza
XXIX
Abstract
ABSTRACT
The main purpose of this thesis was to interpret the net of multiple
relationships among biological, environmental and lifestyle indicators affecting
growth, development, health and performance of Portuguese adolescents aged
10 to 18 years old.
The sample comprises 6894 adolescents of both sexes, divided into 4
age cohorts (10, 12, 14 and 16 years old) followed for 3 consecutive years.
Participants are from schools located in Porto, Portugal. Standardized
procedures were used to measure growth, biological maturation, body
composition, physical fitness, physical activity, cardio-metabolic risk, eating
habits and sleep duration indicators. SPSS, WinPepi, LDA, TIMEPATH and
HLM were used in the univariate and multivariate statistical analysis.
Distinct procedures to analyse tracking showed moderate-to-high stability
in girls’ body mass index (BMI) from cohorts 2 and 3; and low-to-moderate
stability of adolescents’ physical fitness from cohorts 1 and 2. In the analysis of
static strength, girls are stronger at 10 years of age, but boys have higher
annual increases; the percentage of total body fat is positively associated with
static strength. In the analysis of BMI, boys and girls show linear increments
with age; physical fitness is negatively associated with BMI changes; sleep
duration and fruit/vegetables intake were not significant. In the analysis of the
hypertensive and waist phenotype, boys’ and girls’ values increase in a nonlinear fashion; boys and adolescents who were more mature have higher risk
values across adolescence; physical activity and physical fitness are negatively
associated to the longitudinal changes in this complex phenotype.
Main conclusions: (1) the relevance of using a multidisciplinary approach,
a mixed-longitudinal design and the broad array of variables; (2) the validity of
the tracking and multilevel analysis to describe and interpret the longitudinal
changes; (3) the reduced stability of physical fitness components when
analysed with different statistical procedures; (4) the relevance of physical
fitness and physical activity as protector factors of longitudinal increases in BMI
and cardio-metabolic indicators.
Key-words: growth, motor performance, cardio-metabolic health, longitudinal
information, adolescents.
Michele Caroline de Souza
XXXI
Lista de abreviaturas e siglas
LISTA DE ABREVIATURAS E SIGLAS
AAHPERD
American Alliance for Health, Physical Educations,
Recreation and Dance
Achat
Coeficiente de Achatamento
Ampl
Amplitude Total
ANCOVA
Análise de Covariância / Analysis of Covariance
ANOVA
Análise de Variância / Analysis of Variance
Assi
Coeficiente de Assimetria
BMI
Body Mass Index
BP
Blood Pressure
CI
Confidence Interval
C1
Coorte etária 1
C2
Coorte etária 2
C3
Coorte etária 3
C4
Coorte etária 4
CA
Califórnia
CAPES
Coordenação de Aperfeiçoamento de Pessoal de Nível
Superior
CDC
2
CIFI D
Centers for Disease Control and Prevention
Centro de Investigação, Formação, Intervenção e Inovação
em Desporto
cm
Centímetros / Centimeters
CRF
Cardiorespiratory Fitness
CVD
Cardiovascular Diseases
DBP
Diastolic Blood Pressure
DF
Distrito Federal
DP
Desvio Padrão
e.g.
For exemple
EUA
Estados Unidos da América
FADE-UP
Faculdade do Desporto da Universidade do Porto
Michele Caroline de Souza
XXXIII
Lista de abreviaturas e siglas
FCT
Fundação para Ciência e Tecnologia
FD
Foulkes & Davis
GLU
Glucose
H
Hour
H0
Hipótese Nula
HBSC
Health Behaviour in School Aged Children
HDL-C
High Density Lipoprotein-Cholesterol
HGr
Relative Handgrip Strength
HWP
Hypertensive and Waist Phenotype
i.e.
isto é
IBM SPSS
International Business Machines - Statistical Package for
Social Sciences
IMC
Índice de Massa Corporal
INE
Instituto Nacional de Estatística de Portugal
IPAQ-SF
International Physical Activity Questionnaire - Short Form
ISCOLE
International Study of Childhood Obesity, Lifestyle and the
Environment
kg
Quilograma / Kilometer
kgf
Quilograma Força
LDA
Longitudinal Data Analysis
M
Média
m2
Metros quadrado
M1
Momento Um
M2
Momento Dois
M3
Momento Três
MAP
Mean Arterial Pressure
min
Minutos
mm
milimeter
mmHg
Milímetros de mercúrio/ Milimeters of mercury
MMN
Modelação Multinível
MPA
Moderate Physical Activity
MVPA
Moderate to Vigorous Physical Activity
Michele Caroline de Souza
XXXIV
Lista de abreviaturas e siglas
N/n
Amostra / Sample size
OGHPS
Oporto Growth, Health and Performance Study
P5
Percentil 5
P25
Percentil 25
P50
Percentil 50
P75
Percentil 75
PA
Physical Activity
PF
Physical Fitness
PHV
Peak Height Velocity
R
Coeficiente de correlação / Correlation Coefficient
r
Coeficiente de Correlação / Correlation Coefficient
reps
Repetitions
rm
Correlação média
s
Segundos / Seconds
SBP
Systolic Blood Pressure
SD
Standard Deviations
SES
Socioeconimic Status
SHR
Shuttle Run
SLJ
Standing Long Jump
SP
São Paulo
t
time
TEM
Technical Error of the Measurement
TG
Triglycerides
TPA
Total Physical Activity
UK
United Kingdon
VPA
Vigorous Physical Activity
vs
Versus
WC
Waist Circumference
WHO
World Health Organization
yrs
years
50yd
50 yards dash
%
Percentual
Michele Caroline de Souza
XXXV
Lista de abreviaturas e siglas
%GTOTAL
Percentual de Gordura Total
κ
Kappa
ξ
Índice de Constância de Goldstein
ξ*
Índice de Constância de Goldstein modificado
γ
Gama
-
Negativo / Negative
~/≈
Aproximadamente
+
Positivo / Positive
<
Menor
=
Igual
>
Maior
±
Mais ou menos
≤
Menor ou Igual
≥
Maior ou Igual
♀
Meninas
♂
Meninos
Michele Caroline de Souza
XXXVI
CAPÍTULO I
Introdução Geral e
Estrutura da Tese
Introdução Geral e Estrutura da Dissertação
INTRODUÇÃO GERAL
1.
Necessidade de um olhar integrador
O dinamismo do crescimento e desenvolvimento do ser humano reflete,
em larga escala, o longo processo de evolução biocultural da espécie, dado
serem fenômenos dinamicamente moldados por um vasto conjunto de fatores
biológicos e do envolvimento (Bogin, 1999; Rogol, Clark et al., 2000; Ulijaszek,
2006; Malina, Bouchard et al., 2009). Esta complexidade inter-relacional genes e ambiente - atua de múltiplas formas para condicionar a plasticidade
fenotípica numa ampla gama de variabilidade intra e interindividual no
crescimento e desenvolvimento (Bogin, 1999; Malina, Bouchard et al., 2009).
Há também quem considere os estados de crescimento e desenvolvimento, à
escala populacional, indicadores sensíveis na aferição das condições gerais de
saúde e qualidade de vida (Guedes & Guedes, 1997; Bogin, 1999; Ulijaszek,
2006; Hills, King et al., 2007).
A adolescência é entendida como uma janela temporal ímpar para
mergulhar o olhar na pluralidade de mudanças do foro biológico, cognitivo e
psicossocial; acresce a aquisição e desenvolvimento de hábitos e estilos de
vida, cuja persistência podem ter implicações significativas na saúde (Ulijaszek,
2006; Malina, Bouchard et al., 2009; Alberga, Sigal et al., 2012). O estudo da
população adolescente reveste-se, ainda, de maior importância devido à
modernização tecnológica atual e a consequente fruição de novos “gadgets”,
que têm conduzido à promoção de estilos de vida nunca antes presenciados,
essencialmente marcados pela aquisição de hábitos alimentares não
saudáveis, comportamentos sedentários, diminuição dos níveis de atividade
física, redução da exercitação física plena de sentido, i.e., da prática desportiva
(Elgar, Roberts et al., 2005; Must, Bandini et al., 2007).
A emergência de novos “ambientes”, frequentemente designados de
obesogênicos, conduziu às duas das maiores epidemias à escala global (Elgar,
Roberts et al., 2005; Hallal, Andersen et al., 2012; Spruijt, 2012; Ng, Fleming et
al., 2014) - a obesidade e do sedentarismo - intimamente relacionados com o
Michele Caroline de Souza
3
Introdução Geral e Estrutura da Dissertação
desenvolvimento exponencial de distúrbios cardiometabólicos em crianças e
jovens (Weiss, Bremer et al., 2013), e que conduzem ao aumento do risco de
doenças cardiovasculares na vida adulta (Kemper, Post et al., 1999; Twisk,
Kemper et al., 2002). Daqui a necessidade, sempre presente, de informação
cada vez mais precisa e atual acerca do modo como os jovens crescem e se
desenvolvem no contexto da realidade do seu espaço habitacional, educativo e
recreacional.
A saúde do adolescente é hoje associada a um vasto manancial de
indicadores do seu crescimento físico (Bogin, 1999; de Onis, Onyyango et al.,
2007), maturação biológica (Malina, 2014), aptidão física (Ortega, Ruiz et al.,
2008), composição corporal (Guedes & Guedes, 1997; Malina, Bouchard et al.,
2009) e estilos de vida (Spruijt, 2012). Acresce a necessidade, sempre
renovada, (1) da descrição modal e da variação do desempenho motor dos
adolescentes; (2) da monitorização da mudança ocorrida ao longo do tempo
(intraindividual e das diferenças interindividuais), bem como (3) da oferta de
oportunidades de exercício físico/prática desportiva sintonizadas com as
necessidades e prioridades dos jovens .
O desafio interpretativo acerca do significado da variabilidade dos efeitos
contextuais no crescimento físico, desenvolvimento e saúde de crianças e
adolescentes é “eterno”, não deixando nunca de nos surpreender. O seu
fascínio percorre uma vastidão de disciplinas da Antropologia Física e Biologia
Humana, à Pediatria, Saúde Pública e Epidemiologia. Mais recentemente
deslocou-se para o território das Ciências do Desporto e Educação Física pela
importação de preocupações emergentes da nova disciplina designada de
Epidemiologia da Atividade Física. O vasto espaço da Educação na escola é,
também, educação para a saúde, bem como o alcance polissêmico do
Desporto.
Historicamente, alguns dos estudos longitudinais mais emblemáticos
realizados nos Estados Unidos e na Europa centraram a sua atenção somente
no crescimento físico e maturação biológica (Matton, Beunen et al., 2007;
Malina, Bouchard et al., 2009). Posteriormente, incluíram inovações do foro do
Michele Caroline de Souza
4
Introdução Geral e Estrutura da Dissertação
desempenho motor e atividade física (Matton, Beunen et al., 2007; Malina,
Bouchard et al., 2009; da Silva, Beunen et al., 2013). Mais recentemente, o
olhar tem sido mais abrangente em virtude dos desafios populacionais
associados ao desenvolvimento de doenças cardiometabólicas no adulto e às
evidências crescentes que a infância e adolescência são janelas importantes
da sua emergência. Daqui que tenha havido uma mudança de foco para a
avaliação de indicadores de risco já em contexto pediátrico (Matton, Beunen et
al., 2007; Malina, Bouchard et al., 2009). Não obstante a inegável importância
do corpo de conhecimento adquirido, a extensão e variedade dos indicadores
pesquisados (ver Tabela 1), a que se agrega a latitude e profundidade dos
seus problemas e metodologias, a complexidade relacional da dinâmica da
mudança no crescimento, desenvolvimento e indicadores de saúde está longe
de ser completamente fechada. Em nosso entender, exige uma compreensão
mais interativa por parte dos pesquisadores das Ciências do Desporto e
Educação Física dos países lusófonos. Sobretudo, quando os delineamentos
longitudinais escasseiam e as abordagens interdisciplinares não abundam (da
Silva, Beunen et al., 2013).
Tabela 1. Principais pesquisas longitudinais conduzidos nos Estados Unidos e
Europa.
Pesquisa
Cidade/País/Ano de início
Fels Longitudinal Study
Yellow Springs, EUA (1929)
Principais indicadores estudados
Medidas somáticas, Maturação
biológica, Composição corporal,
Em fases mais recentes:
Aptidão Física, Atividade Física,
Fatores de risco de doenças
cardiometabólicas, Marcadores
genéticos, Aspectos nutricionais.
Saskatchewan Child Growth and
Development Study
Saskatoon, Canadá (1964)
Medidas somáticas, Maturação
biológica, Composição corporal,
Atividade física, Aptidão física,
Conteúdo e densidade mineral
óssea.
Leuven Longitudinal Study on
Lifstyle, Fitness and Health
Lovaina, Bélgica (1968)
Medidas somáticas, Maturação
biológica, Composição corporal,
Somatótipo, Aptidão física,
Michele Caroline de Souza
5
Introdução Geral e Estrutura da Dissertação
Em fases mais recentes:
Fatores genéticos, Fatores de risco
para doenças cardiometabólicas.
Muscatine Heart Study
Iowa, EUA (1970)
Medidas
somáticas,
maturação
biológica, Aptidão Física, Atividade
física, Fatores de risco de doenças
cardiometabólicas.
Bogalusa Heart Study
Lousiana, EUA (1972)
Medidas
somáticas,
maturação
biológica, Aptidão Física, Atividade
física, Fatores de risco de doenças
cardiometabólicas.
Amsterdam Growth Study
Amsterdão, Holanda (1977)
Medidas somáticas, maturação
biológica, Aptidão Física, Atividade
física, Fatores de risco para doenças
cardiometabólicas, Densidade óssea,
Parâmetros fisiológicos.
The Northern Ireland Young
Hearts Project
Irlanda do Norte, Irlanda (1989)
Medidas
somáticas,
maturação
biológica, Aptidão Física, Atividade
física, Fatores de risco de doenças
cardiometabólicas.
European Youth Heart Study
Estudo multi-centro: Dinamarca,
Noruega, Estônia e Portugal
(1997)
Medidas
somáticas,
maturação
biológica, Aptidão Física, Atividade
física, Fatores de risco de doenças
cardiometabólicas.
2.
Janelas de leitura e interpretação – modelos disponíveis
Uma janela de leitura abrangente e integrada do lato território do
crescimento físico, desempenho motor e estado de saúde de adolescentes
requer, num certo sentido, um alicerce conceitual que considere não só a interrelação entre os seus diversos indicadores, mas também o dinamismo da sua
mudança. Uma proposta, suficientemente abrangente e genérica, é a
perspetiva ecológica do desenvolvimento humano centrada na díade indivíduo
e ambiente, inicialmente proposta por Bronfenbrenner (1979), cuja extensa
divulgação e aplicação no espaço lusófono se deve ao esforço do Professor
Ruy Krebs (1995). Este modelo investiga as relações entre as mudanças que
ocorrem no sujeito em desenvolvimento e todos os sistemas onde decorrem,
direta ou indiretamente (Krebs, 1995). Mais recentemente, a sua abordagem
dinâmica e interacionista foi incorporada no domínio da Epidemiologia da
Atividade Física (Figura 1), face ao reconhecimento que múltiplos níveis de
influência (individual, sociocultural, físico-ambiental e contexto político) atuam
Michele Caroline de Souza
6
Introdução Geral e Estrutura da Dissertação
na adoção de estilos de vida ativos e saudáveis (Sallis & Owen, 1997; Sallis,
Cervero et al., 2006; Sallis, Owen et al., 2008).
Figura 1. Níveis de influência no desenvolvimento de comportamentos de
saúde segundo o modelo ecológico (adaptado de Sallis & Owen, 1997).
Bouchard e Shephard (1994) apresentam um modelo relativamente
complexo de associações recíprocas entre a atividade física, aptidão física e a
saúde sob a influência de fatores biológicos (hereditariedade), do envolvimento
(físico e social) e do estilo de vida (Figura 2). Este modelo tem recebido
elevada visibilidade internacional (Matton, Beunen et al., 2007) em grande
parte por causa da ampliação do conceito de aptidão física - de um foco
primário centrado na componente motora para a maior ênfase na saúde,
descrita
em
cinco
componentes:
morfológica,
muscular,
motora,
cardiorespiratória e metabólica (Bouchard & Shepard, 1994; Malina, Bouchard
et al., 2009; Pate, Oria et al., 2012). Num outro plano, os renomados projetos
de pesquisa - HERITAGE Family Study (Bouchard, Leon et al., 1995) e Québec
Family Study (Katzmarzyk, Malina et al., 1999) - são exemplos de aplicações
deste modelo com base nos fatores hereditários.
Michele Caroline de Souza
7
Introdução Geral e Estrutura da Dissertação
Figura 2. Especificação gráfica das relações entre atividade física, aptidão
física e saúde (adaptado de Bouchard & Shephard, 1994 ).
Um último modelo a ser citado, sugerido por Blair, Clark et al. (1989),
descreve o efeito benéfico da manutenção de comportamentos ativos
(atividade e aptidão física) durante a infância e adolescência e a sua
transferência para a saúde do adulto (Figura 3). Essas relações interativas e de
“longo prazo” noutras fases da vida têm sido exploradas em estudos
epidemiológicos de renome internacional, nomeadamente o European Youth
Heart Study (Riddoch, Edwards et al., 2005), Bogalusa Heart Study (Nicklas,
von Duvillard et al., 2002), Muscatine Heart Study (Janz, Dawson et al., 2002),
sobretudo no que se refere à saúde cardiometabólica.
Michele Caroline de Souza
8
Introdução Geral e Estrutura da Dissertação
Figura 3. Quadro relacional entre atividade física, aptidão física e saúde na
infância e adolescência e suas associações na vida adulta (adaptado de Blair,
Clark et al. 1989).
Inspirados nas abordagens destes três modelos, bem como em
pesquisas anteriores com uma estrutura longitudinal-mista realizadas nos
arquipélagos da Madeira (Freitas, Maia et al., 2002) e Açores (Maia & Lopes,
2007), no Cariri Cearense (Silva, 2010) e em Muzambinho (Basso, Meira et al.,
2009) foi possível delinear o projeto designado de Oporto Growth, Health and
Performance Study (OGHPS). Nasceu no ano letivo de 2010/2011, e o seu
grande
propósito
é
investigar,
longitudinalmente,
a
interação
entre
características individuais e fatores ambientais no crescimento físico,
desempenho motor e marcadores da saúde de adolescentes portugueses com
idades entre os 10 e os 18 anos. A partir de um delineamento longitudinal-misto
(ver Tabela 2), e uma estrutura flexível, centrada nos domínios da Ciências do
Desporto, Epidemiologia e Auxologia, o esforço interpretativo do OGHPS está
direcionado para a estabilidade e dinâmica da mudança de um vasto conjunto
de variáveis descritoras das categorias centrais da pesquisa. A abrangência
desta leitura implicou, também, que se conhecesse a importância de aspectos
tão distintos como os que se referem ao período gestacional, comprimento e
peso à nascença, bem como nos primeiros anos de vida, estatuto
socioeconômico da família, perceção do suporte parental relativamente à
prática de atividade física; associamos, também, comportamentos alimentares,
tempo de sono, perceção do estado de saúde e aspectos do ambiente
construído. A Figura 4 ilustra o modelo relacional das diferentes variáveis
estudadas nas três janelas do tempo.
Michele Caroline de Souza
9
Introdução Geral e Estrutura da Dissertação
Tabela 2. Estrutura básica do delineamento longitudinal-misto do OGHPS.
Idades
Coortes
C1
10
11
C2
12
12
13
C3
14
14
C4
15
16
16
17
18
Ano 1
Ano 2
Ano 3
Figura 4. Modelo relacional das diferentes variáveis estudadas nas três janelas do tempo do OGHPS.
Michele Caroline de Souza
10
Introdução Geral e Estrutura da Dissertação
3.
Desafios e exigências da informação longitudinal.
A grande “aventura” de uma qualquer pesquisa desenvolvimentista é
marcada, sempre, por desafios situados nos planos concetual, metodológico e
analítico, que podem ser sumariados em três etapas sequencialmente
articuladas: (1) o recurso a um modelo teórico bem estruturado para interpretar
a magnitude e sinal da mudança; (2) a utilização de um delineamento temporal
que favoreça uma visão clara e detalhada dos processos em estudo; e (3) o
recurso a modelos estatísticos flexíveis e eficientes para tratar adequadamente
a informação disponível (Collins, 2006).
Muito genericamente, os principais desafios interpretativos de dados
seriados são os seguintes: (i) identificação direta da mudança intraindividual;
(ii) identificação das diferenças ou similaridades interindividuais na mudança
intraindividual; e (iii) análise sobre classes de preditores responsáveis pelas
diferenças ou similaridades interindividuais na mudança intraindividual (Baltes
& Nesselroade, 1979).
O delineamento longitudinal puro é considerado a melhor estratégia para
responder aos desafios anteriormente referidos, uma vez que a análise
estatística se debruça sobre as mesmas variáveis colhidas nos mesmos
sujeitos em intervalos de tempo regularmente espaçados (Bell, 1954; Duncan &
Duncan, 2012). O que se obtém nada mais é do que uma espécie de relato da
“história natural” das mudanças ocorridas nos indivíduos estudados, bem como
uma interpretação da variação interindividual. Contudo, neste delineamento, o
tempo de recolha da informação é relativamente longo, a que se associam
desafios
metodológicos/práticos
de
“monta”
de
que
destacamos:
(i)
financiamento e investimento continuados; (ii) necessidade de uma logística
bem organizada do processo de recolha da informação; (iii) dimensão amostral
relativamente elevada, a que se ligam problemas de drop-out; e (iv)
manutenção ou substituição adequada da equipe de avaliadores/pesquisadores
(van Mechelen & Mellenbergh, 1997; Matton, Beunen et al., 2007; Malina,
Bouchard et al., 2009). Uma alternativa viável, flexível, de menor custo mas
igualmente eficiente é o delineamento longitudinal-misto em que múltiplas
Michele Caroline de Souza
11
Introdução Geral e Estrutura da Dissertação
coortes de sujeitos, temporariamente sobrepostas, são observadas. Uma das
suas principais vantagens é o período relativamente curto de acompanhamento
dos sujeitos, reduzindo drasticamente os custos, bem como os sérios
problemas cumulativos de drop out amostral (Duncan & Duncan, 2012).
A análise multivariada da informação longitudinal não é tarefa simples
(Hedeker & Gibbons, 2006; Fitzmaurice, Laird et al., 2011). A sua complexa
estrutura organizacional reclama o recurso a modelos matemáticos-estatísticos
modernos, elegantes, flexíveis e eficientes. Algumas avenidas de análise
situam-se, por exemplo, no estudo da estabilidade de trajetórias (do inglês
tracking) (Kowalski & Schneiderman, 1992); no uso da modelação multinível
para interpretar a mudança intraindividual e as diferenças interindividuais (Bryk
& Raudenbush, 1987); na identificação de grupos ou clusters de sujeitos com
trajetórias temporais distintas, através dos modelos de equações estruturais
(Diggle, Heagerty et al., 2013); bem como na análise de classes latentes
(Collins & Lanza, 2010).
4.
Pilares da tese.
Esta tese de doutorado, parte do projeto OGHPS, apresenta um olhar
multifacetado sobre a dinâmica relacional entre características individuais,
fatores ambientais e do estilo de vida, bem como o seu efeito no crescimento
físico, desempenho motor e marcadores da saúde de adolescentes. A estrutura
dos seus estudos parcelares, detalhados mais adiante, está alicerçada num
conjunto de pilares, assim referidos:
- O primeiro assenta na relevância incontestável de retratar, de modo
preciso, como é que os jovens se desenvolvem do ponto de vista do seu
crescimento
físico
(Bogin,
1999).
Medições
longitudinais
acerca
dos
indicadores do crescimento dos adolescentes são descritores dinâmicos da sua
biologia, bem como de condições gerais de saúde e estado nutricional (Bogin,
1999; Rogol, Clark et al., 2000). Tradicionalmente, a estatura e o peso são
comumente utilizadas para monitorizar o crescimento (Malina, Bouchard et al.,
2009). Não obstante a importância da informação específica de cada um
Michele Caroline de Souza
12
Introdução Geral e Estrutura da Dissertação
desses indicadores, o crescimento pode ser visualizado em termos de alguns
“clusters” de variáveis, conhecidos como índices ou rácios, que fornecem
informações adicionais, de considerável relevo, sobre o físico e as proporções
corporais (Guedes & Guedes, 1997; Freitas, Maia et al., 2002; Malina,
Bouchard et al., 2009). A relação entre a estatura e o peso é mais
classicamente expressa no índice de massa corporal (IMC), com um longo
trajeto histórico em Auxologia Epidemiológica sobre crescimento, composição
corporal, subnutrição sobrepeso e obesidade (Malina, Bouchard et al., 2009).
Sobrepeso e obesidade têm sofrido uma proliferação inimaginável em todo o
mundo (Ng, Fleming et al., 2014). Portugal não está incólume a esta tendência,
uma vez que a prevalência de sobrepeso/obesidade está entre 21.6% e 32.7%
(Sardinha, Santos et al., 2011). Decorre daqui a obrigatoriedade de leituras
mais abrangentes sobre as trajetórias de mudança do IMC ao longo da
adolescência, bem como as suas interações com fatores biológicos e do estilo
de vida, de que destacamos a aptidão física, atividade física, hábitos
nutricionais e de tempo de sono. Esta análise/interpretação permitirá um
conhecimento mais amplo sobre a variabilidade intra e interindividual na
estrutura da mudança do IMC.
- O segundo está fundado na importância do desempenho motor na
expressão da saúde e bem-estar das populações, convenientemente reportada
na literatura atual (Ortega, Ruiz et al., 2008; Pate, Oria et al., 2012). Níveis
moderados a elevados de aptidão física, na infância e adolescência, estão
associados a menor incidência dos fatores de risco cardiometabólico, redução
da adiposidade total e abdominal, melhoria da saúde mental e óssea, bem
como no aumento do desempenho acadêmico (Ortega, Ruiz et al., 2008). Ao
considerar a adolescência como um período “crítico” para o desenvolvimento
da proficiência motora (Guedes & Guedes, 1997; Freitas, Maia et al., 2002;
Ortega, Ruiz et al., 2008; Malina, Bouchard et al., 2009), e potencialmente
sensível à influência de fatores ambientais, de natureza positiva ou negativa, a
monitorização de padrões de estabilidade e mudança do desempenho motor,
neste período etário, pode contribuir de forma significativa para a promoção da
Michele Caroline de Souza
13
Introdução Geral e Estrutura da Dissertação
saúde ao longo da vida (Janz, Dawson et al., 2000; Malina, 2001; da Silva,
Beunen et al., 2013).
- O terceiro assenta nas preocupações crescentes do impacto de fatores
de risco cardiometabólico na saúde de populações pediátricas (Weiss, Bremer
et al., 2013). Evidências epidemiológicas sugerem que o processo patológico
dos distúrbios e doenças cardiometabólicas têm sua origem na infância e
adolescência (Steele, Brage et al., 2008; Artero, Ruiz et al., 2011; Weiss,
Bremer et al., 2013), estando associado a um conjunto de fatores etiológicos
agregados, como por exemplo a hipertensão (Sorof & Daniels, 2002) e a
obesidade central (Zimmet, Alberti et al., 2007). A presença precoce de
anomalias nesses indicadores exige uma atenção redobrada, devido à
probabilidade da sua continuidade na idade adulta, aumentando assim o risco
de morbidade e mortalidade (Weiss, Bremer et al., 2013). Decorre daqui a
necessidade de estudar, de modo mais abrangente, a dinâmica da mudança
destes fatores de risco ao longo da adolescência, bem como a sua variação
associada a fatores como a idade, o sexo, a maturação biológica, níveis de
atividade física e aptidão física. A interpretação acerca do dinamismo relacional
destes preditores, com base num pensamento e análise multinível, pode
contribuir para atuações preventivas mais eficientes, i.e., convincentes e
otimizadas.
Em decorrência do anteriormente exposto, os propósitos desta tese são
os seguintes:
1. Apresentar as principais ideias, linhas de força e domínios
metodológicos do OGHPS, bem como referir sumariamente os
resultados do primeiro ano da pesquisa, i.e., no seu baseline.
2. Inventariar e descrever importantes técnicas de análise do tracking
(i.e., estabilidade e previsibilidade) associadas à pesquisa da
estabilidade e mudança do IMC. Este propósito tem uma dupla
finalidade: por um lado apresenta um modo de pensar e respetivos
procedimentos analíticos numa importante faceta da pesquisa
Michele Caroline de Souza
14
Introdução Geral e Estrutura da Dissertação
longitudinal; por outro, segue uma via didática no auxílio a
investigadores principiantes interessados na investigação de caráter
longitudinal.
3. Dada a estrutura longitudinal-mista do OGHPS, foi nosso propósito
mostrar a elegância e flexibilidade da modelação multinível, i.e., do
seu pensamento e método de análise estatística a partir de um
exemplo centrado no desenvolvimento da força estática de
adolescentes.
4. Analisar e atribuir significado aos resultados do tracking da aptidão
física de adolescentes a partir de três abordagens estatísticas
distintas: autocorrelações, modelação multinível e  de Cohen.
5. Descrever e interpretar as mudanças no IMC em função do
dinamismo relacional de um conjunto de preditores - atividade física
total, aptidão física, tempo de sono e consumo de frutas e vegetais.
6. Analisar e interpretar o significado do desenvolvimento de um
fenótipo complexo - adição da tensão arterial com o perímetro da
cintura - ao mesmo tempo que se pesquisa o efeito dinâmico das
variáveis sexo, maturação biológica, atividade física e aptidão física
ao longo da adolescência.
Michele Caroline de Souza
15
Introdução Geral e Estrutura da Dissertação
ESTRUTURA DA TESE
Esta tese foi estruturada de acordo com o modelo habitualmente
designado de “Escandinavo”. Os capítulos seguintes referem-se aos artigos
escritos em função dos objetivos delineados. Os artigos foram submetidos para
publicação em diferentes periódicos, e estão de acordo com as respetivas
normas de publicação.
O capítulo I trata a introdução e a estrutura geral da tese, onde é
justificada a tese a que se juntam os principais propósitos. O capítulo II é
constituído de três estudos de cunho metodológico. O capítulo III é composto
por três estudos analíticos. As conclusões finais e limitações desta tese, bem
como perspetivas de trabalho futuro estão apresentadas no capítulo IV. As
referências bibliográficas estão descritas no final de cada texto de acordo com
as normas do periódico a que o artigo foi submetido; os capítulos de introdução
e síntese final da tese apresentam as referências bibliográficas de acordo com
as normas da Faculdade de Desporto da Universidade do Porto. Na Tabela 3
encontram-se descritas as sínteses do conteúdo de cada capítulo.
Tabela 3. Estrutura da tese.
Capítulo I
Apresenta a introdução geral, sua relevância, os principais propósitos
e a estrutura da tese.
Estudo I
The Oporto mixed-longitudinal growth, health and performance
study. Design, methods and baseline results.
Capítulo II
Objetivos: Apresentar as principais ideias e metodologias do projeto
Oporto growth, health and performance study (OGHPS), bem como
resultados do primeiro ano do estudo no crescimento físico, aptidão
física e estilo de vida.
Artigo submetido: BMC Public Health (Reino Unido)
Autores: Michele Souza, Raquel Chaves, Fernanda Santos, Thayse
Gomes, Daniel Santos, Alessandra Borges, Sara Pereira, Cláudia
Forjaz, Joey Eisenmann, José Maia.
Michele Caroline de Souza
16
Introdução Geral e Estrutura da Dissertação
Estudo II
A noção de tracking e sua aplicação à Educação Física e ao
Esporte.
Objetivo: Apresentar diversas técnicas de estudo e análise do tracking
(estabilidade e previsibilidade).
Artigo aceito para publicação: Revista Brasileira de Cineantropometria
e Desempenho Humano (Brasil).
Autores: Michele Souza, Cláudia Forjaz, Joey Eisenmann, José Maia.
Estudo III
Modelação multinível e delineamento longitudinal-misto na
pesquisa em Educação Física e Ciências do Esporte.
Objetivo: Apresentar o uso da modelação multinível com informação
oriunda de um estudo longitudinal-misto sobre o crescimento,
desenvolvimento e saúde de adolescentes portugueses.
Artigo aceito para publicação: Revista Brasileira de Educação Física e
Esporte (Brasil).
Autores: Michele Souza, Cláudia Forjaz, Thayse Gomes, Fernanda
Santos, Joey Eisenmann, José Maia.
Estudo IV
Short-term tracking of youth physical fitness: The Oporto Growth,
Health and Performance Study.
Objetivo: Descrever e interpretar o tracking da aptidão
cardiorespiratória e aptidão física relacionada à performance de
adolescentes através de três técnicas de análise: autocorrelação,
modelação multinível e  de Cohen.
Capitulo III
Artigo submetido: Scandinavian Journal of Medicine & Science in
Sports (Dinamarca).
Autores: Michele Souza, Joey Eisenmann, Raquel Chaves, Daniel
Santos, Sara Pereira, Cláudia Forjaz, José Maia.
Estudo V
Modeling the dynamics of BMI changes during adolescence. The
Oporto Growth, Health and Performance Study.
Objetivos: (1) Analisar as trajetórias de mudança no IMC de
adolescentes dos 10 aos 18 anos de idade; (2) Investigar os efeitos
dinâmicos da aptidão física, atividade física, tempo de sono e
consumo de frutas/vegetais nas trajetórias interindividuais do IMC.
Michele Caroline de Souza
17
Introdução Geral e Estrutura da Dissertação
Artigo submetido: International Journal of Obesity (EUA)
Autores: Michele Souza, Joey Eisenmann, Daniel Santos, Raquel
Chaves, Cláudia Forjaz, José Maia.
Estudo VI
Modeling longitudinal changes in hypertensive and waist
phenotype. The Oporto growth, health and performance study.
Objetivos: (1) Modelar a mudança num score cardiometabólico em
adolescentes; (2) Investigar os efeitos dinâmicos de um conjunto de
preditores: sexo, maturação biológica, atividade física e aptidão física.
Artigo submetido: Journal of Adolescent Health (EUA)
Autores: Michele Souza, Joey Eisenmann, Fernanda Santos, Thayse
Gomes, Sara Pereira, Cláudia Forjaz, José Maia.
Capítulo IV
Apresenta a síntese final, destacando as principais conclusões de
cada estudo, bem como limitações e perspetivas futuras de pesquisa.
Michele Caroline de Souza
18
Introdução Geral e Estrutura da Dissertação
REFERÊNCIAS
Alberga, A. S., R. J. Sigal, G. Goldfield, D. Prud'homme and G. P. Kenny
(2012). "Overweight and obese teenagers: why is adolescence a critical
period?" Pediatr Obes 7(4): 261-273.
Artero, E. G., J. R. Ruiz, F. B. Ortega, et al. (2011). "Muscular and
cardiorespiratory fitness are independently associated with metabolic risk in
adolescents: the HELENA study." Pediatr Diabetes 12(8): 704-712.
Baltes, P. and J. Nesselroade (1979). History and rationale of longitudinal
research. Longitudinal research in the study of behavior and development. J. B.
Nesselroade, P. Michigan, Academic Press.
Basso, L., C. Meira, J. Oliveira, et al. (2009). "Crescimento e desenvolvimento
motor de escolares de Muzambinho: Um estuco com implicações acadêmicas,
sociais e de política interinstitucional." revista Portuguesa de Ciências do
Desporto 9(2-3): 247-257.
Bell, R. Q. (1954). "An experimental test of the accelerated longitudinal
approach." Child Dev 25(4): 281-286.
Blair, S. N., D. Clark, K. J. Cureton and K. E. Powell (1989). "Exercise and
fitness in childhood: implications for a lifetime of health." Perspectives in
exercise science and sports medicine 2: 401-430.
Bogin, B. (1999). Patterns of human growth. Cambridge, United Kingdom,
Cambridge University Press.
Bouchard, C., A. S. Leon, D. C. Rao, et al. (1995). "The HERITAGE family
study. Aims, design, and measurement protocol." Med Sci Sports Exerc 27(5):
721-729.
Bouchard, C. and K. Shepard (1994). Physical activity, fitness and health. The
model and the key concepts. Physical activity, fitness and health- International
Michele Caroline de Souza
19
Introdução Geral e Estrutura da Dissertação
proceedings and consensus statement. C. Bouchard, K. Shepard and T.
Stephens. Champain, IL, Human Kinetics: 77-78.
Bronfenbrenner, U. (1979). The ecology of human development. Cambridge,
Mass, Harvard University Press.
Bryk, A. and S. Raudenbush (1987). "Application of Hierarchical Linear Models
to Assessing Change." Psychological Bulletin 101(1): 147-158.
Collins, L. and S. Lanza (2010). Latent class and latent transition analysis with
applications in the social, behavioral, and health sciences. New Jersey, John
Wiley & Sons, Inc., Publication.
Collins, L. M. (2006). "Analysis of longitudinal data: the integration of theoretical
model, temporal design, and statistical model." Annu Rev Psychol 57: 505-528.
da Silva, S., G. Beunen, D. Freitas and J. Maia (2013). "Estudos longitudinais
sobre o crescimento somático e desempenho motor: delineamentos, desafios e
necessidades." Revista Brasileira de Cineantropometria e Desempenho
Humano 15(1): 130-143.
de Onis, M., A. Onyyango, E. Borghi, et al. (2007). Development of a WHO
growth reference for school-aged children and adolescents., Bull. Word Health
Organ.
Diggle, P., P. Heagerty, K.-Y. Liang and S. Zeger (2013). Analysis of
longitudinal data. Oxford Oxford University Press. .
Duncan, S. and T. Duncan (2012). Accelerated Longitudinal Designs.
Handbook of Developmental Research Methods. B. Laursen, T. Litlle and N.
Card. New YorK, The Guilford Press.
Elgar, F. J., C. Roberts, L. Moore and C. Tudor-Smith (2005). "Sedentary
behaviour, physical activity and weight problems in adolescents in Wales."
Public Health 119(6): 518-524.
Michele Caroline de Souza
20
Introdução Geral e Estrutura da Dissertação
Fitzmaurice, G., N. Laird and J. Ware (2011). Applied Longitudinal analysis.
New York, John Wiley & Sons, Inc.
Freitas, D., J. Maia, G. Beunen, et al. (2002). Crescimento Somático,
Maturação
Biológica,
Aptidão
Física,
Atctividade
Física
e
Estatuto
Socioeconómico de Crianças e Adolescentes Madeirenses- O Estudo de
Crescimento da Madeira, SAEFD Universidade da Madeira.
Guedes, D. and J. Guedes (1997). Crescimento, composição corporal e
desempenho motor de crianças e adolescentes. São Paulo, CLR Balieiro.
Hallal, P. C., L. B. Andersen, F. C. Bull, et al. (2012). "Global physical activity
levels: surveillance progress, pitfalls, and prospects." Lancet 380(9838): 247257.
Hedeker, D. and R. Gibbons (2006). Longitudinal data analysis. Hoboken, New
Jersey, John Wiley & Sons, Inc. Hoboken.
Hills, A. P., N. A. King and T. P. Armstrong (2007). "The contribution of physical
activity and sedentary behaviours to the growth and development of children
and adolescents: implications for overweight and obesity." Sports Med 37(6):
533-545.
Janz, K. F., J. D. Dawson and L. T. Mahoney (2000). "Tracking physical fitness
and physical activity from childhood to adolescence: the muscatine study." Med
Sci Sports Exerc 32(7): 1250-1257.
Janz, K. F., J. D. Dawson and L. T. Mahoney (2002). "Increases in physical
fitness during childhood improve cardiovascular health during adolescence: the
Muscatine Study." Int J Sports Med 23 Suppl 1: S15-21.
Katzmarzyk, P. T., R. M. Malina and C. Bouchard (1999). "Physical activity,
physical fitness, and coronary heart disease risk factors in youth: the Quebec
Family Study." Prev Med 29(6 Pt 1): 555-562.
Michele Caroline de Souza
21
Introdução Geral e Estrutura da Dissertação
Kemper, H. C., G. B. Post, J. W. Twisk and W. van Mechelen (1999). "Lifestyle
and obesity in adolescence and young adulthood: results from the Amsterdam
Growth And Health Longitudinal Study (AGAHLS)." Int J Obes Relat Metab
Disord 23 Suppl 3: S34-40.
Kowalski, C. J. and E. D. Schneiderman (1992). "Tracking: Concepts, Methods
and Tools." Int J Anthropol 7(4): 33-50.
Krebs, R. (1995). Urie Bronfenbrenner e a ecologia do desenvolvimento
humano. Santa Maria, Casa Editorial.
Maia, J. A. R. and V. P. Lopes (2007). Crescimento e desenvolvimento de
crianças e jovens Açorianos. O que pais, professores, pediatras e nutricionistas
gostariam de saber., DREFD e FADEUP.
Malina, R., C. Bouchard and O. Bar-Or (2009). Crescimento, maturação e
atividade física. São Paulo, Phorte.
Malina, R. M. (2001). "Physical activity and fitness: pathways from childhood to
adulthood." Am J Hum Biol 13(2): 162-172.
Malina, R. M. (2014). "Top 10 research questions related to growth and
maturation of relevance to physical activity, performance, and fitness." Res Q
Exerc Sport 85(2): 157-173.
Matton, L., G. Beunen, N. Duvigneaud, et al. (2007). "Methodological issues
associated with longitudinal research: findings from the Leuven Longitudinal
Study on Lifestyle, Fitness and Health (1969 - 2004)." J Sports Sci 25(9): 10111024.
Must, A., L. G. Bandini, D. J. Tybor, et al. (2007). "Activity, inactivity, and screen
time in relation to weight and fatness over adolescence in girls." Obesity (Silver
Spring) 15(7): 1774-1781.
Ng, M., T. Fleming, M. Robinson, et al. (2014). "Global, regional, and national
prevalence of overweight and obesity in children and adults during 1980-2013:
Michele Caroline de Souza
22
Introdução Geral e Estrutura da Dissertação
a systematic analysis for the Global Burden of Disease Study 2013." Lancet
384(9945): 766-781.
Nicklas, T. A., S. P. von Duvillard and G. S. Berenson (2002). "Tracking of
serum lipids and lipoproteins from childhood to dyslipidemia in adults: the
Bogalusa Heart Study." Int J Sports Med 23 Suppl 1: S39-43.
Ortega, F. B., J. R. Ruiz, M. J. Castillo and M. Sjostrom (2008). "Physical fitness
in childhood and adolescence: a powerful marker of health." Int J Obes (Lond)
32(1): 1-11.
Pate, R., M. Oria and L. Pillsbury (2012). Fitness measures and health
outcomes in youth. Whasington, The National Academic Press.
Riddoch, C., D. Edwards, A. Page, et al. (2005). "The European Youth Heart
Study - cardiovascular disease risk factors in children: rationale, aims, study
design and validation of methods." Journal of Physical Activity and Health 2:
115-129.
Rogol, A. D., P. A. Clark and J. N. Roemmich (2000). "Growth and pubertal
development in children and adolescents: effects of diet and physical activity."
Am J Clin Nutr 72(2 Suppl): 521S-528S.
Sallis, J. D. and N. Owen (1997). Ecological models. Health behavior and health
education: Theory, research, and practice. K. Glanz, M. Lewis and K. Rimer.
San Francisco, Jossey-Bass: 403–424.
Sallis, J. F., R. B. Cervero, W. Ascher, et al. (2006). "An ecological approach to
creating active living communities." Annu Rev Public Health 27: 297-322.
Sallis, J. F., N. Owen and E. Fisher (2008). Ecological Models of Health
Behavior. Health Behavior and Health Education. Theory, research, and
practice. K. Glanz, B. Rimer and K. Viswanath. San Francisco, Jossey-Bass.
4th edition: 465-485.
Michele Caroline de Souza
23
Introdução Geral e Estrutura da Dissertação
Sardinha, L. B., R. Santos, S. Vale, et al. (2011). "Prevalence of overweight and
obesity among Portuguese youth: a study in a representative sample of 10-18year-old children and adolescents." Int J Pediatr Obes 6(2-2): e124-128.
Silva, S. (2010). Estudo Longitudinal-Misto do Crescimento e Desempenho
Motor em Crianças e Adolescentes da Região do Cariri Cearense, Brasil. Porto,
Faculdade de Desporto da Universidade do Porto.
Sorof, J. and S. Daniels (2002). "Obesity hypertension in children: a problem of
epidemic proportions." Hypertension 40(4): 441-447.
Spruijt, M. R. (2012). "Etiology, Treatment and Prevention of Obesity in
Childhood and Adolescence: A Decade in Review." J Res Adolesc 21(1): 129152.
Steele, R. M., S. Brage, K. Corder, N. J. Wareham and U. Ekelund (2008).
"Physical activity, cardiorespiratory fitness, and the metabolic syndrome in
youth." J Appl Physiol 105(1): 342-351.
Twisk, J. W., H. C. Kemper and W. van Mechelen (2002). "Prediction of
cardiovascular disease risk factors later in life by physical activity and physical
fitness in youth: general comments and conclusions." Int J Sports Med 23 Suppl
1: S44-49.
Ulijaszek, S. J. (2006). "The international growth standard for children and
adolescents project: environmental influences on preadolescent and adolescent
growth in weight and height." Food Nutr Bull 27(4 Suppl Growth Standard):
S279-294.
van Mechelen, W. and G. Mellenbergh (1997). "Problems and solutions in
longitudinal research: From theory to practice." Int J. Sports Med 18: S238S245.
Weiss, R., A. A. Bremer and R. H. Lustig (2013). "What is metabolic syndrome,
and why are children getting it?" Ann N Y Acad Sci 1281: 123-140.
Michele Caroline de Souza
24
Introdução Geral e Estrutura da Dissertação
Zimmet, P., K. G. Alberti, F. Kaufman, et al. (2007). "The metabolic syndrome in
children and adolescents - an IDF consensus report." Pediatr Diabetes 8(5):
299-306.
Michele Caroline de Souza
25
CAPÍTULO II
Estudos Metodológicos
Estudo I
The Oporto mixed-longitudinal growth, health and performance study.
Design, methods and baseline results.
Michele Caroline de Souza1,2, Raquel Nichele de Chaves3, Fernanda Karina
dos Santos1,2, Thayse Natacha Queiroz Ferreira Gomes1, Daniel Vilhena e
Santos1, Alessandra Silva Borges1, Sara Isabel Sampaio Teixeira1, Cláudia
Lúcia de Moraes Forjaz4, Joey Eisenmann5, José António Ribeiro Maia1
Artigo submetido à BMC Public Health (Reino Unido)
1
CIFI2D, Kinanthropometry Lab, Faculty of Sport, University of Porto-Porto, Portugal.
2
CAPES Foundation, Ministry of Education of Brazil, Brasília - DF, Brazil.
3
4
Federal University of Technology of Paraná-PR, Brazil.
Exercise Hemodynamic Laboratory, School of Physical Education and Sport,
University of São Paulo-SP, Brazil.
5
Department of Radiology, Michigan State University- East Lansing , United States.
The Oporto mixed-longitudinal growth, health and performance study
ABSTRACT
The main aim of this paper was to address the key ideas, methodology
and design of the Oporto Growth, Health and Performance Study (OGHPS).
This is a multidisciplinary mixed-longitudinal study whose main purpose is to
interpret the multiple interactions among biological, environmental and lifestyle
indicators that affect growth, development, health and performance of
Portuguese adolescents aged 10 to 18 years old. We briefly present baseline
results for growth, physical fitness and lifestyle behaviors for those participating
in the cross-sectional sample (n≈8000). Results show that ≈30% were overfat or
obese. On average, boys are more physically fit and active than girls. Few
adolescents meet the guidelines for sleep duration (≈10%) and eating habits
(16.2 to 24.8%), while 76-85% meet the recommended levels of moderate to
vigorous physical activity. The OGHPS has an innovative approach due to its
mixed-longitudinal design and the broad array of variables. Furthermore,
subsequences analyses of the longitudinal data will enable a detailed
exploration of important factors affecting youth health and performance
trajectories and will help to identify some of the most opportune times for
interventions in terms of their health behaviors.
Keywords: Growth, Development, Health, Adolescents, Longitudinal studies.
Michele Caroline de Souza
31
The Oporto mixed-longitudinal growth, health and performance study
INTRODUCTION
There is considerable global public health concern about physical activity
(PA), dietary habits, obesity, and physical fitness (PF) in children and
adolescents (Malina, Bouchard and Bar-Or 2004, Ahrens et al. 2011,
Katzmarzyk et al. 2013). Further, this systemic co-occurrence is closely
connected to the development of metabolic risk and cardiovascular diseases
(CVD) during adolescence (Malina, Bouchard et al. 2004, Ahrens et al. 2006,
Ahrens, Bammann et al. 2011, Katzmarzyk, Barreira et al. 2013, Wijnstok et al.
2013) and tracks into adulthood (Dietz 1997, Riddoch et al. 2005, Moreno et al.
2008, Wijnstok, Hoekstra et al. 2013), and ultimately threatening general public
health and the global economy (Pigeot et al. 2009, Ahrens, Bammann et al.
2011, Katzmarzyk, Barreira et al. 2013).
Adolescence is a highly plastic and dynamic life period often viewed as
an important time frame or “critical window” in terms of acquisition and
development of lifestyle behaviors which are linked to health problems in
adulthood (Moreno, De Henauw et al. 2008, Ortega et al. 2008, Wijnstok,
Hoekstra et al. 2013). Within the scope of primary prevention, it is important to
monitor behaviors and lifestyle characteristics in order to identify markers, peer
influences, and environmental conditions that increase the likelihood of
developing adverse CVD risk profiles (Riddoch, Edwards et al. 2005, Moreno et
al. 2008, Basso et al. 2009, Wijnstok, Hoekstra et al. 2013).
Only a few longitudinal studies from Europe and North America [i.e.,
Leuven Longitudinal Study on Lifestyle and Health (Matton et al. 2007), the
Amsterdam Growth and Health Study (Wijnstok, Hoekstra et al. 2013), the Fels
Longitudinal Study (Roche 1992), and the Saskatchewan Growth and
Development Study (Mirwald 1980)] have highlighted the impact of contextual
influences in body growth, physical fitness, motor performance and lifestyle
characteristics during childhood and adolescence. However, these landmark
studies described the adolescent period in the historical context of the 1970’s
and 1980’s. Further, longitudinal studies concerning children and adolescents’
Michele Caroline de Souza
33
The Oporto mixed-longitudinal growth, health and performance study
growth, development and health aimed at studying the multiple interactions
amongst these complex set of variables are not common in the Portuguese
speaking countries (Freitas et al. 2002, Maia and Lopes 2007, Basso, Meira et
al. 2009, da Silva et al. 2013, Silva et al. 2013). However, these studies did not
address the complex dynamics that arise when describing not only changes in
individual variables or sets of variables, but mainly the behaviors that predict
these changes as well as interactions of factors that influence the mutual
dynamic process of physical growth, development and adolescent health. This
aforementioned aspect is the focus of the “Oporto Growth, Health and
Performance Study” (OGHPS), a mixed-longitudinal study addressing the
stability and dynamics of change in physical growth, development and health.
As such, the primary aim of OGHPS is to investigate, longitudinally, the
interaction among individual characteristics, environmental factors, and lifestyle
predictors that affect growth, development, health aspects and performance of
Portuguese adolescents.
The OGHPS used the ecological model proposed by Sallis and Owen
(1997) as a general template, and included a wide range of information about
growth, maturation, physical fitness, cardio-metabolic health, lifestyle, the built
environment, and family. The OGHPS has an innovative approach regarding (i)
the broad array of variables, (ii) its mixed-longitudinal design covering late
childhood and adolescence, and (iii) the statistical methods such as tracking
(Kowalski and Schneiderman 1992), multilevel modeling (Bryk and Raudenbush
1987), generalized estimating equations (Diggle et al. 2013), latent class and
transitional analysis (Collins and Lanza 2010), and mixed-models with random
location and scale (Hedeker, Mermelstein and Demirtas 2012). The results are
expected to contribute to a better understanding of the complex interplay among
individual characteristics, environmental factors and lifestyle predictors that
influence adolescents’ growth, development and health. This will enable us to
provide more precise informed judgments of the more important factors
affecting the adolescent trajectory, and how they vary between and within
subjects.
Michele Caroline de Souza
34
The Oporto mixed-longitudinal growth, health and performance study
The purpose of this paper is two-fold: (1) to address the key ideas and
methodological domains of the OGHPS; (2) to briefly present baseline results
for physical growth, physical fitness and lifestyle behaviors and identify possible
sex-differences.
METHODS
Design and sample
This study presents a mixed-longitudinal design involving Portuguese
adolescents from 10 to 18 years old divided into four age cohorts. The first
cohort was followed from 10 to 12 years; the second from 12 to 14 years; the
third from 14 to 16 years, and the fourth from 16 to 18 years. Cohorts’ temporal
overlap was taken at 12, 14 and 16 years old.
Seven schools from the Porto educational area (north of Portugal) were
randomly selected, and the participants were randomly assigned in each
school. Measurements were conducted annually during November to April for
three consecutive years (2011-2013). Approximately 250 in each cohort had
three years of repeated information representing the mixed-longitudinal study
sample. Due to the extensive information derived from this mixed-longitudinal
study, we also derived a cross-sectional sample (n≈8000) consisting only of
students who entered the study in the beginning of each academic year.
Table 1. Sample size per age and sex groups.
Age
10
11
12
13
14
15
16
17
18
Total
Girls
697
502
589
436
460
487
323
238
165
3897
Boys
705
555
667
477
434
499
344
261
182
4124
Total
1402
1057
1256
913
894
986
667
499
347
8021
Michele Caroline de Souza
35
The Oporto mixed-longitudinal growth, health and performance study
The present report will only consider the cross-sectional sample (n≈8000)
which comprises adolescents aged 10 to 18 years (Table 1). Legal authorization
to conduct the study was obtained from school directors. Further, informed
consent was obtained from all parents and the Ethics Committee of the
University of Porto approved the project.
Measurements
As previously mentioned, a wide range of information was collected on
physical growth, biological maturation, body composition, physical activity,
physical
fitness,
cardio-metabolic
risk
factors,
lifestyle
characteristics,
demographics, and neighborhood environment. When sibling pairs were
identified in the same school (n≈280 sibling pairs which amounts to a total of
600 subjects), a more detailed assessment of physical growth, gestational
information, blood analysis of metabolic risk, as well as physical activity
monitored with daily use of pedometers and accelerometers was undertaken.
Table 2 shows a summary of the collected data.
Anthropometry
A battery of anthropometric measurements was made by trained staff
following standardized protocols established by the International Society for the
Advancement of Kinanthropometry (Ross and Ward 1986). Height and sitting
height were measured to the nearest 0.1 centimeter with a portable stadiometer
(Holtain, UK). Body mass (kg) was measured with a portable bioelectrical
impedance scale (TANITA BC-418 MA Segmental Body Composition Analyser;
Tanita, Corporation, Tokyo, Japan) with a 0.1 kg precision. Body mass index
(BMI) was computed using the standard formula BMI=[body mass (kg)/height
(m)2], and all adolescents were classified as normal weight, overweight and
obese according to the cut points defined by the International Obesity Task
Force (Cole et al. 2000). Triceps, subscapular, iliac, abdominal and medial calf
skinfolds were measured with a Holtain caliper (0.2 mm precision). The waist
circumference (WC) was anatomically identified as the smallest circumference
between the lowest rib and the superior border of the iliac crest and measured
to the nearest 1cm with non-elastic tape (Sanny, American Medical of Brazil,
Michele Caroline de Souza
36
The Oporto mixed-longitudinal growth, health and performance study
São Paulo, Brazil). Relaxed and contracted arm circumference and calf
circumference were also measured with the non-elastic tape. Bone breadths
(biacromial, biiliocristal, bi-epicondyle humerus and bi-epicondyle femur) were
measured with a Holtain round tips compass with a precision of 0.1 cm.
Body Composition
Fat mass and fat-free mass were estimated using the portable
bioimpedance scale (Tanita BC-418 MA Segmental Body Composition
Analyzer; Tanita, Corporation, Tokyo, Japan) after removing heavy clothing,
shoes and socks. Body fat status (underfat, normal, overfat and obesity) was
computed according to the sex-specific cut points suggested by McCarthy et al.
(2006).
Biological Maturation
Biological maturation was indirectly assessed by the maturity offset
regression procedure (Mirwald et al. 2002) which estimates the timing of
occurrence of peak height velocity (PHV) based on age, sex, height, sitting
height and weight (specific formulas are available for each sex). The maturity
offset estimates how many years the subject is from PHV. A positive (+)
maturity offset represents the number of years the participant is beyond PHV,
whereas a negative (–) maturity offset represents the number of years the
subject is before from PHV.
Physical Fitness
PF was assessed in two complimentary ways, i.e. using norm and
criterion referenced test batteries (Baumgartner et al. 2006). Criterion
referenced assessments were made via the Fitnessgram test battery
(Fitnessgram 1994), including:. (a) Aerobic capacity - one-mile run/walk test: all
participants ran/walked this distance (1609 m) in the shortest time possible; (b)
Abdominal muscular strength and endurance - curl-up test: correctly performed
as many curl-ups as possible; (c) Trunk extensor strength - trunk lift test: lying in
a prone position, lifted the trunk as much as he/she could; and (d) Upper body
muscular strength and endurance - push-up test: all participants correctly
Michele Caroline de Souza
37
The Oporto mixed-longitudinal growth, health and performance study
performed as many push-ups as possible. PF cut points (i.e., “Healthy Fitness
Zone”) were determined by Fitnessgram protocol.
The 1988 AAHPERD (1976) youth fitness test battery was used as a
normative PF assessment and comprises the following tests: (a) Speed - 50
yard dash test: all participants ran this distance in the shortest time possible; (b)
Explosive leg power - standing long jump test: all participants jumped as far as
possible from a standing position; (c) Static strength - grip strength test: all
participants gripped the dynamometer (Takei Physical Fitness Test GRIP-D)
with maximum force during 5 to 10 s; and (d) Agility - shuttle-run test: all
participants ran as fast as possible from the starting line to a line 9 m away
where two small wooden blocks were placed, picked-up one of the blocks,
returned to the starting line, placed the block on the line, and then repeated
route.
Cardio-metabolic risk factors
Cardio-metabolic risk factors included those variables used to classify for
metabolic syndrome: WC, systolic blood pressure (SBP), diastolic blood
pressure (DBP), fasting glucose (GLU), triglycerides (TG) and high-density
lipoprotein-cholesterol (HDL-C). Individual cutoff points suggested by Cook et
al. (2003) were used for each variable to determine the adolescents at risk. All
measurements were made by the research team.
All participants were assessed for WC (as previously described) and for
blood pressure, while a subsample (≈400) was submitted to blood analyses.
Blood pressure was measured with an automated recorder (Omrom M6 hem7001-E, Omron Healthcare) previously validated by The International Protocol
of the European Society of Hypertension (Topouchian et al. 2006). Three
different cuff sizes were available for use according to the best fit to participant’s
arm circumference. All adolescents rested five minutes prior to the first
measurement. They remained seated with the back relaxed against the chair,
legs uncrossed and feet flat on the floor. The right upper limb was positioned
with support at the heart level and palm turned upwards. Three consecutive
Michele Caroline de Souza
38
The Oporto mixed-longitudinal growth, health and performance study
measures with at least two minutes interval were obtained, and the averaged
value was used in the analysis.
The blood analyses were collected after an overnight fast of at least 1012 hours. GLU, HDL-C and TG were analysed with the Cholestech LDX point of
care analyser (Cholestech Corporation, Hayward, CA 94545, USA). This
method has been previously validated against a laboratory reference method
(LDX 2003), and daily optical equipment checks were made according to
manufacturer instructions.
Lifestyle characteristics
Physical activity
PA was assessed via a multimodal approach including subjective and
objective procedures. The subjective methods comprised the Baecke PA
questionnaire (Baecke, Burema and Frijters 1982) and the International
Physical Activity Questionnaire, short version (IPAQ-SF) (IPAQ 2005). The
Baecke questionnaire maps three basic domains of PA, namely school PA,
leisure time PA and sport participation PA. It comprises a total of 16 questions
divided into these three domains and each domain is scored from 1 (minimal
PA) to 5 (maximal PA). A total PA score is obtained from the unweighted sum of
all three domains. The IPAQ-SF maps three specific types of PA: walking,
moderate intensity PA and vigorous intensity PA. Computation of the scores
requires multiplication of the duration (minutes) and frequency (days) of each
PA. Scores can also be expressed in MET-minutes/week by multiplying each
score by its specific equivalent MET value (Walking = 3.3 METs, Moderate PA =
4.0 METs and Vigorous PA = 8.0 METs). A total PA score is obtained from the
unweighted sum of all three types of PA. The questionnaires were answered
during physical education classes under the supervision of the physical
education teachers who were previously trained by the research team.
A subsample of participants (n=325) was objectively monitored with an
accelerometer (Actigraph, GT3X, Pensacola, USA) and a pedometer (OMRON,
walking style II, Hoofddorp, Netherlands). Adolescents were encouraged to use
Michele Caroline de Souza
39
The Oporto mixed-longitudinal growth, health and performance study
both devices simultaneously during 5 consecutive days (3 week days and 2
weekend days); only removing them during water activities (i.e., showering,
swimming) and sleep. These devices were worn around the waist with an
elastic belt and adjustable clip. The accelerometer and pedometer were placed
together in line with the mid-axillary line and lying on the iliac crest (i.e., hip
location). The minimal amount of accelerometer data that was considered
acceptable was 4 days with at least 10 hours of wear time per day, including at
least one weekend day. PA variables were derived using activity counts as
advocated by Evenson et al. (2008). The recommendation of 60 min/day of
moderate and vigorous PA (MVPA) as proposed by the World Health
Organization was adopted to identify physically active adolescents.
Behaviours and Eating Habits
Students’ nutritional behaviours were reported by their mothers using the
Children's Eating Behaviour Questionnaire validated for the Portuguese
population (Viana and Sinde 2003). This questionnaire comprises eight
dimensions: response to food, enjoy eating, response to satiety, slow intake,
selectivity, emotional eating, emotional sub-intake and desire to drink. Further,
two questionnaires about dietary habits were also used and answered by the
student. The first is from the World Health Organization and asks about usual
and customary food intake in the past 30 days (WHO 2009). The second is
adapted from the food frequency questionnaire used in the International Study
of Childhood Obesity, Lifestyle and the Environment (ISCOLE) (Katzmarzyk,
Barreira et al. 2013) and The Health Behaviour in School - Aged Children Study
(HBSC) (Currie et al. 2012). This questionnaire consists of questions about the
different types of foods (23 types) consumed in a typical week, as well as the
consumption of snacks when watching television. There is also an additional set
of questions concerning the frequency of breakfast intake. For this paper, only
the information related to fruits and vegetables was analysed and adolescents’
responses were divided in two groups - those who consumed fruits and
vegetables every day of the week and those who did not.
Michele Caroline de Souza
40
The Oporto mixed-longitudinal growth, health and performance study
Sleep Habits
All participants answered a questionnaire concerning their sleeping
habits, namely how many hours they usually slept in each of 7 days of the
week. For this paper, sleep time was estimated from average weekly time
(expressed in hours) and adolescents were categorized in two groups
(<10h/day; ≥10h/day) based on National Sleep Foundation recommendations
(2013).
Health Status Perception
Subjective health status was assessed with the SF-36 health survey
questionnaire described and validated to the Portuguese population (Ribeiro
2005). The questionnaire considers 36 items mapping the following dimensions:
physical functioning, social function, role limitations due to physical problems,
role limitations due to emotional problems, mental health, vitality, pain, general
health perception
and health change. All adolescents answered the
questionnaires during physical education class under the supervision of their
teachers who were trained by the research team.
Family support for Physical Activity
All participants answered a questionnaire concerning the level of support
for PA they felt they receive from their family (parents and siblings). This
questionnaire was based on Sallis et al. (1987), and considers a list of items
that family might do or say to someone who is trying to exercise regularly.
Gestational information
Mothers were interviewed to provide information about birth weight and
length, mother’s gestational age, presence of complications in pre-natal, perinatal and post-natal periods, sports practice and main occupation during
pregnancy, as well as the age that the baby began to speak, crawl and walk.
Socioeconomic status
Socioeconomic status (SES) was determined by the Portuguese schools’
social support system which is based on Ministry of Education directives. This
Michele Caroline de Souza
41
The Oporto mixed-longitudinal growth, health and performance study
support is divided in three levels according to familial annual income: level A (≤
2.934 Euros/year), with feeding (lunch at the school) and books supports; level
B (from 2.934 to 5.869 Euros/year), half of level A reimbursement value; and
level C comprises all students who receive no support (≥5.870 Euros/year). We
have also used the Portuguese National Classification of Occupations from the
Portuguese National Statistics Institute (INE 2010). Each occupation was
classified from 0 to a 9 point ordinal scale, where 0 means higher SES and 9 is
the lowest.
Built Environment
Information on the built environment was obtained by questions about the
traffic system, accessibility to public transport, housing density and perceived
safety of the neighborhood where they lived during the period of evaluations.
The questionnaire is a Portuguese version of the Environmental Module
(environmental perception of the residential area) of the International Physical
Activity Study, previously applied in the Portuguese population (Delgado 2005).
Data quality control
Data quality control was assessed in five different steps: (1) training of all
team members by experienced researchers of the Kinanthropometry Laboratory
of the Sports Faculty, University of Porto, Portugal; (2) conducting random
retests (intra-rater reliability) on each assessment day; (3) control of the
computerized data entry; (4) exploratory data analysis to identify possible errors
and/or the presence of outliers; and (5) reliability calculations using the ANOVAbased intraclass correlation coefficients (R), as well as the technical error of the
measurement (TEM) as shown in Table 3.
Michele Caroline de Souza
42
The Oporto mixed-longitudinal growth, health and performance study
Table 2. Summary overview of data collected.
Domain
Anthropometry (growth, body
composition and maturation)
Physical fitness
Cardio-metabolic risk factors
Lifestyle
Demographic and neighborhood
environment
Measurements
-Anthropometry:
Height, sitting height, body mass, waist
circumference, body mass index
Muscle girths, bone breadths and folds of
subcutaneous adiposity
-Body composition by Bioimpedance:
Fat mass and fat free mass
-Biological maturation:
Maturity Offset
Participation
All sample
Sub sample
All sample
All sample
-Criterion assessment:
Fitnessgram battery
-Normative assessment:
AHHPERD battery
All sample
All sample
-Fasting Blood analysis:
Fasting glucose, triglycerides, HDL-Cholesterol
-Waist circumference and blood pressure
- Physical activity:
QuestionnairesBacke and IPAQ-SF
Accelerometers and Pedometers
-Behavioral and Eating Habits
Children's Eating Behaviour Questionnaire
Food frequency Questionnaires
-Sleep habits:
Questionnaire about sleep duration
-Health status:
Questionnaire SF-36
- Family support to PA participation:
Social Support for Exercise Questionnaire
- Gestational information
-Socioeconomic status
-Built environment:
Questionnaire
Sub sample
All sample
All sample
Sub sample
All sample
All sample
All sample
Sub sample
All sample
All sample
All sample
Michele Caroline de Souza
43
The Oporto mixed-longitudinal growth, health and performance study
Table 3. Reliability estimates of key anthropometric and physical fitness
measurements in the Oporto Growth and Health Study.
Measurements
Height
Seating Height
Body mass
Bioimpedance
Total Body fat
Total trunk fat
Skinfolds
Triceps
Subscapular
Iliac
Abdominal
Calf
Muscular circumference
Waist
Contracted arm
Relaxed arm
Medial calf
Bone breadths
Biacromial
Biiliocristal
Bi-epicondyle humerus
umeral
Bi-epicondyle femur
Physical fitness
One mile walk/run
Curl-up
Push-up
Trunk-lift
Standing long jump
50 yard dash
Shuttle-run
Handgrip
R
0.99
0.99
0.99
95%CI
0.99-0.99
0.99-0.99
0.99-0.99
TEM
0.1 cm
0.2 cm
0.1 kg
0.99
0.99
0.99-0.99
0.99-0.99
0.4%
0.6%
0.99
0.99
0.99
0.98
0.99
0.99-0.99
0.98-0.99
0.98-0.99
0.98-0.99
0.99-0.99
0.2 mm
0.1 mm
0.3 mm
0.2 mm
0.1 mm
0.99
0.99
0.99
0.99
0.98-0.99
0.99-0.99
0.99-0.99
0.99-0.99
0.1 cm
0.1 cm
0.1 cm
0.1 cm
0.99
0.99
0.98
0.99
0.99-0.99
0.99-0.99
0.97-0.99
0.99-0.99
0.1 cm
0.2 cm
0.1 cm
0.1 cm
0.93
0.98
0.93
0.94
0.95
0.95
0.95
0.97
0.91-0.94
0.98-0.98
0.92-0.94
0.94-0.95
0.94-0.95
0.94-0.95
0.95-0.96
0.97-0.97
-
Statistical analysis
Exploratory data analyses were conducted to check for the presence of
outliers and univariate distributions’ normality, as well as to obtain descriptive
statistics [means and standard deviations (SD)]. For the purposes of this paper,
the following analyses were undertaken. Analysis of covariance (ANCOVA),
adjusted for chronological age and maturity offset, was used to examine sex
Michele Caroline de Souza
44
The Oporto mixed-longitudinal growth, health and performance study
differences on several indicators of the various domains. A Chi-square test was
used to compare prevalence in all indicators between boys and girls. All
computations were done in IBM SPSS 20.0 and WinPepi softwares.
Significance level was set at 5%.
RESULTS
Descriptive statistics for anthropometry, PA, sleep, and muscular and
cardiorespiratory fitness components are shown in Table 4. On average, boys
were significantly (p<0.05) taller and heavier than girls. Boys had significantly
(p<0.05) lower % total body and trunk fat, but WC was higher. Boys showed
significantly (p<0.05) higher values for muscular fitness than girls, except in the
trunk lift test. With regards to cardiorespiratory fitness, boys completed the
run/walk test faster, and possessed lower DBP, but higher SBP than girls. Boys
were more active (p<0.05) than girls in all types of PA, but slept less than girls.
Table 5 shows the prevalence of weight status, body fat status, PA, PF
and cardio-metabolic indicators. There were no differences between girls’ and
boys’ weight status (nearly 30% of them were overweight (23%) or obese (7%)
according to BMI). Body fat status (combined overfat and obesity) showed
similar results for both sexes. Boys were more physically fit than girls (43.4% of
them were fit in all tests compared to 29.6% of girls). Boys had higher
prevalence of elevated WC and SBP. More boys (85%) met the 60 min/day of
MVPA recommendation when compared to girls (75%). With regards to meeting
the sleep recommendation, there were no differences between girls and boys
with approximately 10% meeting the recommendation of 10h/day. More girls
(24.8%) reported consuming fruits and vegetables every day of the week when
compared to boys (16.2%).
Michele Caroline de Souza
45
The Oporto mixed-longitudinal growth, health and performance study
Table 4. Descriptive characteristics for several indicators of anthropometry,
physical activity, muscular fitness and cardiorespiratory fitness among
Portuguese boys and girls (ANCOVA F test and p-values).
Girls
Mean
SD
n
Boys
Mean
SD
F
p-value
3750
3730
3722
3219
3717
3265
154.6
51.4
27.4
21.6
21.3
66.9
9.2
12.4
5.9
6.6
3.9
8.0
3992
3933
3915
3457
3923
3525
158.9
53.7
20.3
16.5
20.9
70.3
13.5
14.9
6.4
6.4
3.7
8.9
879.48
162.40
2459.26
857.74
0.243
811.618
<0.001
<0.001
<0.001
<0.001
0.622
<0.001
3601
2740
2754
2681
22.9
10.3
40.8
32.1
5.7
10.8
28.3
8.3
3793
2865
2899
2815
28.1
16.6
46.0
30.1
10.0
13.5
29.6
7.7
3158.823
370.950
46.210
72.262
<0.001
<0.001
<0.001
<0.001
2569
11.1
2.4
2748
9.1
2.2
997.349
<0.001
2949
2949
112.5
64.7
11.2
7.8
3145
3145
116.7
63.3
13.6
7.8
410.256
30.004
<0.001
<0.001
303.263
122.157
6.250
187.011
<0.001
<0.001
0.012
<0.001
5.375
0.020
n
Anthropometry
Height (cm)
Weight (kg)
Total Body Fat (%)
Trunk Fat (%)
BMI (kg/m2)
Waist Circumference (cm)
Muscular fitness
Handgrip (kg)
Push-up (reps)
Curl-up (reps)
Trunk Lift (cm)
Cardiorespiratory fitness
1 mile run/walk (min)
Blood Pressure
SBP (mm/Hg)
DBP (mm/Hg)
Physical activity
VPA (METs-min/Week)
MPA (METs-min/Week)
Walking (METs-min/Week)
TPA (METs-min/Week)
Sleep Habits
Average weekly time (h)
2340 1534.3
1938 910.0
2452 912.7
1545 3687.4
2284
8.6
1978.6
937.9
959.8
3029.6
2559 2665.0 2538.2
2193 1274.2 1167.5
2428 979.1 1025.2
1768 5320.7 3840.5
1.1
2389
8.5
1.1
% =Percentage; BMI= Body mass index; cm= centimeters; kg= kilograms; reps= number of repetitions;
SBP= systolic blood pressure; DBP=diastolic blood pressure; VPA= vigorous physical activity; MPA=
moderate physical activity; TPA= total physical activity; Min= minutes; h= Hour
Michele Caroline de Souza
46
The Oporto mixed-longitudinal growth, health and performance study
Table 5. Prevalence (95% confidence interval, CI) of weight status, body fat
status, physical activity, physical fitness and cardio-metabolic indicators in
Portuguese boys and girls.
N
Weight status (BMI)
Normal weight
Overweight
Obesity
Body fat status
Underfat
Normal
Overfat
Obesity
Physical fitness
Fit in at least 1 test
Fit in at least 2 tests
Fit in at least 3 tests
Fit in all tests
Cardio-metabolic
Indicators
WC Risk
SBP Risk
MVPA
<60min/day
≥60min/day
Average weekly
sleep time
<10h/day
≥10h/day
Eating habits:
Fruits/vegetables
Not every day
Every day
Girls
%
95%CI
N
Boys
%
95%CI
χ2
p-value
2590
875
263
69.5
23.5
7.1
68.0-70.9
22.1-24.9
6.3-7.9
2746 69.7 68.3-71.1
892 22.6 21.3-24.0
301 7.6
6.8-8.5
0.051
0.735
0.967
0.821
0.391
0.325
30
2486
648
569
0.8
66.6
17.4
15.2
0.5-1.1
65.1-68.1
16.2-18.6
14.1-16.4
43
1.1
0.8-1.5
2637 67.2 65.7-68.6
628 16.0 14.9-17.2
617 15.7 15.6-16.9
1.727
0.300
2.544
0.333
0.189
0.584
0.111
0.564
165
627
948
748
6.5
24.8
39.0
29.6
5.6-7.6
23.2-26.6
35.7-39.5
27.9-31.5
147 5.5
4.6-6.4
477 17.6 16.2-19.1
907 33.5 31.8-35.4
1173 43.4 41.5-45.3
2.819
40.638
9.200
106.106
0.093
<0.001
<0.002
<0.001
142
594
4.3
20.1
3.6-5.1
18.6-21.5
198
816
5.5
4.8-6.3
25.6 24.1-27.1
5.366
26.477
0.021
<0.001
347
1090
24.1
75.9
21.9-26.4
73.5-78.5
286 15.0 13.4-16.7
1618 85.0 83.3-86.6
44.418
44.418
<0.001
<0.001
2015
269
88.2
11.8
86.8-89.5
10.5-13.2
2149 90.0 88.7-91.1
240 10.0 8.9-11.3
3.607
3.607
0.058
0.058
1364
450
75.2
24.8
73.1-77.2
22.8-26.9
1649 83.8 82.1-85.4
318 16.2 14.6-17.9
43.526
43.526
<0.001
<0.001
BMI= Body mass index; WC= Waist circumference; SBP= Systolic blood pressure; MVPA= Moderate to
vigorous physical activity.
Michele Caroline de Souza
47
The Oporto mixed-longitudinal growth, health and performance study
DISCUSSION
This paper provides background, key ideas and methodology of the
OGHPS. The OGHPS utilized a multidisciplinary approach, linking knowledge
from complementary scientific fields with an integrated vision that is seen in
recent international studies (Basso, Meira et al. 2009, Ahrens, Bammann et al.
2011, Katzmarzyk, Barreira et al. 2013). Furthermore, the methodology is
sufficiently extensive and robust in exploring important factors affecting health
trajectories during adolescence which will assist in the interpretation of
intraindividual change and interindividual differences in growth, development
and health.
The
methodology of
the
OGHPS,
specifically the
design
and
measurements, deserves to be highlighted. The use of the mixed-longitudinal
design will permit a link between adjacent segments of each cohort given the
known advantages of this study design including: (i) the relatively short followup period of the subject, thereby reducing the cumulative problems of re-testing
effect and sampling drop out; (ii) research results can be presented more
quickly (on a timely subject); (iii) the use of different cohorts increases the
reliability of the results’ generalization, and (iv) the possibility to estimate, when
necessary, the magnitude of the effect of age, cohort and measuring periods in
the analysis of change (Bell 1953, Bell 1954, Duncan and Duncan 2012). A
major strength is that we included a comprehensive range of biological,
environmental and lifestyle information that potentially influences growth,
development and health during adolescence. The instruments and procedures
are aligned with other international studies and were suitable, practically
feasible, and justifiable for such a large sample. Finally, the adequate
integration of the theoretical model, temporal design and statistical methods will
enable OGHPS to provide valuable longitudinal data to parents, education,
clinical, and public health professionals for future prevention efforts, to identify
some of the most opportune times for interventions, as well as to identify
children and adolescents at risk.
Michele Caroline de Souza
48
The Oporto mixed-longitudinal growth, health and performance study
The second aim of this paper was to present baseline results for physical
growth, PA, and PF and identify possible sex-differences. The findings for body
size and composition are consistent with existing knowledge (Malina, Bouchard
et al. 2004) which suggests that, on average, during the growth process boys
tend to be taller and heavier than girls, except in the beginning of girls’ growth
spurt. The slight girls’ advantage during adolescence ends when boys start their
growth spurt (Malina, Bouchard et al. 2004). The sex differences on %total body
fat and trunk fat were already expected as this trend occurs in all human
populations due to hormonal factors. On average, boys have lower values in all
ages, even prior to puberty (Malina, Bouchard et al. 2004, Alberga et al. 2012).
With regards to sexual dimorphism, WC follows previous values as the
tendency of a centralized fat deposition in boys is more visible after the pubertal
period (McCarthy and Ashwell 2006, WHO 2008, Alberga, Sigal et al. 2012).
Nearly 30% of OGHPS boys and girls were overweight or obese, which is
higher than that found in another sample of Portuguese youth (Sardinha et al.
2011) (21.8% for girls and 25.2% for boys from north of Portugal). Janssen et
al. (2005) compared weight status estimates in school-aged youth from 34
countries and reported that the two countries with the highest prevalence of
overweight and obese were Malta (33.3%) and the United States (31.9%).
Although BMI has been widely used and its limitations are well known (Malina,
Bouchard et al. 2004, Rodriguez et al. 2004), we also chose to identify the body
fat status using BIA-determined % body fat, and results showed that the
percentage of adolescents who were overfat and obese was close to 30%
which is similar to BMI classifications. These results agree with the global trend
characterized by the increase in adiposity among contemporary adolescents
(Janssen, Katzmarzyk et al. 2005).
The results that boys are more physically fit than girls, mainly for
strength, endurance and aerobic performance but not in flexibility is also widely
accepted (Malina, Bouchard et al. 2004). Boys had higher passing rates in
Fitnessgram than girls (43.4% and 26.9%, respectively, for passing all 4 tests).
Similarly, Kim et al. (2005) reported that US boys’ passing rates in all tests were
Michele Caroline de Souza
49
The Oporto mixed-longitudinal growth, health and performance study
higher than girls even when divided by weight status [Boys: 8.9% (overweight)
to 42.7% (healthy weight); Girls: 8.0% (overweight) to 39.9% (healthy weight)].
On the contrary, DiNapoli & Lewis (2008) using a large data set of US children
and adolescents aged 6-14 years found a weak association between gender
and fitness levels. Independent of the sex-differences found in OGHPS, the
passing rates are low-to-moderate and highlight the need to implement
measures to improve PF in Portuguese adolescents, especially since PF has
been shown to be as powerful health marker (Ortega, Ruiz et al. 2008).
Baseline results showed that boys had lower DBP, but higher SBP as
compared to girls. The sex-difference in SBP is well documented. For example,
data from two longitudinal studies in the UK (Wills et al. 2011) and USA
(Labarthe et al. 2009) have shown that boys tend to have greater SBP rises
during adolescence. Shankar et al. (2005) assessed blood pressure (BP)
changes as a function of pubertal growth and concluded that pubertal growth
was associated with increases in SBP, with greater increments in males than
females. These authors suggested that during sexual maturation gonadal
hormones considerably affect the BP, mainly SPB, with possible preponderant
effect of testosterone (Shankar, Eckert et al. 2005). These suggestions may
explain boys’ higher SBP found at the baseline.
In this paper we chose to present three of the adolescents’ lifestyle
markers - PA, sleeping habits and fruits/vegetables eating habits. Boys were
consistently more physically active, namely in moderate-to-vigorous PA (MPVA,
than girls, which is well-known (Bungum et al. 2000, Sallis, Prochaska and
Taylor 2000, Alberga, Sigal et al. 2012, Bauman et al. 2012). We found a higher
frequency of boys meeting the 60 min/day of MVPA recommendations as
compared to girls (85% and 75%, respectively). In comparison, Butcher et al.
(2008) studied 6125 adolescents aged 14-17 years and found that
approximately 57% of the males and 40% of the females complied with the
guideline. Data from 32 countries participating in the HBSC survey in 2001/2002
showed that none of the countries averaged enough MVPA to meet the
recommendation, and girls were significantly less active than boys (mean
Michele Caroline de Souza
50
The Oporto mixed-longitudinal growth, health and performance study
hours/week of MVPA 3.52 ±1.88 vs 4.13 ±1.95) and were more likely to not
meet the guidelines (Borraccino et al. 2009). It is important to highlight that in
the OGHPS baseline levels of MVPA were estimated by questionnaire.
Therefore, it is likely that this prevalence of meeting guidelines is lower than the
figures reported here.
Although we collected objective PA, it was in a
subsample (n=325).
Boys’ average weekly sleep time was slightly lower than girls. When boys
and girls from OGHPS were analyzed for meeting the sleep guidelines, no
differences between them were found; approximately only 10% met the
recommendation of 10h/day. A study of German adolescents found 9.4% met
the guideline (Loessl et al. 2008); however, the authors presented data as
week-day and week-end sleep duration and assumed 9h/day as the guideline,
making it problematic to compare the result. This finding warrants attention,
since short sleep duration has been associated with several unhealthy
consequences (e.g., impaired ability to concentrate and academic performance,
depression, impaired motor skills, poorer immune function), and it increases the
risk of obesity by decreasing circulation levels of leptin and increasing ghrelin
which are hormones associated with increased BMI (Alberga, Sigal et al. 2012).
Regarding eating habits, a higher prevalence of girls (24.8%) compared
to boys (16.2%) reported consuming fruits and vegetables every day of the
week. Rasmussen et al. (2006) reviewed the determinants of fruit and
vegetables consumption among children and adolescents and found that in 27
of 49 papers reviewed (mostly European) girls tend to have a higher or more
frequent intake of fruit and/or vegetables compared to boys, and only four
studies observed the highest or most frequent intake among boys. In a schoolbased study in US (Videon and Manning 2003), over 70% and 55% of the
adolescents reported they did not eat at least two vegetables and two fruits,
respectively, in the previous day, and girls were more likely than boys to have
not eaten the vegetables and fruit. Despite the discrepancies in these results,
boys and girls from OGHPS showed poor eating habits. These patterns may
Michele Caroline de Souza
51
The Oporto mixed-longitudinal growth, health and performance study
result in nutritional problems that can impair their growth, development and
health.
The main strengths of the OGHPS, namely the broad array of measured
variables, the multidisciplinary approach and the mixed-longitudinal design,
have already been discussed throughout this paper. Despite these strong
points, the OGHPS has some limitations. First, if budget and available
resources to collect and process the data would allow, it would be of great
importance to have data on metabolic syndrome traits and objective measures
of PA on all 8000 subjects. This is, of course, unrealistic in many research
settings. Although PA was estimated via questionnaires, we used a multimode
approach to have more precise measures of the complexities of this trait.
Further, an individualized approach was used in all subjects to be consistent
with the high reliability values reported with the same questionnaires in children
and adolescents of different Portuguese geographical regions (Vasconcelos
and Maia 2001, Ferreira, Marques and Maia 2002). Second, although it is not
expected that adolescents from Porto are different from those of other Portugal
areas, the generalization of the results should be done with caution. Subtle
differences in lifestyle, environments and other factors may influence the
processes of growth, development and health.
CONCLUSIONS
This paper described the methodology and design of the OGHPS, as well
as some its baseline results that demonstrated a high prevalence (≈30%) of
overweight and obese adolescents; sexual dimorphism in PA levels and PF
tests with boys’ advantages; and few adolescents meeting the guidelines for
sleep duration (≈10%) and eating habits (16.2 to 24.8%), but higher meeting the
recommended level of moderate to vigorous physical activity (76 to 85%).
Forthcoming publications will present more detailed results focusing on the
complex and dynamic interactions amongst biological traits, environmental
factors, and lifestyle characteristics that affect growth, development, health and
performance of Portuguese adolescents.
Michele Caroline de Souza
52
The Oporto mixed-longitudinal growth, health and performance study
REFERENCES
(AAHPER), A. A. f. H. P. E. a. R. (1976). Youth Fitness Test Manual.
Washington, DC, AAHPER.
Ahrens, W., Bammann, K., de Henauw, S., Halford, J., Palou, A., Pigeot, I., et
al. (2006). Understanding and preventing childhood obesity and related
disorders--IDEFICS: a European multilevel epidemiological approach. Nutr
Metab Cardiovasc Dis 16(4): 302-308.
Ahrens, W., Bammann, K., Siani, A., Buchecker, K., De Henauw, S., Iacoviello,
L., et al. (2011). The IDEFICS cohort: design, characteristics and participation in
the baseline survey. Int J Obes (Lond) 35 Suppl 1: S3-15.
Alberga, A. S., Sigal, R. J., Goldfield, G., Prud'homme, D. and Kenny, G. P.
(2012). Overweight and obese teenagers: why is adolescence a critical period?
Pediatr Obes 7(4): 261-273.
Baecke, J., Burema, J. and Frijters, J. (1982). A short questionnaire for the
measurenment of habitual physical activity in epidemiological studies. . Am J
Clin Nutr 36(5): 936-942.
Basso, L., Meira, C., Oliveira, J., Forjaz, C., de Souza, J., Prista, A., et al.
(2009). Crescimento e desenvolvimento motor de escolares de Muzambinho:
Um estuco com implicações acadêmicas, sociais e de política interinstitucional.
revista Portuguesa de Ciências do Desporto 9(2-3): 247-257.
Bauman, A. E., Reis, R. S., Sallis, J. F., Wells, J. C., Loos, R. J., Martin, B. W.,
et al. (2012). Correlates of physical activity: why are some people physically
active and others not? Lancet 380(9838): 258-271.
Baumgartner, T., Jackson, A., Mahar, M. and Rowe, D. (2006). Measurement
for evaluation in Physical Education and Exercise science, McGraw-Hill
Humanities.
Michele Caroline de Souza
53
The Oporto mixed-longitudinal growth, health and performance study
Bell, R. Q. (1953). Convergence: an accelerated longitudinal approach. Child
Dev 24(2): 145-152.
Bell, R. Q. (1954). An experimental test of the accelerated longitudinal
approach. Child Dev 25(4): 281-286.
Borraccino, A., Lemma, P., Iannotti, R. J., Zambon, A., Dalmasso, P., Lazzeri,
G., et al. (2009). Socioeconomic effects on meeting physical activity guidelines:
comparisons among 32 countries. Med Sci Sports Exerc 41(4): 749-756.
Bryk, A. and Raudenbush, S. (1987). Application of Hierarchical Linear Models
to Assessing Change. Psychological Bulletin 101(1): 147-158.
Bungum, T. J., Dowda, M., Weston, A., Trost, S. and Pate, R. (2000).
Correlates of physical activity in male and female youth. Pediatr Exerc Sci 12:
71-79.
Butcher, K., Sallis, J. F., Mayer, J. A. and Woodruff, S. (2008). Correlates of
physical activity guideline compliance for adolescents in 100 U.S. Cities. J
Adolesc Health 42(4): 360-368.
Cole, T., Bellizzi, M., Flegal, K. and Dietz, W. (2000). Estabilishing a standard
definition for child overweight and obesity worldwide: a international survey.
British Medical Journal 320: 1240-1246.
Collins, L. and Lanza, S. (2010). Latent class and latent transition analysis with
applications in the social, behavioral, and health sciences. New Jersey, John
Wiley & Sons, Inc., Publication.
Cook, S., Weitzman, M., Auinger, P., Nguyen, M. and Dietz, W. (2003).
Prevalence of a metabolic syndrome phenotype in adolescents: findings from
the third National Health and Nutrition Examination Survey, 1988-1994. Arch
Pediatr Adolesc Med 157(8): 821-827.
Currie, C., Zanotti, C., Morgan, A., Currie, D., Looze, M., Roberts, C., et al.
(2012). Social determinants of health and well-being among young people.
Michele Caroline de Souza
54
The Oporto mixed-longitudinal growth, health and performance study
Health Behaviour in School-Aged Children (HBSC) study: international report
from the 2009/2010 survey. Health Police for Children and Adolescents.
Copenhagen, WHO Regional Office for Europe.
da Silva, S., Beunen, G., Freitas, D. and Maia, J. (2013). Estudos longitudinais
sobre o crescimento somático e desempenho motor: delineamentos, desafios e
necessidades. Revista Brasileira de Cineantropometria e Desempenho
Humano 15(1): 130-143.
Delgado, N. (2005). Relação entre IMC, actividade física e as características do
envolvimento: Um estudo na população escolar adolescente do Concelho de
Ílhano., Faculdade de Desporto da Universidade do Porto.
Dietz, W. H. (1997). Periods of risk in childhood for the development of adult
obesity--what do we need to learn? J Nutr 127(9): 1884S-1886S.
Diggle, P., Heagerty, P., Liang, K.-Y. and Zeger, S. (2013). Analysis of
longitudinal data. Oxford Oxford University Press. .
DiNapoli, P. P. and Lewis, J. B. (2008). Understanding school-age obesity:
through participatory action research. MCN Am J Matern Child Nurs 33(2): 104110.
Duncan, S. and Duncan, T. (2012). Accelerated Longitudinal Designs.
Handbook of Developmental Research Methods. B. Laursen, T. Litlle and N.
Card. New YorK, The Guilford Press.
Evenson, K. R., Catellier, D. J., Gill, K., Ondrak, K. S. and McMurray, R. G.
(2008). Calibration of two objective measures of physical activity for children. J
Sports Sci 26(14): 1557-1565.
Ferreira, J., Marques, A. and Maia, J. (2002). Physical fitness, physical activity
and health in young population from Viseu- A study in children and youngsters
of both gender from 10 to 18 years old. Viseu, Departamento Cultural - Instituto
Superior Politécnico de Viseu.
Michele Caroline de Souza
55
The Oporto mixed-longitudinal growth, health and performance study
Fitnessgram (1994). The Prudencial Fitnessgram Test Administration Manual.
Dallas, Texas U.S.A, he Cooper Institute for Aerobics Research.
Foundation, N. S. (2013). "Children and sleep."
Retrieved June, 2014, from
http://sleepfoundation.org/sleep-topics/children-and-sleep/page/0%2C2/.
Freitas, D., Maia, J., Beunen, G., Lefevre, J., Claessens, A., Marques, A., et al.
(2002).
Crescimento
Somático,
Maturação
Biológica,
Aptidão
Física,
Atctividade Física e Estatuto Socioeconómico de Crianças e Adolescentes
Madeirenses- O Estudo de Crescimento da Madeira, SAEFD Universidade da
Madeira.
Hedeker, D., Mermelstein, R. J. and Demirtas, H. (2012). Modeling betweensubject and within-subject variances in ecological momentary assessment data
using mixed-effects location scale models. Stat Med 31(27): 3328-3336.
INE
(2010).
Statistic
Portugal.
Portuguese
National
Classification
of
Occupations. Lisboa, INE.
IPAQ.
(2005).
"International
Physical
Activity
Questionnaire.",
from
www.ipaq.ki.se.
Janssen, I., Katzmarzyk, P. T., Boyce, W. F., Vereecken, C., Mulvihill, C.,
Roberts, C., et al. (2005). Comparison of overweight and obesity prevalence in
school-aged youth from 34 countries and their relationships with physical
activity and dietary patterns. Obes Rev 6(2): 123-132.
Katzmarzyk, P. T., Barreira, T. V., Broyles, S. T., Champagne, C. M., Chaput, J.
P., Fogelholm, M., et al. (2013). The International Study of Childhood Obesity,
Lifestyle and the Environment (ISCOLE): design and methods. BMC Public
Health 13: 900.
Kim, J., Must, A., Fitzmaurice, G. M., Gillman, M. W., Chomitz, V., Kramer, E.,
et al. (2005). Relationship of physical fitness to prevalence and incidence of
overweight among schoolchildren. Obes Res 13(7): 1246-1254.
Michele Caroline de Souza
56
The Oporto mixed-longitudinal growth, health and performance study
Kowalski, C. J. and Schneiderman, E. D. (1992). Tracking: Concepts, Methods
and Tools. Int J Anthropol 7(4): 33-50.
Labarthe, D. R., Dai, S., Fulton, J. E., Harrist, R. B., Shah, S. M. and Eissa, M.
A. (2009). Systolic and fourth- and fifth-phase diastolic blood pressure from
ages 8 to 18 years: Project HeartBeat! Am J Prev Med 37(1 Suppl): S86-96.
LDX, C. (2003). The Accuracy and Reproducibility of a Rapid, Figerstick Method
for Measuring a Complete Lipid Profile is Comparable to a Reference
Laboratory method.
Loessl, B., Valerius, G., Kopasz, M., Hornyak, M., Riemann, D. and
Voderholzer, U. (2008). Are adolescents chronically sleep-deprived? An
investigation of sleep habits of adolescents in the Southwest of Germany. Child
Care Health Dev 34(5): 549-556.
Maia, J. A. R. and Lopes, V. P. (2007). Crescimento e desenvolvimento de
crianças e jovens Açorianos. O que pais, professores, pediatras e nutricionistas
gostariam de saber., DREFD e FADEUP.
Malina, R., Bouchard, C. and Bar-Or, C. (2004). Growth, Maturation and
Physical Activity. 2º Edition. Champaign, Illinois, Human Kinetics.
Matton, L., Duvigneaud, N., Wijndaele, K., Philippaerts, R., Duquet, W.,
Beunen, G., et al. (2007). Secular trends in anthropometric characteristics,
physical fitness, physical activity, and biological maturation in Flemish
adolescents between 1969 and 2005. Am J Hum Biol 19(3): 345-357.
McCarthy, H. D. and Ashwell, M. (2006). A study of central fatness using waistto-height ratios in UK children and adolescents over two decades supports the
simple message--'keep your waist circumference to less than half your height'.
Int J Obes (Lond) 30(6): 988-992.
McCarthy, H. D., Cole, T. J., Fry, T., Jebb, S. A. and Prentice, A. M. (2006).
Body fat reference curves for children. Int J Obes (Lond) 30(4): 598-602.
Michele Caroline de Souza
57
The Oporto mixed-longitudinal growth, health and performance study
Mirwald, R. L. (1980). Sasskatchewan Growth and Development Study.
International Series on Sports Sciences: Kineanthropometry II. M. Ostyn, G.
Beunen and J. Simons. Baltimore, University Park Press.
Mirwald, R. L., Baxter-Jones, A. D., Bailey, D. A. and Beunen, G. P. (2002). An
assessment of maturity from anthropometric measurements. Med Sci Sports
Exerc 34(4): 689-694.
Moreno, L. A., De Henauw, S., Gonzalez-Gross, M., Kersting, M., Molnar, D.,
Gottrand, F., et al. (2008). Design and implementation of the Healthy Lifestyle in
Europe by Nutrition in Adolescence Cross-Sectional Study. Int J Obes (Lond)
32 Suppl 5: S4-11.
Moreno, L. A., Gonzalez-Gross, M., Kersting, M., Molnar, D., de Henauw, S.,
Beghin, L., et al. (2008). Assessing, understanding and modifying nutritional
status, eating habits and physical activity in European adolescents: the
HELENA (Healthy Lifestyle in Europe by Nutrition in Adolescence) Study. Public
Health Nutr 11(3): 288-299.
Ortega, F. B., Ruiz, J. R., Castillo, M. J. and Sjostrom, M. (2008). Physical
fitness in childhood and adolescence: a powerful marker of health. Int J Obes
(Lond) 32(1): 1-11.
Pigeot, I., Barba, G., Chadjigeorgiou, C., de Henauw, S., Kourides, Y., Lissner,
L., et al. (2009). Prevalence and determinants of childhood overweight and
obesity in European countries: pooled analysis of the existing surveys within the
IDEFICS Consortium. Int J Obes (Lond) 33(10): 1103-1110.
Rasmussen, M., Krolner, R., Klepp, K. I., Lytle, L., Brug, J., Bere, E., et al.
(2006). Determinants of fruit and vegetable consumption among children and
adolescents: a review of the literature. Part I: Quantitative studies. Int J Behav
Nutr Phys Act 3: 22.
Michele Caroline de Souza
58
The Oporto mixed-longitudinal growth, health and performance study
Ribeiro, J. (2005). O importante é ter saúde: estudo de adaptação de uma
técnica de avaliação do estado de saúde: SF-36. Oeiras, Fundação Merck
Sharp & Dohme.
Riddoch, C., Edwards, D., Page, A., Froberg, K., Anderssen, S., Wedderkopp,
N., et al. (2005). The European Youth Heart Study - cardiovascular disease risk
factors in children: rationale, aims, study design and validation of methods.
Journal of Physical Activity and Health 2: 115-129.
Roche, A. (1992). Growth, maturation and body composition. The Fels
Longitudinal Study 1929-1991., Cambridge University Press.
Rodriguez, G., Moreno, L. A., Blay, M. G., Blay, V. A., Garagorri, J. M., Sarria,
A., et al. (2004). Body composition in adolescents: measurements and
metabolic aspects. Int J Obes Relat Metab Disord 28 Suppl 3: S54-58.
Ross, D. and Ward, R. (1986). Scaling Anthropometric Data for Size and
Proportionality.
inanthropometry
III.
Commonwealth
and
International
Conference on Sport, Physical Education, Dance, Recreation and Health. T.
Reilly, J. Watkins and J. Borms. New York, E&FN Spon.
Sallis, J. D. and Owen, N. (1997). Ecological models. Health behavior and
health education: Theory, research, and practice. K. Glanz, M. Lewis and K.
Rimer. San Francisco, Jossey-Bass: 403–424.
Sallis, J. F., Grossman, R. M., Pinski, R. B., Patterson, T. L. and Nader, P. R.
(1987). The development of scales to measure social support for diet and
exercise behaviors. Prev Med 16(6): 825-836.
Sallis, J. F., Prochaska, J. J. and Taylor, W. C. (2000). A review of correlates of
physical activity of children and adolescents. Med Sci Sports Exerc 32(5): 963975.
Sardinha, L. B., Santos, R., Vale, S., Silva, A. M., Ferreira, J. P., Raimundo, A.
M., et al. (2011). Prevalence of overweight and obesity among Portuguese
Michele Caroline de Souza
59
The Oporto mixed-longitudinal growth, health and performance study
youth: a study in a representative sample of 10-18-year-old children and
adolescents. Int J Pediatr Obes 6(2-2): e124-128.
Shankar, R. R., Eckert, G. J., Saha, C., Tu, W. and Pratt, J. H. (2005). The
change in blood pressure during pubertal growth. J Clin Endocrinol Metab
90(1): 163-167.
Silva, S., Beunen, G., Claessens, A., Baxter-Jones, A., Prista, A., Freitas, D., et
al. (2013). Development of strength parameters during childhood and youth: a
longitudinal study from Cariri, Brazil. Growth and maturation in human biology
and sports. Festschrift honoring Robert M Malina by fellows and colleagues. P.
Katzmarzyk and M. Coelho e Silva. Coimbra, Imprensa da Universidade de
Coimbra: 71-86.
Topouchian, J. A., El Assaad, M. A., Orobinskaia, L. V., El Feghali, R. N. and
Asmar, R. G. (2006). Validation of two automatic devices for self-measurement
of blood pressure according to the International Protocol of the European
Society of Hypertension: the Omron M6 (HEM-7001-E) and the Omron R7
(HEM 637-IT). Blood Press Monit 11(3): 165-171.
Vasconcelos, M. and Maia, J. (2001). Is there a decline in physical activity? A
cross-sectional study in children and youngsters of both gender from 10 to 19
years old. Portuguese Journal Sports Science 1: 44-52.
Viana, V. and Sinde, S. (2003). Estilo Alimentar: Adaptação e validação do
Questionário Holandês do Comportamento Alimentar. Psicologia: Teoria,
Investigação e Prática 8: 59-71.
Videon, T. M. and Manning, C. K. (2003). Influences on adolescent eating
patterns: the importance of family meals. J Adolesc Health 32(5): 365-373.
WHO (2008). Waist circumference and waist–hip ratio: report of a WHO expert
consultation. Geneva, Library Cataloguing-in-Publication Data.
WHO (2009). GLOBAL SCHOOL-BASED STUDENT HEALTH SURVEY
(GSHS)-2009 Core-Expanded Questions for the Dietary Behaviours Module.
Michele Caroline de Souza
60
The Oporto mixed-longitudinal growth, health and performance study
Wijnstok, N. J., Hoekstra, T., van Mechelen, W., Kemper, H. C. and Twisk, J.
W. (2013). Cohort profile: the Amsterdam Growth and Health Longitudinal
Study. Int J Epidemiol 42(2): 422-429.
Wills, A. K., Lawlor, D. A., Matthews, F. E., Sayer, A. A., Bakra, E., BenShlomo, Y., et al. (2011). Life course trajectories of systolic blood pressure
using longitudinal data from eight UK cohorts. PLoS Med 8(6): e1000440.
Michele Caroline de Souza
61
Estudo II
A noção de tracking e sua aplicação à Educação Física e ao Esporte.
Michele Caroline de Souza1,2, Cláudia Lúcia de Moraes Forjaz3, Joey
Eisenmann4, José António Ribeiro Maia1
Artigo aceito: Revista de Cineantropometria e Desempenho Humano (Brasil).
1
CIFI2D, Kinanthropometry Lab, Faculty of Sport, University of Porto-Porto, Portugal.
2
3
CAPES Foundation, Ministry of Education of Brazil, Brasília - DF, Brazil.
Exercise Hemodynamic Laboratory, School of Physical Education and Sport,
University of São Paulo-SP, Brazil.
4
Department of Radiology, Michigan State University- East Lansing , United States.
Tracking e sua aplicação à Educação Física e Esporte
RESUMO
O termo Tracking refere-se à noção de manutenção de posição relativa
de valores de um dado grupo de sujeitos em função do tempo. O presente
artigo apresenta diversas técnicas de estudo e análise do tracking (i.e.,
estabilidade e previsibilidade). Os dados utilizados provêm de um estudo
longitudinal-misto da Região do Grande Porto, Portugal, compreendendo 486
meninas, divididas em duas coortes que abrangem as faixas etárias dos 12 aos
14 e dos 14 aos 16 anos. A variável eleita para as análises foi o índice de
massa corporal (IMC). Os procedimentos estatísticos utilizados para descrever
o tracking foram: autocorrelações, gama (γ) de Foulkes & Davis e índice de
constância de Goldstein (ξ). Independentemente da estatística utilizada e face
à curta duração do estudo, o tracking do IMC foi moderado a elevado em cada
coorte. Contudo, cada procedimento de análise mostrou aspetos distintos das
diferenças interindividuais nas mudanças intraindividuais do IMC das meninas.
O uso parcimonioso de qualquer um dos procedimentos sugeridos para estudar
aspetos da estabilidade e previsibilidade (i.e., do tracking) em estudos
longitudinais exige o estabelecimento muito criterioso dos objetivos e hipóteses
a serem testados.
Palavras-chave: Crescimento e desenvolvimento; Estudos longitudinais;
Índice de massa corporal; Monitoramento.
Michele Caroline de Souza
65
Tracking e sua aplicação à Educação Física e Esporte
ABSTRACT
Tracking refers to the notion of maintenance of relative position in a given
group of subjects as a function of time. This paper presents several techniques
for the study and analysis of tracking (ie, stability and predictability). The data
used in this study come from a mixed longitudinal study conducted in the city of
Porto, Portugal, comprising 486 girls, divided into two ages cohorts: 12 to 14
and from 14 to 16 years. The variable chosen for analysis was the body mass
index (BMI). The statistical procedures used to describe tracking were:
autocorrelations, Foulkes & Davis gamma (γ) and Goldstein constancy index
(ξ). Regardless of the statistical method used and due to the short duration of
the study, tracking of BMI was moderate to high in each cohort. However, each
analysis procedure showed different aspects of interindividual differences in
intraindividual changes in girls’ BMI. The use of any of the suggested
procedures to study aspects of stability and predictability (ie, tracking) in
longitudinal studies requires a very careful inspection of goals and hypotheses
to be tested.
Key words: Body mass index; Growth and development; Longitudinal
studies; Monitoring.
Michele Caroline de Souza
67
Tracking e sua aplicação à Educação Física e Esporte
INTRODUÇÃO
De acordo com evidências epidemiológicas, a obesidade é considerada
um dos maiores fatores de risco modificáveis para as doenças crônicas e seus
efeitos deletérios na saúde são bem conhecidos 1, além dos aumentos
substanciais nos custos financeiros que impõe aos sistemas de saúde. Por
exemplo,
entre
2008
e
2010
foi
estimado
um
gasto
anual
de,
aproximadamente, 2,1 bilhões de dólares com a obesidade, o que representa
~14% dos custos totais com cuidados de saúde do Sistema de Saúde
Brasileiro2.
A consequência nociva do excesso de peso corporal na saúde dos
indivíduos, e consequentemente das populações, sobretudo na emergência de
doenças
cardiovasculares,
complicações
psicossociais,
doenças
osteoarticulares e dificuldades psicomotoras, entre outras, impele ao
estabelecimento de estratégias para a sua prevenção já em contexto
pediátrico1,3. Ademais, salienta-se na literatura que a infância e a adolescência
são janelas críticas para o desenvolvimento da obesidade, havendo uma
elevada probabilidade dos hábitos e estilos de vida formados neste período
etário persistirem na vida adulta1,3. Nesse sentido, há evidência consistente
que uma criança obesa tem 50 a 70% de chances de ser um adulto obeso
devido, em parte, aos antecedentes familiares e, em parte, ao sedentarismo e
estilos de vida não saudáveis4. Guo e Chumlea 19995, por exemplo, reportaram
que aos 18 anos, jovens obesos têm até seis vezes mais chances de se
tornarem adultos obesos do que jovens não obesos.
Em Epidemiologia, e no domínio técnico da Bioestatística, a análise que
lida com a tendência de manutenção ou persistência de um estado e/ou
comportamento numa série de dados longitudinais é genericamente designada
por tracking3,6. Apesar de não haver ainda uma definição universal do termo, o
tracking refere-se à noção de estabilidade ou manutenção de posição relativa
de valores de um dado grupo de sujeitos em função do tempo, estando ligado,
também, à ideia de previsão3,6.
Michele Caroline de Souza
69
Tracking e sua aplicação à Educação Física e Esporte
O estudo do tracking em amostras de crianças e jovens, sobretudo em
risco de sobrepeso e/ou obesidade, tem implicações diretas no planejamento
estratégico de programas de intervenção mais eficazes, pois contribui para
uma melhor compreensão da magnitude do efeito das variáveis correlatas da
obesidade, bem como no conhecimento mais preciso da estabilidade dos
distintos marcadores de sobrepeso e obesidade. É possível, também, predizer
estados ponderais futuros e potencializar a identificação atempada de crianças
e jovens em risco, antes que comportamentos não saudáveis sejam
consistentemente adotados e, portanto, sejam mais resistentes a alterações
comportamentais3,6.
Estabilidade, mudança e previsão são, portanto, facetas do tracking,
exigindo informação repetida no tempo, i.e., a que é obtida de delineamentos
longitudinais puros, ou longitudinais-mistos. A análise estatística do tracking e a
sua divulgação já têm alguma história em Portugal e no Brasil, sobretudo na
Educação Física e nas Ciências do Esporte7,8. Há também algum esforço
metodológico para tornar estes conteúdos mais acessíveis aos investigadores 9.
Contudo, convém considerar que as diversas abordagens estatísticas
disponíveis para ajuizar acerca da magnitude e significado interpretativo do
tracking podem conduzir a conclusões diferentes, provocando alguma
confusão.
O presente estudo, uma espécie de percurso didático ao território do
tracking, tem por objetivo central apresentar diversas técnicas de análise do
tracking e ajudar o pesquisador na tarefa de sua interpretação. Tentaremos
uma visita guiada, em termos metodológicos, sobretudo do conceito
polifacetado de tracking, dos procedimentos estatísticos utilizados, bem como
dos respetivos pressupostos que conduzirão a análises com níveis distintos de
complexidade. O percurso que propomos ao leitor é o seguinte: em primeiro
lugar, lidaremos com uma análise aparentemente simples para estudar o
tracking, que implicará no estudo das autocorrelações10; em seguida,
abordaremos o posicionamento de Foulkes & Davis e da sua estatística gama
()11; em terceiro lugar, recorreremos novamente à estatística , mas de uma
Michele Caroline de Souza
70
Tracking e sua aplicação à Educação Física e Esporte
forma mais detalhada, de acordo com as sugestões de Rogosa 12; finalmente,
apresentaremos o pensamento de Goldstein13 e seu índice de constância de
crescimento (do inglês growth consistency index), desenvolvido inicialmente no
contexto da Auxologia, mas que pode e deve ser estendido a outros domínios e
outras variáveis de interesse dos pesquisadores de Educação Física e Ciências
do Desporto.
PROCEDIMENTOS METODOLÓGICOS
Os dados utilizados para o nosso “passeio” são provenientes de um
estudo longitudinal-misto da Região do Grande Porto, Portugal, que foi
genericamente desenhado para investigar a interação entre características
individuais,
fatores
ambientais
e
estilos
de
vida
no
crescimento,
desenvolvimento e aspectos da saúde de adolescentes portugueses dos dois
sexos, com idades compreendidas entre 10 e 18 anos. O Comitê de Ética da
Universidade do Porto aprovou este projeto (processo número 15/CEUP/2012).
Esta pesquisa, em fase praticamente terminal, pretende analisar um total de
1000 sujeitos amostrados aleatoriamente de modo estratificado, divididos em
quatro coortes de 250 indivíduos cada, avaliados anualmente durante 3 anos
consecutivos. A primeira coorte está sendo acompanhada dos 10 aos 12 anos;
a segunda dos 12 aos 14 anos; a terceira dos 14 aos 16 anos, e a quarta dos
16 aos 18 anos. Para o presente estudo, foram considerados os dados obtidos
de 486 meninas já avaliadas da segunda (nc2=215) e terceira (nc3=169) coortes.
A variável eleita para todas as análises foi o Índice de Massa Corporal (IMC)
obtido a partir da bem conhecida fórmula: razão do peso (kg)/altura (m 2). Este
índice é um marcador amplamente utilizado, em estudos epidemiológicos, para
precisar o estado nutricional e/ou ponderal por ser um indicador de fácil
mensuração, obtido com grande precisão e que permite discriminar o excesso
de gordura corporal em populações com idades distintas5,14.
A opção por utilizar somente os dados das meninas centra-se no fato da
sua composição corporal sofrer alterações marcantes no período pubertário
resultando, geralmente, em maiores depósitos de gordura 15. O aumento da
gordura corporal, aliado a outras consequências do processo maturacional,
Michele Caroline de Souza
71
Tracking e sua aplicação à Educação Física e Esporte
pode resultar num menor engajamento na prática de atividades físicas e
esportes organizados8,15, bem como numa maior alteração, instabilidade e/ou
aumento da sobrecarga ponderal15. Deste modo, estudar o tracking do IMC de
meninas deste intervalo etário pode ter especial relevância para a elaboração
de programas de intervenção e/ou de educação física escolar mais efetivos.
O conceito do Tracking
Tal como referimos anteriormente, o termo tracking é usado para
descrever a consistência de uma série de mensurações de um indivíduo, ou de
um grupo de indivíduos, ao longo do tempo, mostrando a existência, ou não, de
um comportamento regular entre uma coleção de padrões de crescimento ou
mudança6. Face ao fato de não haver uma definição única e universal do
termo, têm sido utilizadas diferentes estratégias para definir tracking do ponto
de vista estatístico6. Foulkes & Davis16, em 1991, foram os primeiros a
sistematizar as duas principais correntes de “pensamento” metodológico acerca
do tracking. A primeira centra-se no estudo das correlações entre mensurações
sucessivas (autocorrelações) e em procedimentos de regressão linear ou nãolinear ao que se associa a possibilidade de efetuar predições com base em
observações prévias, desde que os modelos se ajustem bem aos dados e não
haja violações dos seus pressupostos17. Um número substancial de estudos
epidemiológicos no contexto da Educação Física e Ciências do Esporte adotam
alguns dos princípios desta corrente, porém nem sempre apresentam
informação
clara
e
precisa
dos
pressupostos
da
análise
das
autocorrelações10,18.
A segunda corrente metodológica baseia-se no reconhecimento de que
a distribuição dos valores se altera, naturalmente, em cada ponto do tempo e
espera-se que os indivíduos mantenham a mesma posição relativa em cada
uma dessas distribuições. Diversos procedimentos analíticos fundamentam-se
neste pensamento, e a diferença entre os índices de tracking centra-se,
exatamente, no modo como se define “posição relativa”. Kowalski e
Schneiderman6 referem que as formas mais usuais de interpretar o significado
Michele Caroline de Souza
72
Tracking e sua aplicação à Educação Física e Esporte
de posição relativa são: recorrer a distribuições quantílicas, contar intersecções
de trajetórias, ou calcular desvios em relação à média em função do tempo.
Tracking: estatísticas, resultados e significado
As estatísticas descritivas das amostras de cada uma das coortes estão
na Tabela 1. Tal como esperado, os valores médios de IMC aumentaram ao
longo do tempo. Demonstramos também os valores dos coeficientes de
assimetria, sobretudo os
do achatamento das distribuições dos valores do
IMC.
Tabela 1. Medidas descritivas do IMC das coortes 2 e 3.
Coorte 2 (n=215)
Coorte 3 (n=169)
M±dp
Ampl
Assi
Achat
M±dp
Ampl
Assi
Achat
M1
20.68±3.80
13.40-38.30
1.39
5.67
22.30±3.50
16.60-32.10
0.66
2.83
M2
21.15±3.34
14.10-36.40
1.17
5.30
22.80±3.52
16.40-34.40
0.75
3.42
M3
21.57±3.16
14.80-37.10
1.12
5.66
22.97±3.48
17.00-34.30
0.86
3.63
M1: Primeiro ano de avaliação; M2: Segundo ano de avaliação; M3: Terceiro ano de avalição;
M: média; dp: desvio-padrão; Ampl: amplitude total; Assi: coeficiente de assimetria; Achat:
coeficiente de achatamento.
Autocorrelações
Uma parte importante dos estudos de tracking no domínio da
Epidemiologia da Atividade Física e da Aptidão Física recorre ao cálculo de
correlações entre as mesmas variáveis mensuradas sequencialmente no
tempo, obtendo o que se designa por autocorrelações 18. Trata-se de uma
estatística cujo cálculo e interpretação são bem simples. Como é sobejamente
conhecido, o coeficiente de correlação (r) nada mais é do que uma estatística
descritiva que informa a magnitude e o sentido da associação entre duas
variáveis, sem definir qualquer relação de causa-efeito. Independente da
interpretação dos valores de r com base num teste estatístico formal à hipótese
nula (H0: = 0), Malina18 sugeriu em 2001, de um modo meramente subjetivo e
Michele Caroline de Souza
73
Tracking e sua aplicação à Educação Física e Esporte
sem qualquer fundamentação, pontos de corte para a interpretação dos
resultados das autocorrelações enquanto estatísticas de tracking (r<0.3=baixo;
0.30≤r≤0.60=moderado; e r>0.60= moderado a elevado).
Entretanto, como é bem conhecido, o uso de qualquer procedimento
estatístico deve cumprir uma série de pressupostos para que os valores obtidos
sejam considerados válidos. No cálculo de correlações simples, assume-se
que: (i) existe uma relação linear entre as variáveis; (ii) ambas são
aleatoriamente distribuídas; (iii) possuem homocedasticidade ou igualdade de
variâncias, e (iv) têm distribuições de normalidade bivariada ou multivariada19.
Ora na Tabela 1 é já sugerida a hipótese de violação de normalidade
univariada dos valores do IMC em cada ponto do tempo (ver valores dos
coeficientes de assimetria, sobretudo os do achatamento).
A análise da normalidade univariada, bivariada e multivariada das
distribuições do IMC nos diferentes pontos do tempo e em cada coorte foi
efetuada no STATA 12 (os procedimentos utilizados foram os testes de
Royston para normalidade univariada, Doornik-Hansen para normalidade
bivariada e, na multivariada, os testes de Mardia multivariate kurtosis and
skewness). Os resultados (não incluídos no texto) mostram, claramente a
violação destes pressupostos. Entretanto, o STATA 12 possui uma opção bem
interessante para se ter uma noção precisa sobre a melhor transformação para
normalizar as distribuições em cada um dos pontos do tempo (ladder, ou
somente a representação gráfica das transformações, gladder). Aplicando esta
ferramenta e uma transformação para o inverso do IMC (1/IMC) como sugerido,
a normalidade univariada foi conseguida, mas o problema da violação da
normalidade bivariada e multivariada continuou. Para obviar este problema,
alguns autores recorrem ao coeficiente de correlação por postos de Spearman
(coeficiente menos eficiente que o de Pearson, mas não sensível a problemas
de assimetria nas distribuições nem à presença de outliers19). Contudo, a
nossa escolha foi diferente - optamos por uma análise robusta sugerida por
Hadi20 e implementada no SYSTAT 13, à qual adicionamos a opção de um
método de reamostragem (bootstrap) com 500 amostras de dimensão igual à
Michele Caroline de Souza
74
Tracking e sua aplicação à Educação Física e Esporte
das amostras de cada uma das coortes para se obter valores de erros-padrão
que permitissem construir intervalos de confiança para os valores de r e, neste
sentido, possibilitasse uma noção mais precisa dos coeficientes de tracking
(ver Tabela 2).
Tabela 2. Autocorrelações e respectivos intervalos de confiança (IC95%) entre
as mensurações de IMC ao longo de 3 anos em cada uma das coortes.
Ano
IMC1
IMC2
IMC3
IMC1
1.00
0.94 (0.92-0.96)
0.85 (0.79-0.89)
Ano
IMC1
IMC2
IMC3
IMC1
1.00
0.95 (0.92-0.96)
0.89 (0.83-0.92)
Coorte 2
IMC2
IMC3
1.00
0.93 (0.90-0.95)
Coorte 3
IMC2
IMC3
1.00
0.93 (0.90-0.95)
1.00
1.00
IMC1: Índice de massa corporal-primeiro ano de avaliação; IMC2: Índice de massa corporalsegundo ano de avaliação; IMC3: Índice de massa corporal-terceiro ano de avaliação. Valores
de autocorrelações dos coeficientes de Pearson.
Considerando-se a sugestão de Malina 200118 exposta anteriormente,
como as correlações são bem maiores que 0,6, estamos diante de uma forte
estabilidade dos valores de IMC nas meninas dos 12 aos 14 anos e de 14 aos
16 anos. Além disso, a amplitude dos intervalos de confiança é extremamente
reduzida, o que confirma a precisão das estimativas. Pode-se ainda verificar
que em ambas as coortes os valores de autocorrelação são menores entre o
IMC1 e IMC3, o que reflete o maior espaçamento temporal entre as medidas.
Não obstante a simplicidade da interpretação dos valores de r, alguns
autores18,21 chamam a atenção para a necessidade de se considerar alguns
aspectos: (i) a idade da primeira observação (quanto mais baixa a idade da
criança, menores serão os coeficientes de correlação); (ii) as características
individuais face à variação biológica evidente entre sujeitos (timing e tempo
maturacionais); (iii) as alterações ambientais significativas (adoção de
Michele Caroline de Souza
75
Tracking e sua aplicação à Educação Física e Esporte
comportamentos sedentários nos últimos anos, alteração nos hábitos
alimentares). Ora nem neste estudo, nem na maior parte dos que estão
disponíveis na literatura, é possível ajustar os valores de autocorrelação a este
conjunto de covariáveis. Para fazer isso, teríamos que recorrer a uma
estratégia bem mais complexa, que está para além do âmbito do presente
artigo (ver, por exemplo, as sugestões em da Silva8).
Em resumo, apesar das autocorrelações serem amplamente utilizadas
nos estudos de tracking, e dos valores obtidos para o IMC das duas coortes
serem muito elevados, Rogosa e colaboradores22, bem como Twisk e
colaboradores23 referem alguns problemas metodológicos no seu uso: (i) nem
sempre é reportado ou cumprido o pressuposto de normalidade bivariada e
multivariada, e nem sempre são apresentadas alternativas para solucionar este
problema; (ii) os pontos de corte referidos por Malina 18 são arbitrários, não
havendo nenhuma hipótese formal ou substantiva que os suporte; (iii) não
existe um valor único de estabilidade. No nosso exemplo, são reportados 3
autocorrelações, pois temos 3 mensurações repetidas; se tivéssemos 6 pontos
no tempo, teríamos uma matriz de autocorrelações com 15 valores (a fórmula
genérica para calcular o número de autocorrelações é K(K-1)/2, em que
K=número de pontos no tempo). Uma forma rápida de solucionar o problema
de termos 3 autocorrelações e não sabermos qual escolher para expressar a
medida de tracking é a seguinte: primeiro transformamos cada valor de r num
valor z de Fisher; em seguida, somamos os três valores z de Fisher e
calculamos a sua média; finalmente, trasnformamos o valor médio de z de
Fisher para um valor de correlação. Estes passos foram realizados no STATA
12 e os resultados finais do tracking do IMC expressos por um único valor
passaram a ser 0.91 na segunda coorte e 0.93 na terceira coorte – resultados
extremamente elevados de tracking que confirmam a estabilidade do
comportamento do IMC em cada uma das coortes, abrindo um espaço de
grande precisão em termos previsionais num espaço de 3 anos, ou seja,
crianças com IMC alto tendem a continuar com IMC alto nos 3 anos seguintes.
Michele Caroline de Souza
76
Tracking e sua aplicação à Educação Física e Esporte
O  de Foulkes & Davis
O  de Foulkes & Davis é uma estatística que examina a probabilidade
de duas trajetórias de mudança não se intersectarem ao longo do tempo,
baseando-se na noção de que quanto maior for o número de pares de
indivíduos que mantém a sua posição relativa dentro de uma distribuição
durante o tempo de estudo, maior é o tracking16. Contudo, uma das primeiras
tarefas a se realizar neste procedimento é determinar a função (de natureza
linear ou não linear) que melhor descreve o comportamento longitudinal das
observações. Na proposta de Foulkes & Davis, o tracking será perfeito quando
duas trajetórias de mudança forem paralelas, mantendo a sua posição relativa
no seio da distribuição16. O  só assume valores positivos, variando entre 0 e 1.
Quanto maior o valor de , menor o número de cruzamentos entre as trajetórias
(maior tracking). Nesse sentido, foram propostos valores de referência, sendo
que 0.50 não se verifica tracking; se 0.50<<1.00 verifica-se tracking; e
quando o =1.00, o tracking é perfeito16.
O  de Foulkes & Davis tem duas formulações: uma inicial e bem simples
(FD1) e outra mais complexa (FD2)24. A formulação FD1 não exige qualquer
definição a priori sobre a forma da trajetória da mudança (linear ou não linear),
dado ser uma estatística não paramétrica que pressupõe que: 1) quanto mais
simples for a trajetória que descreve o comportamento longitudinal dos dados,
maior será o valor de  e 2) o tracking dos extremos é bem mais elevado
comparado ao dos que se situam próximo da trajetória média (pois são menos
prováveis de se cruzarem)9,23,24. No nosso exemplo, optamos por utilizar a
versão FD2, que implica, adicionalmente, num teste formal e sequencial da
melhor função (limitada a um polinômio de 4º grau) que descreve as trajetórias
individuais25,26. Esta análise foi efetuada no programa estatístico Longitudinal
Data Analysis (LDA) desenvolvido por Schneiderman e Kowalski27 em 1993 e,
ao contrário do que aconteceu na análise das autocorrelações optamos, a partir
deste procedimento, em apresentar partes dos outputs dos softwares utilizados
– neste primeiro caso do LDA (Figura 1).
Michele Caroline de Souza
77
Tracking e sua aplicação à Educação Física e Esporte
O output apresenta, em primeiro lugar, as estatísticas descritivas,
seguidas dos resultados dos testes sequenciais de funções polinomiais de grau
crescente de
complexidade
para
identificar qual descreve melhor o
comportamento dos dados repetidos, i.e., retas ou curvas (estatística F e os
correspondentes valores de prova). No exemplo, a regressão linear foi
adequada. Em seguida, são apresentados os coeficientes de regressão das
trajetórias individuais, sendo que a primeira coluna representa o valor da
ordenada na origem (ou seja, valor de IMC de cada menina no início do estudo,
visto que consideramos o primeiro momento de avaliação como sendo o ponto
zero em termos temporais) e a segunda coluna refere-se ao declive [velocidade
de incremento ou decréscimo (basta ver o sinal do coeficiente) do valor de IMC
ao longo do tempo]. Posteriormente, o output mostra uma matriz de
cruzamentos da trajetória do IMC de cada menina relativamente às trajetórias
das demais (no nosso caso, obtivemos uma matriz 215 por 215). O valor
apresentado expressa o número de interseções da trajetória de cada uma das
meninas com as restantes: quanto mais próximo de 0 for este valor, mais
interceções há, ao passo que quanto mais próximo de 1, menos interceções
ocorrem e, portanto o tracking é maior. Finalmente, o output expressa o valor
de  e seu respetivo erro-padrão, bem como o intervalo de confiança em 95%.
Assim, o  de Foulkes & Davis das meninas da coorte 2 tem um valor de
0.827±0.006 (IC95%=0.815-0.840) e, na coorte 3, o  foi de 0.828±0.008
(IC95%=0.812-0.845). Pode-se concluir que as meninas dos 12 aos 14 anos
bem como as de 14 aos 16 anos apresentam um tracking elevado no
comportamento do IMC ao longo de 3 anos.
Michele Caroline de Souza
78
Tracking e sua aplicação à Educação Física e Esporte
Figura 1. Exemplo de partes (muito reduzidas, mas importantes) do output do
LDA para o  de Foulkes & Davis da coorte 2.
Michele Caroline de Souza
79
Tracking e sua aplicação à Educação Física e Esporte
Não obstante o  de Foulkes & Davis possuir uma estrutura matemáticoestatística bem mais complexa do que a das autocorrelações e exigir um
software especializado para seu cálculo, a sua formulação tem várias
vantagens25,26: 1) os dados coletados não necessitam ser equidistantes no
tempo; 2) não há necessidade de normalidade das distribuições; 3) permite o
estabelecimento prévio da melhor função que descreve os dados e que pode
ser do tipo linear ou não linear; 4) possui uma estatística única de tracking à
qual se associa um intervalo de confiança em 95% e; 5) permite a identificação
dos indivíduos que em suas trajetórias de mudança são mais ou menos
estáveis e, portanto, mais ou menos previsíveis.
Estatística  segundo sugestões de David Rogosa
O método proposto por David Rogosa22, sumariamente explicado e
detalhado no software que ele desenvolveu com Ghassan Ghandour
(TIMEPATH)12, baseia-se num texto magistral publicado conjuntamente com
Sanner28, bem como no seu trabalho “clássico” reproduzido em 1995 29, em que
a modelação de observações longitudinais é pensada em termos de
coeficientes aleatórios (do inglês random coefficients). No contexto do nosso
problema, bem mais simples, o que Rogosa propõe a partir do modo como
elaborou os resultados obtidos no seu software é o seguinte: 1) modelamento
das trajetórias de mudança com resultados individuais e globais; 2) cálculo de
um  individual, 3) estimativa populacional a que se associa, naturalmente, o
respetivo erro padrão, o que permite o cálculo de um intervalo de confiança a
95%. Há ainda opções para realizar a técnica de bootstrap bem como outras
possibilidades de análise que não são importantes para o nosso caso. Um
exemplo
de
partes
do
output
do
TIMEPATH,
que
comentaremos
detalhadamente, está na Figura 2.
A primeira parte do output contém: a informação individual (ID); o valor
do declive (Rate); a variância explicada pelo modelo utilizado – com ajuste de
uma reta (R_sqr) e o aumento do R2 se porventura se utilizasse outra função
mais complexa (D_Rsq), o que aqui não faz sentido dado que só há três pontos
no tempo; finalmente os valores individuais de IMC de cada sujeito em cada um
Michele Caroline de Souza
80
Tracking e sua aplicação à Educação Física e Esporte
dos pontos do tempo (0, 1, 2). A segunda parte trata das estatísticas sumárias
em cada um dos pontos do tempo: média, desvio-padrão, mínimo e máximo.
Em seguida, observa-se uma informação muito importante, que se refere aos
cinco casos com menor declive, ou seja, as meninas cuja alteração do IMC ao
longo dos 3 anos foi uma redução (o declive é negativo). Isto faz todo o
sentido, porque há jovens que crescem em altura bem mais rápido do que no
peso e, portanto, é de esperar uma mudança negativa do seu IMC. A vantagem
do software é a indicação precisa destes casos. Logo a seguir, observa-se
exatamente o contrário, ou seja, a indicação das cinco jovens cujos valores de
IMC sofreram maiores aumentos no tempo (os seus declives são positivos).
Convém verificar que o valor de R2 para cada uma das retas é muito elevado,
mostrando a elevada qualidade do ajuste.
Como temos um  individual e, portanto, 169  na coorte 3, o software
por questão de economia apresenta estatísticas descritivas relevantes (média,
desvio-padrão, mínimo e máximo), bem como os cinco números resumo (do
inglês five-number summary): mínimo, P25 (Quartil 1), mediana (P50), P75
(Quartil 3) e máximo dos declives (Rate), R2 (R_sqr), D_Rsq, média quadrada
dos resíduos (MS residuals) e estatística . Convém lembrar que o  individual
proposto por Rogosa se refere à probabilidade de uma trajetória individual
intersectar outras trajetórias. Ora a informação disponibilizada pelo software é
muito importante para se ter uma descrição detalhada do comportamento
modal do IMC, bem como uma visão mais individualizada da estabilidade (dada
pelo ) e da mudança (dada pelo declive). No final do output, temos uma
estimativa populacional do tracking bem como seu respetivo erro padrão.
Como se verifica no output, na coorte 3, o valor do desvio-padrão dos
declives (Rate) foi bem maior do que a média (0.917 para 0.336). Isto mostra
uma enorme variabilidade nas mudanças do IMC ao longo dos três anos. O
valor mais baixo de  foi 0.411 – ausência de tracking individual. A partir do P5
o seu valor sobe para 0.613 e, a partir da mediana, 0.839, o que já é elevado.
O índice  global é de 0.852±0.008 representando o elevado tracking do IMC
nesta coorte. Na coorte 2, os resultados (não mostrados) foram similares.
Michele Caroline de Souza
81
Tracking e sua aplicação à Educação Física e Esporte
Figura 2. Exemplo de output do TIMEPATH para o  segundo as sugestões de
Rogosa da coorte 3.
Michele Caroline de Souza
82
Tracking e sua aplicação à Educação Física e Esporte
As sugestões de Rogosa, a versatilidade e riqueza do output do
TIMEPATH são muito importantes para se ter uma visão muito detalhada do
conteúdo do tracking: estabilidade, mudança e previsão, que permitem aos
investigadores um exame exaustivo, em termos modais e individuais, na
trajetória do IMC ao longo dos três anos. É evidente daqui a sinalização de
casos que exijam uma atenção particular em termos de aconselhamento e
intervenção.
Índice de constância de crescimento de Goldstein
O índice de constância de crescimento de Goldstein (do inglês growth
consistency índex), representado como  por Furey et al.13, é uma medida de
tracking desenvolvida inicialmente para estudar a estabilidade e variabilidade
das trajetórias individuais durante o período de crescimento físico humano,
sobretudo o crescimento estatural. Segundo Goldstein 30, analisar os padrões
das mudanças que ocorrem no crescimento físico de crianças e jovens poderia
auxiliar na deteção de trajetórias estáveis (manutenção das posições relativas
de uma mensuração para a outra) ou instáveis (interseção de trajetórias de
crescimento em uma proporção relativamente elevada) de crescimento,
sobretudo quando se cruzam percentis estabelecidos de uma carta percentílica
de crescimento. A sua importância em termos Auxológicos é bastante evidente
para identificar, atempadamente, crianças ou jovens com instabilidade no seu
processo de crescimento físico. Desta forma Goldstein 30 propôs que, numa
amostra aleatória de indivíduos, um sujeito que possui uma curva de
crescimento físico que cruza uma proporção relativamente elevada de outros
sujeitos, seja qualificado como tendo uma curva out of line, i.e. de tracking
reduzido.
Para calcular o , Goldstein propôs o seguinte conjunto de etapas:
primeiramente há a necessidade de padronizar (i.e., estandardizar) os valores
de cada mensuração, transformando-os em valores z (escores estandardizados
obtidos da normal reduzida); ora os valores z e respetivos sinais para cada um
dos indivíduos em cada ponto do tempo dão já uma ideia precisa da mudança
da característica em causa se situar acima ou abaixo da média. Uma vez que
Michele Caroline de Souza
83
Tracking e sua aplicação à Educação Física e Esporte
temos três pontos no tempo do IMC e, na segunda coorte temos 215 sujeitos,
temos uma matriz de valores z de 215 (linhas) por 3 (colunas). Esta matriz
contém “distâncias” em termos de desvios da média de cada sujeito. A partir
desta matriz, é calculado, para cada sujeito, uma estatística que o autor
designa por D2, que revela a extensão do afastamento de tracking individual,
sendo que um menor valor de D2 se refere a um maior tracking individual.
Goldstein30 propôs duas alternativas para estimar o seu índice
constância de crescimento ou, mais precisamente, uma medida de tracking. Na
sua primeira formulação, temos o seu índice de constância (), bem como um
intervalo de confiança construído a partir de um estimador Jackknife. Na
segunda, utiliza-se a correlação intraclasse obtida da análise de variância
(ANOVA). Estas duas opções podem ser formuladas, como bem salientou
Furey et al. (1994)13, no contexto de dois modelos de ANOVA, tal como é
sugerido por Goldstein30. Assim no modelo I ou II da ANOVA, o problema
reside no modo como se entende o verdadeiro valor de cada indivíduo, sua
estabilidade verdadeira (do inglês steady-state ou “true” value) e sua
interpretação. No modelo I, este valor é considerado uma constante
desconhecida, ao passo que no segundo, uma variável aleatória. A
interpretação no caso da ANOVA I passa a ser a seguinte: as inferências do
tracking só valem para os casos incluídos no estudo; já no modelo II (ANOVA
II), as inferências são efetuadas para a população da qual fazem parte os
indivíduos pertencentes à amostra colhida aleatoriamente. Decorre daqui que
na ANOVA I, a estatística adequada é o , ao passo que na ANOVA II é o
coeficiente de correlação intraclasse. Exemplos de parte do output destas
análises estão na Figura 3.
No
output
do
modelo
I,
primeiramente
aparece
a
matriz de
autocorrelação dos valores de IMC nos três pontos do tempo. Em seguida, é
descrita a matriz dos valores z, expressão das distâncias de cada sujeito, em
termos de desvios da média, em cada ponto do tempo. Os valores z positivos
referem-se a uma “distância” superior à média do IMC e os valores negativos,
a uma distância inferior, i.e., valores menores do que a média. Na continuação
Michele Caroline de Souza
84
Tracking e sua aplicação à Educação Física e Esporte
do output, a medida de afastamento de tracking individual é reportada pela
estatística D2 (D squared), na qual valores menores de D2 refletem valores
mais elevados de tracking do IMC de cada menina. Em seguida, observa-se
uma tabela habitual de ANOVA e, finalmente, é calculado o  (growth
constance index), cujo valor varia entre 0 e 1, sendo 1 o tracking perfeito. De
acordo com Furey e colaboradores13, este índice pode superestimar a
magnitude da estabilidade e assumir valores positivos mesmo quando não se
evidencia tracking, ou seja, quando as correlações entre sucessivos valores z
são iguais a 0. Neste caso, é necessário considerar o seu valor modificado ou
corrigido (*), que continua com valor máximo de 1, mas que assumirá valor
nulo caso haja correlações iguais a zero em valores sucessivos da distribuição.
A última parte do output mostra as estimativas do intervalo de confiança obtido
pelo método de reamostragem de Jackknife.
No output do modelo II, também são representados a matriz de
autocorrelações entre os diferentes momentos de avaliação do IMC, a matriz
dos valores z, medidas de afastamento de tracking individual (D2) e a tabela da
ANOVA. Contudo, tal como foi mencionado anteriormente, a magnitude do
tracking é expressa, aqui, pelo coeficiente de correlação intraclasse.
Adicionalmente, é calculado o valor do seu intervalo de confiança em 95%13.
No nosso exemplo, recorremos ao modelo I (o nosso objetivo é somente
calcular o tracking das meninas das coortes 2 e 3, sem qualquer propósito de
generalização); os resultados de  foram elevados em ambas as coortes,
mostrando uma forte estabilidade dos valores de IMC (c2=0.918 e c3=0.940).
Tal como esperado, nos valores do índice corrigido, a magnitude de tracking
diminuiu minimamente, porém permaneceu elevada (*c2=0.878 e *c3=0.910).
As estimativas Jackknife e os correspondentes IC95% foram 0.916 (0.873,
0.946) e 0.874 (0.809, 0.919) para a coorte 2; 0.939 (0.915, 0.957) e 0.909
(0.873, 0.936) para a coorte 3.
Quanto aos resultados do modelo II (havendo a possibilidade de
inferência dos resultados para outras meninas da mesma população), o
coeficiente de correlação intraclasse e respetivo IC95% foi de 0.878 (0.834,
Michele Caroline de Souza
85
Tracking e sua aplicação à Educação Física e Esporte
0.912) para as meninas da coorte 2 e 0.910 (0.876, 0.935) para as da coorte 3.
Esses resultados expressam, mais uma vez, a estabilidade dos valores de IMC
de meninas com idades compreendidas entre os 12 e 14 anos, bem como dos
14 aos 16 anos.
Em resumo, o índice de Goldstein foi pensado no contexto dos estudos
de crescimento físico humano, com o intuito de comparar padrões de
crescimento entre medições sucessivas e inspecionar a sua trajetória
relativamente às trajetórias de outras crianças. Contudo, a riqueza de sua
conceção e metodologia podem ser estendidas, sem qualquer problema, a
estudos de tracking de outras variáveis expressas de modo contínuo. Para
além de se obter uma única medida de tracking, de não ser exigido que o
espaçamento das observações seja equidistante, não ser necessaria uma
distribuição gaussiana (uma vez que o procedimento lida somente com
variabilidades relativas), uma das suas enormes vantagens é a identificação de
indivíduos com maior ou menor “distanciamento” relativamente aos valores
médios da distribuição, tornando possível um acompanhamento e intervenção
mais eficiente dos casos sinalizados.
Michele Caroline de Souza
86
Tracking e sua aplicação à Educação Física e Esporte
Figura 3. Exemplo de partes muito reduzidas, mas importantes, do output do
LDA para o modelo I e II do índice de constância de crescimento de Goldstein
das meninas da coorte 2.
Michele Caroline de Souza
87
Tracking e sua aplicação à Educação Física e Esporte
CONCLUSÃO
O presente estudo abordou distintos procedimentos estatísticos de
análise do conceito de tracking auxiliando, deste modo, o investigador
principiante nesta matéria. A importância do conceito, sua análise e atribuição
de significado aos resultados obtidos dos diferentes procedimentos estatísticos
são matérias importantes nos territórios da Educação Física e das Ciências do
Desporto, sobretudo quando se lida com informação longitudinal oriunda de
delineamentos observacionais e/ou de intervenção. Apesar da variabilidade da
expressão
do
tracking
em
termos
estatísticos,
da
simplicidade
das
autocorrelações à complexidade do  de Foulkes & Davies e índice de
constância de Goldstein, é importante que o pesquisador conheça bem a
versatilidade de cada procedimento, sua implementação em distintos softwares
e o uso que fará das diferentes estatísticas obtidas.
No exemplo utilizado neste artigo, face à sua curta duração, 3 anos, era
esperado um tracking moderado a elevado qualquer que fosse o procedimento
estatístico utilizado. Ficou demonstrado que as diferenças interindividuais nas
mudanças intraindividuais do IMC são relativamente pequenas e, desta forma,
obtivemos valores elevados nas autocorrelações,  de Foulkes & Davies e
índice de constância de Goldstein. Contudo, quando se exploram as
versatilidades dos outputs dos softwares LDA ou TIMEPATH fica bem evidente
uma visão muito mais individualizada de cada sujeito, permitindo sinalizar
jovens que podem exigir atitudes e intervenções bem mais esclarecidas e
eficazes por parte dos professores de Educação Física, por exemplo.
Michele Caroline de Souza
88
Tracking e sua aplicação à Educação Física e Esporte
REFERÊNCIAS
1.
Gonzalez A, Boyle MH, Georgiades K, Duncan L, Atkinson LR,
MacMillan HL. Childhood and family influences on body mass index in early
adulthood: findings from the Ontario Child Health Study. BMC Public Health.
2012;12:755.
2.
Bahia L, Coutinho ES, Barufaldi LA, Abreu Gde A, Malhao TA, de Souza
CP, et al. The costs of overweight and obesity-related diseases in the Brazilian
public health system: cross-sectional study. BMC public health. 2012;12:440.
3.
Bayer O, Kruger H, von Kries R, Toschke AM. Factors associated with
tracking of BMI: a meta-regression analysis on BMI tracking. Obesity.
2011;19(5):1069-76.
4.
Lloyd-Jones D, Adams RJ, Brown TM, Carnethon M, Dai S, De Simone
G, et al. Heart disease and stroke statistics--2010 update: a report from the
American Heart Association. Circulation. 2010;121(7):e46-e215.
5.
Guo SS, Chumlea WC. Tracking of body mass index in children in
relation to overweight in adulthood. Am J Clin Nutr. 1999;70(1):145S-8S.
6.
Kowalski CJ, Schneiderman ED. Tracking: Concepts, Methods and
Tools. Int J Anthropol. 1992;7(4):33-50.
7.
Freitas D, Beunen G, Maia J, Claessens A, Thomis M, Marques A, et al.
Tracking of fatness during childhood, adolescence and young adulthood: a 7year follow-up study in Madeira Island, Portugal. Ann Hum Biol. 2012;39(1):5967.
8.
Da Silva SP, Beunen G, Prista A, Maia J. Short-term tracking of
performance and health-related physical fitness in girls: the Healthy Growth in
Cariri Study. J Sports Sci. 2013;31(1):104-13.
9.
Maia J, Garganta R, Seabra A, Lopes VP, Silva S, Meira Júniro C.
Explorando a noção e significado do tracking. Um percurso didático para
Michele Caroline de Souza
89
Tracking e sua aplicação à Educação Física e Esporte
investigadores.
[Periódico
on
line].
2007.
Disponível
em:
<http://www.psicologia.pt/artigos/textos/A0348.pdf> [2013 mar 25].
10.
Malina RM. Tracking of physical activity and physical fitness across the
lifespan. Res Q Exerc Sport. 1996;67(3 Suppl):S48-57.
11.
Foulkes M, Davies C. An index of tracking for longitudinal data
Biometrics. 1981;37:439-6.
12.
Rogosa D, Ghandour G. TIMEPATH: Statistical analysis of individual
trajectories. Stanford University; 1989.
13.
Furey A, Kowalski C, Schneiderman E, Willis S. GTRACK: A PC program
for computing Goldstein's growth constancy index and an alternative measure
of tracking. Int J Bio-Med Comput. 1994;36(4):311-8.
14.
Malina RM, Katzmarzyk PT. Validity of the body mass index as an
indicator of the risk and presence of overweight in adolescents. Am J Clin Nutr.
1999;70(1):131S-6S.
15.
Malina R, Bouchard C, Bar-Or O. Growth, maturation and physical
activity. Champaign: Human Kinetics; 2004.
16.
Foulkes MA, Davis LE. An index of tracking for longitudinal data.
Biometrics. 1981;37(3):439-46.
17.
Maia J, Silva R, Seabra A, Lopes VP. A importância do estudo do
tracking (estabilidade e previsão) em delineamentos longitudinais: um estudo
aplicado à epidemiologia da actividade física e à performance desportivomotora. Rev Port Cien Desp. 2002;2(4):41-56.
18.
Malina RM. Adherence to Physical Activity from Childhood to Adulthood:
A Perspective from Tracking Studies. Quest. 2001;53(3):346-55.
19.
Pestana M, Gageiro J. Análise de dados para ciências sociais. A
complementaridade do SPSS. Edições Sílabo; 2003.
Michele Caroline de Souza
90
Tracking e sua aplicação à Educação Física e Esporte
20.
Hadi A. A modification of a method for the detection of outliers in
multivariate samples. J R Statist Soc B. 1994;56(2):393-96.
21.
Glenmark B, Hedberg G, Jansson E. Prediction of physical activity level
in adulthood by physical characteristics, physical performance and physical
activity in adolescence: an 11-year follow-up study. Eur J Appl Physiol Occup
Physiol. 1994;69(6):530-8.
22.
Rogosa D, Floden R, Willet J. Assessing the stability of teacher behavior.
J Educ Psychol. 1984;76(6):1000-27.
23.
Twisk JW, Kemper HC, Mellenbergh GJ. Mathematical and analytical
aspects of tracking. Epidemiol Rev. 1994;16(2):165-83.
24.
Schneiderman E, Kowalski C, Ten Have T. A GAUSS prgram for
computing an index of tracking from longitudinal observations. Am J Hum Biol.
1990;2(5):475-90.
25.
Schneiderman E, Willis S, Kowalski C, Ten Have T. A GAUUS program
for computing the Foulkes-Davis Tracking Index for polynomial growth curves.
Int J Bio-Med Comput. 1993;32(1):35-43.
26.
Schneiderman ED, Kowalski CJ. Analysis of longitudinal data in
craniofacial research: some strategies. Crit Rev Oral Biol Med. 1994;5(3-4):187202.
27.
Schneiderman E, Kowalski C. LDA. Software system for longitudinal data
analysis. Version 3.2. Texas: Baylor College of Dentistry; 1993.
28.
Rogosa D, Saner H. Longitudinal data analysis examples with random
coefficient models. J Educ Behav Statist. 1995;20(2):149-70.
29.
Rogosa D. Myths and methods: Myths about longitudinal research plus
supplemen-. tal questions. In: Gottman J, editor. The analysis of change. New
Jersey: Lawrence Erlbaum Associates; 1995. p. 3-65.
Michele Caroline de Souza
91
Tracking e sua aplicação à Educação Física e Esporte
30.
Goldstein H. Measuring the stability of individual growth patterns. Ann
Hum Biol. 1981;8(6):549-57.
Michele Caroline de Souza
92
Estudo III
Modelação multinível e delineamento longitudinal-misto na pesquisa
em Educação Física e Ciências do Esporte.
Michele Caroline de Souza 1,2, Cláudia Lúcia de Moraes Forjaz 3, Thayse
Natacha Gomes 1, Fernanda Karina dos Santos 1,2, Joey Eisenmann 4, José
António Ribeiro Maia 1.
Artigo aceito: Revista Brasileira de Educação Física Esporte (Brasil).
1
2
Universidade do Porto, Faculdade de Desporto. Porto, Portugal.
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES),
Brasília-DF, Brasil.
3
Universidade de São Paulo, Escola de Educação Física e Esporte. São Paulo-SP,
Brasil.
4
Michigan State University. Michigan, Estados Unidos.
Modelação multinível e delineamento longitudinal-misto
RESUMO
O grande propósito deste estudo é apresentar o uso da modelação
multinível (MMN) com informação oriunda de um estudo longitudinal-misto
sobre o crescimento, desenvolvimento e saúde de adolescentes portugueses.
A amostra compreende 5155 indivíduos divididos em 4 coortes que abrangem
as faixas etárias dos 10 aos 12, 12 aos 14, 14 aos 16 e 16 aos 18 anos. As
variáveis de estudo foram a força de preensão manual e o percentual de
gordura total (%GTotal). A análise mostrou trajetórias curvilíneas do
desempenho de força de preensão, com maiores incrementos anuais nos
meninos. O %GTtotal apresentou associação positiva com o desempenho da
força estática; constatou-se uma forte variabilidade interindividual. O recurso ao
delineamento longitudinal-misto permitiu a recolha mais célere da informação; e
a metodologia MMN mostrou-se suficientemente flexível e robusta para
acomodar, num modelo único, aspectos da mudança individual e das
diferenças interindividuais do desempenho da força estática condicionados à
ação do tempo.
Palavras-chave:
Estudos
longitudinais,
Modelação
hierárquica,
Mudança, Desempenho motor.
Michele Caroline de Souza
95
Modelação multinível e delineamento longitudinal-misto
ABSTRACT
The main aim of this study was to present the use of multilevel modeling
in the data from a mixed longitudinal study concerning growth, development and
health of Portuguese adolescents. The sample comprises 5155 subjects from 4
age cohorts: 10 to 12, 12 to 14, 14 to 16 and 16 to 18 years. Variables chosen
for analysis were handgrip strength and percentage of total body fat. Multilevel
modeling analysis showed a quadratic trajectory of adolescents’ handgrip
strength performance, with higher annual increasing in boys. The percentage of
total body fat was positively associated with the static strength and there were
marked interindividual differences. The use of a mixed longitudinal design
allowed a faster data collection process; in addition, multilevel modeling
analysis was sufficiently flexible and robust to accommodate, in a single model,
aspects of individual and interindividual changes in static strength development
over the time.
Key-words: Longitudinal studies, Hierarchical Modeling, Change, Motor
performance.
Michele Caroline de Souza
97
Modelação multinível e delineamento longitudinal-misto
INTRODUÇÃO
Essencialmente, a pesquisa em Educação Física e Ciências do Esporte
centrada num delineamento longitudinal pretende responder a dois aspetos
importantes de uma característica qualquer condicionada à ação do tempo –
sua mudança e estabilidade. Este delineamento envolve, basicamente, a
monitorização, descrição, análise e interpretação do processo de mudança de
uma variável representada de modo contínuo ou discreto ao longo do tempo 1-4.
Para esta análise, exigem-se observações repetidas e ordenadas no tempo,
nem sempre equidistantes e balanceadas, de um indivíduo ou grupo de
indivíduos, cujos intentos são: (i) identificar diretamente a mudança
intraindividual; (ii) marcar as diferenças ou similaridades (heterogeneidade
versus homogeneidade) interindividuais no curso da mudança intraindividual;
(iii) analisar as inter-relações entre classes de comportamentos intraindividuais
observados durante a mudança; (iv) analisar possíveis determinantes/”causas”
da mudança intraindividual, e (v) analisar as possíveis determinantes/”causas”
das diferenças interindividuais na mudança intraindividual1.
O delineamento longitudinal puro (i.e., concebido para registar e analisar
as mesmas variáveis, sempre nos mesmos indivíduos em intervalos de tempo
específicos e equidistantes, por um período de tempo considerado aceitável5-8)
tem um vastíssimo potencial. É habitualmente considerado o mais eficiente
para o estudo de diferentes aspectos do crescimento físico humano e do
desenvolvimento motor e cognitivo5-8. Não obstante a riqueza interpretativa do
enorme manancial de dados que este delineamento gera, contém um conjunto
de problemas que limitam, de algum modo, o seu uso corrente na pesquisa em
Educação Física e Ciências do Esporte, nomeadamente: restrições temporais
(tempo prolongado de recolha da informação que se estende por vários anos);
perda ou drop out amostral, muitas vezes seletivo; custos associados às
medições contínuas e sistemáticas; dificuldade em manter uma equipe de
investigadores/avaliadores por um longo período de tempo; entre outros fatores
reportados na literatura9. Uma alternativa viável a este tipo de delineamento é
Michele Caroline de Souza
99
Modelação multinível e delineamento longitudinal-misto
designando de longitudinal-misto que mantém intactas as virtualidades do
delineamento longitudinal puro e minimiza as suas desvantagens 5,9.
O delineamento longitudinal-misto, também designado de recolha
acelerada da informação longitudinal, parece ter sido inicialmente proposto por
Bell (1953)6,7. Caracteriza-se pela informação longitudinal de múltiplas coortes
independentes de sujeitos temporariamente sobrepostas9, ou seja, este
delineamento liga segmentos adjacentes de dados longitudinais de curta
duração provenientes das diferentes coortes. Dentre as suas vantagens
constam: (i) o período relativamente curto de acompanhamento dos sujeitos,
reduzindo os problemas cumulativos de efeito de re-testagem e drop out
amostral; (ii) os resultados da pesquisa podem ser produzidos mais
celeremente; (iii) a utilização de diferentes coortes aumenta a confiança na
generalização dos resultados, e (iv) a possibilidade em estimar, sempre que
necessário, a magnitude dos efeitos da idade, coorte e período de medição na
análise da mudança6,7,9.
A utilidade e versatilidade do delineamento longitudinal-misto na
investigação da mudança intraindividual e das diferenças interindividuais tem
sido bastante fértil em diferentes áreas do desenvolvimento humano - da
Psicologia à Auxologia, da Epidemiologia até à Saúde Pública5,8,9. Não
obstante a sua relevância, o seu uso não parece estar muito difundido no
espaço da lusofonia, principalmente no domínio da pesquisa em Educação
Física e Desporto. Tal como referido por Silva e colaboradores (2013)2, só foi
possível localizar dois estudos realizados em Portugal 10,11 e outros dois no
Brasil12,13 que recorreram a este delineamento.
Nunca será demais mencionar os desafios conceituais, metodológicos e
analíticos que enfrentam os pesquisadores da “coisa desenvolvimentista” muito
bem descritos por Collins (2006)14. A sua posição pode ser sumariada em três
etapas sequenciais: (i) o recurso a um modelo teórico bem articulado para
interpretar a mudança, (ii) servido por um delineamento temporal que permita
uma visão clara e detalhada do fenômeno em estudo, a que se associa (iii) um
modelo estatístico suficientemente elegante, flexível, eficiente e robusto para
Michele Caroline de Souza
100
Modelação multinível e delineamento longitudinal-misto
tratar a informação disponível. Tal como bem referem Bryk e Raudenbush 15, a
Modelação Multinível (MMN) apresenta-se como forte candidata para
responder aos desafios enunciados por Collins, em 2006, face à sua
versatilidade em permitir analisar e interpretar, de modo sólido e coerente, a
dinâmica da mudança intraindividual e das diferenças interindividuais, bem
como a possibilidade de incluir variáveis mediadoras e preditores fixos e/ou
dinâmicos a que se associa um modo adequado de lidar com os missings by
design gerados pelo delineamento longitudinal-misto3,14,16,17.
Não obstante a divulgação no espaço da língua Portuguesa da MMN em
variados domínios, bem como a existência de vários tutoriais 3,17,18, a sua
utilização não é ainda corrente na pesquisa em Educação Física e Ciências do
Esporte, sobretudo a que decorre do uso de delineamentos longitudinaismistos. Daqui que o grande propósito deste texto seja o de apresentar um
estudo longitudinal-misto no vasto domínio de confluências entre Educação
Física/Auxologia/Ciências do Esporte/Epidemiologia/Saúde Pública em curso
em Portugal, bem como o uso esclarecido da MMN para analisar a informação
decorrente da sua aplicação. Trata-se, em suma, de uma visita guiada com um
“manual de instruções”.
MÉTODOS
Amostra
Os dados utilizados são provenientes de um estudo longitudinal-misto
em curso na Região do Grande Porto, Portugal, que foi genericamente
desenhado para investigar a interação entre características individuais, fatores
ambientais e estilos de vida no crescimento físico, desempenho motor, estilos
de vida e indicadores da saúde de adolescentes portugueses com idades
compreendidas entre 10 e 18 anos. Esta pesquisa, em fase de conclusão,
pretende
analisar
adolescentes
amostrados
aleatoriamente
de
modo
estratificado, divididos em quatro coortes, avaliados anualmente durante 3 anos
consecutivos. A primeira coorte foi acompanhada dos 10 aos 12 anos; a
segunda dos 12 aos 14 anos; a terceira dos 14 aos 16 anos, e a quarta dos 16
aos 18 anos. A sobreposição temporal das coortes é feita aos 12, 14 e 16 anos
Michele Caroline de Souza
101
Modelação multinível e delineamento longitudinal-misto
de idade (Tabela 1). Para o presente estudo foram considerados os dados
obtidos de um total de 5155 indivíduos (Tabela 2), e as variáveis eleitas em
todas as análises foram a força de preensão manual (avaliada através de um
dinamômetro portátil da marca Takei Physical Fitness Test GRIP-D) seguindo
os critérios da bateria de testes da AAHPER Youth Fitness Test 19, e o
percentual de gordura corporal total (avaliado com um aparelho de impedância
bioeléctrica, TANITA BC-418 MA, com precisão de 0,1%). O projeto e os
protocolos de avaliação foram aprovados pelo Conselho Científico da
Faculdade de Desporto da Universidade do Porto, Portugal. As avaliações
foram realizadas somente após a assinatura do consentimento livre e
esclarecido pelos pais e/ou encarregados de educação dos adolescentes.
Tabela 1. Estrutura básica do delineamento longitudinal-misto de acordo com
as quatro coortes de idade.
Coorte 1
Coorte 2
10
11
12
12
13
Coorte 3
14
14
Coorte 4
15
16
16
17
18
Michele Caroline de Souza
102
Modelação multinível e delineamento longitudinal-misto
Tabela 2. Dimensão da amostra em função da idade, coorte (C1 a C4) e sexo.
Coorte
Idades
Meninos- Meninas
Total
C1
10-12
532-533
1065
C2
12-14
806-703
1509
C3
14-16
639-705
1344
C4
16-18
573-664
1237
Total
2550-2605
5155
Controle da qualidade da informação
A eficiência e o alcance dos resultados de uma pesquisa qualquer
repousam, em certa medida, nos distintos processos de controle da qualidade
da informação. No presente estudo este processo foi realizado em diferentes
etapas: (1) treino da equipe de “campo” por avaliadores experientes do
Laboratório de Cineantropometria e Estatística Aplicada da FADE-UP, Portugal;
(2) realização de retestes em subconjuntos aleatórios de sujeitos em cada dia
de avaliação ao longo de todo o processo de coleta dos dados; (3) controle da
entrada informatizada da informação e análise exploratória para identificar
possíveis erros e/ou a presença de outliers; e (4) cálculo de estimativas de
fiabilidade baseado no coeficiente de correlação intraclasse (R), sendo os
valores obtidos: teste de força de preensão manual, R=0,97; percentual de
gordura corporal total, R=0,99.
Procedimentos estatísticos
Tal como referido anteriormente, a análise exploratória (gráfica e
numérica) da informação foi realizada no software SPSS 20.0. A modelação
das mudanças na força de preensão foi efetuada no software HLM 7.0120,
através da técnica da MMN15,21.
A MMN é, simultaneamente, um modo de pensar22 e uma metodologia
elegante, robusta e extremamente flexível na análise de informação com uma
estrutura designada de multinível23. Quando aplicada a dados longitudinais,
Michele Caroline de Souza
103
Modelação multinível e delineamento longitudinal-misto
permite integrar de modo coerente, num modelo estatístico relativamente
complexo, a análise da mudança e variação intraindividual, à estimação da
trajetória média do grupo (de sujeitos), a que se associa a inclusão da análise
de variáveis preditoras ou correlatas (fixas e/ou dinâmicas) das diferenças
interindividuais na mudança da(s) variável(eis) em estudo15. De fato, não há
necessidade de haver uma única variável dependente, bem pelo contrário, é
possível incluir várias em simultâneo. Essencialmente, a estrutura analítica da
MMN encontra-se distribuída por níveis ou estratos organizacionais da
informação. Qualquer número de níveis pode ser apresentado, embora a
utilização mais frequente em delineamentos longitudinais seja de dois níveis –
medidas repetidas e sujeitos (do inglês repeated observations nested within
subjects)15,24,25.
No
primeiro
nível
informacional
de
um
delineamento
longitudinal-misto formula-se um modelo para descrever a mudança, linear ou
não, definido por um conjunto de parâmetros que descrevem as trajetórias
individuais (submodelo intraindividual ou de medidas repetidas). No segundo
nível assume-se que as estimativas desses parâmetros individuais variam em
função
de
um
conjunto
de
preditores
dos
sujeitos
(submodelo
interindividual)15,24,25. Essa interdependência entre os parâmetros do primeiro e
do segundo nível é, precisamente, o coração da estrutura hierárquica, a que se
associa, essencialmente, a estimação com métodos estatísticos robustos de
uma parte fixa e aleatória da MMN24,26.
No submodelo intraindividual, ou de medidas repetidas (1º nível), a
trajetória da mudança pode ser escrita, por exemplo, por uma função polinomial
do tempo:
Yti = β0i + β1iTti + β2iT2ti + … + βpiTgti + eti
(1)
Em que Yti representa a variável dependente para o indivíduo “i” na
ocasião “t”; os βs são coeficientes da função polinomial de grau p (β0i é o valor
no intercept ou baseline – cuja métrica temporal é habitualmente centrada no
início do estudo, e daqui a atribuição de significado ao valor 0; os β 1i, β2i, …, βpi
são os parâmetros descritores da trajetória de mudança indivíduo “i”); o e ti é o
Michele Caroline de Souza
104
Modelação multinível e delineamento longitudinal-misto
erro aleatório. A variável preditora do nível 1 é o tempo (do inglês time as a
predictor), representado na equação por Tti, podendo, por exemplo, ser descrito
pela idade do indivíduo “i” no tempo “t”. A potência T gti (onde g=1, 2, …, p)
representa a ordem da função polinomial, especificamente linear, quadrática,
cúbica, ou de maior complexidade. Por exemplo, na trajetória de mudança
intraindividual do sujeito i, descrita por um polinômio de segundo grau, teríamos
3 parâmetros: o valor no baseline (β0i), a velocidade (β1i) e a aceleração
(β2i)15,17,24-26.
Tal como anteriormente referido na equação (1) os valores dos
parâmetros descritores das trajetórias de mudança (i.e. os βs) variam entre os
indivíduos15-17,24-26. Ora no submodelo do 2º nível, há que modelar a
heterogeneidade das trajetórias, sendo que os parâmetros do primeiro nível
passam a ser as variáveis dependentes (do inglês intercepts and slopes as
outcomes):
β0i = γ00 + ս0i
β1i = γ10 + ս1i
⁞
(2)
βpi = γp0 + սpi .
Na equação (2), o valor do baseline (β0i) e os coeficientes de regressão
associados à trajetória do sujeito “i” (β1i, …, βpi) podem ser decompostos em
duas partes: uma que representa a trajetória média da mudança de todos os
indivíduos (a parte de efeitos fixos do modelo – do inglês fixed effect: γ00=
média no baseline, e γ10, …, γp0 representam as componentes da trajetória
média que pode ser o declive ou curva em função da complexidade do
polimônio); a outra parte, designada de aleatória (do inglês random effects: ս0i,
ս1i, …, սpi) expressam variabilidade no baseline, bem como heterogeneidade
no trajeto de mudança, i.e., os desvios dos parâmetros do indivíduo “i”
relativamente à trajetória média.
Michele Caroline de Souza
105
Modelação multinível e delineamento longitudinal-misto
No exemplo que apresentaremos de seguida, descreveremos as etapas
mais importantes do uso da MMN na análise e interpretação dos dados do
nosso delineamento.
Variáveis e problema em estudo
No nosso exemplo, um total de 5155 adolescentes, divididos em quatro
coortes, foram avaliados anualmente, durante três anos consecutivos (20112013) no teste de força estática de preensão manual e percentual de gordura
corporal total (%GTotal). Trata-se de um delineamento relativamente complexo
na sua organização e análise, pois além de descrever o comportamento do
desempenho na prova de preensão manual em função do tempo (i.e. mudança
intraindividual e diferenças interindividuais), também interpreta a influência de
dois tipos de preditores das mudanças observadas na performance dos
adolescentes: (i) um preditor dinâmico no tempo – a informação anualmente
obtida da %GTotal, e (ii) um preditor fixo no tempo – o gênero dos
adolescentes (meninas codificadas com o número 0, meninos com o 1).
Mediante a estrutura organizacional da informação foram colocadas
quatro perguntas que reputamos de relevantes:
1. Será possível modelar a mudança no desempenho da força estática de
preensão manual das 4 coortes de adolescentes seguidas de modo
longitudinal-misto dos 10 aos 18 anos? A resposta positiva implica uma ligação
das coortes numa trajetória típica, refletindo o comportamento médio do
desenvolvimento da força estática dos músculos da preensão manual.
2. Qual o efeito do %GTotal na performance do teste de preensão manual
desses adolescentes, independentemente do seu gênero? Trata-se, aqui, de
modelar o efeito de um preditor dinâmico no desenvolvimento da força.
3. Existem diferenças acentuadas entre gêneros no desempenho da força
estática manual? Se sim, devem ser marcadas por trajetórias médias
diferenciadas ao longo da idade.
Michele Caroline de Souza
106
Modelação multinível e delineamento longitudinal-misto
4. Haverá uma forte variabilidade nas trajetórias de desenvolvimento da força
estática manual nos adolescentes? Se ocorrer, deve ser referido pela
expressão
estatisticamente
significativa
da
variância
interindividual
e
intraindividual.
No sentido de responder às perguntas colocadas, o ajustamento dos
modelos foi realizado no software HLM 7.0120 através da técnica de estimação
de máxima verossimilhança (do inglês full information maximum likelihood),
suficientemente flexível para uso num delineamento longitudinal-misto. O
processo de estimação simultânea de todos os parâmetros dos vários modelos
utiliza toda a informação disponível, assumindo que o padrão de casos omissos
é at random (aleatório), uma consideração muito plausível, mas não tão
exigente quanto a missing completely at random27-29. Para melhor descrever as
trajetórias longitudinais individuais, trajetórias médias e respetivos preditores,
foi adotado um procedimento stepwise. Primeiramente, foi definido o
submodelo do 1º nível, utilizando-se uma função polinomial do tempo com
complexidade crescente. Para ter uma primeira impressão do comportamento
das medidas repetidas da preensão manual, os valores foram inicialmente
representados num spaghetti plot providenciado pelo HLM (ver Figura 1, parte
esquerda). Em seguida, baseado em sugestões da literatura 30,31 foram
ajustados numa série de modelos polinomiais até o 3º grau. A decisão final
sobre o melhor modelo foi realizada de acordo com a Deviance (estatística que
expressa a qualidade do modelo) e as correspondentes alterações no valor de
Qui-quadrado; o modelo mais complexo, i.e., com mais parâmetros, será
melhor que o anterior se o valor da Deviance diminuir e esse decréscimo for
estatisticamente significativo. Essa hipótese é testada pela estatística do Quiquadrado e seus respetivos graus de liberdade, que são iguais à diferença
entre o número de parâmetros estimados em cada modelo.
Michele Caroline de Souza
107
Modelação multinível e delineamento longitudinal-misto
Figura 1. Representação do desempenho da força de preensão das quatro
coortes de adolescentes em função do tempo (outputs do HLM 7.01). Parte
esquerda: dados originais; parte direita: dados ajustados com uma nova
métrica temporal.
O passo seguinte foi testar a importância da covariável dinâmica no
tempo (%GTotal), que é necessariamente incluída no submodelo do 1º nível.
Finalmente, foi incluído, no submodelo do 2º nível o preditor fixo no tempo
(gênero). Todos os parâmetros foram simultaneamente estimados e foi testada
a sua significância em termos estatísticos. Para facilitar a interpretação dos
resultados, sobretudo da dimensão temporal, é necessário efetuar uma
alteração da métrica temporal. Como cada coorte tem três avaliações no tempo
(C1: avaliação 1, 2 e 3; C2: avaliação 3, 4 e 5; C3: avaliação 5, 6 e 7; C4:
avaliação 7, 8 e 9), com um registro temporal em sobreposição, começamos a
“contar o tempo do desenvolvimento da força estática” no início do estudo, i.e.,
na primeira avaliação da C1=10 anos. Deste modo o momento 0 corresponde
aos 10 anos de idade. A métrica temporal do eixo X passou a ser: 0, 1, 2, 3, 4,
5, 6, 7 e 8, que corresponde aos 10, 11, 12, 13, 14, 15, 16, 17 e 18 anos de
idade.
RESULTADOS
Passamos, agora, a responder à primeira pergunta deste tutorial sobre a
possibilidade de modelar a mudança no desempenho da força estática de
preensão manual das 4 coortes de adolescentes. Na parte direita da Figura 1 e
Michele Caroline de Souza
108
Modelação multinível e delineamento longitudinal-misto
no Modelo 1 da Tabela 3 temos a resposta positiva. Com base na redução
significativa (χ2=53,412, p<0.001) da Deviance verificamos que um polinômio
do 2º grau se ajusta bem às trajetórias individuais. A interpretação dos
resultados é a seguinte: (i) o valor médio do desempenho da força de preensão
manual de todos os adolescentes no Baseline, i.e. aos 10 anos, é
15,660±0,148 kgf; (ii) o incremento médio anual de força estática manual é de
3,358±0,086 kgf/ano; (iii) há uma tendência para a estabilização dos ganhos,
uma vez que a aceleração é negativa (β=-0,089±0,012 kgf/ano2).
A segunda pergunta de estudo procurava esclarecer acerca do efeito do
%GTotal na performance do teste de preensão manual dos adolescentes,
independente do seu gênero. Os resultados deste segundo modelo estão na
Tabela 3, mostrando um efeito negativo do %GTotal no desempenho dos
adolescentes (β=-0,131±0,011 kgf/ano). Isto significa que os adolescentes com
percentual de gordura mais elevada têm, em média, menores incrementos
anuais de força estática manual.
A terceira pergunta de estudo a ser respondida relacionava-se com a
possível presença de diferenças entre gêneros no desempenho da força
estática manual. A resposta está não só na Figura 2, que evidencia trajetórias
médias distintas ao longo das idades, mas também nos resultados do Modelo 3
(ver Tabela 3), no qual se constata que: (i) o valor médio de preensão manual
das meninas no Baseline (i.e., aos 10 anos) é 16,392±0,188 kgf, sendo os
meninos, em média, 2,370±0,252 kgf mais fracos; (ii) a média de velocidade de
ganhos anuais de força das meninas é de 2,563±0.090 kgf/ano; no entanto, os
meninos têm ganhos superiores em 4,680 kgf/ano (2,563+2,117); (iii) parece
haver uma tendência para a estabilização dos incrementos de força estática
manual (β=-0,117±0,011kgf/ano2). Chamamos a atenção do leitor que não
apresentamos um efeito aleatório na aceleração (i.e., diferenças interindividuais
na aceleração) por dois motivos: primeiro porque não há informação na
literatura sobre esta matéria que justifique a sua inclusão (ver Malina et al,
200430); segundo porque a sua inclusão não representava um ganho
Michele Caroline de Souza
109
Modelação multinível e delineamento longitudinal-misto
interpretativo – esta variância não era significativa, o algoritmo precisava de
muitas interações para convergir e a Deviance não era significativa.
Tabela 3. Parâmetros (±erro-padrão) dos modelos ajustados para o
desempenho da força de preensão, com preditores variantes e invariantes no
tempo.
Parâmetros
Modelo1
(polinômio de 2ºgrau)
Modelo 2
(Modelo 1 + efeito do
%GTotal)
Modelo 3
(Modelo 2 + efeito do
gênero)
Efeitos Fixos
Baseline
Sexo
Velocidade
Sexo
Aceleração
Efeito do %GTotal
15,660±0,148*
15,585±0,153*
3,358±0,086*
3,429±0,086*
-0,089±0,012*
-0,099±0,012*
-0,131±0,011*
16,392±0,188*
-2,370±0,252*
2,563±0,090*
2,117±0,061*
-0,117±0,011*
0,025±0,012**
9,511*
0,950*
8,858
7
58042,370
12,118*
0,820*
8,852
8
57478,232
14,205*
0,087*
8,883
10
55897,346
Efeitos Aleatórios
Variância no Baseline
Variância nas velocidades
Variância residual
Número de parâmetros
Deviance
*p<0,001; **p=0,031
Figura 2. Representação das trajetórias médias dos sujeitos dos dois sexos em
função do tempo na parte esquerda da Figura. Na parte direita, temos as
trajetórias em função, também, do Percentil 25 e 75 da %GTotal (output do
HLM 7.01).
Michele Caroline de Souza
110
Modelação multinível e delineamento longitudinal-misto
Finalmente, a quarta pergunta tratava da identificação da forte
variabilidade (i.e., variância estatisticamente significativa) nas trajetórias
intraindividuais e nas diferenças entre sujeitos no desenvolvimento da sua força
estática manual. Nos três modelos a componente aleatória mostra isso mesmo:
variância significativa entre sujeitos (no Baseline e na velocidade), e
intraindividual (variância residual) (Tabela 3).
DISCUSSÃO
Este texto apresenta, na sua essência, um elucidativo ainda que breve
sobre o uso esclarecido da MMN com informação proveniente de um
delineamento longitudinal-misto. Para tanto servimo-nos da prova da força de
preensão manual cujos dados foram colhidos sucessivamente durante 3 anos
em diferentes coortes de adolescentes dos 10 aos 18 anos. O recurso do
delineamento em apreço permitiu a recolha mais célere da informação. Do
mesmo modo, a metodologia impressa na MMN mostrou-se suficientemente
elegante e flexível para acomodar num modelo único, aspetos da mudança
individual e das diferenças interindividuais do desempenho da força estática
condicionado à ação do tempo.
As vantagens e utilidade do delineamento longitudinal-misto estão bem
expressas na literatura internacional5,7-9,25,31,32. Um excelente exemplo do valor
deste delineamento em produzir resultados estatísticos semelhantes ao de um
delineamento longitudinal puro foi apresentado por Duncan e colaboradores em
19968. Os autores compararam as trajetórias de mudança do uso de álcool de
adolescentes dos 12 aos 17 anos, provenientes de dois processos de
delineamentos - longitudinal puro e misto. No estudo longitudinal puro, uma
coorte única de 81 adolescentes foi acompanhada durante 6 avaliações anuais
consecutivas; no delineamento misto, 4 coortes de diferentes sujeitos (n=461)
foram avaliadas anualmente, durante 3 anos. Os modelos não diferiram
significativamente
nos
resultados
nem
nas
representações
gráficas.
Adicionalmente, as análises mostraram efeitos similares das covariáveis
utilizadas para predizer aspectos da mudança intraindividual e diferenças entre
sujeitos. Num outro estudo longitudinal-misto de 4 anos, os mesmos autores32
Michele Caroline de Souza
111
Modelação multinível e delineamento longitudinal-misto
examinaram a mudança nos níveis de atividade física de adolescentes, dos 12
aos 17 anos de idade, condicionados a fatores pessoais, familiares e dos pares
de amigos. Os resultados mostraram um declínio significativo nos níveis de
atividade física; adicionalmente ressaltaram a importância e o valor do
delineamento utilizado para modelar a trajetória dos sujeitos em um menor
espaço de tempo, minimizando algumas desvantagens do delineamento
longitudinal puro.
Tal como referido anteriormente, para além da implementação de um
design temporal que favoreça uma visão detalhada da mudança do fenômeno
em estudo, é indispensável um modelo estatístico que possibilite a análise
multivariada do processo de mudança14. O delineamento longitudinal-misto
permite inúmeras possibilidades de análise de dados. Usualmente, há alguma
tendência para recorrer a métodos analíticos tradicionais de efeitos fixos, como
a regressão múltipla e análise de variância, que são limitados e restritivos no
seu tratamento das medidas repetidas9,16,24, sobretudo por utilizarem somente
informação completa, o que pode limitar o poder estatístico bem como a
generalização das conclusões. A MMN considera, simultaneamente efeitos
fixos e aleatórios, é muito mais versátil, sendo ajustável à estrutura de dados
provenientes de delineamentos longitudinais-mistos9: (i) é suficientemente
flexível para permitir a presença de informação omissa gerada pelo design
misto (missing by design); (ii) os parâmetros estimados pelos modelos testados
são mais precisos, visto que toda a informação disponível é considerada; (iii)
permite o uso de preditores discretos e contínuos para modelar a mudança; (iv)
o espaçamento temporal pode variar entre os sujeitos; (v) permite a estimação
direta da correlação entre mudança e status inicial, e (vi) exibe um elevado
potencial
interpretativo
da
mudança
intraindividual
e
das
diferenças
interindividuais associadas à influência de diferentes preditores 3,9,15,20,24.
No nosso exemplo, a MMN foi utilizada para ajustar modelos
hierárquicos de natureza expansiva (i.e, com aumento no número de
parâmetros) para modelar a mudança no desempenho de força de preensão
manual. Na Tabela 3, de acordo com as diferenças significativas nas
Michele Caroline de Souza
112
Modelação multinível e delineamento longitudinal-misto
Deviances (χ2=1580,885, p<0.001), fica evidente que cada modelo foi melhor
que o anterior para descrever a complexidade dos dados. Os resultados do
último modelo mostraram que no início do estudo as meninas tinham, em
média, mais força estática que os meninos; no entanto, estes apresentaram
maiores ganhos anuais de desempenho, superando as meninas ao longo do
tempo.
Adolescentes
intraindividuais
de
de
ambos
mudança
os
sexos
curvilíneas,
apresentaram
havendo
uma
trajetórias
tendência
de
estabilização dos ganhos, uma vez que a aceleração foi negativa. A associação
do %GTotal com a força de preensão foi positiva ao longo de toda a trajetória
de mudança da preensão.
Informações longitudinais sobre o desempenho motor de adolescentes
são em sua maioria datadas; contudo, apresentam descrições e interpretações
importantes acerca da mudança condicionada pelo tempo (i.e., pela idade
cronológica). Tal como salientado no nosso exemplo, Malina e colaboradores 30
relatam a existência de diferenças significativas entre sexos no desempenho da
força estática entre os 6 e os 18 anos. Os dados apresentados por estes
autores retratam um aumento linear de força de acordo com a idade até os 13
ou 14 anos nos meninos, momento em que há uma aceleração no
desenvolvimento da força; nas meninas o aumento é linear até cerca dos 16 ou
17 anos, sem evidências claras de um estirão. Embora pequena, a diferença
entre sexos é significativa durante a infância, favorecendo sempre os rapazes.
As diferenças mais expressivas ocorrem sobretudo após o período pubertário,
com a marcada aceleração no desenvolvimento de força dos meninos. Esta
vantagem de desempenho dos meninos não foi observada no baseline do
nosso estudo, podendo estar relacionada com o período pré-pubertário das
meninas, que geralmente começa aos 10 anos30. Nesse mesmo sentido, a
análise cuidadosa da informação recentemente disponibilizada por Silva e
colaboradores31, de crianças e jovens da região norte do Brasil, mostra um
quadro semelhante, meninas com maturação avançada apresentam valores de
preensão manual superiores a meninos com maturação on time, entre
aproximadamente os 10 e 13 anos de idade; as meninas com maturação on
time têm valores semelhantes aos meninos entre os 10 e 12 anos.
Michele Caroline de Souza
113
Modelação multinível e delineamento longitudinal-misto
O %GTtotal foi um preditor dinâmico positivo da força de preensão.
Apesar do valor da estimativa do parâmetro ser muito reduzido (β=0,025±0,012
kgf/ano), é significativo indicando que adolescentes com maior percentual de
gordura têm, em termos absolutos, melhores desempenhos de força de
preensão manual. Mais uma vez, o estudo de Silva e colaboradores 31 vai ao
encontro desses resultados, ao referir que a massa gorda corporal (mensurada
pela soma de pregas subcutâneas) é um preditor positivo no desempenho da
força estática manual. Este efeito positivo faz sentido, uma vez que estamos
tratando de valores absolutos de força isométrica, que dependem do tamanho
corporal dos sujeitos, como é bem conhecido na literatura30.
Para além da interpretação dos efeitos fixos, os efeitos aleatórios do
nosso modelo merecem interpretação. O leitor verificou que a variância na
velocidade de ganhos diminuiu do Modelo 1 para o Modelo 3 (ver Tabela 3), o
que permite interpretar o “poder explicativo” do %GTotal e do gênero nas
diferenças de desempenho entre sujeitos. Uma forma de interpretar a
relevância desses preditores é contrastar a magnitude das variâncias. Deste
modo, do modelo não condicionado (i.e, sem preditores) para o modelo
condicionado
pelo
%Gtotal,
temos
o
seguinte
cálculo:
[(0,950-
0,820)/0,950]=0,136. Isso significa que o preditor dinâmico explicou 13,6% da
variabilidade nos ganhos de força estática dos adolescentes. Ao inserirmos o
preditor fixo (sexo) no modelo final, temos: [(0,820-0,087)/0,820]=0,894; uma
explicação de 89,4% da variância na velocidade. A diferença entre 89,4% e
13,6% é de 75,8%, e indica, essencialmente, a grande relevância desses dois
preditores na identificação das diferenças de ganhos entre os sujeitos.
De modo contrário, a variância no baseline não diminiu, apesar dos
modelos condicionados serem significativos. Com a inclusão dos preditores
(%GTotal e gênero), os adolescentes se tornaram ainda mais diferentes em
seus valores iniciais. Esse fato, seguramente, reflete a urgência em incluir
outras variáveis correlatas da mudança do desempenho de força estática,
como por exemplo, o status maturacional. Adicionalmente, a presença de
variabilidade residual remanescente reforça a necessidade de maior esforço na
Michele Caroline de Souza
114
Modelação multinível e delineamento longitudinal-misto
modelação das trajetórias para explicar a heterogeneidade intraindividual da
mudança.
Em conclusão, este estudo reforçou a validade e flexibilidade do uso do
delineamento longitudinal-misto em pesquisas com informação repetida no
tempo, sobretudo quando associado a técnicas robustas de análise, como a
MMN. Esta metodologia analítica foi suficientemente flexível e altamente
versátil na interpretação de aspectos da mudança individual e das diferenças
interindividuais do desempenho da força estática ao longo do tempo. É claro
que este é apenas um exemplo da enorme aplicabilidade deste modelo, que
pode e deve ser estendido a diferentes domínios da Educação Física e
Ciências do Esporte.
Agradecimentos: A todos os profissionais de Educação Física e Desporto
envolvidos no estudo; à Fundação para Ciência e Tecnologia (FCT) de Portugal
(financiamento
ao
projeto
de
referência
PTDC/DES/67569/2006)
e
à
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – CAPES
(bolsa de Doutorado pleno no exterior). Um agradecimento especial a todos os
adolescentes participantes do estudo.
Conflito de interesses: Os autores do artigo intitulado “Modelação multinível e
delineamento longitudinal-misto na pesquisa em Educação Física e Ciências do
Esporte.”, declaram não ter nenhum potencial de conflito de interesse em
relação ao presente, submetido à Revista Brasileira de Educação Física e
Esporte.
Michele Caroline de Souza
115
Modelação multinível e delineamento longitudinal-misto
REFERÊNCIAS:
1.
Baltes P, Nesselroade J. History and rationale of longitudinal research.
In: Nesselroade JB, P, editor. Longitudinal research in the study of behavior and
development. Michigan: Academic Press; 1979.
2.
da Silva S, Beunen G, Freitas D, Maia J. Estudos longitudinais sobre o
crescimento somático e desempenho motor: delineamentos, desafios e
necessidades. Rev Bras Cineantropom Desempenho Hum. 2013;15(1):130-43.
3.
Maia J, Basso L, Oliveira J, et al. O desafio da informação longitudinal:
um passeio "guiado" sobre modelação hierárquica, "tracking" e informação
omissa com um conjunto de dados do estudo de Muzambinho. Rev Bras Edu
Fís Esporte. 2010;24(3):413-31.
4.
Taris TW. A Primer in Longitudinal Data Analysis. London, Thousand
Oaks and New Delhi: SAGE Publications; 2000.
5.
Anderson ER. Analyzing change in short-term longitudinal research using
cohort-sequential designs. J Consult Clin Psychol. 1993;61(6):929-40.
6.
Bell RQ. Convergence: an accelerated longitudinal approach. Child Dev.
1953;24(2):145-52.
7.
Bell RQ. An experimental test of the accelerated longitudinal approach.
Child Dev. 1954;25(4):281-6.
8.
Duncan S, Duncan T, Hops H. Analysis of longitudinal data within
accelerated longitudinal designs. Psychol Methods. 1996;1(3):236-48.
9.
Duncan S, Duncan T. Accelerated Longitudinal Designs. In: Laursen B,
Litlle T, Card N, editors. Handbook of Developmental Research Methods. New
YorK: The Guilford Press; 2012. p. 31-45.
10.
Freitas D, Maia J, Beunen G, et al. Crescimento Somático, Maturação
Biológica, Aptidão Física, Atctividade Física e Estatuto Socioeconómico de
Michele Caroline de Souza
116
Modelação multinível e delineamento longitudinal-misto
Crianças e Adolescentes Madeirenses- O Estudo de Crescimento da Madeira:
SAEFD Universidade da Madeira; 2002.
11.
Maia J, Lopes V. Um olhar sobre Criança e Jovens da Região Autónoma
dos Açores. Implicações para Educação Física, Desportos e Saúde. Porto:
FCDEF; 2003.
12.
Basso L, Meira C, Oliveira J, et al. Crescimento e desenvolvimento motor
de escolares de Muzambinho: Um estuco com implicações acadêmicas, sociais
e de política interinstitucional. Rev Port Cien do Desp. 2009;9(2-3):247-57.
13.
Biassio L, Matsudo S, Matsudo V. Impacto da Menarca nas Variáveis
Antropométricas
e
Neuromotoras
da
Aptidão
Física,
Analisado
Longitudinalmente. RBCM. 2004;12(2):97-101.
14.
Collins LM. Analysis of longitudinal data: the integration of theoretical
model, temporal design, and statistical model. Annu Rev Psychol. 2006;57:50528.
15.
Bryk A, Raudenbush S. Application of Hierarchical Linear Models to
Assessing Change. Psychol Bull. 1987;101(1):147-58.
16.
Francis DJ, Fletcher JM, Stuebing KK, Davidson KC, Thompson NM.
Analysis of change: modeling individual growth. J Consult Clin Psychol.
1991;59(1):27-37.
17.
Maia J, Garganta R, Seabra A, et al. Dados longitudinais e Modelação
hierárquica. Um tutorial para investigadores das Ciências do Desporto. Rev
Bras Cineantropom Desempenho Hum. 2005;7(2):94-108.
18.
Fausto M, Carneiro M, Antunes C, Pinto J, Colosimo E. O modelo de
regressão linear misto para dados longitudinais: uma aplicação na análise de
dados antropométricos desbalanceados. Cad. Saúde Pública. 2008;24(3):51324.
Michele Caroline de Souza
117
Modelação multinível e delineamento longitudinal-misto
19.
AAHPER. American Alliance for Health Physival Education and
Reacreation. Youth Fitness Test Manual. Washington, DC; 1976.
20.
Raudenbush S, Bryk A, Cheong Y, Congdon R, du Toit M. HLM 7.
Hierarchical linear & nonlinear modeling. SSI, Scientific Software International.
Lincolnwood, IL; 2011.
21.
Raudenbush S, Bryk A. Hierarchical linear models. Applications and data
analysis methods. 2nd edition ed. Thousand Oaks: Sage Publiations; 2002.
22.
Courgeau D. Methodology and epistemology of multilevel analysis.
Approaches from different social sciences. Dordrecht: Kluwer academic
publishers; 2003.
23.
Snijders T, Bosker R. Multilevel analysis. An introduction to basic and
advanced multilevel modeling. Los Angeles: Sage; 2012.
24.
Hernández-Lloreda M, Colmenares F, Arias R. Application of hierarchical
linear modeling to the study of trajectories of behavioural development. Anim
Behav. 2003;66:607-13.
25.
Raudenbush S, Chan W. Growth curve analysis in Accelerated
Longitudinal Designs. J Res Crime Delinq. 1992;29(4):387-411.
26.
Hofmann D, Jacobs R, Baratta J. Dynamic Criteria and the Measurement
of Change. J Appl Psychol. 1993;78(2):194-204.
27.
Anderson ER. Accelerating and maximizing information from a short-term
longitudinal research. In: Gottman J, editor. The analysis of change. Mahwah,
New Jersey: Lawrence Erlbaum Associates, Publishers; 1995. p. 139-64.
28.
Hedeker D, Gibbons R. Longitudinal data analysis. New Jersey: John
Wiley & Sons IH; 2006.
29.
Raudenbush S. Hierarchical linear models to study the effects of social
context on development. In: Gottman J, editor. The analysis of change.
Michele Caroline de Souza
118
Modelação multinível e delineamento longitudinal-misto
Mahwah, New Jersey: Lawrence Erlbaum Associates, Publishers; 1995. p. 165202.
30.
Malina R, Bouchard C, Bar-Or C. Growth, Maturation and Physical
Activity. 2º Edition. Champaign, Illinois: Human Kinetics; 2004.
31.
Silva S, Beunen G, Claessens A, et al. Development of strength
parameters during childhood and youth: a longitudinal study from Cariri, Brazil.
In: Katzmarzyk P, Coelho e Silva M, editors. Growth and maturation in human
biology and sports. Festschrift honoring Robert M Malina by fellows and
colleagues. Coimbra: Imprensa da Universidade de Coimbra; 2013. p. 71-86.
32.
Duncan SC, Duncan TE, Strycker LA, Chaumeton NR. A cohort-
sequential latent growth model of physical activity from ages 12 to 17 years.
Ann Behav Med. 2007;33(1):80-9.
Michele Caroline de Souza
119
CAPÍTULO III
Estudos Analíticos
Estudo IV
Short-term tracking of youth physical fitness: The Oporto Growth,
Health and Performance Study
Michele Souza 1,2, Joey Eisenmann 3, Raquel Chaves 4, Daniel Santos 1, Sara
Pereira1, Cláudia Forjaz5, José Maia 1.
Artigo submetido à Scandinavian Journal of Medicine & Science in Sports
(Dinamarca)
1
CIFI2D, Faculty of Sport, University of Porto. Porto- Portugal.
2
3
CAPES Foundation, Ministry of Education of Brazil. DF- Brazil.
Department of Radiology, Michigan State University. East Lansing- USA.
4
5
Federal University of Technology of Paraná. Curitiba- Brazil.
Exercise Hemodynamic Laboratory, School of Physical Education and Sport,
University of São Paulo. São Paulo-Brazil.
Short-term tracking of youth physical fitness
ABSTRACT
Purpose: This study aimed to investigate short-term tracking of
cardiorespiratory and performance-related physical fitness among adolescents
using distinct approaches.
Methods: Data were obtained from the Oporto Growth, Health and
Performance Study and comprised 1203 adolescents (549 girls) divided into two
age cohorts (10 to 12 and 12 to 14 years) followed for three consecutive years,
with annual assessment. Cardiorespiratory fitness was assessed with 1-mile
run/walk test; 50 yard dash, standing long jump, handgrip and shuttle run test
were used to rate performance-related physical fitness. Tracking was expressed
in three different ways: auto-correlations, multilevel modelling with crude and
adjusted model (for biological maturation, body mass index and physical
activity) and Cohen’s Kappa computed in IBM SPSS 20.0, HLM 7.01 and LDA
software, respectively.
Results: Tracking of physical fitness components was (1) moderate-tohigh when described by auto-correlations; (2) low-to-moderate when crude and
adjusted models were used; and (3) low according to Cohen’s Kappa.
Conclusions: When describing tracking, different methods should be
considered since they provide distinct and more comprehensive views about
physical fitness stability patterns.
Key-words: stability, change, fitness, adolescents.
Michele Caroline de Souza
125
Short-term tracking of youth physical fitness
INTRODUCTION
Physical fitness (PF) is a complex and multi-faceted construct integrating
a
wide
set
of
bodily
functions
-
morphological,
muscular,
motor,
cardiorespiratory and metabolic (Bouchard & Shepard, 1994; Malina, 2001;
Ortega et al., 2008). Although there is no universal definition, PF is generally
regarded as the capacity to perform daily physical activities without undue
fatigue (Safrit, 1990; Bouchard & Shepard, 1994; Ortega, 2008; Ortega et al.,
2013; Smith et al., 2014). Further, most of the available test batteries include
components that are interchangeably applied to assess both performance and
health-related PF (Safrit, 1990).
There is a consistent body of evidence relating the favorable effects of
moderate-to-high levels of PF to health-related outcomes, namely adiposity,
cardio-metabolic risk factors, bone, and psychological traits in childhood and
adolescence (Malina, 2001; Ortega, 2008; Moliner-Urdiales et al., 2010; Ortega
et al., 2011; Ortega, 2013; Smith, 2014). The benefits of PF have also been
reported among overweight children and adolescents giving rise to the “fat but
fit” paradigm (Ortega, 2008; Brouwer et al., 2013; Ortega, 2013). Besides health
benefits, one of the major reasons to target PF in children and adolescents
relates to their developmental periods in terms of acquisition of health behaviors
which are believed to persist later in life (Ortega, 2008; Pate et al., 2012;
Ortega, 2013), i.e., they track over time. Further, children and adolescents need
to develop fundamental and specialized motor skills in order to motivate
themselves to participate in sports later in life (Malina et al., 2004). Additionally,
improvements in these PF and motor skills may also make daily physical activity
and exercise easier to perform and hence more enjoyable (Malina, 2004; Smith,
2014).
Tracking studies are most often conducted to describe patterns of growth
or change (Kowalski & Schneiderman, 1992). In epidemiology, tracking is
mainly used to estimate the relative stability of factors related to chronic
diseases (Kowalski & Schneiderman, 1992; Twisk, 2003) and to predict, to
Michele Caroline de Souza
127
Short-term tracking of youth physical fitness
some extent, later values (Kowalski & Schneiderman, 1992; Malina, 2001;
Twisk, 2003). Tracking studies on PF generally suggest moderate to moderately
high coefficients from childhood to adolescence (Malina, 2001; Da Silva et al.,
2013; Pahkala et al., 2013) but inter-age auto-correlations can range from low
to moderately high (e.g., 0.24 to 0.71 for muscular strength and 0.30 to 0.61 for
cardiorespiratory fitness)(Malina, 2001).
Despite recommendations about PF levels (Eisenmann et al., 2011; Welk
et al., 2011), there has been an increase in the adoption of sedentary behaviors
among children and adolescents which in turn compromises their PF with a
negative impact on health-outcomes (Pahkala, 2013; Smith, 2014). From a
health promotion perspective, information about the dynamics of short- and
long-term changes in PF during childhood and adolescence provides reliable
knowledge about the stability in PF allowing the early identification of subjects
with an unfit profile, that may be useful in the implementation of preventive
measures (Janz et al., 2000; Malina, 2001; Da Silva, 2013; Ortega, 2013).
Methodologically, there are a wealth of statistical techniques to address
tracking (Kowalski & Schneiderman, 1992; Twisk, 2003), but most PF studies
are based on auto-correlations (Malina, 2001; Da Silva, 2013). Tracking is an
important facet when describing longitudinal changes occurring in a certain
variable, and in order to take full advantage of the available information, it is of
great interest to jointly consider the influence of time-varying and/or timeinvariant covariates (Twisk, 2003; Maia et al., 2010; Da Silva, 2013; Rodrigues
et al., 2013). The combined use of more adequate statistical techniques makes
it possible to explore more challenging issues arising from the notion of
(in)stability of longitudinal data that goes beyond the information provided by
auto-correlations, namely about individual characteristics, dynamics of change
of each subject in relation to his/her group over time, as well as inter-individual
differences in intra-individual changes. Therefore, the aim of this study is to
investigate short-term tracking of cardiorespiratory and performance-related PF
among adolescents using three distinct approaches: (1) auto-correlations, (2)
multilevel modeling based on a statistical approach suggested by Twisk (2003)
Michele Caroline de Souza
128
Short-term tracking of youth physical fitness
correcting tracking values for time-varying covariates, and (3) Cohen’s Kappa in
order to identify group and individual tracking as well as individuals whose
trajectories are instable across time. As such, discussing the interpretation of
different ways to describe tracking of PF components will enhance our
understanding about their (in)stability patterns or changes during the transition
from childhood to adolescence. Further, this will provide more reliable
information in targeting children at risk when developing more efficient
interventions programs.
MATERIAL AND METHODS
Sample
Data are from the Oporto Growth, Health and Performance Study
(OGHPS) whose main aim is to investigate, longitudinally, the interaction
among individual characteristics, environmental factors and lifestyle predictors
that affect growth, development and health aspects of Portuguese adolescents.
The OGHPS has a mixed-longitudinal design involving randomly selected
adolescents from 10 to 18 years old divided into four cohorts. The first cohort
was followed annually from 10 to 12 years; the second from 12 to 14 years; the
third from 14 to 16, and the fourth from 16 to 18 years.
For the present study we will only consider adolescents from the first and
second cohorts (10-14 years) given they represent the pubertal period (i.e.,
mean age at peak height velocity 12 in girls and 14 in boys). To make maximum
use of the data, all valid data on each PF test was included. Consequently,
sample sizes vary in each PF test (see Table 2). All measurements were
conducted annually during the same months. Legal authorization was obtained
from school directors, and parents gave their informed consent; the Ethics
Committee of the University of Porto approved the project.
Anthropometry
Anthropometric measurements were made by trained staff following the
International Society for the Advancement of Kinanthropometry (Ross & Ward,
1986) standardized protocols. Height was measured to the nearest 0.1
Michele Caroline de Souza
129
Short-term tracking of youth physical fitness
centimeter with a portable stadiometer (Holtain, UK). Body mass (kg) was
measured with a portable bioelectrical impedance scale using the TANITA BC418 MA Segmental Body Composition Analyser (Tanita, Corporation, Tokyo,
Japan) with a 0.1 kg precision. Body mass index (BMI) was computed using the
standard formula BMI=[body mass (kg)/height (m)2].
Biological Maturation
Biological maturation was indirectly assessed by the maturity offset
regression procedure proposed by Mirwald et al. (2002) which estimates how
many years a subject is from peak height velocity (PHV). A positive (+) maturity
offset represents the number of years the participant is beyond PHV, whereas a
negative (–) maturity offset represents the number of years the subject is before
from PHV. Estimated age at peak height velocity is determined by chronological
age minus maturity offset.
Physical fitness
Aerobic capacity was assessed via 1-mile run/walk test as described in
the Fitnessgram battery (Fitnessgram, 1994). In brief, all subjects ran/walked a
distance of 1609m in the shortest time possible. Performance-related fitness
was assessed with several items from the AAHPERD youth fitness test
(AAHPER, 1976) and included: (a) Running speed - 50 yard dash test: all
subjects ran this distance in the shortest time possible; (b) Explosive leg power
- standing long jump test: all subjects jumped as far as possible from a standing
position; (c) Static strength - grip strength test: all subjects gripped the
dynamometer (Takei Physical Fitness Test GRIP-D, Japan) with maximum
force during 5 to 10 s; and (d) Agility - shuttle-run test: all subjects ran as fast as
possible from the starting line to a line 9 m away where two small wooden
blocks were placed, picked-up one of the blocks, returned to the starting line,
placed the block on the line, and then repeated route.
Physical activity
Total
physical
activity
(TPA)
was
estimated
with
the
Baecke
questionnaire (Baecke et al., 1982), a reliable and valid instrument (Miller et al.,
Michele Caroline de Souza
130
Short-term tracking of youth physical fitness
1994; Philippaerts et al., 1999) that describes three basic domains of PA,
namely school PA, leisure time PA and sport participation PA. It comprises a
total of 16 questions divided into these domains and each is scored from 1
(minimal PA) to 5 (maximal PA). TPA score is obtained from the unweighted
sum of the three domains, and scores ranged from 3 (lowest) to 15 (highest). All
adolescents answered the questionnaires during their physical education
classes under the supervision of the physical education teachers who were
trained by the research team.
Data quality control
Data quality control was assessed in three different steps: (1) training of
all team members by experienced researchers of the Kinanthropometry
Laboratory of the Sports Faculty, University of Porto, Portugal; (2) conducting
random retests (intra-rater reliability) on each assessment day; (3) reliability
calculations using the ANOVA-based intraclass correlation coefficient (R), as
well as the technical error of the measurement (TEM): TEM=0.1cm for height
and 0.1kg for body mass; for PF tests, R values ranged from 0.88 (shuttle run)
to 0.95 (handgrip); for PA, R=0.75.
Statistical analysis
All analyses were stratified by gender. Exploratory and descriptive data
analyses were conducted in IBM SPSS 20.0 software to check for the presence
of outliers.
Tracking was expressed in three different ways. Firstly, auto-correlations
(r) were computed in IBM SPSS 20.0 software. Since we have three data points
in each cohort, three auto-correlations are available within each cohort. In order
to have a single auto-correlation within cohort to express tracking, each value
was transformed to a Fisher’s z value; then, the three Fisher’s z values were
added and the mean calculated; finally, the mean Fisher’s z value was
transformed back into an auto-correlation value, labelled as mean r.
Michele Caroline de Souza
131
Short-term tracking of youth physical fitness
Secondly, crude and adjusted tracking coefficients were calculated in
HLM 7.01 software following a statistical model suggested by Twisk (2003) and
expressed by the following formula,
𝐽
𝑌𝑖𝑡 = 𝛽0 + 𝛽1 𝑌𝑖𝑡1 + 𝛽2 𝑡 + ∑ 𝛽3𝑗 𝑋𝑖𝑗𝑡 + 𝜀𝑖𝑡
𝑗=1
For the sake of clarity, we will define its components by use of an
example with the handgrip test. 𝑌𝑖𝑡 is the expected handgrip level for subject i at
time t, 𝑌𝑖𝑡1 is the expected handgrip level at baseline for subject i, 𝛽1 is the
regression coefficient used as a tracking coefficient, 𝛽2 is the regression
coefficient for time (in our case a three-year period), 𝑋𝑖𝑗𝑡 is the time-varying
covariate j of individual i (our time-varying variables are BMI, maturity offset,
and PA), β3j is the regression coefficient for each time-varying covariate j, J is
the number of time-varying covariates, and 𝜀𝑖𝑡 is the error for subject i at timepoint t. Based on this model, crude tracking coefficients were first calculated
and the value of the initial measurement at t1 (𝑌𝑖𝑡1 ) was regressed on the entire
longitudinal data available from t2 to t3. The relationships between the initial
value at t1 and the values from t2 to t3 were simultaneously estimated, resulting
in one single regression coefficient (𝛽1 ). Then, we calculated adjusted tracking
coefficients where 𝑌𝑖𝑡1 value was also used as in crude model, and additionally
the model was corrected for time-varying (𝑋𝑖𝑗𝑡 ) covariates (BMI, maturity offset
and TPA). In order to account for scale differences, all continuous variables
were transformed into subgroup specific z-scores before entering the model.
The use of standardized variables in the longitudinal analyses makes the
coefficients vary between -1 and +1, but since we assume that correlations
among the repeated observations are positive, these tracking coefficients have
values between 0 and 1, making the tracking coefficients interpretable as a
longitudinal correlation coefficient (Twisk, 2003).
Thirdly, PF tracking was also described following Cohen’s Kappa (κ)
implemented in Longitudinal Data Analysis (LDA) software (Schneiderman &
Kowalski, 1993). This approach is based on the notion that tracking exists if an
Michele Caroline de Souza
132
Short-term tracking of youth physical fitness
individual’s successive measurements remain in the same quantile of the
distribution over time(Kowalski & Schneiderman, 1992). This is a descriptive
and nonparametric statistic and following Landis and Koch (1977) (Landis &
Koch, 1977) values of κ>0.75 represent excellent tracking, 0.40≤κ<0.75
moderate stability, and κ<0.40 poor tracking. Tracking expresses the number of
times each subject is within his/her canal, i.e., the greater the number of times,
the higher the κ. In this study we will consider that three distinct longitudinal
canals (tertile division of the distribution at each time point) are possible
trajectories for all subjects given the short duration of the repeated
observations. Given that there are three time points and three canals, 3 3=27
individual possible trajectory combinations are possible. From the canals, we
identified the percentage of subjects whose trajectories were highly instable in
the extremes (see Figure 1). Positive instability means subjects that at the first
measurement year were in the first canal and then improved their fitness levels
reaching the third canal; these are identified as 123, 113, and 133. Negative
instability refers to subjects that at the first measurement were in the third canal
and with time decreased their fitness levels, cross canals and came down to the
first canal and are identified as 311, 321, and 331.
Figure 1. Examples of all possible trajectories of positive and negative
instability as previously defined.
Michele Caroline de Souza
133
Short-term tracking of youth physical fitness
RESULTS
Descriptive statistics are shown in Table 1. In general, girls and boys
show mean improvements in their PF tests over time. The mean BMI is similar
in both sexes. Girls’ maturity offset in cohort 1 was closer to PHV and in cohort
2 values were more similar, except at age 12. Girls’ and boys’ mean TPA values
increased over time, but in cohort 2 mean values were more stable.
Table1. Descriptive statistics for boys and girls of each age cohort.
1-mile
run/walk (min)
50-yd dash (s)
Standing long
jump (cm)
Handgrip
strength (kg)
Agility shuttle
run (s)
BMI (kg/m2)
Maturity offset
(years)
Total Physical
Activity
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
10 years
mean (SD)
Cohort 1
11 years
mean (SD)
12 years
mean (SD)
10.98 (1.86)
9.57 (1.94)
9.26 (0.84)
8.82 (0.90)
126.37 (22.12)
137.01 (22.19)
17.57 (3.87)
18.29 (4.04)
12.63 (1.34)
12.04 (1.43)
20.08 (3.76)
20.09 (3.73)
-1.54 (0.57)
-2.24 (0.58)
7.05 (1.09)
7.75 (1.22)
10.41 (1.78)
8.91 (1.88)
8.85 (1.0)
8.52 (1.12)
134.67 (22.36)
148.57 (22.36)
21.20 (4.38)
20.95 (4.60)
11.87 (1.27)
11.23 (1.21)
20.37 (3.90)
20.14 (3.71)
-0.72 (0.57)
-1.40 (0.66)
7.56 (1.11)
8.31 (1.19)
10.57 (1.82)
9.04 (1.86)
8.51 (0.85)
8.01 (0.99)
139.12 (21.71)
158.26 (24.61)
23.31 (4.14)
25.13 (6.08)
11.72 (1.22)
11.02 (1.24)
20.29 (3.73)
20.15 (3.92)
0.05 (0.51)
-0.52 (0.77)
8.33 (1.18)
9.00 (1.21)
12 years
mean (SD)
Cohort 2
13years
mean (SD)
14 years
mean (SD)
10.75 (1.69)
8.99 (1.76)
8.76 (0.97)
8.19 (0.82)
135.21 (21.79)
153.93 (23.37)
22.36 (4.57)
23.34 (5.52)
12.04 (1.20)
11.29 (1.12)
20.56 (3.75)
20.23 (3.65)
-0.26 (0.59)
-0.92 (0.74)
7.45 (1.33)
8.56 (1.38)
10.10 (1.58)
8.36 (1.75)
8.59 (0.87)
7.97 (0.91)
144.54 (23.42)
167.67 (27.80)
25.15 (4.53)
27.99 (6.68)
11.61 (1.21)
10.70 (1.24)
21.33 (3.71)
20.68 (3.53)
0.53 (0.54)
0.11 (0.82)
7.63 (1.20)
8.55 (1.32)
10.29 (1.76)
7.95 (1.53)
8.33 (0.80)
7.30 (0.75)
143.41 (23.67)
182.18 (28.60)
26.73 (4.49)
32.74 (7.01)
11.68 (1.24)
10.35 (1.01)
21.93 (3.62)
21.29 (3.42)
1.17 (0.49)
1.07 (0.85)
7.60 (1.21)
8.54 (1.22)
SD= standard deviation; min= minutes; s= seconds; cm=centimetres; kg= kilograms; m= meters
Table 2 shows the results for tracking. Following Malina (2001) cut
points, auto-correlations show moderate-to-high tracking across cohorts
(0.39<rm<0.79). Static strength had the highest stability in both cohorts and
sexes (rm=0.70-0.79). On the other hand, cardiorespiratory fitness had the
lowest stability in girls from cohort 2 (rm=0.39).
In the second approach multilevel modelling was used to calculate crude
and adjusted stability coefficients, which are, in fact, longitudinal correlations.
Michele Caroline de Souza
134
Short-term tracking of youth physical fitness
Using Malina’s cut-points, crude coefficients show moderate-to-high tracking
and static strength showed more stability over time in boys and girls from both
cohorts (β=0.61-0.72). However, when tracking was adjusted for dynamic
changes in BMI, maturity offset and TPA, β values were lower. In cohort 1, low
tracking is evident for cardiorespiratory fitness in both sexes (β=0.33 and 0.36
for girls and boys, respectively), and also in boys’ agility (β=0.30). Speed,
explosive leg power and static strength show slightly higher β values. In cohort
2, cardiorespiratory fitness was less stable in girls (β=0.31), and speed in boys
(β=0.34). Both sexes showed “moderate” tracking in the other components.
Cohen’s Kappa showed the lowest PF tracking estimates. Following
Landis and Koch (Landis & Koch, 1977), κ was poor for all PF components
across the cohorts, except for static strength in both cohorts (0.41<κ<0.51).
Further, the percentage of positive instability, as previously defined, ranged
from 1.4% (girls’ velocity in cohort 2) to 7.2% (girls’ cardiorespiratory fitness in
cohort 1); negative instability ranged from 0.9% (boys’ static strength in cohort
2) to 6.0% (girls’ cardiorespiratory fitness and boys’ agility both from cohort 1).
Michele Caroline de Souza
135
Short-term tracking of youth physical fitness
Table 2. Mean auto-correlations, estimated population tracking coefficients (β), and Cohen’s kappa (κ) for each PF test in
each cohort separately for boys and girls.
Cohort 1
♀
♂
♀
50-yd dash
♂
♀
Standing long jump
♂
♀
Handgrip strength
♂
♀
Agility shuttle run
♂
Cohort 2
♀
1-mile run/walk
♂
♀
50-yd dash
♂
♀
Standing long jump
♂
♀
Handgrip strength
♂
♀
Agility shuttle run
♂
1-mile run/walk
252
257
240
255
253
270
291
295
258
266
Autocorrelation
Mean r
(rm)
0.53
0.62
0.64
0.57
0.66
0.68
0.73
0.74
0.53
0.48
258
359
216
321
249
348
246
344
228
327
0.39
0.53
0.63
0.53
0.61
0.63
0.70
0.79
0.44
0.54
n
Cohen’s Kappa
Multilevel modelling
Crude β
95% CI
Adjusted β
95% CI
Κ
95% CI
Instability +
(%)
Instability –
(%)
0.46
0.54
0.60
0.61
0.58
0.63
0.61
0.71
0.51
0.37
0.37; 0.55
0.45; 0.63
0.52; 0.68
0.53; 0.69
0.50; 0.66
0.55; 0.71
0.55; 0.67
0.64; 0.78
0.42; 0.60
0.28; 0.46
0.33
0.36
0.49
0.46
0.49
0.48
0.48
0.48
0.44
0.30
0.24; 0.42
0.27; 0.45
0.40; 0.58
0.38; 0.54
0.41; 0.57
0.40; 0.56
0.42; 0.54
0.40; 0.56
0.35; 0.53
0.21; 0.39
0.29
0.37
0.40
0.41
0.35
0.37
0.42
0.42
0.33
0.30
0.24; 0.34
0.32; 0.42
0.35; 0.46
0.35; 0.46
0.30; 0.40
0.32; 0.42
0.37; 0.47
0.37; 0.47
0.28; 0.38
0.25; 0.35
7.2
2.4
2.9
3.2
3.2
2.5
1.6
5.4
5.4
5.7
6.0
2.0
2.5
2.0
2.8
3.4
2.0
3.0
5.8
6.0
0.39
0.54
0.61
0.46
0.60
0.60
0.69
0.72
0.48
0.49
0.30; 0.48
0.47; 0.61
0.51; 0.71
0.39; 0.53
0.52; 0.68
0.53; 0.67
0.62; 0.76
0.67; 0.78
0.39; 0.57
0.41; 0.57
0.31
0.43
0.49
0.34
0.54
0.51
0.57
0.48
0.43
0.43
0.22; 0.40
0.36; 0.50
0.40; 0.58
0.26; 0.42
0.46; 0.62
0.44; 0.58
0.48; 0.66
0.42; 0.54
0.34; 0.52
0.35; 0.51
0.22
0.32
0.36
0.31
0.31
0.44
0.41
0.51
0.27
0.31
0.17; 0.27
0.27; 0.36
0.31; 0.42
0.27; 0.36
0.25; 0.36
0.39; 0.48
0.36; 0.46
0.46; 0.55
0.21; 0.32
0.34; 0.45
4.3
2.5
1.4
3.8
2.0
2.6
2.4
1.5
3.1
3.0
5.0
3.6
3.2
3.8
3.6
2.5
1.6
0.9
3.9
3.9
Michele Caroline de Souza
136
Short-term tracking of youth physical fitness
DISCUSSION
This study used three different approaches to study short-term tracking in
adolescents’ cardiorespiratory and performance-related PF. If a regular
behavior (pattern) is kept over time, then prediction is possible (Kowalski &
Schneiderman, 1992; Malina, 2001; Twisk, 2003). As such, tracking
encapsulates two main ideas: stability and predictability (Kowalski &
Schneiderman, 1992). Stability is a very embracing concept, such that available
statistical techniques to quantify tracking vary and depend on the assumptions
linked to the stability-instability concept which may lead to different conclusions,
eventually causing confusion (Kowalski & Schneiderman, 1992). For example,
in boys’ cardiorespiratory fitness of cohort 1 a moderate auto-correlation
(rm=0.62) was found. When using the multilevel approach adjusted for timevarying covariates, the stability dramatically decreased (β=0.36), and remained
poor when determined by Cohen’s Kappa (κ=0.37).
Most of the available results concerning PA and PF tracking are based
on auto-correlations (Malina, 2001). This is a quite simple statistic to calculate
and relatively easy to interpret but has known limitations (Twisk et al., 1994;
Malina, 2001; Twisk, 2003). Our results revealed a moderate-to-high PF
tracking in the two cohorts. Previous studies reported different autocorrelation
values, ranging from low to moderately high for health and performance-related
PF. For example, the Muscatine Study (Janz, 2000) followed children and
adolescents from 10 to 15 years and results were very similar to our findings
with stability ranging from 0.39 to 0.44 in cardiorespiratory fitness and from 0.62
to 0.75 in static strength. On the contrary, the Ellisras Longitudinal Study
(Monyeki et al., 2007) investigated one-year tracking in 228 boys and 189 girls
aged from 11-15 years and reported poor stability for agility (r<0.07), low
stability for cardiorespiratory fitness (0.29<r<0.36), and moderate for explosive
leg power (0.53<r<0.57). More recently, 294 Brazilian girls from four age
cohorts (8, 10, 12, and 14 years) were followed for three consecutive years (Da
Silva, 2013), and compared to our tracking coefficients were similar in
cardiorespiratory fitness (0.39<r<0.50) and agility (0.46<r<0.59), but slightly
Michele Caroline de Souza
137
Short-term tracking of youth physical fitness
higher for static strength (r=0.87), and explosive leg power (0.70<r<0.73).
Methodological and biological factors may account for some discrepancy in PF
tracking (Malina, 2001). Further, the auto-correlational approach does not
provide a single tracking value if more than two time points are available [the
number of possible auto-correlations is given by k(k-1)/2; for example, using 4
time points we have 4(4-1)2=6 auto-correlations]. To resolve this problem, we
calculated a mean r, but previous studies only reported correlations between
the follow-up and preceding years (Janz, 2000; Monyeki, 2007) or a weighted
mean r (Da Silva, 2013). This, of course, may partly explain the disparity in
auto-correlations. Additionally, the likelihood of obtaining higher stability values
is very high with shorter follow-up periods (Malina, 2001). Moreover, tracking is
likely to be low with younger subjects at baseline (Malina, 2001). However, our
results did not provide this evidence. The lower stability in cohort 2, mainly in
girls’ cardiorespiratory fitness, can be partially explained by the fact that, on
average, they have already started the adolescent spurt and are closer to their
PHV as compared to those from cohort 1. During this period, variability in timing
and tempo of the growth spurt associated to maturation-related changes in body
mass are likely to affect performance by increasing inter-individual variation in
PF development which potentially influence tracking (Malina, 2001).
The multilevel modeling tracking approach as suggested by Twisk (2003)
is far more informative than auto-correlations. It also has more potential (Twisk
et al., 2000; Twisk, 2003) given that (1) all available longitudinal data is used to
estimate stability coefficients; (2) it is suitable for designs with unequally spaced
time intervals; (3) it enables the study of inter-individual differences in intraindividual changes; and (4) the initial value of the outcome variable is
incorporated as an independent predictor variable, and (5) relevant time-varying
and/or invariant covariates are incorporated as confounder variables into the
tracking analysis. As such, the resulting stability coefficient can be interpreted
as a longitudinal (partial) correlation coefficient (Twisk, 2000; Twisk, 2003;
Kristensen et al., 2008). Crude coefficients were moderate-to-high; however,
when tracking was adjusted for dynamic covariates systematic decreases in all
fitness components stabilities were found. It is somewhat difficult to compare
Michele Caroline de Souza
138
Short-term tracking of youth physical fitness
our results with previous publications because they are mostly analysed with
auto-correlations and never include the effects of dynamic covariates in their
reports. As reported, the calculation of a tracking index based only on the
longitudinal development of a PF component, without considering confounding
variables, can highly influence tracking estimates (Twisk, 2000), and may affect
predictability of future values. PF is part genetically determined (Bouchard et al.,
1997), however it has been shown that several other factors can also influence
performance during childhood and adolescence, namely biological maturation
(generally, positive association) (Malina, 2001; Freitas et al., 2002; Malina,
2004; Da Silva, 2013), BMI (negative association in motor tasks linked to
jumping, running and lifting, but positive association with strength tasks)
(Malina, 2004), and PA (positive association, although in lower magnitude and
varying from study to study) (Malina, 2001; Malina, 2004; Parikh & Stratton,
2011; Da Silva, 2013).
After controlling for time-varying covariates, boys’
cardiorespiratory fitness and static strength had a greater reduction in their
stability. This may be due to the fact that variation in performance associated to
maturation is more noticeable in boys than girls (Malina, 2004). Early maturing
boys tend to perform systematically better, especially in motor tasks
emphasizing strength, power, velocity and aerobic capacity as they are usually
taller, heavier, stronger, and consequently they have higher absolute heart and
muscle volumes (Malina, 2004). Additionally, they are more motivated to excel
in physical exercises/sports as compared to less maturing boys (Malina, 2004).
Low-to-moderate tracking in the others fitness components suggests that, even
during this short-term follow-up period, PF is not as stable as reported by autocorrelations (see Figure 2).
Michele Caroline de Souza
139
Short-term tracking of youth physical fitness
Figure 2. Example of trajectories of 30 random girls (left) and boys (right) from
cohort 2 in the 1-mile run/walk, 50-yard dash, standing long jump, handgrip
strength and agility shuttle run.
Michele Caroline de Souza
140
Short-term tracking of youth physical fitness
Compared to the other statistical methods to determine tracking, Cohen's
Kappa provides a distinct view. More specifically, Cohen’s Kappa allows to
examine the notion of growth canals (or channels), widely used in auxology to
better describe and monitor children and adolescents’ growth and development
processes (Kuczmarski et al., 2000). The results showed the lowest stability
estimates of the three tracking methodologies. Static strength was the only
component with moderate tracking in both cohorts. These results indicate that
change in almost all PF components does not occur in specific canals over the
time, reflecting a strong instability of individual trajectories in these cohorts, and
affecting the accuracy of the predictability for future values.
In this sense, it is possible to suggest that adolescents with a fit profile
can remain with these high performance levels or decrease their fitness over a
short-term time period. From a health perspective, it is very important to follow
not only those children/adolescents who have stable PF across time, but mainly
those who are highly unstable (Twisk, 2003). Our approach to extreme PF
pattern changes indicated that the percentage of positive instability was higher
in girls’ cardiorespiratory fitness in cohort 1 (7.2%); and negative instability was
higher for girls’ cardiorespiratory fitness, as well as boys’ agility (6.0%), both
from cohort 1. Overall, these result from Cohen's Kappa suggest that: (1) girls
from cohort 1 (10-12 years) were more susceptible to positive and negative
short-term changes in cardiorespiratory fitness, and this extreme instability
could be related to timing and tempo in their maturation process (Malina, 2004),
and (2) some boys tended to decrease their performance more in agility
compared to other fitness components over time, maybe because agility is a
complex fitness task that combines speed, balance, power and coordination
(Ortega, 2008).
Regardless of the statistical approach used to describe tracking, static
strength was the most stable PF component across the cohorts for both sexes.
This may be due to the linear increase in strength that occurs during adolescent
growth and mainly because handgrip is a quite simple test that does not require
some level of motor skills like the other fitness components (Malina, 2004),
Michele Caroline de Souza
141
Short-term tracking of youth physical fitness
namely agility. On the other hand, aerobic capacity was the fitness component
with lower tracking coefficients, mostly in girls. This instability indicates that
aerobic component is not firmly rooted yet, which can be related to several
factors, such as age, body size and maturity status (Malina, 2004).
There are potential limitations in the present study. First, it would be
appropriate to use direct laboratory measures to assess cardiorespiratory
fitness. However, this would be very difficult to implement in large field studies
not only for financial and technical reasons, but also for practicality. Second, PA
estimates were based on a questionnaire which is prone to errors. However, all
children and adolescents completed all questions in highly standardized
conditions; further, high reliability estimates have been reported with this
questionnaire
in
Portuguese
children
and
adolescents
from
different
geographical regions (Vasconcelos & Maia, 2001; Ferreira et al., 2002). Third,
there was some difficulty of comparisons of present data with other studies due
to the distinct approach to quantify tracking, as well as the shortage of available
longitudinal data about adolescents’ physical fitness. Despite these limitations,
the study has several strengths. First, short-term PF tracking was described in
differential terms using distinct statistical approaches. Second, the use of a
novel approach allowed for the effects of time-varying covariates. Third, the
identification of individual tracking and unstable trajectories was also presented.
Fourth, the PF reliability estimates of this study demonstrate the quality control
of data collection. Fifth, the size of the sample and its representativeness in age
and sex is warranted. Sixth, the age cohorts represent important transition
periods from childhood to adolescence.
In conclusion, PF was shown to have a moderate-to-high tracking when
auto-correlations were used. However, when tracking was described by
multilevel modelling and Cohen’s Kappa, tracking coefficients were low-tomoderate (see Figure 2). These results demonstrated that (1) PF tracking was
influenced by confounders, namely biological maturation, BMI, and PA; (2) there
was instability of individual trajectories and also inter-individual differences in
PF intra-individual changes; (3) different methods should be considered when
Michele Caroline de Souza
142
Short-term tracking of youth physical fitness
describing tracking since they provide distinct and more comprehensive views
about PF stability patterns that goes beyond the information provided by autocorrelations.
PERSPECTIVES
This study demonstrated that multilevel modelling and Cohen’s Kappa
were better suited than auto-correlations to investigate tracking of PF
components, and further showed that short-term tracking was low-to-moderate.
Static strength is relatively stable during adolescence and tends to follow this
pattern at later ages. On the contrary, cardiorespiratory fitness has a low
tracking indicating that intervention opportunities should target behaviours not
firmly entrenched yet that may positively enhance this PF component given its
well-known associations to health.
Furthermore, multilevel modelling demonstrated that the stability of
several PF components was influenced by biological maturation, BMI and TPA.
These covariates, among others, should be considered to provide a better
understanding about distinct trajectories in order to provide more accurate
information when developing efficient interventions programs at school and/or in
sports clubs. Cohen’s kappa and its performance canals showed the existence
of PF inter-individual instability that requires a diversified approach when
designing pedagogical practices within the school system. This is of utmost
importance to assist in the challenging task of promoting more efficient physical
education classes, training or interventions, evidence based, that ensure PF
improvements in all children and youth, regardless of their level of motor
readiness.
Michele Caroline de Souza
143
Short-term tracking of youth physical fitness
REFERENCES
AAHPER. Youth Fitness Test Manual. Washington, DC: AAHPER 1976.
Baecke J, Burema J, Frijters J. A short questionnaire for the measurenment of
habitual physical activity in epidemiological studies. . Am J Clin Nutr. 1982: 36:
936-942.
Bouchard C, Malina R, Pérusse L. Genetics of fitness and physical
performance. Champaign: Human Kinetics 1997.
Bouchard C, Shepard K. Physical activity, fitness and health. The model and
the key concepts. In: Bouchard C, Shepard K, Stephens T, eds. Physical
activity, fitness and health- International proceedings and consensus statement.
Champain, IL: Human Kinetics, 1994:77-78.
Brouwer SI, Stolk RP, Liem ET, Lemmink KA, Corpeleijn E. The role of fitness
in the association between fatness and cardiometabolic risk from childhood to
adolescence. Pediatr Diabetes. 2013: 14: 57-65.
Da Silva SP, Beunen G, Prista A, Maia J. Short-term tracking of performance
and health-related physical fitness in girls: the Healthy Growth in Cariri Study. J
Sports Sci. 2013: 31: 104-113.
Eisenmann JC, Laurson KR, Welk GJ. Aerobic fitness percentiles for U.S.
adolescents. American journal of preventive medicine. 2011: 41: S106-110.
Ferreira J, Marques A, Maia J. Physical fitness, physical activity and health in
young population from Viseu- A study in children and youngsters of both gender
from 10 to 18 years old. Viseu: Departamento Cultural - Instituto Superior
Politécnico de Viseu 2002.
Fitnessgram. The Prudencial Fitnessgram Test Administration Manual. Dallas,
Texas U.S.A: he Cooper Institute for Aerobics Research 1994.
Freitas D, Maia J, Beunen G, Lefevre J, Claessens A, Marques A, Rodrigues A,
Silva C, Crespo M. Crescimento Somático, Maturação Biológica, Aptidão
Michele Caroline de Souza
144
Short-term tracking of youth physical fitness
Física, Atctividade Física e Estatuto Socioeconómico de Crianças e
Adolescentes Madeirenses- O Estudo de Crescimento da Madeira: SAEFD
Universidade da Madeira 2002.
Janz KF, Dawson JD, Mahoney LT. Tracking physical fitness and physical
activity from childhood to adolescence: the muscatine study. Medicine and
science in sports and exercise. 2000: 32: 1250-1257.
Kowalski CJ, Schneiderman ED. Tracking: Concepts, Methods and Tools. Int J
Anthropol. 1992: 7: 33-50.
Kristensen PL, Moller NC, Korsholm L, Wedderkopp N, Andersen LB, Froberg
K. Tracking of objectively measured physical activity from childhood to
adolescence: the European youth heart study. Scandinavian journal of medicine
& science in sports. 2008: 18: 171-178.
Kuczmarski R, Ogden C, Grummer-Strawn L, Flegal K, Guo S, Wei R, Mei Z,
Cutin L, Roche A, Johnson C. CDC growth charts: United States 2000.
Landis J, Koch G. The measurement of observer agreement for categorical
data. Biometrics. 1977: 33: 159-174.
Maia JA, Lefevre J, Claessens AL, Thomis MA, Peeters MW, Beunen GP. A
growth curve to model changes in sport participation in adolescent boys.
Scandinavian journal of medicine & science in sports. 2010: 20: 679-685.
Malina R, Bouchard C, Bar-Or C. Growth, Maturation and Physical Activity. 2º
Edition. Champaign, Illinois: Human Kinetics 2004.
Malina RM. Physical activity and fitness: pathways from childhood to adulthood.
American journal of human biology : the official journal of the Human Biology
Council. 2001: 13: 162-172.
Miller DJ, Freedson PS, Kline GM. Comparison of activity levels using the
Caltrac accelerometer and five questionnaires. Medicine and science in sports
and exercise. 1994: 26: 376-382.
Michele Caroline de Souza
145
Short-term tracking of youth physical fitness
Mirwald RL, Baxter-Jones AD, Bailey DA, Beunen GP. An assessment of
maturity from anthropometric measurements. Medicine and science in sports
and exercise. 2002: 34: 689-694.
Moliner-Urdiales D, Ruiz JR, Ortega FB, Jimenez-Pavon D, Vicente-Rodriguez
G, Rey-Lopez JP, Martinez-Gomez D, Casajus JA, Mesana MI, Marcos A,
Noriega-Borge MJ, Sjostrom M, Castillo MJ, Moreno LA, Avena, Groups HS.
Secular trends in health-related physical fitness in Spanish adolescents: the
AVENA and HELENA studies. J Sci Med Sport. 2010: 13: 584-588.
Monyeki MA, Koppes LL, Monyeki KD, Kemper HC, Twisk JW. Longitudinal
relationships between nutritional status, body composition, and physical fitness
in rural children of South Africa: The Ellisras longitudinal study. American
journal of human biology : the official journal of the Human Biology Council.
2007: 19: 551-558.
Ortega FB, Artero EG, Ruiz JR, Espana-Romero V, Jimenez-Pavon D, VicenteRodriguez G, Moreno LA, Manios Y, Beghin L, Ottevaere C, Ciarapica D, Sarri
K, Dietrich S, Blair SN, Kersting M, Molnar D, Gonzalez-Gross M, Gutierrez A,
Sjostrom M, Castillo MJ, study H. Physical fitness levels among European
adolescents: the HELENA study. Br J Sports Med. 2011: 45: 20-29.
Ortega FB, Ruiz JR, Castillo MJ. [Physical activity, physical fitness, and
overweight in children and adolescents: evidence from epidemiologic studies].
Endocrinol Nutr. 2013: 60: 458-469.
Ortega FB, Ruiz JR, Castillo MJ, Sjostrom M. Physical fitness in childhood and
adolescence: a powerful marker of health. Int J Obes (Lond). 2008: 32: 1-11.
Pahkala K, Hernelahti M, Heinonen OJ, Raittinen P, Hakanen M, Lagstrom H,
Viikari JS, Ronnemaa T, Raitakari OT, Simell O. Body mass index, fitness and
physical activity from childhood through adolescence. Br J Sports Med. 2013:
47: 71-77.
Michele Caroline de Souza
146
Short-term tracking of youth physical fitness
Parikh T, Stratton G. Influence of intensity of physical activity on adiposity and
cardiorespiratory fitness in 5-18 year olds. Sports medicine. 2011: 41: 477-488.
Pate R, Oria M, Pillsbury L. Fitness measures and health outcomes in youth.
Whasington: The National Academic Press 2012.
Philippaerts RM, Westerterp KR, Lefevre J. Doubly labelled water validation of
three physical activity questionnaires. International journal of sports medicine.
1999: 20: 284-289.
Rodrigues LP, Leitao R, Lopes VP. Physical fitness predicts adiposity
longitudinal changes over childhood and adolescence. J Sci Med Sport. 2013:
16: 118-123.
Ross D, Ward R. Scaling Anthropometric Data for Size and Proportionality. In:
Reilly T, Watkins J, Borms J, eds. inanthropometry III Commonwealth and
International Conference on Sport, Physical Education, Dance, Recreation and
Health. New York: E&FN Spon, 1986.
Safrit MJ. Introduction to measurement in physical education and exercise.
Boston: Times Mirror/Mosby CollegePublishing 1990.
Schneiderman E, Kowalski C. LDA. Software system for longitudinal data
analysis. Version 3.2. . Texas: Baylor College of Dentistry 1993.
Smith JJ, Eather N, Morgan PJ, Plotnikoff RC, Faigenbaum AD, Lubans DR.
The Health Benefits of Muscular Fitness for Children and Adolescents: A
Systematic Review and Meta-Analysis. Sports medicine. 2014.
Twisk JW. Applied longitudinal data analysis for epidemiology. London:
Cambridge University Press 2003.
Twisk JW. Tracking. In: Twisk JW, ed. Applied longitudinal data analysis for
epidemiology. London: Cambridge University Press, 2003:225-240.
Michele Caroline de Souza
147
Short-term tracking of youth physical fitness
Twisk JW, Kemper HC, Mellenbergh GJ. Mathematical and analytical aspects of
tracking. Epidemiologic reviews. 1994: 16: 165-183.
Twisk JW, Kemper HC, van Mechelen W. Tracking of activity and fitness and
the relationship with cardiovascular disease risk factors. Medicine and science
in sports and exercise. 2000: 32: 1455-1461.
Vasconcelos M, Maia J. Is there a decline in physical activity? A cross-sectional
study in children and youngsters of both gender from 10 to 19 years old.
Portuguese Journal Sports Science. 2001: 1: 44-52.
Welk GJ, Going SB, Morrow JR, Jr., Meredith MD. Development of new
criterion-referenced fitness standards in the FITNESSGRAM(R) program:
rationale and conceptual overview. American journal of preventive medicine.
2011: 41: S63-67.
Michele Caroline de Souza
148
Estudo V
Modeling the dynamics of BMI changes during adolescence. The
Oporto Growth, Health and Performance Study
Michele Souza 1,2, Joey Eisenmann 3, Daniel Santos 1, Raquel Chaves 4,
Cláudia Forjaz5, José Maia 1.
Artigo submetido à International Journal of Obesity (EUA)
1
CIFI2D, Faculty of Sport, University of Porto. Porto- Portugal.
2
3
CAPES Foundation, Ministry of Education of Brazil. DF- Brazil.
Department of Radiology, Michigan State University. East Lansing- USA.
4
5
Federal University of Technology of Paraná. Curitiba- Brazil.
Exercise Hemodynamic Laboratory, School of Physical Education and Sport,
University of São Paulo. São Paulo-Brazil.
Modeling the dynamics of BMI changes
ABSTRACT
Objectives: The aims of this study were twofold: (1) to model changes in
body mass index (BMI) of 10 to 18 years old adolescents, and (2) to investigate
the effects of total physical activity (TPA), physical fitness (PF), sleep duration
and fruits/vegetables consumption in BMI trajectories across time.
Methods: Data were obtained from the Oporto Growth, Health and
Performance Study and comprised 6894 adolescents (3418 girls) divided into
four age cohorts (10, 12, 14 and 16 years) measured annually for three years.
BMI was computed using the standard formula (kg/m 2); TPA was estimated with
the Baecke questionnaire; PF measures included 1-mile run/walk, 50 yard dash
(50YD), standing long jump (SLJ), handgrip strength (HGr) and agility shuttle
run. Longitudinal changes in BMI were analyzed using the multilevel modelling
approach.
Results: The average BMI at age of peak height velocity was 20.7±0.07
2
kg/m for girls (p<0.001), and 20.58±0.06 kg/m 2 for boys (p<0.001). The annual
increment in BMI was 1.36±0.04 kg/m2, p<0.001 and 1.23±0.03 kg/m2, p<0.001
for girls and boys, respectively. PF were related to BMI trajectories in both
sexes
(Girls:
β1mile=0.12±0.02,
p<0.001;
βSLJ=-0.01±0.00,
p<0.001;
β50YD=0.28±0.05, p<0.001; βHGr=-8.91±0.54, p<0.001; Boys: β1mile=0.18±0.02,
p<0.001; βSLJ=-0.01±0.00, p<0.001; β50YD=0.26±0.04, p<0.001; and βHGr=8.15±0.45, p<0.001). TPA only showed significant, but positive, association with
girls’
BMI
trajectories
(β=0.10±0.03,
p=0.001).
Sleep
duration
and
fruits/vegetables intake did not show any significant association with BMI
trajectories either sex.
Conclusions: BMI increased linearly with age in both gender. Better PF
levels reduced BMI across time in both boys and girls. Therefore, promotion of
PF in the adolescent years seems to be effective in the early prevention of
obesity.
Key-words: longitudinal changes, body mass index, physical fitness,
lifestyle behaviors, youth.
Michele Caroline de Souza
151
Modeling the dynamics of BMI changes
INTRODUCTION
Childhood and adolescent obesity is a worldwide public health issue due
to its increasing prevalence1, adverse immediate and long-term health
consequences2 and elevated economic costs2. In Portugal, recent studies3,4 on
nationally representative samples of 10 to 18 years old subjects showed that 17
to 33% were overweight or obese. These estimates are among the highest in
the world and parallel those from United States, Canada, Greece, Spain, Italy
and Malta youth5.
Adolescence is a highly plastic and dynamic life period, often viewed as a
“critical window” for the development of overweight and obesity6. There is a
consistent evidence showing that excess weight in youth tends to track into
adulthood6,7 leading to lifelong health problems and pathological conditions 2. It
is widely acknowledged that the effectiveness of weight management programs
in youth depends on the identification of risk factors. However, the development
of overweight and obesity during the adolescent years is a complex process,
with many interrelated contributing factors2,8. Apart from hereditary and other
biological aspects8, a wide range of modifiable factors play significant roles in
weight status2. For example, physical activity (PA), physical fitness (PF), sleep
duration and dietary intake2.
Although it is generally accepted that there is an inverse relationship
between PA and overweight/obesity in youth, some cross-sectional studies
show mixed results2,9,10. Few longitudinal reports have examined the role that
PA plays in the rate of change in body mass index (BMI) during adolescence
with some showing a substantial association9,11, while others have found no
significant links10,12. Regarding the influence of PF levels on BMI changes,
longitudinal data is scarce13. Yet, cross-sectional data shows consistent
negative correlations between PF and BMI14,15; generally, adolescents who
have low PF levels are overweight or obese. This is more evident on PF tests
requiring the propulsion or lifting of body mass15-17.
Michele Caroline de Souza
153
Modeling the dynamics of BMI changes
There is growing attention and evidence that short sleep duration may
also contribute to the rise in adolescent overweight and obesity2. In fact, the risk
for obesity is nearly three times higher for those who sleep less than eight hours
per night2. Furthermore, less sleep was more strongly associated with
longitudinal increases in BMI18. Adolescents are also prone to modify their food
choices from healthy foods, such as fruits and vegetables, to energy-dense and
refined foods including fast-foods2,19. This pattern may result in nutritional
problems2 given that fruits and vegetables consumption can help prevent
obesity19.
Although several studies have examined the independent associations of
PA, PF, sleep duration, and nutrition with BMI, very few studies have examined
the joint effect of these risk factors on longitudinal changes in BMI. As
adolescent overweight and obesity involves multiple interactions, there is a
need to investigate these relationships among its potential determinants using a
multilevel approach. This comprehensive approach, using a sophisticated
statistical analysis, makes it possible to explore more challenging issues about
BMI growth trends; thus, enhancing our understanding about how obesityrelated factors unfold independently and when interacting with each other to
influence obesity. Therefore, this study aims to: (1) model changes in BMI of 10
to 18 years old adolescents, and (2) investigate the effects of PA, PF, sleep
duration and fruits/vegetables consumption in BMI trajectories across time.
MATERIALS AND METHODS
Sample
The sample was selected from the Oporto Growth, Health and
Performance Study (OGHPS) for which the overall aim is to investigate,
longitudinally, the interaction among individual characteristics, environmental
factors and lifestyle predictors that affect growth, development and health
aspects of Portuguese adolescents. The OGHPS was a mixed-longitudinal
design involving randomly selected adolescents from four age cohorts: 10, 12,
14 and 16 years at baseline. For the present study, we considered data
obtained from a total of 6894 subjects (Table 1). All measurements were
Michele Caroline de Souza
154
Modeling the dynamics of BMI changes
conducted annually during the same months (November to April) to avoid
seasonal variations. The OGHPS protocols were approved by the Ethics
Committee of the University of Porto; legal authorization was obtained from
school directors and parents gave their informed consent. All information
concerning the dataset can be requested from the corresponding author.
Table 1. Sample size by age, cohorts and sex.
Cohort Ages (yrs) Girls Boys Total
C1
C2
C3
C4
10-12
12-14
14-16
16-18
1093
967
852
506
1152
1066
805
453
2245
2033
1657
959
Total
3418
3476
6894
Anthropometry
Standard anthropometric procedures as described by Lohman et al.
(1988)20 were used in the study. Height was measured to the nearest 0.1
centimeter with a portable stadiometer (Holtain, UK). Body mass (kg) was
measured with a portable bioelectrical impedance scale (TANITA BC-418 MA
Segmental Body Composition Analyser; Tanita, Corporation, Tokyo, Japan) with
a 0.1 kg precision. BMI was computed using the standard formula BMI=[body
mass (kg)/height (m)2].
Biological Maturation
Biological maturation was indirectly assessed by the maturity offset
regression procedure proposed by Mirwald et al. (2002)21 which estimates how
many years a subject is from peak height velocity (PHV). A positive (+) maturity
offset represents the number of years the participant is beyond PHV, whereas a
negative (–) maturity offset represents the number of years the subject is before
from PHV.
Michele Caroline de Souza
155
Modeling the dynamics of BMI changes
Physical fitness
Several indicators of PF were measured. Cardiorespiratory fitness was
estimated from the 1-mile run/walk test of Fitnessgram battery22, where subjects
ran/walked a distance of 1609m in the shortest time possible. The other PF
components were assessed with several items from the 1988 AAHPERD youth
fitness test23: (a) speed - 50 yard dash test: run this distance in the shortest time
possible; (b) explosive leg power - standing long jump test: jump as far as
possible from a standing position; (c) agility - shuttle-run test: run as fast as
possible from the starting line to a line 9 m away where two small wooden
blocks were placed, pick-up one of the blocks, return to the starting line, place
the block on the line, and then repeat route; and (d) static strength - handgrip
strength test: grip the dynamometer (Takei Physical Fitness Test GRIP-D,
Japan) with maximum force during 5 to 10s with dominant hand. Static strength
(kg) was expressed relative to body mass (kg) given the high dependency of
hang grip strength to body size24 (i.e., weight).
Physical activity
Total
physical
activity
(TPA)
was
estimated
with
the
Baecke
questionnaire25, a reliable and valid instrument26,27 that describes three basic
domains of PA, namely school PA, leisure time PA and sport participation. It
comprises a total of 16 questions divided into these domains and each is scored
from 1 (minimal PA) to 5 (maximal PA). TPA score is obtained from the
unweighted sum of the three domains, and scores ranged from 3 (lowest) to 15
(highest). All adolescents answered the questionnaires during their physical
education classes under the supervision of the physical education teachers who
were trained by the research team.
Sleep Habits
All participants answered a questionnaire concerning their sleeping
habits, namely how many hours they usually slept in each of 7 days of the
week. For this paper, sleep duration was estimated from the average weekly
time (expressed in hours).
Michele Caroline de Souza
156
Modeling the dynamics of BMI changes
Dietary habits
A questionnaire about dietary habits was answered by the student. This
questionnaire was adapted from the food frequency questionnaire used in the
International Study of Childhood Obesity, Lifestyle and Environment study
(ISCOLE)
28
and The Health Behaviour in School -Aged Children Study
(HBSC)29; it consists of a set of questions about the different types of foods (23
types) consumed in a typical week, as well as the consumption of snacks when
watching television. There is also an additional set of questions concerning the
frequency of breakfast intake. For this paper, only the information related to
fruits and vegetables was considered and adolescents’ responses were divided
in two groups - those who consumed fruits and vegetables every day of the
week and those who did not.
Data quality control
Given the amount of data collected and the number of technicians, we
employed robust quality control measures for data collection. This was assured
in three different steps: (1) training of all team members by experienced
researchers of the Kinanthropometry Laboratory of the Sports Faculty,
University of Porto, Portugal; (2) conducting random retests (intra-rater
reliability) on each assessment day; (3) reliability calculations using the
ANOVA-based intraclass correlation coefficient (R), as well as the technical
error of the measurement (TEM): TEM=0.1cm for height and 0.1kg for body
mass; for PF tests, R values ranged from 0.88 (shuttle-run) to 0.94 (handgrip
and standing long jump); for PA, R=0.82.
Statistical analysis
All analyses were stratified by gender given their age differences in
maturity offset. Exploratory and descriptive data analyses were conducted in
IBM SPSS 20.0 software to check for the presence of outliers. Modelling
changes in BMI was performed in HLM 6.0 software within the framework of the
multilevel approach30 using maximum likelihood estimation procedures31. In
HLM analysis, the numbers and spacing of measurement observations may
Michele Caroline de Souza
157
Modeling the dynamics of BMI changes
vary across subjects and it can also accommodate data from mixed-longitudinal
designs with missing data, under the assumption that missing is at random 32. In
order to best describe individual longitudinal trajectories, average trajectories
and respective predictors, a series of hierarchical nested models were fitted by
using a stepwise approach. To facilitate interpretation of model parameters
describing change, maturity offset was used as the metric of time. Thus, time 0
corresponds to age at peak height velocities in girls (on average around 12
years of age) and boys (on average around 14 years); negative values at X-axis
represents the number of years before PHV and positive values represents the
number of years after PHV. In the first step, a null model (M0) was fitted to
define the level-1 sub-model, i.e., a model describing BMI change. In the next
step, we fitted a new model (M1) that used dynamic covariates, namely all PF
tests. In the final model (M2), dynamic correlates associated with lifestyle
characteristics, namely TPA, sleep habits and fruits/vegetables intake were
fitted. To facilitate the interpretation, all predictors but fruits/vegetables intake
(those who did not consumed fruits and vegetables every day=0 and those who
did=1) were centred around the grand mean as previously advocated 33.
Deviance statistic was use as a measure of global fit. Differences in deviances
are distributed as an approximate Chi-square (χ2) distribution with degrees of
freedom determined by the difference in the number of estimated parameters
between the models. It is expected that as model increases in complexity (i.e.,
adding parameters) a statistical significant decrease in deviance is expected
showing a better fit to the data.
RESULTS
Descriptive statistics for girls and boys at each annual time point (10 to
18 years of age) are in Table 2. Both sexes had an average increase in BMI
until 17 years of age, and then BMI tended to stabilize. On average, girls’
maturity offset was closer to PHV at age 12, while in boys it approximated 13
years. Girls’ and boys’ TPA mean values increased until age 13, and then
stabilized/declined. Boys showed systematic mean improvements in all PF tests
across time, except for the shuttle run test at age 18. Girls showed considerable
Michele Caroline de Souza
158
Modeling the dynamics of BMI changes
fluctuations in mean values for cardiorespiratory fitness (CRF), explosive leg
power, agility and speed tests. Both sexes showed a decrease in average
weekly sleep time over the adolescence years.
Results of the multilevel modelling analysis are presented in Table 3. In
the null model (M0), the average BMI at PHV was 20.76±0.06 kg/m 2 for girls,
and 20.68±0.06 kg/m2 for boys. The annual increment in BMI was 0.94±0.02
kg/m2 and 0.62±0.01 kg/m2 for girls and boys, respectively. There are
noteworthy inter-individual differences at the intercept and slope (random
effects) as expressed by the statistically significant variances: 9.49, 0.27, for
girls and 10.35, 0.09 for boys, respectively.
In model 1 (M1), a series of PF components were added as time-varying
predictors of changes in BMI. Conditional on the predictors, the intercept (β0)
and slope (β1) values for girls are β0=20.60±0.05, β1=1.22±0.03 and for boys
are β0=20.46±0.05; β1=1.16±0.02. Over time, all PF tests, except the shuttle
run, were related to BMI trajectories; PF improvements significantly reduced
BMI change across time for both sexes (Girls: β1mile=0.11±0.01; βSLJ=0.01±0.00; β50YD=0.24±0.04; βHGr=-8.03±0.42; Boys: β1mile=0.16±0.02; βSLJ=0.01±0.00; β50YD=0.26±0.03; and βHGr=-7.92±0.34). Note that the greater the
time to cover the 1-mile run the worse the CRF, and that those who need more
time to run the 50 YD the slower the running speed.
Model 2 (M2) proved the best fitting model and included the addition of
lifestyle characteristics, namely TPA, sleep habits and fruits/vegetables intake.
Conditional on the new set of predictors, the intercept and slope values were
β0=20.75±0.07 and β1=1.36±0.04 for girls and β0=20.58±0.06 and β1=1.23±0.03
for boys. Consistent with M1, PF were related to BMI trajectories in both sexes
(Girls: β1mile=0.12±0.02; βSLJ=-0.01±0.00; β50YD=0.28±0.05; βHGr=-8.91±0.54;
Boys:
β1mile=0.18±0.02;
βSLJ=-0.01±0.00;
β50YD=0.26±0.04;
and
βHGr=-
8.15±0.45). TPA only showed significant, but positive, association with girls’
BMI trajectories (β=0.10±0.03). Sleep habits and fruits/vegetables intake did not
show any significant association with either girls’ and boys’ BMI trajectories.
Michele Caroline de Souza
159
Modeling the dynamics of BMI changes
Table 2. Descriptive statistics for girls and boys in each annual time point (10 to 18 years of age).
Height (cm)
Weight (kg)
BMI
Maturity offset
(years)
TPA (units)
10 yrs
mean (SD)
11 yrs
mean (SD)
12 yrs
mean (SD)
13 yrs
mean (SD)
14 yrs
mean (SD)
15 yrs
mean (SD)
16 yrs
mean (SD)
17 yrs
mean (SD)
18 yrs
mean (SD)
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
145.30 (7.28)
144.51 (7.32)
41.70 (9.89)
41.62 (10.31)
19.58 (3.65)
19.70 (3.69)
-1.49 (0.63)
-2.15 (0.64)
7.67 (1.23)
8.28 (1.33)
148.40 (7.69)
147.88 (7.99)
44.10 (10.70)
44.32 (11.04)
19.78 (3.59)
20.06 (3.75)
-1.05 (0.75)
-1.64 (0.77)
7.73 (1.31)
8.49 (1.33)
153.40 (7.91)
153.48 (9.45)
48.80 (11.03)
48.61 (12.08)
20.63 (3.69)
20.42 (3.78)
-0.30 (0.86)
-0.85 (1.01)
7.66 (1.29)
8.53 (1.35)
157.92 (5.99)
161.73 (9.19)
53.46 (10.39)
54.88 (12.43)
21.33 (3.58)
20.81 (3.66)
0.70 (0.60)
0.40 (0.94)
7.70 (1.22)
8.56 (1.32)
159.63 (5.83)
166.82 (8.02)
56.06 (9.97)
59.70 (12.15)
21.93 (3.45)
21.32 (3.51)
1.29 (0.52)
1.33 (0.88)
7.61 (1.29)
8.42 (1.32)
160.29 (5.84)
170.98 (6.58)
58.03 (10.14)
63.01 (10.85)
22.50 (3.47)
21.83 (3.30)
1.80 (0.50)
2.33 (0.75)
7.52 (1.33)
8.19 (1.31)
160.64 (5.97)
172.82 (6.77)
59.41 (10.26)
66.82 (11.71)
22.98 (3.58)
22.26 (3.29)
2.47 (0.52)
3.18 (0.83)
7.44 (1.21)
8.11 (1.35)
161.18 (5.85)
173.91 (6.97)
59.57 (10.49)
68.65 (11.80)
22.90 (3.67)
22.69 (3.42)
2.92 (0.47)
3.82 (0.76)
7.24 (1.05)
8.13 (1.29)
161.02 (6.21)
173.29 (6.70)
58.85 (9.06)
68.36 (12.32)
22.66 (3.33)
22.67 (3.25)
3.31 (0.49)
4.24 (0.75)
7.17 (1.23)
7.71 (1.36)
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
♀
♂
11.22 (1.85)
9.84 (2.02)
127.76 (21.40)
137.62 (23.66)
12.72 (1.31)
12.10 (1.50)
9.28 (0.85)
8.89 (0.89)
0.48 (0.10)
10.44 (1.85)
9.31 (1.95)
131.06 (21.87)
143.22 (23.25)
12.20 (1.55)
11.66 (1.44)
9.03 (0.97)
8.69 (1.01)
0.47 (0.10)
10.87 (2.00)
9.28 (2.06)
135.15 (22.50)
153.16 (25.75)
12.14 (1.47)
11.38 (1.36)
8.76 (0.97)
8.30 (1.04)
0.46 (0.09)
10.03 (1.84)
8.25 (1.73)
143.41 (25.23)
170.26 (28.28)
11.77 (1.25)
10.41 (1.32)
8.45 (0.84)
7.72 (0.91)
0.48 (0.09)
10.58 (2.18)
8.28 (1.79)
142.40 (25.31)
173.33 (28.80)
11.93 (1.50)
10.72 (1.22)
8.45 (0.97)
7.43 (0.84)
0.48 (0.85)
10.28 (1.95)
7.68 (1.75)
140.45 (24.95)
192.95 (26.92)
11.98 (1.25)
10.31 (1.03)
8.35 (0.80)
7.06 (0.74)
0.47 (0.08)
11.02 (2.31)
8.17 (1.84)
142.34 (23.09)
195.96 (29.22)
12.36 (1.78)
10.50 (1.18)
8.55 (0.88)
7.06 (0.79)
0.47 (0.09)
10.72 (2.22)
7.53 (1.36)
141.31 (22.16)
204.18 (24.50)
12.21 (1.60)
10.24 (1.04)
8.52 (0.73)
6.88 (0.64)
0.47 (0.09)
9.65 (1.65)
7.40 (1.71)
147.28 (23.52)
206.15 (23.69)
12.37 (1.34)
11.23 (3.09)
8.30 (0.66)
6.78 (0.55)
0.49 (0.09)
0.46 (0.10)
9.02 (1.10)
8.88 (1.23)
0.47 (0.10)
8.79 (1.09)
8.65 (1.10)
0.50 (0.11)
8.69 (1.16)
8.61 (1.10)
0.54 (0.10)
8.47 (0.93)
8.39 (1.06)
0.56 (0.10)
8.23 (0.95)
8.32 (1.04)
0.59 (0.11)
8.17 (0.95)
8.08 (1.10)
0.60 (0.11)
7.98 (0.92)
8.02 (0.96)
0.61 (0.11)
7.94 (0.75)
7.93 (0.92)
0.63 (0.11)
8.09 (1.04)
7.84 (0.85)
Physical Fitness
1-mile run (min)
SLJ (cm)
SHR (s)
50YD (s)
HGr (kg·kg-1 body
mass)
Average weekly
sleep time (h)
Yrs= years; BMI= body mass index; TPA= total physical activity; SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr=relative handgrip; h= hour
Michele Caroline de Souza
160
Modeling the dynamics of BMI changes
Table 3. Results summary for the three nested models of girls and boys.
Null Model (M0)
Girls
Model I (M1)
Model II (M2)
Null Model (M0)
Boys
Model I (M1)
Regression coefficients
(fixed effects)
Intercept at PHV
20.761 (0.056)* 20.597 (0.052)* 20.753 (0.070)*
20.681 (0.057)*
20.456 (0.048)*
Slope
0.945 (0.022)*
1.225 (0.026)*
1.363 (0.038)*
0.621 (0.015)*
1.158 (0.024)*
1-mile run (min)
0.114 (0.015)*
0.122 (0.021)*
0.161 (0.016)*
SLJ (cm)
-0.006 (0.001)* -0.008 (0.002)*
-0.010 (0.001)*
SHR (s)
0.027 (0.019) § 0.040 (0.026)§
0.014 (0.019)§
50YD (s)
0.239 (0.036)*
0.278 (0.052)*
0.257 (0.032)*
HGr (kg·kg-1 body mass)
-8.032 (0.417)* -8.911 (0.545)*
-7.925 (0.343)*
TPA
0.096 (0.028)**
Average sleep (hours)
0.035 (0.029)§
Fruits/vegetables
-0.044 (0.074)§
Variance components
(random effects)
Baseline
9.490*
6.566*
6.576*
10.347*
6.177*
Slope
0.267*
0.149*
0.123*
0.094*
0.038*
Residual
0.719
0.704
0.728
0.781
0.686
Model summary
Deviance statistic
28281.448*
18519.622*
10798.594*
29353.190*
19490.062*
Number of estimated parameters
6
11
14
6
11
Parameter estimates and standard errors listed in parentheses
*p<0.001; **p<0.05; §=non-significant
SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr= relative handgrip strength TPA= total physical activity;
Model II (M2)
20.579 (0.064)*
1.231 (0.034)*
0.183 (0.024)*
-0.013 (0.002)*
0.037 (0.024)§
0.256 (0.045)*
-8.149 (0.451)*
0.036 (0.026)§
-0.037 (0.024)§
-0.056 (0.084)§
6.106*
0.024**
0.758
11467.860*
14
Michele Caroline de Souza
161
Modeling the dynamics of BMI changes
DISCUSSION
A series of multilevel nested models were sequentially fitted in order to
model longitudinal changes in BMI of Portuguese youth, as well as to
investigate the effects of PF, TPA, sleep duration, and fruits/vegetables
consumption in average and individual BMI trajectories across time. Given the
slight differences in the intercepts and slopes among models (M0 to M2), the
present discussion will focus on the best fitting model (M2).
In the present study, we chose a linear trend to depict changes in BMI
following centile growth reference charts of Centers for Disease Control and
Prevention (CDC)34 and World Health Organization (WHO)35, i.e., during
adolescence BMI 50th centile increases almost linearly with age in both sexes.
However, at PHV Portuguese youth tended to be heavier for their height than
CDC or WHO 50th centile. Similar trends were found when BMI median values
of children and adolescents from Vouzela, a city in central Portugal, were
compared to the 50th centile of these reference charts (Study In press)36. This
high BMI of these two Portuguese youth sample should not be simply
interpreted as increases in adiposity, but also as changes in fat free mass that
are associated with growth24.
Physical fitness tests, as time-varying predictors, were longitudinally
related to BMI trajectories suggesting that positive changes in PF, with the
exception of the shuttle run, predicted annual decrease in inter-individual BMI
values for both girls and boys. There is a wealth of cross-sectional data14-16,37
showing the inverse associations between PF tests and BMI. This relationship
is particularly marked in tests in which the body is projected or moved through
space, i.e., jumping and running (endurance and velocity), probably because fat
represents an excess of weight that has to be moved during these tasks, as well
as the lack of experience in such weight-bearing tests14,16,24. We were able to
find only one prospective study17 investigating the influence of PF performance
in BMI changes during childhood or adolescence. This study examined two
cohorts of 5-13 yr old children and adolescents and combined them into a single
Michele Caroline de Souza
162
Modeling the dynamics of BMI changes
analytic cohort at only 1-year of follow-up. It was shown that among five PF
domains, only CRF and upper body strength were inversely associated with the
risk of becoming overweigh in both boys and girls; and after adjusting for
baseline BMI, CRF remained a significant predictor of incidence of overweight
only in girls. Further, it was reported that a 1-year of follow-up may have been
too short an interval to examine the effects of PF on overweight changes.
Similarly, our results provide relevant information indicating that consistent PF
improvements, namely in CRF, speed, explosive power and static strength,
during adolescence may play an important role in favorable BMI development
across age in boys and girls.
Among the lifestyle factors predicting BMI changes addressed in this
manuscript, only TPA was associated with BMI trajectories, but only in girls. The
finding that longitudinal changes in TPA have positive association in girls’ BMI
trajectories was not expected. The main reason for this unexpected result may
be sought in the fact that (1) PA was self-reported and girls with higher BMI
values could have overestimated their PA behaviors38; or (2) adolescent girls
with higher BMI, as age increases, become more concerned about their body
image, therefore tend to increase their total daily PA levels 39, which does not
mean that the important part of is of moderate-to-high intensity levels. The role
of PA in attenuating BMI increases is not clearly understood given the
controversial results found in the literature9-12. This is largely due to issues
related to PA assessment, because measures vary with the activity specificity mode, frequency, amount and intensity9-12. As such, some have suggested that
intensity (vigorous PA) rather than the amount (TPA) may be more important in
preventing overweight/obesity in children and adolescents 40,41.
Shortened sleep patterns have been associated with adolescent
overweight and obesity2, but our results do not support this suggestion. This
finding is consistent with a previous longitudinal study42 of 13,568 US
adolescents, aged 12 to 18 years, which showed no significant association
between short sleep duration (< 6 hours) and obesity, defined as BMI > 95 th
Michele Caroline de Souza
163
Modeling the dynamics of BMI changes
percentile for age. Despite the indication that short sleep duration may increase
adolescents’ BMI as a consequence of fatigue and change in hormones that
regulate energy intake (ghrelin and leptin)18,42, it has been recently suggested,
from cross sectional data43,44, that late bedtimes and wake up times (sleep
timing behavior) are associated with factors (poorer diet quality or reduced PA
level) that place adolescents at a greater risk of being overweight or obese,
independent of sleep duration.
In the Oporto study fruit and vegetables intake was not associated with
BMI trajectory during adolescence. This may occur because of fruits and
vegetables have different characteristics; many fruits contain a higher amount of
sugar than vegetables, and should probably be analyzed separately as relevant
factors for weight management19,45. A report from the Amsterdam Growth and
Health Longitudinal Study45 assessed whether fruit and vegetable intake were
associated with changes in BMI and fat mass during adolescence and into
adulthood
and
results
demonstrated
beneficial
effects
of
vegetable
consumption, but not fruit, in BMI and fat mass changes over time in females.
Although there are many benefits in maintaining a rich diet composed of fruits
and vegetables19 during adolescence, it is not yet clear why this type of diet
would prevent excessive weight gain46.
There are some potential limitations in the present study. First, the
present sample is from only one Portuguese region (North of Portugal).
Although it is not expected that adolescents from Porto differ from those of other
areas of Portugal generalization of results should be made with caution. Subtle
differences in lifestyle, physical and built environments as well as other factors
may influence growth, development and health in varied ways. Second, lifestyle
factors (PA, sleep duration and fruits/vegetables intake) were estimated via
questionnaires that can be prone to error. However, we used an individualized
approach within PE classes where students completed all questionnaires; and
regarding PA, there is consistent evidence about the reliability of the Baecke
questionnaire with Portuguese children and adolescents from different
Michele Caroline de Souza
164
Modeling the dynamics of BMI changes
geographical regions47,48. Further, given the sample size we could not think of
any other feasible approach. Third, the use of BMI as a surrogate of adiposity
rather than other body composition indicator, such as skinfold thickness or
percentage of body fat, may be considered another limitation. However, BMI
has been the most commonly used index to determine weight status,
specifically overweight and obesity13. Further, BMI has shown high correlations
with more direct measures of adiposity in children and adolescents12 and it has
been recognized as a valid indicator of risk for overweight in adolescents 49.
Notwithstanding these limitations, the study has also several important
strengths.
First,
the
mixed-longitudinal
approach
provides
a
better
understanding of the dynamics of changes in all variables. Second, we used a
highly flexible statistical procedure to fit BMI trajectories in both boys and girls.
Third, the use of a set of time varying predictors of BMI, such as PF, PA, sleep
duration and fruit/vegetables intake, which were considered together in the
model. Fourth, the size of our sample may be considered representative in
terms of both age and sex of the all adolescent period, an important life period
in terms of acquisition and development of lifestyle behaviors that may track into
adulthood.
In conclusion, girls and boys had similar mean values for BMI at the age
at PHV, and BMI increased linearly with age in both genders. Higher PF levels
reduced BMI across time in both boys and girls; TPA showed positive
association with girls’ BMI trajectories; and sleep habits as well as
fruits/vegetables intake did not predict BMI longitudinal trajectories, regardless
of sex. Given that PF is also related with different health outcomes (namely
cardio-metabolic risk), these results reinforce its importance as a very important
health marker. It also provides further support to the promotion of moderate-tovigorous physical activity and exercise programs designed to improve all PF
components during childhood and adolescence. Additional longitudinal studies
are required to more fully understand the effect of sleep time behaviour and
duration, as well as fruits/vegetables intake in the weight maintenance over the
adolescent years.
Michele Caroline de Souza
165
Modeling the dynamics of BMI changes
REFERENCES
1.
Ng M, Fleming T, Robinson M, et al. Global, regional, and national
prevalence of overweight and obesity in children and adults during 1980-2013:
a systematic analysis for the Global Burden of Disease Study 2013. Lancet.
2014 Aug 30;384(9945):766-81.
2.
Spruijt MR. Etiology, Treatment and Prevention of Obesity in Childhood
and Adolescence: A Decade in Review. J Res Adolesc. 2012;21(1):129-52.
3.
Marques A, Gaspar De Matos M. Trends and correlates of overweight
and Obesity among adolescents from 2002 to 2010: A three-cohort study based
on a representative sample of Portuguese adolescents. Am J Hum Biol. 2014
Aug 30.
4.
Sardinha LB, Santos R, Vale S, et al. Prevalence of overweight and
obesity among Portuguese youth: a study in a representative sample of 10-18year-old children and adolescents. Int J Pediatr Obes. 2011 Jun;6(2-2):e124-8.
5.
Janssen I, Katzmarzyk PT, Boyce WF, et al. Comparison of overweight
and obesity prevalence in school-aged youth from 34 countries and their
relationships with physical activity and dietary patterns. Obes Rev. 2005
May;6(2):123-32.
6.
Dietz WH. Critical periods in childhood for the development of obesity.
Am J Clin Nutr. 1994 May;59(5):955-9.
7.
Singh AS, Mulder C, Twisk JW, van Mechelen W, Chinapaw MJ.
Tracking of childhood overweight into adulthood: a systematic review of the
literature. Obes Rev. 2008 Sep;9(5):474-88.
8.
Chaput JP, Perusse L, Despres JP, Tremblay A, Bouchard C. Findings
from the Quebec Family Study on the Etiology of Obesity: Genetics and
Environmental Highlights. Curr Obes Rep. 2014;3:54-66.
Michele Caroline de Souza
166
Modeling the dynamics of BMI changes
9.
Kimm SY, Glynn NW, Obarzanek E, et al. Relation between the changes
in physical activity and body-mass index during adolescence: a multicentre
longitudinal study. Lancet. 2005 Jul 23-29;366(9482):301-7.
10.
Must A, Bandini LG, Tybor DJ, et al. Activity, inactivity, and screen time
in relation to weight and fatness over adolescence in girls. Obesity (Silver
Spring). 2007 Jul;15(7):1774-81.
11.
Elgar FJ, Roberts C, Moore L, Tudor-Smith C. Sedentary behaviour,
physical activity and weight problems in adolescents in Wales. Public Health.
2005 Jun;119(6):518-24.
12.
Kemper HC, Post GB, Twisk JW, van Mechelen W. Lifestyle and obesity
in adolescence and young adulthood: results from the Amsterdam Growth And
Health Longitudinal Study (AGAHLS). Int J Obes Relat Metab Disord. 1999
Apr;23 Suppl 3:S34-40.
13.
Malina RM. Top 10 research questions related to growth and maturation
of relevance to physical activity, performance, and fitness. Res Q Exerc Sport.
2014 Jun;85(2):157-73.
14.
Gulias-Gonzáles R, Martinez-Vizcaíno V, García-Pietro J, et al. Excess
of weight, but not underweight, is associated with poor physical fitness in
children and adolescents from Castilla-La Mancha, Spain. Eur J Pediatr.
2014;173:727-35.
15.
Huang YC, Malina RM. Body mass index and individual physical fitness
tests in Taiwanese youth aged 9-18 years. Int J Pediatr Obes. 2010
Oct;5(5):404-11.
16.
Deforche B, Lefevre J, De Bourdeaudhuij I, et al. Physical fitness and
physical activity in obese and nonobese Flemish youth. Obes Res. 2003
Mar;11(3):434-41.
Michele Caroline de Souza
167
Modeling the dynamics of BMI changes
17.
Kim J, Must A, Fitzmaurice GM, et al. Relationship of physical fitness to
prevalence and incidence of overweight among schoolchildren. Obes Res. 2005
Jul;13(7):1246-54.
18.
Mitchell JA, Rodriguez D, Schmitz KH, Audrain-McGovern J. Sleep
duration and adolescent obesity. Pediatrics. 2013 May;131(5):e1428-34.
19.
Ham E, Kim HJ. Evaluation of fruit intake and its relation to body mass
index of adolescents. Clin Nutr Res. 2014 Jul;3(2):126-33.
20.
Lohman TG, Roche AF, Martorell R. Antropometric standardization
reference manual: Champaign; 1988.
21.
Mirwald RL, Baxter-Jones AD, Bailey DA, Beunen GP. An assessment of
maturity from anthropometric measurements. Med Sci Sports Exerc. 2002
Apr;34(4):689-94.
22.
Fitnessgram. The Prudencial Fitnessgram Test Administration Manual.
Dallas, Texas U.S.A: he Cooper Institute for Aerobics Research; 1994.
23.
(AAHPER) AAfHPEaR. Youth Fitness Test Manual. Washington, DC:
AAHPER; 1976.
24.
Malina R, Bouchard C, Bar-Or C. Growth, Maturation and Physical
Activity. 2º Edition. Champaign, Illinois: Human Kinetics; 2004.
25.
Baecke J, Burema J, Frijters J. A short questionnaire for the
measurenment of habitual physical activity in epidemiological studies. . Am J
Clin Nutr. 1982;36(5):936-42.
26.
Miller DJ, Freedson PS, Kline GM. Comparison of activity levels using
the Caltrac accelerometer and five questionnaires. Med Sci Sports Exerc. 1994
Mar;26(3):376-82.
27.
Philippaerts RM, Westerterp KR, Lefevre J. Doubly labelled water
validation of three physical activity questionnaires. Int J Sports Med. 1999
Jul;20(5):284-9.
Michele Caroline de Souza
168
Modeling the dynamics of BMI changes
28.
Katzmarzyk PT, Barreira TV, Broyles ST, et al. The International Study of
Childhood Obesity, Lifestyle and the Environment (ISCOLE): design and
methods. BMC Public Health. 2013;13:900.
29.
Currie C, Zanotti C, Morgan A, et al. Social determinants of health and
well-being among young people. Health Behaviour in School-Aged Children
(HBSC) study: international report from the 2009/2010 survey. Health Police for
Children and Adolescents. Copenhagen: WHO Regional Office for Europe;
2012.
30.
Bryk A, Raudenbush S. Application of Hierarchical Linear Models to
Assessing Change. Psychological Bulletin. 1987;101(1):147-58.
31.
Raudenbush S, Bryk A, Cheong Y, Congdon R, du Toit M. HLM 7.
Hierarchical linear & nonlinear modeling. SSI, Scientific Software International.
Lincolnwood, IL.2011.
32.
Raudenbush S. Hierarchical linear models to study the effects of social
context on development. In: Gottman J, editor. The analysis of change.
Mahwah, New Jersey: Lawrence Erlbaum Associates, Publishers; 1995. p. 165202.
33.
Hox J. Multilevel analysis: technics and applications. East Sussix:
Routledge; 2010.
34.
Kuczmarski R, Ogden C, Grummer-Strawn L, et al. CDC growth charts:
United States: Adv Data; 2000.
35.
de Onis M, Onyyango A, Borghi E, et al. Development of a WHO growth
reference for school-aged children and adolescents. Organ BWH, editor: Bull.
Word Health Organ; 2007.
36.
Chaves R, Baxter-Jones AD, Souza M, Santos D, Maia J. Growth, body
composition and waist circumference centile charts of rural Portuguese children
and adolescents (In press). 2014.
Michele Caroline de Souza
169
Modeling the dynamics of BMI changes
37.
Heroux M, Onywera V, Tremblay MS, et al. The Relation between
Aerobic Fitness, Muscular Fitness, and Obesity in Children from Three
Countries at Different Stages of the Physical Activity Transition. ISRN Obes.
2013;2013:134835.
38.
Elliott SA, Davidson ZE, Davies PS, Truby H. Accuracy of Parent-
Reported Energy Intake and Physical Activity Levels in Boys With Duchenne
Muscular Dystrophy. Nutr Clin Pract. 2014 Sep 8.
39.
Dyremyhr AE, Diaz E, Meland E. How adolescent subjective health and
satisfaction with weight and body shape are related to participation in sports. J
Environ Public Health. 2014;2014:851932.
40.
Rizzo NS, Ruiz JR, Hurtig-Wennlof A, Ortega FB, Sjostrom M.
Relationship of physical activity, fitness, and fatness with clustered metabolic
risk in children and adolescents: the European youth heart study. J Pediatr.
2007 Apr;150(4):388-94.
41.
Ruiz JR, Rizzo NS, Hurtig-Wennlof A, et al. Relations of total physical
activity and intensity to fitness and fatness in children: the European Youth
Heart Study. Am J Clin Nutr. 2006 Aug;84(2):299-303.
42.
Calamaro CJ, Park S, Mason TB, et al. Shortened sleep duration does
not predict obesity in adolescents. J Sleep Res. 2010 Dec;19(4):559-66.
43.
Golley RK, Maher CA, Matricciani L, Olds TS. Sleep duration or bedtime?
Exploring the association between sleep timing behaviour, diet and BMI in
children and adolescents. Int J Obes (Lond). 2013 Apr;37(4):546-51.
44.
Olds TS, Maher CA, Matricciani L. Sleep duration or bedtime? Exploring
the relationship between sleep habits and weight status and activity patterns.
Sleep. 2011 Oct;34(10):1299-307.
45.
te Velde SJ, Twisk JW, Brug J. Tracking of fruit and vegetable
consumption from adolescence into adulthood and its longitudinal association
with overweight. Br J Nutr. 2007 Aug;98(2):431-8.
Michele Caroline de Souza
170
Modeling the dynamics of BMI changes
46.
Field AE, Gillman MW, Rosner B, Rockett HR, Colditz GA. Association
between fruit and vegetable intake and change in body mass index among a
large sample of children and adolescents in the United States. Int J Obes Relat
Metab Disord. 2003 Jul;27(7):821-6.
47.
Ferreira J, Marques A, Maia J. Physical fitness, physical activity and
health in young population from Viseu- A study in children and youngsters of
both gender from 10 to 18 years old. Viseu: Departamento Cultural - Instituto
Superior Politécnico de Viseu; 2002.
48.
Vasconcelos M, Maia J. Is there a decline in physical activity? A cross-
sectional study in children and youngsters of both gender from 10 to 19 years
old. Portuguese Journal Sports Science. 2001;1:44-52.
49.
Malina RM, Katzmarzyk PT. Validity of the body mass index as an
indicator of the risk and presence of overweight in adolescents. Am J Clin Nutr.
1999 Jul;70(1):131S-6S.
Michele Caroline de Souza
171
Estudo VI
Modeling longitudinal changes in hypertensive and waist phenotype.
The Oporto Growth, Health and Performance Study.
Michele Souza 1,2, Joey Eisenmann 3, Fernanda Santos 1,2, Thayse Gomes 1,
Sara Pereira1, Cláudia Forjaz4, José Maia 1.
Artigo submetido à Journal of Adolescent Health (EUA)
1
CIFI2D, Faculty of Sport, University of Porto. Porto- Portugal.
2
3
4
CAPES Foundation, Ministry of Education of Brazil. DF- Brazil.
Department of Radiology, Michigan State University. East Lansing- USA.
Exercise Hemodynamic Laboratory, School of Physical Education and Sport,
University of São Paulo. São Paulo-Brazil.
Modeling longitudinal changes in hypertensive and waist phenotype
ABSTRACT
Objectives: This study aimed: (1) to model changes in hypertensive and
waist phenotype (HWP) in youth, and (2) to investigate the effects of sex,
biological maturation, total physical activity (TPA) and physical fitness (PF) in
HWP trajectories.
Methods: Data was obtained from the Oporto Growth, Health and
Performance Study and comprised 5549 adolescents (2732 girls) divided into
four age cohorts (10, 12, 14 and 16 years) measured annually for three years.
The HWP was computed as the sum of the standardized score of waist
circumference and mean arterial pressure. Biological maturation was indirectly
assessed by the maturity offset procedure; TPA was estimated with the Baecke
questionnaire; PF measures included 1-mile run/walk, 50 yard dash (50YD),
standing long jump (SLJ), handgrip strength (HGr) and agility shuttle run.
Longitudinal changes in HWP were analysed using multilevel modelling
approach.
Results: HWP increased across time with a non-linear trend in girls and
boys. However, when conditional on the set of predictors the trend reversed:
girls and boys had a significant annual decrease on HWP of -0.202±0.032 and 0.147±0.032, respectively. Maturity offset was positively associated with HWP
changes (β=0.913±0.023); TPA has a negative association (β=-0.027±0.011);
and
PF
tests
improvements
(β1mile=0.081±0.009;
significantly
βSLJ=-0.003±0.00;
reduced
HWP
β50YD=0.106±0.020;
across
and
time
βHGr=-
3.335±0.196).
Conclusions: Boys showed higher HWP values compared to girls from
10 to 18 years of age. Adolescents who were more mature had a more adverse
HWP. Longitudinal increases in TPA and PF provided a consistent protective
effect in the development of HWP across the adolescence years.
Key-words: longitudinal changes, cardio-metabolic risk, physical activity,
physical fitness, youth.
Michele Caroline de Souza
175
Modeling longitudinal changes in hypertensive and waist phenotype
INTRODUCTION
The contemporary lifestyle behaviours of poor diet, high amounts of
screen time, and low levels of physical activity (PA) and physical fitness (PF)
observed in developed countries are important factors contributing to the
current epidemic of child and adolescent overweight and obesity worldwide 1,2.
This phenomenon is of utmost clinical interest due to its association with the
development of cardio-metabolic risk factors in youth, such as hyperglycemia,
dyslipidemia and elevated blood pressure, that may increase the risk for adult
cardiovascular disease2.
In addition to the overall adiposity level, it has been shown that
abdominal obesity, assessed by waist circumference (WC), has increased at a
higher rate than total body obesity in children over the last two decades 3,4, and
it tends to track into adolescence5,6 and adulthood7,8. Furthermore, it is well
recognized that increasing abdominal adipose tissue has a unique role in the
pathogenesis of cardio-metabolic diseases9, such as elevated blood pressure,
independent of weight status10,11. Thus, it is not surprising that the prevalence of
high BP has also increased in youth12. Indeed, children and adolescents with
elevated WC have a five- to six-fold increased odds of having high BP13,14,
which persists into adulthood15.
WC is considered one of the best anthropometric measures in clinical
and large-scale screening of cardio-metabolic risk factors in children and
adults11,13,16, and its combined use with mean arterial pressure (MAP)18, as a
cardio-metabolic risk marker, is highly useful to evaluate and prevent future
cardio-metabolic health problems11,13. However, the dichotomous classification
of BP and WC may be restrictive because their original values are continuously
distributed and positively correlated with other cardio-metabolic risks across a
wide range of values12,17. Additionally, as MAP and WC are correlated with each
other in terms of their level and rate of change over time, it may be of interest to
have a suitable sum of both represented by a continuous score 17, i.e., a
hypertensive and waist phenotype (HWP). The HWP represents a feasible
cardio-metabolic proxy measurement to epidemiological research in school
Michele Caroline de Souza
177
Modeling longitudinal changes in hypertensive and waist phenotype
context, in terms of staff training and access to the equipment, compared to
blood chemistry markers assessment; so it can figure as an effective primary
prevention measure.
The growth-related changes in WC and BP during childhood and
adolescence are manifested by biological, environment, genetic and lifestyle
factors2. Regarding biological factors, puberty has an impact on fat distribution,
generally with an android pattern for boys and gynoid for girls18. Systolic BP
increases during pubertal growth with greater increments for boys due to the
effect of gonadal hormones (testosterone)19. Furthermore, puberty is associated
with a temporary decrease in insulin sensitivity, which can have a transitory
effect on appetite regulation and obesity-related hypertension2,12.
Compared to lifestyle factors, physical and built environment and genetic
effects are very difficult to overcome. PA and PF are examples of modifiable
factors that have been inversely associated with clustering of cardio-metabolic
risk factors in youth20,21, i.e., moderate-to-high levels of PA and PF are
protective factors of cardio-metabolic risk20-24. Despite the increasing number of
studies investigating these associations between PA and/or PF with cardiometabolic risk factors in youth, there are some issues that are not wellelucidated. For example, (i) almost all previous studies are cross-sectional,
which limits the ability to draw causal inferences as well as the ability to provide
a robust understanding about the dynamic of change in cardio-metabolic risk
through the effect of time- invariant and variant correlates; (ii) the inverse
association between PA and cardio-metabolic risk still needs to be investigated
in longitudinal studies, since cross-sectional studies are inconclusive20,21; and
(iii) typically when studies report the association between PF and cardiometabolic risk, the term ‘fitness’ almost exclusively refers to cardiorespiratory
fitness (CRF) and does not address other PF components, namely muscular,
morphological, motor and metabolic25 in addition to CRF in the analysis. Indeed,
PF is not a unitary but rather a multi-factorial construct.
Given the above mentioned gaps and limitations in the literature,
especially that no recent longitudinal studies has described the dynamics of
Michele Caroline de Souza
178
Modeling longitudinal changes in hypertensive and waist phenotype
change in cardio-metabolic risk factors, this study aims to: (1) longitudinally
model changes of the HWP in adolescents, and (2) investigate the effects of
time-invariant (sex), and time-varying correlates (biological maturation, PA and
PF) in HWP trajectories across time.
METHODS
Sample
Data are from the Oporto Growth, Health and Performance Study
(OGHPS) whose overall aim is to investigate the interaction among individual
characteristics,
environmental
and
lifestyle
factors
that
affect
growth,
development and health aspects of Portuguese adolescents. The OGHPS has a
mixed-longitudinal design involving randomly selected adolescents from 10 to
18 years old divided into four cohorts. The first cohort was followed annually
from 10 to 12 years; the second from 12 to 14 years; the third from 14 to 16
years, and the fourth from 16 to 18 years. For the present study, we considered
data obtained from a total of 5549 subjects. Sex and age specific sample size
information is given in Table 1. All measurements were conducted annually
during the same months (November to April) to avoid seasonal variations. The
OGHPS protocols were approved by the Ethics Committee of the University of
Porto; legal authorization was obtained from school directors, and parents gave
their informed consent.
Table 1. Sample size by age, sex, and cohort.
Cohort Ages (yrs) Girls Boys Total
10-12
1008 1042 2050
C1
12-14
795
890 1685
C2
14-16
648
619 1267
C3
16-18
281
266
547
C4
2732 2817 5549
Total
Michele Caroline de Souza
179
Modeling longitudinal changes in hypertensive and waist phenotype
Biological Maturation
Biological maturation was indirectly assessed by the maturity offset
regression procedure proposed by Mirwald et al. (2002)26 which estimates how
many years a subject is from peak height velocity (PHV). A positive (+) maturity
offset represents the number of years the participant is beyond PHV, whereas a
negative (–) maturity offset represents the number of years the subject is before
from PHV.
Physical activity
Total
physical
activity
(TPA)
was
estimated
with
the
Baecke
questionnaire27, a reliable and valid instrument28,29 that describes three basic
domains of PA (school PA, leisure time PA and sport participation PA). It
comprises a total of 16 questions divided into these three domains and each is
scored from 1 (minimal PA) to 5 (maximal PA). TPA score is obtained from the
unweighted sum of the three domains, and scores ranged from 3 (lowest) to 15
(highest). All adolescents answered the questionnaires during their physical
education classes under the supervision of the teachers who were trained by
the research team.
Physical fitness
CRF was estimated from the 1-mile run/walk test of Fitnessgram
battery30, where all subjects ran/walked a distance of 1609m in the shortest time
possible. The other fitness components were assessed with several items from
the 1988 AAHPERD youth fitness test31: (a) speed - 50 yard dash: all subjects
ran this distance in the shortest time possible; (b) explosive leg power standing long jump: all subjects jumped as far as possible from a standing
position; (c) agility - shuttle-run: all subjects ran as fast as possible from the
starting line to a line 9 m away where two small wooden blocks were placed,
picked-up one of the blocks, returned to the starting line, placed the block on
the line, and then repeated route; and (d) static strength - handgrip strength: all
subjects gripped the dynamometer (Takei Physical Fitness Test GRIP-D,
Japan) with maximum force during 5 to 10 s. Static strength (kg) was expressed
Michele Caroline de Souza
180
Modeling longitudinal changes in hypertensive and waist phenotype
relative to body mass (kg) given the high dependency of hang grip strength to
body size32 (i.e., weight).
Hypertensive and waist phenotype
The HWP included two of the more feasibly measured variables used to
mark the metabolic syndrome: WC and BP. WC was anatomically identified as
the smallest circumference between the lowest rib and the superior border of
the iliac crest and measured to the nearest 1cm with non-elastic tape (Sanny,
American Medical of Brazil, São Paulo, Brazil). BP was measured with an
automated device (Omrom M6 hem-7001-E, Omron Healthcare) previously
validated by The International Protocol of the European Society of
Hypertension33. Three different cuff sizes were available and appropriate cuff
size was determined according to the best fit to participant’s arm circumference.
All adolescents rested five minutes prior to the first BP measurement. They
remained seated with the back relaxed against the chair, legs uncrossed and
feet flat on the floor. The right upper limb was positioned with support at the
heart level and palm of the hand turned upwards. Three consecutive measures
with at least two minutes interval were obtained. For the present study the
average values of systolic and diastolic BP were used to compute MAP.
Subjects’ MAP values (in mmHg) were calculated using the following formula:
MAP=DBP+1/3(SBP-DBP). To compute the HWP, MAP and WC results were
transformed into z-scores and then summed; increasing positive z-values are
indicative of less favourable cardio-metabolic score.
Data quality control
Data quality control was assured in three different steps: (1) training of all
team members by experienced researchers of the Kinanthropometry Laboratory
of the Sports Faculty, University of Porto, Portugal; (2) conducting random
retests (intra-rater reliability) on each assessment day; (3) reliability calculations
using the ANOVA-based intraclass correlation coefficient (R), as well as the
technical error of the measurement (TEM): TEM=0.1cm for WC; for PF tests, R
Michele Caroline de Souza
181
Modeling longitudinal changes in hypertensive and waist phenotype
values ranged from 0.93 (1-mile run/walk) to 0.97 (handgrip); and for PA,
R=0.80.
Statistical analysis
Exploratory and descriptive data analyses were conducted in IBM SPSS
20.0 software to check for the presence of outliers. Modelling changes in HWP
was done in HLM 6.0 software within the framework of the multilevel approach34
using maximum likelihood estimation procedures35. In HLM analysis, the
numbers and spacing of measurement observations may vary across subjects
and it can also accommodate data from mixed-longitudinal designs with missing
data, under the assumption that missing is at random
36
. In order to best
describe individual longitudinal trajectories, average trajectories and respective
predictors, a series of hierarchical nested models were fitted by using a
stepwise fashion. To facilitate interpretation of model parameters describing
change, the time metric was centered at baseline, i.e., the first measurement of
cohort 1. Thus the time 0 corresponds to 10 years of age, and the temporal
metric of X-axis has become 0, 1, 2, 3, 4, 5, 6, 7 and 8, which corresponds to
10, 11, 12, 13, 14, 15, 16, 17 and 18 years of age. In the first step a null model
(M0) was ran to define the level-1 sub model using up to a 2rd degree polynomial
of time. So a series of hierarchically nested level-1 models were fitted, with
increasing patterns of HWP change (linear and quadratic), and it was also
tested the effect of gender (level-2 variable). The next step was to run a model
(M1) that used time-varying covariates, namely maturity offset and TPA (level1). On the subsequent model (M2), PF-tests were also included. To facilitate the
interpretation, all predictors but sex (female=0 and males=1) were centred
around the grand mean as previously advocated37. Deviance statistics were
used as a measure of global fit. Differences in Deviances are distributed as an
approximate Chi-square (χ2) distribution with degrees of freedom determined by
the difference in the number of estimated parameters between the models. It is
expected that as model increases in complexity (i.e., adding parameters) a
statistical significant decrease in Deviance is expected.
Michele Caroline de Souza
182
Modeling longitudinal changes in hypertensive and waist phenotype
RESULTS
Descriptive statistics for girls and boys at each annual time point (T0-T8)
are in Table 2. Both sexes had an average increase in the HWP from 10 to 18
years of age. On average, girls’ maturity offset was closer to PHV at age 12
years, while in boys was at age 13 years. Girls’ and boys’ TPA mean values
increased until age 13 (T3), and then declined. Boys showed systematic mean
improvements in all PF tests over time, except for CRF. Girls showed
considerable variation in their mean values for CRF, explosive leg power, agility
and speed tests; and a slight mean improvement in static strength over the time
(T0-T8).
Multilevel modelling results are presented in Table 3. A non-linear trend
was the best HWP fitting trajectory across time. On average, 10 years old girls
had a low HWP at baseline (β=-1.012±0.051), and no significant differences
were found compared to boys (β=0.026±0.066) as shown in Figure 1. However,
there are sex differences with increasing age. Specifically, girls increased HWP
at the rate of 0.364 z-scores/year, while boys did so at a higher rate (0.497 zscores/year). There was a tendency for a stabilization in metabolic risk, since
the acceleration was negative for both boys and girls (β=-0.022±0.003). There
is noteworthy interindividual variation at baseline and the trend as expressed by
the statistically significant variances.
Figure 1. Average trajectories of HWP as function of time (time 0=10 years,
time 1=11 years, …, time 8=18 years) and sex (no other covariates are included
in the model that produced these mean trajectories).
Michele Caroline de Souza
183
Modeling longitudinal changes in hypertensive and waist phenotype
In model 1, a biological marker (maturity offset) and a lifestyle behavior
(TPA) were included as time-varying predictors for HWP trajectories. Sex
differences were present at baseline. On average, the HWP of 10 years old girls
was 0.437 (±0.063), and for boys was 0.820 z-scores higher. It should be noted
that the trend is negative, with HWP decreasing at the rate of -0.284 (±0.029)
per year in girls, and -0.352 (±0.029)/year in boys. The non-linear trend is still
evident (β=-0.015±0.003). The more mature youth have higher HWP values
(β=0.883±0.022), whereas the higher the TPA the lower the HWP (β=0.053±0.010). Although interindividual differences are less pronounced given
the reductions of baseline and slope variances, they are still statistically
significant.
In the final and best fitting model (M2), a series of PF components were
added. Sex differences are evident at baseline, but girls show a more
favourable
HWP
trend
(β=-0.025±0.063)
than
boys
(β=0.954±0.067).
Conditional on the new set of predictors, girls and boys showed a significant
annual decrease in HWP of -0.202±0.032 and -0.147±0.032, respectively. The
non-linear trend is still present (β=-0.023±0.004) in both sexes. Consistent with
M1, maturity offset has a positive longitudinal association with HWP changes
(β=0.913±0.023) and TPA has a negative association (β=-0.027±0.011). With
the exception of the shuttle run, improvements in PF significantly reduces HWP
values across time (β1mile=0.081±0.009; βSLJ=-0.003±0.001; β50YD=0.106±0.020;
and βHGr=-3.335±0.196). Note that the higher times for 1-mile run and 50 YD
were related to poorer cardiorespiratory fitness and running speed, respectively.
Michele Caroline de Souza
184
Modeling longitudinal changes in hypertensive and waist phenotype
Table 2. Descriptive statistics for girls and boys in each annual time point (T0-T8).
♀
♂
Maturity offset ♀
(years)
♂
♀
TPA (units)
♂
Physical Fitness
1-mile run ♀
(min) ♂
♀
SLJ (cm)
♂
♀
SHR (s)
♂
♀
50YD (s)
♂
-1
♀
HGr (kg·kg
body mass) ♂
HWP
T0 (10 yrs)
mean (SD)
T1 (11 yrs)
mean (SD)
T2 (12 yrs)
mean (SD)
T3 (13 yrs)
mean (SD)
T4 (14 yrs)
mean (SD)
T5 (15 yrs)
mean (SD)
T6 (16 yrs)
mean (SD)
T7 (17 yrs)
mean (SD)
T8 (18 yrs)
mean (SD)
-0.85 (1.56)
-0.69 (1.69)
-1.50 (0.62)
-2.18 (0.61)
7.69 (1.21)
8.29 (1.32)
-0.90 (1.54)
-0.68 (1.58)
-1.08 (0.75)
-1.69 (0.76)
7.75 (1.32)
8.51 (1.35)
-0.34 (1.57)
-0.18 (1.65)
-0.34 (0.88)
-0.89 (1.03)
7.70 (1.30)
8.55 (1.35)
-0.20 (1.48)
0.17 (1.59)
0.70 (0.61)
0.25 (0.72)
7.83 (1.23)
8.59 (1.37)
0.14 (1.45)
0.74 (1.54)
1.27 (0.51)
1.31 (0.88)
7.67 (1.33)
8.45 (1.34)
0.18 (1.44)
1.02 (1.49)
1.85 (0.51)
2.29 (0.72)
7.71 (1.38)
8.27 (1.38)
0.50 (1.46)
1.40 (1.56)
2.43 (0.54)
3.15 (0.85)
7.48 (1.25)
8.16 (1.36)
0.64 (1.31)
1.55 (1.55)
2.83 (0.50)
3.69 (0.78)
7.25 (1.32)
8.21 (1.54)
0.46 (1.25)
1.26 (1.51)
3.33 (0.52)
4.26 (0.82)
7.25 (1.17)
7.93 (1.21)
11.19 (1.84)
9.86 (2.02)
127.59 (21.40)
137.15 (23.41)
12.76 (1.40)
12.02 (1.61)
9.29 (0.85)
8.90 (0.91)
0.44 (0.09)
10.47 (1.83)
9.39 (2.04)
130.28 (21.76)
142.50 (22.97)
12.24 (1.58)
11.69 (1.47)
9.05 (0.99)
8.73 (1.03)
0.46 (0.09)
10.92 (1.99)
9.40 (2.09)
134.39 (22.65)
152.34 (25.89)
12.10 (1.33)
11.35 (1.31)
8.78 (1.03)
8.32 (1.05)
0.46 (0.09)
10.01 (1.92)
8.29 (1.80)
142.20 (25.35)
170.09 (28.20)
11.75 (1.33)
10.69 (1.36)
8.45 (0.90)
7.71 (0.99)
0.48 (0.09)
10.96 (2.25)
8.56 (1.84)
140.71 (25.05)
178.20 (28.72)
11.88 (1.28)
10.69 (1.18)
8.40 (0.99)
7.43 (0.94)
0.47 (0.09)
10.48 (2.22)
8.00 (2.05)
139.39 (24.78)
189.00 (28.50)
11.91 (1.33)
10.22 (1.02)
8.34 (0.79)
7.10 (0.92)
0.48 (0.08)
11.98 (2.66)
9.08 (2.43)
138.16 (23.24)
189.72 (31.03)
12.26 (1.23)
10.64 (1.23)
8.50 (0.95)
7.06 (0.87)
0.46 (0.09)
12.00 (1.99)
8.42 (1.32)
140.55 (27.36)
202.77 (22.74)
12.09 (1.41)
10.00 (0.90)
8.44 (1.22)
6.59 (0.47)
0.48 (0.09)
13.21 (3.32)
9.40 (4.38)
138.75 (18.22)
202.00 (34.39)
12.40 (1.34)
10.27 (0.13)
9.15 (0.92)
7.00 (0.25)
0.50 (0.08)
0.46 (0.10)
0.47 (0.10)
0.50 (0.10)
0.54 (0.10)
0.56 (0.10)
0.59 (0.11)
0.59 (0.12)
0.61 (0.11)
0.62 (0.11)
T=time; HWP =hypertensive waist phenotype; TPA= total physical activity; SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr= relative
handgrip
Michele Caroline de Souza
185
Modeling longitudinal changes in hypertensive and waist phenotype
Table 3. Results summary for the three nested models.
Null Model (M0) Model I (M1)
Model II (M2)
Regression coefficients (fixed effects)
Baseline (10 years)
-1.012 (0.051)*
0.437 (0.063)*
-0.025 (0.063)§
Sex
0.026 (0.066)§
0.820 (0.067)*
0.979 (0.067)*
Linear Slope
0.364 (0.022)*
-0.284 (0.029)* -0.202 (0.032)*
Sex
0.133 (0.016)*
-0.068 (0.019)*
0.055 (0.020)*
Quadratic Slope
-0.022 (0.003)*
-0.015 (0.003)* -0.023 (0.004)*
Maturity Offset
0.883 (0.022)*
0.913 (0.023)*
TPA (units)
-0.053 (0.010)* -0.027 (0.011)**
1-mile run (min)
0.081 (0.009)*
SLJ (cm)
-0.003 (0.001)*
SHR (s)
0.007 (0.012)§
50YD (s)
0.106 (0.020)*
-1
HGr (kg·kg body mass)
-3.335 (0.196)*
Variance components (random effects)
Baseline
2.540*
1.470*
0.916*
Slope
0.027*
0.004*
0.003**
Residual
0.459
0.480
0.489
Model summary
Deviance statistic
33839.333*
24122.208*
17648.352*
Number of estimated parameters
9
11
16
Parameter estimate standard errors listed in parentheses
*p<0.001; **p<0.05; §=non-significant
TPA= total physical activity; SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr=
relative handgrip strength
DISCUSSION
This study shows a series of multilevel nested models that were
sequentially fitted in order to provide a better understanding of the longitudinal
changes in the HWP of Portuguese youth, as well as to investigate the effects
of sex, biological maturation, TPA and PF in HWP trajectories. As such, we will
discuss each model in a stepwise fashion from model M 0 (predictors: time and
sex) to model M2 (best fitting model, predictors: time, sex, and time-varying
biological maturation, TPA and PF).
Overall, M0 findings showed that HWP values increased across time with
a non-linear trend in both girls and boys. Furthermore, boys showed a more
unfavourable HWP trend. In the present study, HWP included only two key
Michele Caroline de Souza
186
Modeling longitudinal changes in hypertensive and waist phenotype
markers of metabolic syndrome, namely WC and BP, compared to other studies
that incorporate blood chemistry markers such as glucose or insulin and blood
lipid
parameters
(total
cholesterol,
high-density
lipoprotein
cholesterol,
triglycerides). Unfortunately due to feasibility and cost, these blood markers
were only included in a small sub-sample of this study. During adolescence and
puberty, these indicators present distinct developmental changes in both sexes,
although comparable in pattern. Until the growth spurt, both boys and girls tend
to accumulate more adiposity in the trunk than in the limbs32. However, it is well
recognized a tendency of a centralized fat deposition in boys after the pubertal
period 1,18,32. Similarly, systolic BP increases from childhood to adolescence, but
boys tend to have greater mean values than girls, especially after the pubertal
period19. These general growth-related trends were confirmed in M0.
Furthermore, previous data showed that males tend to have higher prevalences
on a wide range of cardio-metabolic risk factors including not only WC and BP,
but also hyperglycemia and dyslipidemia
1,21,38
. Although boys tend to show a
decrease in their percentage of total body fat when contrasted to girls during
adolescence, longitudinal data38 reported that adverse changes in insulin
resistance, systolic BP and abdominal fat may possibly play a role in the greater
cardio-metabolic risk in post-pubertal boys.
The best fitting model (M2), which was conditional on a series of
predictors, showed that boys have higher risk already at the onset of
adolescence as compared to girls. This result may be counterintuitive since
timing and tempo of the adolescent growth spurt generally occurs earlier in girls.
As such, at 10 years of age, it would be reasonable that boys would be more
“protected” than girls. Although we do not have a clear explanation why this
higher risk appears earlier in males, it is possible that female sex hormones,
namely estrogen, via multiple mechanisms reduces the cardio-metabolic risk in
girls, and this effect first becomes apparent at the beginning of the adolescent
growth spurt38.
There was a positive relationship between maturity offset and HWP
suggesting that those ahead in their biological maturation have a more adverse
Michele Caroline de Souza
187
Modeling longitudinal changes in hypertensive and waist phenotype
HWP. More specifically, a 1-unit change (i.e., 1 year) in the maturity offset was
associated with a 0.913 z-score unit increase in the HWP. This unfavorable
effect was anticipated due to weight gain18 and obesity-related hypertension2,12,
as well as other adverse health outcomes such as elevated concentrations of
triglycerides, low high-density lipoprotein cholesterol concentrations and
temporary decreases in insulin sensitivity18. Indeed, pubertal timing is an
independent predictor of adult cardio-metabolic risk as shown in a large
prospective birth cohort study39, where earlier puberty was related with higher
adult body mass index, waist and hip circumference, fasting insulin, diastolic
BP, and decreased HDL cholesterol in both males and females.
PA and PF, as time-varying predictors, were longitudinally associated
with HWP suggesting that positive changes in TPA and PF (with the exception
of the shuttle run) predicted annual decreases in HWP. The interpretation of
coefficients of the predictors gives a clear indication of the amount of change in
the HWP. For example, improving 1 TPA unit decreases HWP by -0.027 zscore units; increasing 1 second on 50 YD (those who do worst in the test)
increases HWP by 0.106 z-score units; and, with every minute increase in the
1-mile run there was an increase in the HWP of 0.081 z-score units. These are
important findings that highlight the preventive additive effect of higher PA and
PF levels on the longitudinal development of cardio-metabolic risk factors during
youth.
There is a wealth of cross-sectional data23,40-43 showing the association
between PA and cardio-metabolic risk factors in youth, but the results are
inconsistent20,21. For example, Bailey et al.23 found no significant correlations
between objectively measures of PA (accelerometer) with cardio-metabolic risk
score (WC, diastolic BP, fasting blood glucose and triglycerides, and total
cholesterol/HDL cholesterol ratio) in 100 10 to 14 year olds. On the other hand,
a study41 of 417 Azorean adolescents aged 15 to 18 years indicated that those
who were more active (measured by pedometers; steps per day) had lower
odds for having one or more adverse cardio-metabolic risk factors. Some
authors suggest that the inconsistent results can be linked to the method used
Michele Caroline de Souza
188
Modeling longitudinal changes in hypertensive and waist phenotype
to assess PA21 (objective versus self-reported), and also to the sample used in
terms of diversity and sample size20. Compared to cross-sectional studies, very
few longitudinal investigations have been conducted on this topic.
considering longitudinal studies, the Muscatine Study
24
When
did not find any
significant association between self-reported PA changes from 10 to 13 years of
age and cardio-metabolic health outcomes at 14 year. In contrast, results from
the Amsterdam Growth and Health Study44 spanning from adolescence into
young adulthood (12 to 27 years) demonstrated that the relationship between
PA (assessed with a structured interview) and a clustering score of metabolic
risk was present during the entire longitudinal period. Despite the difference in
age, our results substantiate the longitudinal protective effect of higher TPA
levels on cardio-metabolic risk factors.
With regards to PF, several cross-sectional reports23,40,42,45-47 have
shown an inverse association between PF and cardio-metabolic risk factors;
however, direct comparison between studies is difficult due to methodological
differences and because most studies mostly focus on CRF. However, recent
studies have recognized the role of muscular fitness in the prevention of cardiometabolic risk factors among children and adolescents 22,41,48,49 concluding that
those who have greater muscular fitness have lower cardio-metabolic score
(including WC, BP, triglycerides, HDL-cholesterol and insulin resistance)
independent of CRF. To our knowledge, the Muscatine Study24 was the only
longitudinal report that examined the association between PF (marked by CRF
and static strength) and cardio-metabolic health outcomes. Similarly to the
present study, their results indicated that maintaining high levels of CRF and
muscular strength from 10 to 13 years of age were associated with low levels of
WC and more favorable systolic BP at 14 years. Since no recent longitudinal
study has investigated the influence of other PF components on cardiometabolic risk factors trajectories, the current study provides relevant
information indicating that being physically fit and consistently improving speed,
explosive leg power and static strength during adolescence may confer
additional benefits to cardio-metabolic health beyond those attributed to CRF.
Michele Caroline de Souza
189
Modeling longitudinal changes in hypertensive and waist phenotype
There are at least three limitations that should be recognized in the present
study. First, the HWP is limited to BP and WC due to feasibility and financial
restrictions. However, it is important to note that the WC-BP phenotype has
great potential and utility for school-based screenings.
Second, PA was
estimated via questionnaire. However, the Baecke questionnaire is widely used
in large-scale studies50,51. To minimize the well-known limitations with selfreport PA, we used an individualized approach within PE classes where
students completed all questionnaires. There is also consistent evidence about
the Baecke questionnaire is reliability with Portuguese children and adolescents
from different geographical regions52,53. Third, we had difficulty comparing our
results to other research due to the absence of longitudinal studies concerning
cardio-metabolic risk factors changes during childhood and adolescence.
Despite these limitations, the study has strengths that should be considered.
First, the mixed-longitudinal approach provides a better understanding of the
dynamics of changes in all variables. Second, we used a highly flexible
statistical procedure to fit the complexities of HWP trajectories. Third, the
sample size was large (n=5500) and spanned ages 10 to 18 years. Fourth, the
age cohorts represent an important life period in terms of acquisition and
development of lifestyle behaviors that are linked to health outcomes in
adulthood.
In conclusion, our major finding was that longitudinal improvements in
TPA and PF provided a consistent protective effect in the development of the
HWP across the adolescence years. From a public health perspective, these
results support the importance of early recognition and treatment of cardiometabolic risk factors. In this sense, school-based health examinations should
incorporate WC and BP as simple and effective primary prevention measures,
since they are two important predictors in large-scale screening of cardiometabolic disorders in children and adolescents. Furthermore, it is important to
address the relevance of school context and youth varsity sports programs to
promote and encourage children and adolescents in a regular engagement in
moderate-to-vigorous
physical
activities/physical
exercises
that
ensure
Michele Caroline de Souza
190
Modeling longitudinal changes in hypertensive and waist phenotype
improvements in all PF components. In turn this will help to prevent cardiometabolic disorders associated with obesity and sedentary lifestyle later in life.
Michele Caroline de Souza
191
Modeling longitudinal changes in hypertensive and waist phenotype
REFERENCES
1.
Tailor AM, Peeters PH, Norat T, Vineis P, Romaguera D. An update on
the prevalence of the metabolic syndrome in children and adolescents. Int J
Pediatr Obes. 2010 May 3;5(3):202-13.
2.
Weiss R, Bremer AA, Lustig RH. What is metabolic syndrome, and why
are children getting it? Ann N Y Acad Sci. 2013 Apr;1281:123-40.
3.
Garnett SP, Baur LA, Cowell CT. The prevalence of increased central
adiposity in Australian school children 1985 to 2007. Obes Rev. 2011
Nov;12(11):887-96.
4.
McCarthy HD, Ellis SM, Cole TJ. Central overweight and obesity in
British youth aged 11-16 years: cross sectional surveys of waist circumference.
BMJ. 2003 Mar 22;326(7390):624.
5.
Chrzanowska M, Suder A, Kruszelnicki P. Tracking and risk of abdominal
obesity in the adolescence period in children aged 7-15. The Cracow
Longitudinal Growth Study. Am J Hum Biol. 2012 Jan-Feb;24(1):62-7.
6.
Psarra G, Nassis GP, Sidossis LS. Short-term predictors of abdominal
obesity in children. Eur J Public Health. 2006 Oct;16(5):520-5.
7.
Eisenmann JC, Welk GJ, Wickel EE, Blair SN, Aerobics Center
Longitudinal S. Stability of variables associated with the metabolic syndrome
from adolescence to adulthood: the Aerobics Center Longitudinal Study. Am J
Hum Biol. 2004 Nov-Dec;16(6):690-6.
8.
Freitas D, Beunen G, Maia J, et al. Tracking of fatness during childhood,
adolescence and young adulthood: a 7-year follow-up study in Madeira Island,
Portugal. Ann Hum Biol. 2012 Jan;39(1):59-67.
9.
Zimmet P, Alberti KG, Kaufman F, et al. The metabolic syndrome in
children and adolescents - an IDF consensus report. Pediatr Diabetes. 2007
Oct;8(5):299-306.
10.
Mokha JS, Srinivasan SR, Dasmahapatra P, et al. Utility of waist-toheight ratio in assessing the status of central obesity and related
cardiometabolic risk profile among normal weight and overweight/obese
children: the Bogalusa Heart Study. BMC Pediatr. 2010;10:73.
11.
Schroder H, Ribas L, Koebnick C, et al. Prevalence of abdominal obesity
in spanish children and adolescents. Do we need waist circumference
measurements in pediatric practice? PLoS One. 2014;9(1):e87549.
Michele Caroline de Souza
192
Modeling longitudinal changes in hypertensive and waist phenotype
12.
Sorof J, Daniels S. Obesity hypertension in children: a problem of
epidemic proportions. Hypertension. 2002 Oct;40(4):441-7.
13.
Choy CS, Chan WY, Chen TL, et al. Waist circumference and risk of
elevated blood pressure in children: a cross-sectional study. BMC Public
Health. 2011;11:613.
14.
Zhang YX, Wang SR. The relationship of waist circumference distribution
to blood pressure levels among children and adolescents in Shandong, China.
Int J Cardiol. 2013 Sep 30;168(2):1516-20.
15.
Chen X, Wang Y. Tracking of blood pressure from childhood to
adulthood: a systematic review and meta-regression analysis. Circulation. 2008
Jun 24;117(25):3171-80.
16.
Moreno LA, Pineda I, Rodriguez G, et al. Waist circumference for the
screening of the metabolic syndrome in children. Acta Paediatr.
2002;91(12):1307-12.
17.
Eisenmann JC. On the use of a continuous metabolic syndrome score in
pediatric research. Cardiovasc Diabetol. 2008;7:17.
18.
Ekelund U, Anderssen S, Andersen LB, et al. Prevalence and correlates
of the metabolic syndrome in a population-based sample of European youth.
Am J Clin Nutr. 2009 Jan;89(1):90-6.
19.
Shankar RR, Eckert GJ, Saha C, Tu W, Pratt JH. The change in blood
pressure during pubertal growth. J Clin Endocrinol Metab. 2005 Jan;90(1):1637.
20.
Froberg K, Andersen LB. Mini review: physical activity and fitness and its
relations to cardiovascular disease risk factors in children. Int J Obes (Lond).
2005 Sep;29 Suppl 2:S34-9.
21.
Steele RM, Brage S, Corder K, Wareham NJ, Ekelund U. Physical
activity, cardiorespiratory fitness, and the metabolic syndrome in youth. J Appl
Physiol (1985). 2008 Jul;105(1):342-51.
22.
Artero EG, Ruiz JR, Ortega FB, et al. Muscular and cardiorespiratory
fitness are independently associated with metabolic risk in adolescents: the
HELENA study. Pediatr Diabetes. 2011 Dec;12(8):704-12.
23.
Bailey DP, Boddy LM, Savory LA, Denton SJ, Kerr CJ. Associations
between cardiorespiratory fitness, physical activity and clustered
Michele Caroline de Souza
193
Modeling longitudinal changes in hypertensive and waist phenotype
cardiometabolic risk in children and adolescents: the HAPPY study. Eur J
Pediatr. 2012 Sep;171(9):1317-23.
24.
Janz KF, Dawson JD, Mahoney LT. Increases in physical fitness during
childhood improve cardiovascular health during adolescence: the Muscatine
Study. Int J Sports Med. 2002 May;23 Suppl 1:S15-21.
25.
Bouchard C, Shepard K. Physical activity, fitness and health. The model
and the key concepts. In: Bouchard C, Shepard K, Stephens T, editors.
Physical activity, fitness and health- International proceedings and consensus
statement. Champain, IL: Human Kinetics; 1994. p. 77-8.
26.
Mirwald RL, Baxter-Jones AD, Bailey DA, Beunen GP. An assessment of
maturity from anthropometric measurements. Med Sci Sports Exerc. 2002
Apr;34(4):689-94.
27.
Baecke J, Burema J, Frijters J. A short questionnaire for the
measurenment of habitual physical activity in epidemiological studies. . Am J
Clin Nutr. 1982;36(5):936-42.
28.
Miller DJ, Freedson PS, Kline GM. Comparison of activity levels using
the Caltrac accelerometer and five questionnaires. Med Sci Sports Exerc. 1994
Mar;26(3):376-82.
29.
Philippaerts RM, Westerterp KR, Lefevre J. Doubly labelled water
validation of three physical activity questionnaires. Int J Sports Med. 1999
Jul;20(5):284-9.
30.
Fitnessgram. The Prudencial Fitnessgram Test Administration Manual.
Dallas, Texas U.S.A: he Cooper Institute for Aerobics Research; 1994.
31.
(AAHPER) AAfHPEaR. Youth Fitness Test Manual. Washington, DC:
AAHPER; 1976.
32.
Malina R, Bouchard C, Bar-Or C. Growth, Maturation and Physical
Activity. 2º Edition. Champaign, Illinois: Human Kinetics; 2004.
33.
Topouchian JA, El Assaad MA, Orobinskaia LV, El Feghali RN, Asmar
RG. Validation of two automatic devices for self-measurement of blood pressure
according to the International Protocol of the European Society of Hypertension:
the Omron M6 (HEM-7001-E) and the Omron R7 (HEM 637-IT). Blood Press
Monit. 2006 Jun;11(3):165-71.
34.
Bryk A, Raudenbush S. Application of Hierarchical Linear Models to
Assessing Change. Psychological Bulletin. 1987;101(1):147-58.
Michele Caroline de Souza
194
Modeling longitudinal changes in hypertensive and waist phenotype
35.
Raudenbush S, Bryk A, Cheong Y, Congdon R, du Toit M. HLM 7.
Hierarchical linear & nonlinear modeling. SSI, Scientific Software International.
Lincolnwood, IL.2011.
36.
Raudenbush S. Hierarchical linear models to study the effects of social
context on development. In: Gottman J, editor. The analysis of change.
Mahwah, New Jersey: Lawrence Erlbaum Associates, Publishers; 1995. p. 165202.
37.
Hox J. Multilevel analysis: technics and applications. East Sussix:
Routledge; 2010.
38.
Moran A, Jacobs DR, Jr., Steinberger J, et al. Changes in insulin
resistance and cardiovascular risk during adolescence: establishment of
differential risk in males and females. Circulation. 2008 May 6;117(18):2361-8.
39.
Widen E, Silventoinen K, Sovio U, et al. Pubertal timing and growth
influences cardiometabolic risk factors in adult males and females. Diabetes
Care. 2012 Apr;35(4):850-6.
40.
Ekelund U, Anderssen SA, Froberg K, et al. Independent associations of
physical activity and cardiorespiratory fitness with metabolic risk factors in
children: the European youth heart study. Diabetologia. 2007 Sep;50(9):183240.
41.
Moreira C, Santos R, de Farias Junior JC, et al. Metabolic risk factors,
physical activity and physical fitness in Azorean adolescents: a cross-sectional
study. BMC Public Health. 2011;11:214.
42.
Rizzo NS, Ruiz JR, Hurtig-Wennlof A, Ortega FB, Sjostrom M.
Relationship of physical activity, fitness, and fatness with clustered metabolic
risk in children and adolescents: the European youth heart study. J Pediatr.
2007 Apr;150(4):388-94.
43.
Ekelund U, Luan J, Sherar LB, et al. Moderate to vigorous physical
activity and sedentary time and cardiometabolic risk factors in children and
adolescents. JAMA. 2012 Feb 15;307(7):704-12.
44.
Twisk JW, Kemper HC, Van Mechelen W, Post GB. Clustering of risk
factors for coronary heart disease. the longitudinal relationship with lifestyle.
Ann Epidemiol. 2001 Apr;11(3):157-65.
45.
Anderssen SA, Cooper AR, Riddoch C, et al. Low cardiorespiratory
fitness is a strong predictor for clustering of cardiovascular disease risk factors
Michele Caroline de Souza
195
Modeling longitudinal changes in hypertensive and waist phenotype
in children independent of country, age and sex. Eur J Cardiovasc Prev
Rehabil. 2007 Aug;14(4):526-31.
46.
Machado-Rodrigues AM, Leite N, Coelho-e-Silva MJ, et al. Independent
association of clustered metabolic risk factors with cardiorespiratory fitness in
youth aged 11-17 years. Ann Hum Biol. 2014 May-Jun;41(3):271-6.
47.
Ogunleye AA, Sandercock GR, Voss C, Eisenmann JC, Reed K.
Prevalence of elevated mean arterial pressure and how fitness moderates its
association with BMI in youth. Public Health Nutr. 2013 Nov;16(11):2046-54.
48.
Magnussen CG, Schmidt MD, Dwyer T, Venn A. Muscular fitness and
clustered cardiovascular disease risk in Australian youth. Eur J Appl Physiol.
2012 Aug;112(8):3167-71.
49.
Steene-Johannessen J, Anderssen SA, Kolle E, Andersen LB. Low
muscle fitness is associated with metabolic risk in youth. Med Sci Sports Exerc.
2009 Jul;41(7):1361-7.
50.
Wijnstok NJ, Hoekstra T, van Mechelen W, Kemper HC, Twisk JW.
Cohort profile: the Amsterdam Growth and Health Longitudinal Study. Int J
Epidemiol. 2013 Apr;42(2):422-9.
51.
Matton L, Duvigneaud N, Wijndaele K, et al. Secular trends in
anthropometric characteristics, physical fitness, physical activity, and biological
maturation in Flemish adolescents between 1969 and 2005. Am J Hum Biol.
2007 May-Jun;19(3):345-57.
52.
Ferreira J, Marques A, Maia J. Physical fitness, physical activity and
health in young population from Viseu- A study in children and youngsters of
both gender from 10 to 18 years old. Viseu: Departamento Cultural - Instituto
Superior Politécnico de Viseu; 2002.
53.
Vasconcelos M, Maia J. Is there a decline in physical activity? A crosssectional study in children and youngsters of both gender from 10 to 19 years
old. Portuguese Journal Sports Science. 2001;1:44-52.
Michele Caroline de Souza
196
CAPÍTULO IV
Síntese Final
Síntese Final
CONCLUSÕES FINAIS
Crescimento e desenvolvimento de crianças e adolescentes ocorrem em
tempo real, com um elevado dinamismo interacional e governado pela
complexidade relacional de fatores genéticos e ambientais. O efeito desta
“anatomia” sistêmica em movimento é por demais evidente, também, na
expressão da saúde dos jovens. Crescimento, desenvolvimento e saúde são
marcados, de modo aberto, a partir de um conjunto variado de indicadores que
expressam, também, elevada plasticidade em resposta a um conjunto variado
de estímulos de natureza ambiental. Este complexo processo exprime-se, à
escala individual, numa variedade de respostas entre sujeitos, fruto inequívoco
das suas diferenças.
Essencialmente, a rota desta tese foi percorrer, longitudinalmente, as
redes de inter-relações que se instituem entre características individuais,
fatores de natureza ambiental, e fatias do estilo de vida que afetam a
estabilidade e o dinamismo da mudança nas trajetórias do crescimento físico,
desempenho motor e saúde de adolescentes portugueses. A largura da leitura
pretendida obrigou a “lançar mão” de modos de pensar e agir próprios de
alguns domínios das Ciências do Desporto, da Epidemiologia e da Auxologia.
O OGHPS, desenvolvido durante o Programa Doutoral, adotou uma perspetiva
multivariada, em termos dos principais marcadores dos domínios em estudo,
localizada, também, num modo de pensar que liga, classicamente, biologia e
ambiente (Baltes & Nesselroade, 1979; Sallis & Owen, 1997). O seu
delineamento longitudinal-misto permitiu, num período relativamente curto de
tempo, investigar detalhadamente o “coração” da mudança intraindividual e das
diferenças interindividuais (Bell, 1954).
Como é óbvio, esta tese não esgota a extensão informacional do
OGHPS. No tempo possível condicionado pelos constrangimentos legais,
elaboramos seis artigos científicos originais – a “partitura” da presente
dissertação. De seguida são apresentadas as principais conclusões de cada
um.
Michele Caroline de Souza
199
Síntese Final
O primeiro estudo apresenta as principais ideias, linhas de força e os
grandes domínios do OGHPS. Adicionalmente refere, sumariamente, os
resultados do primeiro ano da pesquisa relativamente às diferenças entre
sexos no crescimento, aptidão física e aspectos do estilo de vida. Os principais
resultados estão na Tabela 1.
Tabela 1: Resumo das principais conclusões do estudo I.
Estudo I
The Oporto mixed-longitudinal growth, health and performance study.
Design, methods and baseline results.
- O OGHPS adotou uma abordagem multidisciplinar e inovadora, devido ao seu
delineamento longitudinal-misto, bem como à vasta gama de informação considerada:
biológica, ambiental e do estilo de vida que influenciam o processo de crescimento,
desenvolvimento e saúde dos adolescentes.
- Os resultados do primeiro ano de estudo mostram o esperado em termos estatutoponderal: em média, os meninos são mais altos e mais pesados.
- Aproximadamente 30% dos adolescentes têm sobrepeso ou obesidade.
- Em média, os meninos são mais aptos fisicamente; contudo, as taxas de sucesso
nas provas de aptidão física foram relativamente baixas para ambos os sexos.
- Apenas 10% dos adolescentes cumprem as recomendações da quantidade mínima
diária de horas de sono.
- As meninas comem, com maior frequência, frutas e vegetais todos os dias da
semana.
- Cerca de 76 a 85% dos adolescentes cumprem as recomendações de 60 minutos
de atividade física moderada-a-vigorosa diária.
O OGHPS apresenta um delineamento multivariado e robusto, com
abrangência temática, coincidente com conceitos e metodologias de estudos
internacionais (Basso, Meira et al., 2009; Ahrens, Bammann et al., 2011;
Katzmarzyk, Barreira et al., 2013). Os problemas e a sua íntima relação com o
processo metodológico permitem destacar, desde já, três dos seus vetores
Michele Caroline de Souza
200
Síntese Final
fundacionais: (i) o que se refere ao delineamento utilizado, (ii) a flexibilidade e
diversidade de procedimentos estatístico empregues, (iii) a leitura e
interpretação mais largas do quadro relacional entre crescimento físico,
desempenho motor e marcadores de saúde.
De um modo geral os resultados do primeiro ano corroboram as
tendências contemporâneas à escala global, i.e., valores elevados das
prevalências de sobrepeso e obesidade, diminuição dos níveis de aptidão
física, adoção de hábitos alimentares não saudáveis, bem como diminuição no
tempo de sono (Alberga, Sigal et al., 2012; Spruijt, 2012). As teias relacionais
formadas por estes fatores de risco induzem um impacto nefasto na expressão
da saúde individual e populacional (Spruijt, 2012) e reforçam a necessidade,
sempre constante, de investigações similares ao OGHPS de modo a identificar
crianças e adolescentes em risco, bem como momentos mais oportunos para
intervenções adequadas e mais eficientes.
O segundo e terceiro estudos, de cariz metodológico, tratam de
aspectos técnicos e aplicados da noção de tracking e do uso da modelação
multinível (MMN) na pesquisa da estabilidade e mudança do IMC e força
estática. Este exercício, também de cariz didático, procura salientar a riqueza
do delineamento longitudinal-misto. As principais conclusões estão na Tabela
2.
Tabela 2. Resumo das principais conclusões dos estudos II e III.
Estudo II
A noção de tracking e sua aplicação à Educação Física e ao Esporte.
- São abordados distintos procedimentos estatísticos de análise do tracking: autocorrelações, γ de Foulkes & Davis e índice de constância de Goldstein.
- O tracking do IMC é moderado a elevado em meninas com idades entre os 12 e 14
anos (coorte 2) e entre os 14 e os 16 anos (coorte 3)
- Face à reduzida dimensão temporal e à variável em causa, as diferenças
interindividuais na mudança intraindividual são reduzidas.
- A versatilidade e a riqueza dos outputs dos softwares LDA ou TIMEPATH são de
Michele Caroline de Souza
201
Síntese Final
grande importância para o investigador.
Estudo III
Modelação multinível e delineamento longitudinal-misto na pesquisa em
Educação Física e Ciências do Esporte.
- Aos 10 anos as meninas têm, em média, mais força estática; no entanto, os meninos
apresentam maiores ganhos anuais.
- A %GTtotal é um preditor dinâmico positivo ao longo de toda a trajetória de
mudança da força estática.
- Há forte variabilidade nas trajetórias intraindividuais, bem como diferenças entre
sujeitos no desenvolvimento da força estática manual.
- O recurso ao delineamento longitudinal-misto permite a recolha mais célere da
informação. A metodologia da MMN é suficientemente flexível para acomodar dados
com diferentes estruturas temporais e elegante no seu processo de estimação de
parâmetros.
A análise da informação longitudinal representa um desafio constante ao
investigador que pretende explorar, de forma mais esclarecida e adequada, a
riqueza do conteúdo informacional contida nas séries de dados. Daqui que o
estudo do tracking, bem como o uso da MMN, sejam muito pertinentes quando
se
pretende
descrever,
interpretar
e
atribuir
significado
à
mudança
intraindividual e às diferenças interindividuais no desenvolvimento (Twisk,
2003).
O segundo estudo constitui um exemplo didático na investigação do
tracking e sua aplicação na análise do desenvolvimento do IMC durante a
adolescência. Os resultados apresentados são duplamente importantes. Por
um lado salientam a estabilidade dos perfis de crescimento do IMC de meninas
entre os 12 e 16 anos, permitindo predizer, de modo fiável, estados ponderais
futuros, sobretudo, identificar atempadamente jovens com risco de sobrepeso e
obesidade. Por outro evidenciam a pluralidade e versatilidade do estudo do
tracking, principalmente quando analisado por técnicas mais flexíveis como o γ
de Foulkes e Davies e Índice de Constância de Goldstein. Essas estatísticas
Michele Caroline de Souza
202
Síntese Final
robustas oferecem leituras mais extensas e diversificadas do fenômeno do
tracking, com implicações no contexto pedagógico e no desenvolvimento de
intervenções,
dado
viabilizarem
uma
visão
mais
individualizada
das
necessidades de cada sujeito.
O terceiro estudo reforçou a flexibilidade e elegância do delineamento
longitudinal-misto, dado permitir a modelação das trajetórias de força estática
dos adolescentes num menor espaço de tempo, minimizando desvantagens do
delineamento longitudinal puro. A associação entre este delineamento temporal
e a técnica de anáilse da MMN autorizou o teste a um corpo variado de
hipóteses, hierarquicamente imbricadas, para o mesmo conjunto de dados,
considerando, em simultâneo, a interpretação de efeitos fixos e aleatórios. No
que concerne à análise dos efeitos fixos, constatou-se (1) tendência de
dimorfismo sexual na força estática (com marcada vantagem dos meninos)
sobejamente demonstrada na literatura (Malina, Bouchard et al., 2004); (2) a
associação positiva entre a gordura corporal e o desenvolvimento da força, de
certo modo expectável, pois sujeitos com sobrepeso ou obesidade apresentam
geralmente maior tamanho corporal (Malina, Bouchard et al., 2004). A
interpretação dos efeitos aleatórios reforça a necessidade de maior esforço na
modelação das trajetórias de força estática para interpretar, melhor, parâmetros
da mudança individual e das diferenças interindividuais. A partir do exemplo
proposto, a elegância da MMN é colocada à prova para extrair da grande
massa de dados peças importantes para interpretar aspetos do “puzzle” do
desenvolvimento da força, sobretudo na grande janela que é a adolescência.
O quarto estudo centra seu olhar na análise do tracking da aptidão
física dos adolescentes. Por questões de substância e de metodologia,
abordamos este texto a partir de três procedimentos estatísticos: autocorrelações, modelação multinível e κ de Cohen. As principais conclusões
estão na Tabela 3.
Michele Caroline de Souza
203
Síntese Final
Tabela 3. Resumo das principais conclusões do estudo IV.
Estudo IV
Short-term tracking of youth physical fitness: The Oporto Growth, Health
and Performance Study
- A análise das auto-correlações mostra tracking moderado a elevado da aptidão
física nas quatro coortes (0.39<r<0.79).
- O recurso à modelação hierárquica ou multinível permitiu estimar coeficientes brutos
e ajustados às covariáveis dinâmicas (maturação biológica, IMC e atividade física
total); nesta situação o tracking é baixo a moderado.
- O γ de Cohen mostra valor de tracking muito baixo em todas as componentes da
aptidão física, exceto para a força estática, em ambas as coortes.
O estudo do tracking da aptidão física, através da combinação de
diferentes procedimentos estatísticos, permite um exame exaustivo das
trajetórias individuais e modais do desempenho, através de olhares mais claros
e vastos acerca da variabilidade intra e interindividual. O seu significado e
implicações podem ser aludidos em dois planos: epidemiológico e pedagógico.
No plano epidemiológico, a aptidão física é já considerada um barômetro
importante do estado de saúde individual (Ortega, Ruiz et al., 2008), dada a
sua relação estreita com marcadores de adiposidade e outras co-morbilidades
(Ortega, Ruiz et al., 2008; Ortega, Ruiz et al., 2013; Smith, Eather et al., 2014).
Daqui que a monitorização e conhecimento acerca dos distintos padrões de
estabilidade/instabilidade das suas componentes, durante o período de
transição da infância para a adolescência, seja de extrema relevância em
termos de Saúde Pública no sentido de identificar crianças e jovens com níveis
insatisfatórios de aptidão, bem como prever comportamentos e estados futuros.
No contexto pedagógico, os estudos do tracking da aptidão física trazem à luz
a necessidade, sempre presente, em determinar, mais eficazmente, níveis de
prontidão motora dos alunos atribuindo significado à sua variabilidade intra e
interindividual. Cabe à escola e, sobretudo, aos professores de Educação
Física, estruturar práticas pedagógicas diversificadas que atinjam e motivem,
Michele Caroline de Souza
204
Síntese Final
de modo duradouro, crianças e jovens com trajetórias diferenciadas de
desenvolvimento.
O quinto estudo abraça uma leitura mais “transversal” e integrada das
mudanças no IMC ao longo da adolescência. Para tal, dedica a sua atenção
aos efeitos de um conjunto de preditores dinâmicos - atividade física, aptidão
física, tempo de sono e consumo de frutas e vegetais. As principais conclusões
estão na Tabela 4.
Tabela 4. Resumo das principais conclusões do estudo V.
Estudo V
Modeling the dynamics of BMI changes during adolescence. The Oporto
Growth, Health and Performance Study
- O IMC aumenta linearmente com a idade em meninos e meninas.
- Há uma associação negativa, em termos longitudinais, dos níveis de aptidão física
na mudança do IMC ao longo da idade.
- Ao contrário do esperado, nas meninas, a atividade física total tem uma associação
positiva com as trajetórias do IMC.
- O tempo de sono, bem como o consumo de frutas e vegetais não são preditores de
mudança do IMC de meninos e meninas.
Este estudo sugere que mudanças longitudinais positivas em diversos
componentes da aptidão física têm efeitos benéficos no desenvolvimento
saudável do IMC dos adolescentes. O que aqui se destaca é a importância da
aptidão cardiorespiratória, muscular e motora que podem atuar como medidas
de prevenção primária do sobrepeso e obesidade (Ng, Fleming et al., 2014). A
pertinência deste resultado em termos educativos é evidente, destacando o
forte papel da escola e dos clubes desportivos na implementação de vivências
motoras e desportivas mais consistentes e plenas de sentido, que estejam
associadas ao desenvolvimento dos diferentes componentes da aptidão física.
Muito embora este estudo não tenha replicado as evidências da associação
Michele Caroline de Souza
205
Síntese Final
negativa entre hábitos do estilo de vida (atividade física total, tempo de sono e
consumo de frutas e vegetais) e o desenvolvimento saudável do IMC (Spruijt,
2012), os espaços de ensino escolar e clubes desportivos também devem ser
locais de educação para a saúde, através de um forte envolvimento na
promoção e adoção de estilos de vida mais saudáveis que perdurem para além
da adolescência.
O sexto estudo analisa o desenvolvimento de uma característica
complexa – adição da tensão arterial com o perímetro da cintura. Ao mesmo
tempo investiga os efeitos de preditores fixos (sexo) e dinâmicos (maturação
biológica, atividade física e aptidão física) nas mudanças deste fenótipo ao
longo da adolescência. As principais conclusões estão na Tabela 5.
Tabela 5. Resumo das principais conclusões do estudo VI.
Estudo VI
Modeling longitudinal changes in hypertensive and waist phenotype. The
Oporto growth, health and performance study.
- Os valores do fenótipo conjunto de tensão arterial e perímetro da cintura aumentam
de modo não-linear ao longo do tempo.
- Os rapazes têm valores mais elevados nesta característica complexa ao longo da
sua adolescência.
- Adolescentes avançados no seu processo maturacional têm um maior score de
risco.
- Quanto maiores forem as mudanças na atividade física e aptidão física menores são
as “chances” de ter valores elevados nesta característica.
Os resultados apresentados sugerem que apesar do valor do fenótipo
conjunto de tensão arterial e perímetro da cintura aumentar ao longo da
adolescência (e este incremento ser mais acentuado nos meninos, bem como
nos adolescentes avançados maturacionalmente), a atividade física e aptidão
física desempenham um papel protetor no desenvolvimento longitudinal do
Michele Caroline de Souza
206
Síntese Final
risco cardiometabólico. A relação inversa entre atividade física e o
desenvolvimento de desordens cardiometabólicas durante a infância e
adolescência não é consensual (Froberg & Andersen, 2005; Steele, Brage et
al., 2008). Não obstante a inconsistência de resultados e a carência de
informação longitudinal, este estudo realça a importância da atividade física na
atenuação do contínuo cardiometabólico. No que refere-se à aptidão física, os
resultados, embora maioritariamente transversais, são mais marcados e em
consonância com os do presente estudo sobrelevando a sua importância na
saúde cardiometabólica (Steele, Brage et al., 2008; Steene-Johannessen,
Anderssen et al., 2009; Artero, Ruiz et al., 2011).
As implicações destes resultados situam-se na importância do
reconhecimento atempado dos marcadores de risco cardiometabólico. Neste
sentido, informações simples como o perímetro da cintura e tensão arterial,
poderiam ser incorporadas nas avaliações escolares, em adição às tradicionais
medidas de peso e altura. No contexto epidemiológico é essencial identificar e
atribuir significado à dinâmica das relações etiológicas entre estas variáveis de
modo a adotar estratégias
mais eficientes de intervenção na redução da
incidência de doenças associadas ao risco cardiometabólico na adolescência
(van Mechelen & Mellenbergh, 1997; Kemper, 1999; Weiss, Bremer et al.,
2013).
Michele Caroline de Souza
207
Síntese Final
LIMITAÇÕES DO ESTUDO
Não obstante todo o labor conceitual, operacional e analítico esta
pesquisa tem limitações. Conseguimos descortinar algumas que organizamos
em quatro domínios: (1) metodológico e temporal, (2) financeiro e logístico, (3)
generalização dos resultados.
1.
Metodológico e temporal
A pesquisa presente foi realizada durante 3 anos consecutivos com
frequência anual de amostragem. É bem provável que o acréscimo de pelo
menos mais dois anos de avaliações possibilitassem uma compreensão mais
extensa da mudança intraindividual e das diferenças interindividuais. Não que
alterassemos a substância dos procedimentos de análise, mas teríamos mais
segurança, por exemplo, no estudo extenso de cada coorte. Contudo, o tempo
do programa doutoral é finito, e a escassez de recursos limita tal opção.
2.
Financeiro e logístico
Este projeto não teve financiamento direto de nenhuma agência. Tãopouco teve à sua disposição uma equipa devidamente asalariada que pudesse
estar envolvida no projeto durante os três anos consecutivos. Se as condições
tivessem sido outras com certeza que a riqueza informacional seria de outra
magnitude. Comvém lembrar que dada a dimensão amostral, não foi possível
realizar medições mais objetivas sobre a atividade física dos 8000 sujeitos bem
como avaliar os seus fatores de risco cardiometabólico. Isto só foi possível
numa sub-amostra em que recorremos a uma abordagem multimodal da
atividade física (pedômetros e acelerômetros) e análise sanguínea de
indicadores cardiometabólicos.
3.
Generalização dos resultados:
Este é um problema recorrente em qualquer tese de doutoramento – a
inferência ou generalização dos resultados em termos populacionais. A
amostra do OGHPS considera apenas a região do Grande Porto, o que limita,
Michele Caroline de Souza
208
Síntese Final
de algum modo, o poder de generalização a outras áreas de Portugal. Embora,
não seja esperado que os adolescentes participantes do OGHPS tenham
características díspares comparativamente aos de outras regiões, a inferência
dos resultados deve ser realizada com alguma cautela. Diferenças nos hábitos
e estilos de vida, fatores ambientais (físico e construído), entre outros, podem
influenciar o crescimento, desenvolvimento e saúde dos adolescentes.
DESAFIOS FUTUROS
O projeto OGHPS não se esgota nesta tese, tão-pouco tudo quanto era
possível de ser analisado e escrito o foi. Tenho uma consciência clara acerca
do que não foi feito, embora as grandes linhas de problemas da tese tenham
abarcado o essencial. Para “memória futura” passo a listar um novo conjunto
de “projetos” (apresentados às vezes na forma de perguntas) que o tempo e o
engenho ajudarão a trazer à luz do dia, e que situo nos seguintes domínios:
auxológico, desempenho motor e epidemiologia da atividade física.
Domínio auxológico

Construção de cartas centílicas locais (valores de referência) de
diferentes marcadores do crescimento físico. Do mesmo modo,
haverá
uma
preocupação
essencial
pela
identificação
e
interpretação de diferenças interpopulacionais.

Haverá estabilidade nos indicadores da composição corporal e
padrão de adiposidade ao longo da adolescência? Quais são os
efeitos do sexo, maturação biológica, níveis de atividade física e
hábitos alimentares no tracking da composição corporal? Será
possível identificar grupos de risco e saber da manutenção do seu
estado durante a adolescência?
Michele Caroline de Souza
209
Síntese Final

Qual a distribuição do somatótipo dos adolescentes em cada coorte
etária? Como migram no tempo? Que relações se estabelecem entre
o somatótipo e o fatores de risco cardiometabólico?
Domínio do desempenho motor

Construção
de
cartas centílicas (valores
de
referência) do
desempenho motor e exploração das diferenças interpopulacionais.

Quais são os efeitos dos níveis diferenciados de atividade física,
maturação biológica e estatuto socioeconômico no desempenho
motor no decurso da adolescência?

Quais
são
as
características
(físicas,
maturacionais,
cardiometabólicas e comportamentais) dos adolescentes cujo
tracking da atividade física
e aptidão física
comparados
tracking
aos
que
têm
baixo?
são elevados
Quais
são
os
determinantes da sua estabilidade ou instabilidade?
Domínio da epidemiologia da atividade física

Haverá estabilidade ou mudanças significativas nos indicadores de
risco cardiometabólico (perímetro da cintura, tensão arterial, níveis
de
glicose,
triglicerídeos
e
HDL-Colesterol)
ao
longo
da
adolescência? Qual a influência dos níveis de atividade física e
aptidão física na estabilidade/instabilidade desses componentes?

Qual é o efeito dos aspectos gestacionais, sobretudo o peso ao
nascer, na saúde cardiometabólica dos adolescentes? Como é que a
atividade física e aptidão física interferem nessa relação?

Qual é o “impacto” do estatuto socioeconômico e do ambiente
construído nos níveis de atividade física e composição corporal? E
quais são as suas repercussões nos indicadores de risco
cardiometabólico?
Michele Caroline de Souza
210
Síntese Final

Quais são os hábitos nutricionais dos adolescentes das distintas
coortes etárias? Esses hábitos são estáveis durante o curso da
adolescência? Que relações se estabelecem com as categorias
ponderais, níveis de atividade física e estatuto socioeconômico?

Qual é o impacto do comportamento sedentário (tempo de ecrã) nas
mudanças de natureza ponderal, bem como nos indicadores de risco
cardiometabólico? As relações estabelecidas são independentes dos
níveis de atividade física?

Será possível identificar perfis de adolescentes em risco em função
de indicadores biológicos e comportamentais?
Michele Caroline de Souza
211
Síntese Final
REFERÊNCIAS
Ahrens, W., K. Bammann, A. Siani, et al. (2011). "The IDEFICS cohort: design,
characteristics and participation in the baseline survey." Int J Obes (Lond) 35
Suppl 1: S3-15.
Alberga, A. S., R. J. Sigal, G. Goldfield, D. Prud'homme and G. P. Kenny
(2012). "Overweight and obese teenagers: why is adolescence a critical
period?" Pediatr Obes 7(4): 261-273.
Artero, E. G., J. R. Ruiz, F. B. Ortega, et al. (2011). "Muscular and
cardiorespiratory fitness are independently associated with metabolic risk in
adolescents: the HELENA study." Pediatr Diabetes 12(8): 704-712.
Bailey, D. P., L. M. Boddy, L. A. Savory, S. J. Denton and C. J. Kerr (2012).
"Associations between cardiorespiratory fitness, physical activity and clustered
cardiometabolic risk in children and adolescents: the HAPPY study." Eur J
Pediatr 171(9): 1317-1323.
Baltes, P. and J. Nesselroade (1979). History and rationale of longitudinal
research. Longitudinal research in the study of behavior and development. J. B.
Nesselroade, P. Michigan, Academic Press.
Basso, L., C. Meira, J. Oliveira, et al. (2009). "Crescimento e desenvolvimento
motor de escolares de Muzambinho: Um estuco com implicações acadêmicas,
sociais e de política interinstitucional." revista Portuguesa de Ciências do
Desporto 9(2-3): 247-257.
Bell, R. Q. (1954). "An experimental test of the accelerated longitudinal
approach." Child Dev 25(4): 281-286.
Ekelund, U., S. A. Anderssen, K. Froberg, et al. (2007). "Independent
associations of physical activity and cardiorespiratory fitness with metabolic risk
factors in children: the European youth heart study." Diabetologia 50(9): 18321840.
Michele Caroline de Souza
212
Síntese Final
Froberg, K. and L. B. Andersen (2005). "Mini review: physical activity and
fitness and its relations to cardiovascular disease risk factors in children." Int J
Obes (Lond) 29 Suppl 2: S34-39.
Katzmarzyk, P. T., T. V. Barreira, S. T. Broyles, et al. (2013). "The International
Study of Childhood Obesity, Lifestyle and the Environment (ISCOLE): design
and methods." BMC Public Health 13: 900.
Kemper, H. (1999). "Longitudinal research: It is magic!" Int J. Sports Med 18:
S139.
Malina, R., C. Bouchard and C. Bar-Or (2004). Growth, Maturation and Physical
Activity. 2º Edition. Champaign, Illinois, Human Kinetics.
Ng, M., T. Fleming, M. Robinson, et al. (2014). "Global, regional, and national
prevalence of overweight and obesity in children and adults during 1980-2013:
a systematic analysis for the Global Burden of Disease Study 2013." Lancet
384(9945): 766-781.
Ortega, F. B., J. R. Ruiz and M. J. Castillo (2013). "[Physical activity, physical
fitness,
and
overweight
in
children
and
adolescents:
evidence
from
epidemiologic studies]." Endocrinol Nutr 60(8): 458-469.
Ortega, F. B., J. R. Ruiz, M. J. Castillo and M. Sjostrom (2008). "Physical fitness
in childhood and adolescence: a powerful marker of health." Int J Obes (Lond)
32(1): 1-11.
Sallis, J. D. and N. Owen (1997). Ecological models. Health behavior and health
education: Theory, research, and practice. K. Glanz, M. Lewis and K. Rimer.
San Francisco, Jossey-Bass: 403–424.
Smith, J. J., N. Eather, P. J. Morgan, et al. (2014). "The Health Benefits of
Muscular Fitness for Children and Adolescents: A Systematic Review and MetaAnalysis." Sports Med.
Michele Caroline de Souza
213
Síntese Final
Spruijt, M. R. (2012). "Etiology, Treatment and Prevention of Obesity in
Childhood and Adolescence: A Decade in Review." J Res Adolesc 21(1): 129152.
Steele, R. M., S. Brage, K. Corder, N. J. Wareham and U. Ekelund (2008).
"Physical activity, cardiorespiratory fitness, and the metabolic syndrome in
youth." J Appl Physiol 105(1): 342-351.
Steene-Johannessen, J., S. A. Anderssen, E. Kolle and L. B. Andersen (2009).
"Low muscle fitness is associated with metabolic risk in youth." Med Sci Sports
Exerc 41(7): 1361-1367.
Twisk, J. W. (2003). Tracking. Applied longitudinal data analysis for
epidemiology. J. W. Twisk. London, Cambridge University Press: 225-240.
van Mechelen, W. and G. Mellenbergh (1997). "Problems and solutions in
longitudinal research: From theory to practice." Int J. Sports Med 18: S238S245.
Weiss, R., A. A. Bremer and R. H. Lustig (2013). "What is metabolic syndrome,
and why are children getting it?" Ann N Y Acad Sci 1281: 123-140.
Michele Caroline de Souza
214