Resumo em Português:

Resumo Trabalhar com foco interprofissional é cada vez mais necessário, tendo em vista a crescente complexidade das necessidades de saúde da população. Este estudo tem como objetivo avaliar a colaboração interprofissional e o clima de trabalho em equipe na atenção primária à saúde (APS) e verificar possível relação entre estas duas variáveis. Para mensurar a colaboração interprofissional foi utilizado o instrumento AITCS-II, enquanto para o diagnóstico do clima de trabalho em equipe foi utilizado o instrumento ECTE, versão adaptada para o contexto SUS do instrumento Teamwork Climate Inventory. Esses dois instrumentos foram aplicados on-line juntamente com um questionário para caracterização sociodemográfica dos 544 participantes, pertencentes a 97 equipes da Estratégia Saúde da Família (ESF) de um município brasileiro. Os dados obtidos foram submetidos a uma análise multinível. Foi observada uma correlação positiva entre a colaboração interprofissional e três dos quatro fatores do clima de trabalho em equipe. Quanto melhor o clima de trabalho, melhor a colaboração interprofissional na equipe correspondente, e essa característica se destaca em relação às demais características individuais analisadas.

Resumo em Inglês:

Abstract Working with an interprofessional focus is increasingly necessary, in view of the growing complexity of the population’s health needs. This study aims to assess interprofessional collaboration and the teamwork climate in primary health care (PHC) and determine whether there is a relationship between these two variables. The AITCS-II instrument was used to measure interprofessional collaboration, while to diagnose teamwork climate, the ECTE instrument was used, a version adapted to the SUS context of the Teamwork Climate Inventory instrument. These two instruments were applied online together with a questionnaire for the sociodemographic characterization of the 544 participants, who belonged to 97 Family Health Strategy (FHS) teams in a Brazilian municipality. The obtained data were submitted to a multilevel analysis. A positive correlation was observed between interprofessional collaboration and three of the four teamwork climate factors. The better the work climate, the better the interprofessional collaboration in the corresponding team, and this characteristic stands out in relation to other individual analyzed characteristics.

Resumo em Português:

Resumo Estudo longitudinal cujo objetivo foi apresentar melhores estratégia e métodos estatísticos e demonstrar sua utilização com os dados do período 2013-2015 em escolares de 7 a 11 anos, contemplados com o mesmo questionário alimentar (WebCAAFE) em Florianópolis, Sul do Brasil. Seis refeições/lanches e 32 alimentos/bebidas resultaram em 192 combinações possíveis denominadas item refeição/lanche-alimentos/bebidas específicos (MSFIs). O algoritmo LASSO (LASSO-regressão logística) foi usado para determinar os MSFIs preditivos de sobrepeso/obesidade e, em seguida, a regressão binária (logística) foi usada para analisar um subconjunto dessas variáveis. Café da manhã, almoço e jantar tardios foram todos associados ao aumento do risco de sobrepeso/obesidade, assim como um almoço antecipado. O consumo de alimentos/bebidas marcados na hora do dia ou na refeição resulta em um grande número de variáveis cujos padrões preditivos em relação ao status do peso podem ser analisados por LASSO. Essa análise pode identificar os padrões não passíveis de outros métodos estatísticos populares, como a regressão logística binária.

Resumo em Inglês:

Abstract Longitudinal study, whose objective was to present a better strategy and statistical methods, and demonstrate its use with the data across the 2013-2015 period in schoolchildren aged 7 to 11 years, covered with the same food questionnaire (WebCAAFE) survey in Florianopolis, southern Brazil. Six meals/snacks and 32 foods/beverages yielded 192 possible combinations denominated meal/snack-Specific Food/beverage item (MSFIs). LASSO algorithm (LASSO-logistic regression) was used to determine the MSFIs predictive of overweight/obesity, and then binary (logistic) regression was used to further analyze a subset of these variables. Late breakfast, lunch and dinner were all associated with increased overweight/obesity risk, as was an anticipated lunch. Time-of-day or meal-tagged food/beverage intake result in large number of variables whose predictive patterns regarding weight status can be analyzed by machine learning such as LASSO, which in turn may identify the patterns not amenable to other popular statistical methods such as binary logistic regression.