Artigo 1: Bárbara e Alexia

Edneide Ramalho
15/04/2026

Descritiva

Perfil sociodemográfico dos estudantes

**Tabela 1. Perfil demográfico dos estudantes**
Variável	N = 150¹
Gênero
f	91 (61.9%)
m	56 (38.1%)
Idade (anos)
15	4 (2.9%)
16	80 (58.4%)
17	49 (35.8%)
18	1 (0.7%)
19	3 (2.2%)
Raça/cor
branca	30 (20.0%)
parda	64 (42.7%)
preta	29 (19.3%)
amarela	6 (4.0%)
indígena	5 (3.3%)
Não informado	16 (10.7%)
Pessoas no domicílio
2	13 (8.7%)
3	31 (20.7%)
4	44 (29.3%)
5	21 (14.0%)
mais de 5	11 (7.3%)
Não informado	30 (20.0%)
Número de irmãos
1	47 (39.2%)
2	25 (20.8%)
3	16 (13.3%)
4	12 (10.0%)
5	6 (5.0%)
mais de 5	9 (7.5%)
não tenho	5 (4.2%)
Estado civil dos pais
casados	47 (31.3%)
divorciados	22 (14.7%)
solteiros	41 (27.3%)
união estável	6 (4.0%)
Não informado	34 (22.7%)
Escolaridade da mãe
sem escolaridade	0 (0.0%)
ensino fundamental incompleto	0 (0.0%)
ensino fundamental completo	0 (0.0%)
ensino médio incompleto	0 (0.0%)
ensino médio completo	0 (0.0%)
superior incompleto	4 (2.7%)
superior completo	10 (6.7%)
pós-graduação	0 (0.0%)
Não informado	136 (90.7%)
Mãe trabalha fora
sim	52 (34.7%)
não	61 (40.7%)
Não informado	37 (24.7%)
Escolaridade do pai
sem escolaridade	0 (0.0%)
ensino fundamental incompleto	0 (0.0%)
ensino fundamental completo	0 (0.0%)
ensino médio incompleto	0 (0.0%)
ensino médio completo	0 (0.0%)
superior incompleto	7 (4.7%)
superior completo	6 (4.0%)
pós-graduação	0 (0.0%)
Não informado	137 (91.3%)
Pai trabalha fora
sim	91 (60.7%)
não	20 (13.3%)
Não informado	39 (26.0%)
Renda familiar mensal
1 salário mínimo (r$ 1.412,00 reais)	15 (10.0%)
1 salário mínimo (r$1.412,00)	21 (14.0%)
2 salários mínimos (r$ 2.824,00 reais)	5 (3.3%)
2 salários mínimos (r$2.824,00)	8 (5.3%)
3 salários mínimos (r$ 4.236,00 reais)	4 (2.7%)
3 salários mínimos (r$4.236,00)	3 (2.0%)
meus pais ou responsáveis não tem uma renda fixa (trabalho autônomo)	21 (14.0%)
meus pais ou responsáveis não trabalham	10 (6.7%)
não sei o valor, mas meus pais ou responsáveis trabalham com carteira assinada	27 (18.0%)
Não informado	36 (24.0%)
¹ n (%)

Dados corporais

**Tabela 2. Perfil corporal dos estudantes**
Variável	N = 150¹
Peso (kg)	59.6 (53.6–69.0)
Altura (m)	1.8 (1.6–164.0)
IMC (kg/m²)	21.9 (19.9–25.4)
Classificação do IMC
magreza	1 (0.7%)
eutrófico	91 (60.7%)
sobrepeso	20 (13.3%)
obesidade	14 (9.3%)
Não informado	24 (16.0%)
Dobra tricipital (mm)	14.0 (10.0–17.0)
Dobra subescapular (mm)	11.0 (8.0–17.0)
Soma das dobras cutâneas (mm)	26.0 (18.0–34.0)
Percentual de gordura corporal (%)	22.8 (13.0–28.3)
Classificação do % de gordura (Lohman, 1987)
muito baixo	0 (0.0%)
baixo	1 (0.7%)
ótimo	73 (48.7%)
moderado	0 (0.0%)
elevado	26 (17.3%)
muito elevado	0 (0.0%)
Não informado	50 (33.3%)
¹ Variáveis contínuas: mediana (P25–P75); categóricas: n (%)

Perfil de alimentação

**Doces e ultraprocessados**
Alimento (porção de referência)	N = 150¹
Doces e ultraprocessados
Batatinha tipo chips ou salgadinho (1/2 pcte grande)
nunca	20 (16.1%)
< 1x/mês	28 (22.6%)
1–3x/mês	27 (21.8%)
1x/semana	19 (15.3%)
2–4x/semana	17 (13.7%)
1x/dia	8 (6.5%)
2x+/dia	5 (4.0%)
Não informado / pendente	26
Chocolate/Brigadeiro (1 tablete/barrinha/3 unids peq)
nunca	6 (4.8%)
< 1x/mês	28 (22.6%)
1–3x/mês	33 (26.6%)
1x/semana	26 (21.0%)
2–4x/semana	17 (13.7%)
1x/dia	8 (6.5%)
2x+/dia	6 (4.8%)
Não informado / pendente	26
Bolo comum/Pullman (1 fatia média)
nunca	20 (16.1%)
< 1x/mês	38 (30.6%)
1–3x/mês	22 (17.7%)
1x/semana	27 (21.8%)
2–4x/semana	8 (6.5%)
1x/dia	6 (4.8%)
2x+/dia	3 (2.4%)
Não informado / pendente	26
Sorvete massa/palito (2 bolas/1 unid)
nunca	18 (14.5%)
< 1x/mês	36 (29.0%)
1–3x/mês	27 (21.8%)
1x/semana	14 (11.3%)
2–4x/semana	14 (11.3%)
1x/dia	8 (6.5%)
2x+/dia	7 (5.6%)
Não informado / pendente	26
Achocolatado em pó — Nescau etc. (2 c. sopa rasa)
nunca	32 (25.8%)
< 1x/mês	30 (24.2%)
1–3x/mês	21 (16.9%)
1x/semana	10 (8.1%)
2–4x/semana	15 (12.1%)
1x/dia	9 (7.3%)
2x+/dia	7 (5.6%)
Não informado / pendente	26
Pipoca estourada, doce ou salgada (1 saco médio)
nunca	25 (20.2%)
< 1x/mês	36 (29.0%)
1–3x/mês	27 (21.8%)
1x/semana	16 (12.9%)
2–4x/semana	8 (6.5%)
1x/dia	7 (5.6%)
2x+/dia	5 (4.0%)
Não informado / pendente	26
Açúcar adicionado em café, leite etc. (2 c. sobremesa)
nunca	24 (19.4%)
< 1x/mês	21 (16.9%)
1–3x/mês	16 (12.9%)
1x/semana	8 (6.5%)
2–4x/semana	24 (19.4%)
1x/dia	19 (15.3%)
2x+/dia	12 (9.7%)
Não informado / pendente	26
Balas (2 unids)
nunca	16 (12.9%)
< 1x/mês	25 (20.2%)
1–3x/mês	20 (16.1%)
1x/semana	15 (12.1%)
2–4x/semana	23 (18.5%)
1x/dia	11 (8.9%)
2x+/dia	14 (11.3%)
Não informado / pendente	26
Doces de frutas — goiabada (1 fatia fina/ped peq)
nunca	33 (26.8%)
< 1x/mês	31 (25.2%)
1–3x/mês	23 (18.7%)
1x/semana	13 (10.6%)
2–4x/semana	10 (8.1%)
1x/dia	8 (6.5%)
2x+/dia	5 (4.1%)
Não informado / pendente	27
Sobremesas tipo mousse (1 taça/pote)
nunca	36 (29.0%)
< 1x/mês	34 (27.4%)
1–3x/mês	24 (19.4%)
1x/semana	16 (12.9%)
2–4x/semana	11 (8.9%)
1x/dia	2 (1.6%)
2x+/dia	1 (0.8%)
Não informado / pendente	26
Croissant de chocolate (1 unid média)
nunca	75 (61.0%)
< 1x/mês	23 (18.7%)
1–3x/mês	11 (8.9%)
1x/semana	5 (4.1%)
2–4x/semana	5 (4.1%)
1x/dia	3 (2.4%)
2x+/dia	1 (0.8%)
Não informado / pendente	27
Salgados e fast food
Cheeseburger de carne/frango (1 sanduíche)
nunca	34 (27.4%)
< 1x/mês	28 (22.6%)
1–3x/mês	27 (21.8%)
1x/semana	11 (8.9%)
2–4x/semana	14 (11.3%)
1x/dia	3 (2.4%)
2x+/dia	7 (5.6%)
Não informado / pendente	26
Sanduíche misto/queijo/frios/quentes (1 sanduíche)
nunca	14 (11.3%)
< 1x/mês	23 (18.5%)
1–3x/mês	33 (26.6%)
1x/semana	24 (19.4%)
2–4x/semana	17 (13.7%)
1x/dia	6 (4.8%)
2x+/dia	7 (5.6%)
Não informado / pendente	26
Sanduíche natural (1 sanduíche)
nunca	39 (31.5%)
< 1x/mês	27 (21.8%)
1–3x/mês	23 (18.5%)
1x/semana	15 (12.1%)
2–4x/semana	12 (9.7%)
1x/dia	6 (4.8%)
2x+/dia	2 (1.6%)
Não informado / pendente	26
Coxinha/risólis/pastel/enroladinho frito (1 unid média)
nunca	9 (7.3%)
< 1x/mês	19 (15.3%)
1–3x/mês	31 (25.0%)
1x/semana	16 (12.9%)
2–4x/semana	25 (20.2%)
1x/dia	11 (8.9%)
2x+/dia	13 (10.5%)
Não informado / pendente	26
Pão de queijo (1 unid média)
nunca	44 (35.8%)
< 1x/mês	36 (29.3%)
1–3x/mês	23 (18.7%)
1x/semana	10 (8.1%)
2–4x/semana	4 (3.3%)
1x/dia	0 (0.0%)
2x+/dia	6 (4.9%)
Não informado / pendente	27
Esfiha/empada/enroladinho assado (1 unid média)
nunca	18 (15.9%)
< 1x/mês	26 (23.0%)
1–3x/mês	26 (23.0%)
1x/semana	15 (13.3%)
2–4x/semana	19 (16.8%)
1x/dia	5 (4.4%)
2x+/dia	4 (3.5%)
Não informado / pendente	37
Salada de batata com maionese (1 c. servir)
nunca	69 (56.1%)
< 1x/mês	18 (14.6%)
1–3x/mês	15 (12.2%)
1x/semana	9 (7.3%)
2–4x/semana	3 (2.4%)
1x/dia	6 (4.9%)
2x+/dia	3 (2.4%)
Não informado / pendente	27
Sopa — canja, feijão, legumes (1 prato fundo)
nunca	24 (19.4%)
< 1x/mês	22 (17.7%)
1–3x/mês	25 (20.2%)
1x/semana	17 (13.7%)
2–4x/semana	19 (15.3%)
1x/dia	9 (7.3%)
2x+/dia	8 (6.5%)
Não informado / pendente	26
Farofa de farinha de mandioca (1 c. servir)
nunca	57 (46.7%)
< 1x/mês	18 (14.8%)
1–3x/mês	9 (7.4%)
1x/semana	13 (10.7%)
2–4x/semana	10 (8.2%)
1x/dia	12 (9.8%)
2x+/dia	3 (2.5%)
Não informado / pendente	28
Pizza (1 fatia média)
nunca	23 (18.5%)
< 1x/mês	37 (29.8%)
1–3x/mês	32 (25.8%)
1x/semana	12 (9.7%)
2–4x/semana	10 (8.1%)
1x/dia	5 (4.0%)
2x+/dia	5 (4.0%)
Não informado / pendente	26
Cachorro quente (1 sanduíche)
nunca	19 (15.3%)
< 1x/mês	38 (30.6%)
1–3x/mês	21 (16.9%)
1x/semana	17 (13.7%)
2–4x/semana	14 (11.3%)
1x/dia	9 (7.3%)
2x+/dia	6 (4.8%)
Não informado / pendente	26
Croissant presunto e queijo (1 unid média)
nunca	57 (46.3%)
< 1x/mês	26 (21.1%)
1–3x/mês	13 (10.6%)
1x/semana	11 (8.9%)
2–4x/semana	7 (5.7%)
1x/dia	3 (2.4%)
2x+/dia	6 (4.9%)
Não informado / pendente	27
Lácteos e gorduras
Leite integral (1 copo cheio)
nunca	60 (48.4%)
< 1x/mês	11 (8.9%)
1–3x/mês	11 (8.9%)
1x/semana	13 (10.5%)
2–4x/semana	14 (11.3%)
1x/dia	6 (4.8%)
2x+/dia	9 (7.3%)
Não informado / pendente	26
Leite desnatado (1 copo cheio)
nunca	87 (70.2%)
< 1x/mês	15 (12.1%)
1–3x/mês	9 (7.3%)
1x/semana	8 (6.5%)
2–4x/semana	2 (1.6%)
1x/dia	2 (1.6%)
2x+/dia	1 (0.8%)
Não informado / pendente	26
Leite fermentado (1 garrafinha)
nunca	81 (65.3%)
< 1x/mês	19 (15.3%)
1–3x/mês	9 (7.3%)
1x/semana	9 (7.3%)
2–4x/semana	2 (1.6%)
1x/dia	2 (1.6%)
2x+/dia	2 (1.6%)
Não informado / pendente	26
Iogurte natural/frutas (1 pote)
nunca	49 (39.5%)
< 1x/mês	25 (20.2%)
1–3x/mês	19 (15.3%)
1x/semana	11 (8.9%)
2–4x/semana	13 (10.5%)
1x/dia	2 (1.6%)
2x+/dia	5 (4.0%)
Não informado / pendente	26
Iogurte diet (1 pote)
nunca	88 (71.0%)
< 1x/mês	16 (12.9%)
1–3x/mês	9 (7.3%)
1x/semana	4 (3.2%)
2–4x/semana	4 (3.2%)
1x/dia	0 (0.0%)
2x+/dia	3 (2.4%)
Não informado / pendente	26
Queijo minas/ricota/cottage (1 fatia média)
nunca	66 (53.2%)
< 1x/mês	25 (20.2%)
1–3x/mês	10 (8.1%)
1x/semana	6 (4.8%)
2–4x/semana	7 (5.6%)
1x/dia	3 (2.4%)
2x+/dia	7 (5.6%)
Não informado / pendente	26
Requeijão (1 c. sopa)
nunca	59 (48.0%)
< 1x/mês	16 (13.0%)
1–3x/mês	18 (14.6%)
1x/semana	12 (9.8%)
2–4x/semana	10 (8.1%)
1x/dia	5 (4.1%)
2x+/dia	3 (2.4%)
Não informado / pendente	27
Maionese tradicional (1 c. sopa)
nunca	57 (46.0%)
< 1x/mês	24 (19.4%)
1–3x/mês	16 (12.9%)
1x/semana	15 (12.1%)
2–4x/semana	8 (6.5%)
1x/dia	4 (3.2%)
2x+/dia	0 (0.0%)
Não informado / pendente	26
Manteiga (1 ponta de faca)
nunca	18 (14.5%)
< 1x/mês	20 (16.1%)
1–3x/mês	18 (14.5%)
1x/semana	11 (8.9%)
2–4x/semana	27 (21.8%)
1x/dia	13 (10.5%)
2x+/dia	17 (13.7%)
Não informado / pendente	26
Margarina (1 ponta de faca)
nunca	23 (18.5%)
< 1x/mês	15 (12.1%)
1–3x/mês	19 (15.3%)
1x/semana	16 (12.9%)
2–4x/semana	26 (21.0%)
1x/dia	10 (8.1%)
2x+/dia	15 (12.1%)
Não informado / pendente	26
Azeite de oliva (1 c. café)
nunca	88 (71.5%)
< 1x/mês	12 (9.8%)
1–3x/mês	6 (4.9%)
1x/semana	5 (4.1%)
2–4x/semana	7 (5.7%)
1x/dia	2 (1.6%)
2x+/dia	3 (2.4%)
Não informado / pendente	27
Carboidratos e cereais
Arroz cozido (4 c. sopa / 1½ c. servir)
nunca	8 (6.5%)
< 1x/mês	8 (6.5%)
1–3x/mês	15 (12.1%)
1x/semana	8 (6.5%)
2–4x/semana	18 (14.5%)
1x/dia	31 (25.0%)
2x+/dia	36 (29.0%)
Não informado / pendente	26
Macarrão instantâneo/ao sugo/manteiga (3 c. servir)
nunca	17 (13.7%)
< 1x/mês	17 (13.7%)
1–3x/mês	18 (14.5%)
1x/semana	12 (9.7%)
2–4x/semana	24 (19.4%)
1x/dia	13 (10.5%)
2x+/dia	23 (18.5%)
Não informado / pendente	26
Massas — lasanha/raviole/capeleti (1 ped. médio)
nunca	20 (16.1%)
< 1x/mês	30 (24.2%)
1–3x/mês	32 (25.8%)
1x/semana	17 (13.7%)
2–4x/semana	12 (9.7%)
1x/dia	6 (4.8%)
2x+/dia	7 (5.6%)
Não informado / pendente	26
Biscoito sem recheio/cream cracker (15 unids)
nunca	16 (12.9%)
< 1x/mês	25 (20.2%)
1–3x/mês	26 (21.0%)
1x/semana	19 (15.3%)
2–4x/semana	12 (9.7%)
1x/dia	12 (9.7%)
2x+/dia	14 (11.3%)
Não informado / pendente	26
Biscoito com recheio (7 unids)
nunca	10 (8.1%)
< 1x/mês	18 (14.5%)
1–3x/mês	18 (14.5%)
1x/semana	14 (11.3%)
2–4x/semana	24 (19.4%)
1x/dia	19 (15.3%)
2x+/dia	21 (16.9%)
Não informado / pendente	26
Pão francês/forma/integral/hot dog (1½ unid/3 fatias)
nunca	7 (5.6%)
< 1x/mês	11 (8.9%)
1–3x/mês	16 (12.9%)
1x/semana	19 (15.3%)
2–4x/semana	28 (22.6%)
1x/dia	19 (15.3%)
2x+/dia	24 (19.4%)
Não informado / pendente	26
Cereal matinal/barra de cereal (1 xíc. chá/1 unid)
nunca	73 (58.9%)
< 1x/mês	26 (21.0%)
1–3x/mês	11 (8.9%)
1x/semana	5 (4.0%)
2–4x/semana	2 (1.6%)
1x/dia	3 (2.4%)
2x+/dia	4 (3.2%)
Não informado / pendente	26
Batata frita de palito (1 saco peq/1 c. servir)
nunca	40 (32.5%)
< 1x/mês	30 (24.4%)
1–3x/mês	25 (20.3%)
1x/semana	13 (10.6%)
2–4x/semana	7 (5.7%)
1x/dia	2 (1.6%)
2x+/dia	6 (4.9%)
Não informado / pendente	27
Batata purê/sautée (1 c. servir)
nunca	28 (22.8%)
< 1x/mês	21 (17.1%)
1–3x/mês	19 (15.4%)
1x/semana	18 (14.6%)
2–4x/semana	22 (17.9%)
1x/dia	11 (8.9%)
2x+/dia	4 (3.3%)
Não informado / pendente	27
Polenta cozida ou frita (5 c. sopa)
nunca	93 (75.0%)
< 1x/mês	14 (11.3%)
1–3x/mês	8 (6.5%)
1x/semana	3 (2.4%)
2–4x/semana	3 (2.4%)
1x/dia	0 (0.0%)
2x+/dia	3 (2.4%)
Não informado / pendente	26
Mandioca cozida (2 pedaços médios)
nunca	43 (34.7%)
< 1x/mês	25 (20.2%)
1–3x/mês	27 (21.8%)
1x/semana	12 (9.7%)
2–4x/semana	9 (7.3%)
1x/dia	0 (0.0%)
2x+/dia	8 (6.5%)
Não informado / pendente	26
Pamonha doce/salgada (1 unid média)
nunca	65 (52.4%)
< 1x/mês	22 (17.7%)
1–3x/mês	16 (12.9%)
1x/semana	6 (4.8%)
2–4x/semana	7 (5.6%)
1x/dia	4 (3.2%)
2x+/dia	4 (3.2%)
Não informado / pendente	26
Hortaliças
Alface (6 folhas médias)
nunca	45 (36.3%)
< 1x/mês	18 (14.5%)
1–3x/mês	20 (16.1%)
1x/semana	11 (8.9%)
2–4x/semana	14 (11.3%)
1x/dia	8 (6.5%)
2x+/dia	8 (6.5%)
Não informado / pendente	26
Acelga/repolho (2 c. servir)
nunca	90 (73.2%)
< 1x/mês	11 (8.9%)
1–3x/mês	5 (4.1%)
1x/semana	3 (2.4%)
2–4x/semana	5 (4.1%)
1x/dia	6 (4.9%)
2x+/dia	3 (2.4%)
Não informado / pendente	27
Agrião/rúcula (3 ramos/5 folhas médias)
nunca	102 (82.3%)
< 1x/mês	9 (7.3%)
1–3x/mês	3 (2.4%)
1x/semana	5 (4.0%)
2–4x/semana	2 (1.6%)
1x/dia	2 (1.6%)
2x+/dia	1 (0.8%)
Não informado / pendente	26
Couve-flor (2 ramos médios)
nunca	92 (74.2%)
< 1x/mês	12 (9.7%)
1–3x/mês	9 (7.3%)
1x/semana	3 (2.4%)
2–4x/semana	4 (3.2%)
1x/dia	2 (1.6%)
2x+/dia	2 (1.6%)
Não informado / pendente	26
Beterraba (1 c. servir)
nunca	91 (73.4%)
< 1x/mês	14 (11.3%)
1–3x/mês	6 (4.8%)
1x/semana	8 (6.5%)
2–4x/semana	1 (0.8%)
1x/dia	3 (2.4%)
2x+/dia	1 (0.8%)
Não informado / pendente	26
Cenoura (1 c. servir)
nunca	48 (38.7%)
< 1x/mês	19 (15.3%)
1–3x/mês	22 (17.7%)
1x/semana	11 (8.9%)
2–4x/semana	13 (10.5%)
1x/dia	7 (5.6%)
2x+/dia	4 (3.2%)
Não informado / pendente	26
Espinafre/couve (1 c. servir)
nunca	94 (76.4%)
< 1x/mês	14 (11.4%)
1–3x/mês	4 (3.3%)
1x/semana	3 (2.4%)
2–4x/semana	3 (2.4%)
1x/dia	3 (2.4%)
2x+/dia	2 (1.6%)
Não informado / pendente	27
Ervilha (2 c. sopa)
nunca	59 (47.6%)
< 1x/mês	27 (21.8%)
1–3x/mês	18 (14.5%)
1x/semana	7 (5.6%)
2–4x/semana	7 (5.6%)
1x/dia	5 (4.0%)
2x+/dia	1 (0.8%)
Não informado / pendente	26
Milho verde (1 c. sopa)
nunca	34 (27.6%)
< 1x/mês	29 (23.6%)
1–3x/mês	28 (22.8%)
1x/semana	9 (7.3%)
2–4x/semana	12 (9.8%)
1x/dia	6 (4.9%)
2x+/dia	5 (4.1%)
Não informado / pendente	27
Pepino (6 fatias médias)
nunca	57 (46.3%)
< 1x/mês	16 (13.0%)
1–3x/mês	16 (13.0%)
1x/semana	3 (2.4%)
2–4x/semana	15 (12.2%)
1x/dia	7 (5.7%)
2x+/dia	9 (7.3%)
Não informado / pendente	27
Tomate (3 fatias médias)
nunca	34 (27.4%)
< 1x/mês	8 (6.5%)
1–3x/mês	15 (12.1%)
1x/semana	15 (12.1%)
2–4x/semana	21 (16.9%)
1x/dia	15 (12.1%)
2x+/dia	16 (12.9%)
Não informado / pendente	26
Frutas
Abacate (1/2 unid)
nunca	50 (40.3%)
< 1x/mês	35 (28.2%)
1–3x/mês	16 (12.9%)
1x/semana	6 (4.8%)
2–4x/semana	6 (4.8%)
1x/dia	3 (2.4%)
2x+/dia	8 (6.5%)
Não informado / pendente	26
Abacaxi (1 fatia média)
nunca	28 (22.6%)
< 1x/mês	26 (21.0%)
1–3x/mês	28 (22.6%)
1x/semana	16 (12.9%)
2–4x/semana	11 (8.9%)
1x/dia	4 (3.2%)
2x+/dia	11 (8.9%)
Não informado / pendente	26
Banana (1 unid média)
nunca	13 (10.6%)
< 1x/mês	9 (7.3%)
1–3x/mês	18 (14.6%)
1x/semana	18 (14.6%)
2–4x/semana	38 (30.9%)
1x/dia	11 (8.9%)
2x+/dia	16 (13.0%)
Não informado / pendente	27
Laranja/mexerica (1 unid média)
nunca	17 (13.9%)
< 1x/mês	20 (16.4%)
1–3x/mês	30 (24.6%)
1x/semana	13 (10.7%)
2–4x/semana	22 (18.0%)
1x/dia	7 (5.7%)
2x+/dia	13 (10.7%)
Não informado / pendente	28
Maçã/pera (1 unid média)
nunca	18 (14.6%)
< 1x/mês	17 (13.8%)
1–3x/mês	31 (25.2%)
1x/semana	14 (11.4%)
2–4x/semana	21 (17.1%)
1x/dia	9 (7.3%)
2x+/dia	13 (10.6%)
Não informado / pendente	27
Mamão (1 fatia média)
nunca	51 (40.8%)
< 1x/mês	30 (24.0%)
1–3x/mês	11 (8.8%)
1x/semana	10 (8.0%)
2–4x/semana	9 (7.2%)
1x/dia	5 (4.0%)
2x+/dia	9 (7.2%)
Não informado / pendente	25
Melão/melancia (1 fatia média)
nunca	25 (21.9%)
< 1x/mês	19 (16.7%)
1–3x/mês	23 (20.2%)
1x/semana	10 (8.8%)
2–4x/semana	16 (14.0%)
1x/dia	6 (5.3%)
2x+/dia	15 (13.2%)
Não informado / pendente	36
Manga (1/2 unid média)
nunca	30 (24.4%)
< 1x/mês	31 (25.2%)
1–3x/mês	19 (15.4%)
1x/semana	16 (13.0%)
2–4x/semana	11 (8.9%)
1x/dia	5 (4.1%)
2x+/dia	11 (8.9%)
Não informado / pendente	27
Morangos (1/2 xíc. chá)
nunca	31 (25.2%)
< 1x/mês	38 (30.9%)
1–3x/mês	20 (16.3%)
1x/semana	7 (5.7%)
2–4x/semana	13 (10.6%)
1x/dia	5 (4.1%)
2x+/dia	9 (7.3%)
Não informado / pendente	27
Uva (1 cacho médio)
nunca	18 (14.6%)
< 1x/mês	22 (17.9%)
1–3x/mês	19 (15.4%)
1x/semana	15 (12.2%)
2–4x/semana	21 (17.1%)
1x/dia	14 (11.4%)
2x+/dia	14 (11.4%)
Não informado / pendente	27
Proteínas
Feijão marrom ou preto (1½ concha média)
nunca	3 (2.4%)
< 1x/mês	3 (2.4%)
1–3x/mês	17 (13.8%)
1x/semana	6 (4.9%)
2–4x/semana	35 (28.5%)
1x/dia	27 (22.0%)
2x+/dia	32 (26.0%)
Não informado / pendente	27
Carne bovina cozida/moída/de panela (1 fatia/c. servir)
nunca	4 (3.3%)
< 1x/mês	7 (5.7%)
1–3x/mês	19 (15.4%)
1x/semana	8 (6.5%)
2–4x/semana	36 (29.3%)
1x/dia	15 (12.2%)
2x+/dia	34 (27.6%)
Não informado / pendente	27
Bife frito/à milanesa (1 unid média)
nunca	11 (8.9%)
< 1x/mês	21 (17.1%)
1–3x/mês	14 (11.4%)
1x/semana	13 (10.6%)
2–4x/semana	31 (25.2%)
1x/dia	11 (8.9%)
2x+/dia	22 (17.9%)
Não informado / pendente	27
Frango cozido/assado/grelhado/frito (1 ped. médio)
nunca	5 (4.1%)
< 1x/mês	8 (6.5%)
1–3x/mês	18 (14.6%)
1x/semana	8 (6.5%)
2–4x/semana	38 (30.9%)
1x/dia	19 (15.4%)
2x+/dia	27 (22.0%)
Não informado / pendente	27
Peixe frito (1 filé médio/posta)
nunca	30 (24.6%)
< 1x/mês	27 (22.1%)
1–3x/mês	20 (16.4%)
1x/semana	20 (16.4%)
2–4x/semana	14 (11.5%)
1x/dia	3 (2.5%)
2x+/dia	8 (6.6%)
Não informado / pendente	28
Carne suína — bisteca/lombo (1 unid/fatia média)
nunca	24 (19.5%)
< 1x/mês	17 (13.8%)
1–3x/mês	26 (21.1%)
1x/semana	18 (14.6%)
2–4x/semana	21 (17.1%)
1x/dia	4 (3.3%)
2x+/dia	13 (10.6%)
Não informado / pendente	27
Ovo frito/mexido/omelete (1 unid média)
nunca	19 (15.6%)
< 1x/mês	11 (9.0%)
1–3x/mês	17 (13.9%)
1x/semana	10 (8.2%)
2–4x/semana	26 (21.3%)
1x/dia	19 (15.6%)
2x+/dia	20 (16.4%)
Não informado / pendente	28
Embutidos — presunto/peru/mortadela/salame (2 fatias)
nunca	27 (22.3%)
< 1x/mês	18 (14.9%)
1–3x/mês	21 (17.4%)
1x/semana	12 (9.9%)
2–4x/semana	18 (14.9%)
1x/dia	7 (5.8%)
2x+/dia	18 (14.9%)
Não informado / pendente	29
Salsicha (1½ unidade)
nunca	24 (19.7%)
< 1x/mês	25 (20.5%)
1–3x/mês	21 (17.2%)
1x/semana	18 (14.8%)
2–4x/semana	12 (9.8%)
1x/dia	9 (7.4%)
2x+/dia	13 (10.7%)
Não informado / pendente	28
Linguiça (1 gomo médio)
nunca	42 (34.4%)
< 1x/mês	22 (18.0%)
1–3x/mês	20 (16.4%)
1x/semana	10 (8.2%)
2–4x/semana	17 (13.9%)
1x/dia	3 (2.5%)
2x+/dia	8 (6.6%)
Não informado / pendente	28
Bebidas e outros
Refrigerante normal (1 lata)
nunca	13 (10.6%)
< 1x/mês	11 (8.9%)
1–3x/mês	18 (14.6%)
1x/semana	23 (18.7%)
2–4x/semana	21 (17.1%)
1x/dia	13 (10.6%)
2x+/dia	24 (19.5%)
Não informado / pendente	27
Refrigerante diet (1 lata)
nunca	68 (55.7%)
< 1x/mês	13 (10.7%)
1–3x/mês	10 (8.2%)
1x/semana	10 (8.2%)
2–4x/semana	10 (8.2%)
1x/dia	7 (5.7%)
2x+/dia	4 (3.3%)
Não informado / pendente	28
Chá mate com sabor (1 lata)
nunca	105 (86.1%)
< 1x/mês	8 (6.6%)
1–3x/mês	3 (2.5%)
1x/semana	1 (0.8%)
2–4x/semana	3 (2.5%)
1x/dia	0 (0.0%)
2x+/dia	2 (1.6%)
Não informado / pendente	28
Suco de abacaxi com açúcar (1 copo)
nunca	49 (39.8%)
< 1x/mês	22 (17.9%)
1–3x/mês	14 (11.4%)
1x/semana	6 (4.9%)
2–4x/semana	18 (14.6%)
1x/dia	8 (6.5%)
2x+/dia	6 (4.9%)
Não informado / pendente	27
Suco de laranja com açúcar (1 copo)
nunca	39 (31.7%)
< 1x/mês	22 (17.9%)
1–3x/mês	24 (19.5%)
1x/semana	5 (4.1%)
2–4x/semana	14 (11.4%)
1x/dia	7 (5.7%)
2x+/dia	12 (9.8%)
Não informado / pendente	27
Suco de mamão com açúcar (1 copo)
nunca	93 (75.6%)
< 1x/mês	15 (12.2%)
1–3x/mês	7 (5.7%)
1x/semana	2 (1.6%)
2–4x/semana	1 (0.8%)
1x/dia	3 (2.4%)
2x+/dia	2 (1.6%)
Não informado / pendente	27
Suco de melão/melancia com açúcar (1 copo)
nunca	100 (82.0%)
< 1x/mês	13 (10.7%)
1–3x/mês	1 (0.8%)
1x/semana	1 (0.8%)
2–4x/semana	2 (1.6%)
1x/dia	2 (1.6%)
2x+/dia	3 (2.5%)
Não informado / pendente	28
Limonada/laranjada com açúcar (1 copo)
nunca	32 (26.0%)
< 1x/mês	24 (19.5%)
1–3x/mês	21 (17.1%)
1x/semana	13 (10.6%)
2–4x/semana	17 (13.8%)
1x/dia	6 (4.9%)
2x+/dia	10 (8.1%)
Não informado / pendente	27
Vitamina de frutas/suco natural com leite (1 copo)
nunca	49 (39.8%)
< 1x/mês	23 (18.7%)
1–3x/mês	15 (12.2%)
1x/semana	5 (4.1%)
2–4x/semana	13 (10.6%)
1x/dia	8 (6.5%)
2x+/dia	10 (8.1%)
Não informado / pendente	27
Suco artificial (1 copo)
nunca	63 (51.2%)
< 1x/mês	20 (16.3%)
1–3x/mês	9 (7.3%)
1x/semana	7 (5.7%)
2–4x/semana	15 (12.2%)
1x/dia	2 (1.6%)
2x+/dia	7 (5.7%)
Não informado / pendente	27
Café (1 xícara pequena)
nunca	44 (35.8%)
< 1x/mês	13 (10.6%)
1–3x/mês	13 (10.6%)
1x/semana	12 (9.8%)
2–4x/semana	15 (12.2%)
1x/dia	8 (6.5%)
2x+/dia	18 (14.6%)
Não informado / pendente	27
Cerveja (1 copo médio)
nunca	90 (73.2%)
< 1x/mês	15 (12.2%)
1–3x/mês	9 (7.3%)
1x/semana	4 (3.3%)
2–4x/semana	4 (3.3%)
1x/dia	0 (0.0%)
2x+/dia	1 (0.8%)
Não informado / pendente	27
Vinho (1 copo médio)
nunca	92 (74.8%)
< 1x/mês	17 (13.8%)
1–3x/mês	7 (5.7%)
1x/semana	2 (1.6%)
2–4x/semana	2 (1.6%)
1x/dia	0 (0.0%)
2x+/dia	3 (2.4%)
Não informado / pendente	27
Batida (1 copo médio)
nunca	96 (78.7%)
< 1x/mês	11 (9.0%)
1–3x/mês	8 (6.6%)
1x/semana	1 (0.8%)
2–4x/semana	1 (0.8%)
1x/dia	1 (0.8%)
2x+/dia	4 (3.3%)
Não informado / pendente	28
Água (1 copo)
nunca	6 (4.9%)
< 1x/mês	3 (2.4%)
1–3x/mês	6 (4.9%)
1x/semana	1 (0.8%)
2–4x/semana	12 (9.8%)
1x/dia	5 (4.1%)
2x+/dia	90 (73.2%)
Não informado / pendente	27
Chimarrão (1 cuia)
nunca	111 (91.7%)
< 1x/mês	4 (3.3%)
1–3x/mês	1 (0.8%)
1x/semana	0 (0.0%)
2–4x/semana	2 (1.7%)
1x/dia	0 (0.0%)
2x+/dia	3 (2.5%)
Não informado / pendente	29
Adoçante gotas/pó
nunca	103 (84.4%)
< 1x/mês	4 (3.3%)
1–3x/mês	5 (4.1%)
1x/semana	4 (3.3%)
2–4x/semana	0 (0.0%)
1x/dia	1 (0.8%)
2x+/dia	5 (4.1%)
Não informado / pendente	28
¹ n (%)

Perguntas de interesse

1. Existem diferença entre o sexo masculino e feminino desses dados? (idade, escolaridade dos pais, renda familiar)

Characteristic	f N = 91¹	m N = 56¹	p-value²
faixa_etaria			0.8
15	2 (2.4%)	2 (3.7%)
16	47 (57%)	32 (59%)
17	31 (38%)	18 (33%)
18	0 (0%)	1 (1.9%)
19	2 (2.4%)	1 (1.9%)
Unknown	9	2
escolaridade_mae			0.7
sem escolaridade	0 (0%)	0 (0%)
ensino fundamental incompleto	0 (0%)	0 (0%)
ensino fundamental completo	0 (0%)	0 (0%)
ensino médio incompleto	0 (0%)	0 (0%)
ensino médio completo	0 (0%)	0 (0%)
superior incompleto	3 (3.3%)	1 (1.8%)
superior completo	5 (5.5%)	5 (8.9%)
pós-graduação	0 (0%)	0 (0%)
Não informado	83 (91%)	50 (89%)
escolaridade_pai			>0.9
sem escolaridade	0 (0%)	0 (0%)
ensino fundamental incompleto	0 (0%)	0 (0%)
ensino fundamental completo	0 (0%)	0 (0%)
ensino médio incompleto	0 (0%)	0 (0%)
ensino médio completo	0 (0%)	0 (0%)
superior incompleto	5 (5.5%)	2 (3.6%)
superior completo	4 (4.4%)	2 (3.6%)
pós-graduação	0 (0%)	0 (0%)
Não informado	82 (90%)	52 (93%)
renda_familiar			0.7
1 salário mínimo (r$ 1.412,00 reais)	10 (11%)	5 (8.9%)
1 salário mínimo (r$1.412,00)	12 (13%)	9 (16%)
2 salários mínimos (r$ 2.824,00 reais)	2 (2.2%)	3 (5.4%)
2 salários mínimos (r$2.824,00)	6 (6.6%)	2 (3.6%)
3 salários mínimos (r$ 4.236,00 reais)	2 (2.2%)	2 (3.6%)
3 salários mínimos (r$4.236,00)	3 (3.3%)	0 (0%)
meus pais ou responsáveis não tem uma renda fixa (trabalho autônomo)	15 (16%)	6 (11%)
meus pais ou responsáveis não trabalham	7 (7.7%)	3 (5.4%)
não sei o valor, mas meus pais ou responsáveis trabalham com carteira assinada	13 (14%)	14 (25%)
Não informado	21 (23%)	12 (21%)
¹ n (%)
² Fisher’s exact test

Nenhuma das variáveis demográficas listadas apresentam diferença estatisticamente significativa entre os gêneros dos participantes.

2. Qual o tempo médio diário de uso de telas e a frequência de uso por semana?

**Tabela. Tempo e frequência de uso de dispositivos eletrônicos**
Variável	N = 60¹
Tempo de uso diário de telas
30 minutos	5 (8.5%)
1 hora/dia	6 (10.2%)
2 horas/dia	17 (28.8%)
3 horas/dia	10 (16.9%)
Mais de 4 horas/dia	21 (35.6%)
Não informado	1
Frequência de uso semanal de telas
3 vezes/semana	4 (6.8%)
4 vezes/semana	3 (5.1%)
Mais de 5 vezes/semana	52 (88.1%)
Não informado	1
¹ n (%)

A maioria dos estudantes relatou usar dispositivos eletrônicos mais de 4 horas por dia (35.6%). Em relação à frequência semanal, mais de 5 vezes por semana foi a resposta predominante (88.1%).

2.1. Qual a proporção de adolescentes que ultrapassa o tempo recomendado de 2 horas/dia?

52.5% dos adolescentes ultrapassa o tempo recomendado de 2 horas/dia para o uso de telas.

3. O tempo de tela difere entre sexo, idade e renda familiar?

Para esta pergunta, foi melhor transformar o tempo de tela em apenas duas categorias. (Caso queiram, também podemos deixar assim nas análise anteriores, a ideia é não ter várias células vazias, já que nosso n é pequeno. Podemos fazer o mesmo com outras variáveis se preferirem).


    Até 2 horas/dia Mais de 2 horas/dia 
                 29                  31

**Tempo de tela**
Characteristic	Até 2 horas/dia N = 29¹	Mais de 2 horas/dia N = 31¹	p-value²
sexo			0.2
f	12 (44.4%)	18 (62.1%)
m	15 (55.6%)	11 (37.9%)
renda_familiar			0.3
1 salário mínimo (r$ 1.412,00 reais)	4 (14.3%)	8 (27.6%)
2 salários mínimos (r$ 2.824,00 reais)	2 (7.1%)	2 (6.9%)
3 salários mínimos (r$ 4.236,00 reais)	3 (10.7%)	1 (3.4%)
meus pais ou responsáveis não tem uma renda fixa (trabalho autônomo)	1 (3.6%)	6 (20.7%)
meus pais ou responsáveis não trabalham	3 (10.7%)	2 (6.9%)
não sei o valor, mas meus pais ou responsáveis trabalham com carteira assinada	8 (28.6%)	5 (17.2%)
Não informado	7 (25.0%)	5 (17.2%)
faixa_etaria			0.7
15	2 (7.1%)	1 (3.4%)
16	21 (75.0%)	24 (82.8%)
17	5 (17.9%)	4 (13.8%)
¹ n (%)
² Pearson’s Chi-squared test; Fisher’s exact test

Não houve diferença estatisticamente significativa entre tempo de tela e as características de sexo, renda familiar e faixa etária.

4. Qual a frequência de consumo de ultraprocessados e de alimentos in natura?

Para a análise da frequência de consumo alimentar, os itens do questionário de frequência alimentar (QFA) foram organizados em dois grupos. O grupo de alimentos ultraprocessados foi composto por 22 itens: batatinha tipo chips ou salgadinho, chocolate/brigadeiro, bolo comum, sorvete, achocolatado em pó, pipoca, balas, sobremesas tipo mousse, croissant de chocolate, biscoito com recheio, biscoito sem recheio/cream cracker, cheeseburger, coxinha/pastel/enroladinho frito, pizza, cachorro quente, macarrão instantâneo, refrigerante normal, refrigerante diet, suco artificial, embutidos (presunto/mortadela/salame), salsicha e linguiça. O grupo de alimentos in natura ou minimamente processados foi composto por 26 itens: alface, acelga/repolho, agrião/rúcula, couve-flor, beterraba, cenoura, espinafre/couve, ervilha, milho verde, pepino, tomate, abacate, abacaxi, banana, laranja/mexerica, maçã/pera, mamão, melão/melancia, manga, morangos, uva, feijão, carne bovina, frango, peixe e ovo.

Para cada item, identificou-se a categoria de frequência mais prevalente na amostra (moda). A distribuição dessas modas foi então sumarizada por grupo, permitindo caracterizar o padrão de consumo predominante dos adolescentes para cada categoria alimentar.

**Tabela 6a. Frequência mais prevalente de consumo — Ultraprocessados**
Frequência de consumo	Nº de alimentos (%)
nunca	8 (36.4%)
< 1x/mês	8 (36.4%)
1–3x/mês	3 (13.6%)
1x/semana	0 (0.0%)
2–4x/semana	2 (9.1%)
1x/dia	0 (0.0%)
2x+/dia	1 (4.5%)
Cada linha representa quantos alimentos do grupo têm aquela frequência como moda na amostra.

**Tabela 6b. Frequência mais prevalente de consumo — Alimentos in natura**
Frequência de consumo	Nº de alimentos (%)
nunca	16 (61.5%)
< 1x/mês	3 (11.5%)
1–3x/mês	2 (7.7%)
1x/semana	0 (0.0%)
2–4x/semana	5 (19.2%)
1x/dia	0 (0.0%)
2x+/dia	0 (0.0%)
Cada linha representa quantos alimentos do grupo têm aquela frequência como moda na amostra.

5. Qual a proporção de adolescentes com alto consumo de ultraprocessados?

Para identificar os adolescentes com alto consumo de alimentos ultraprocessados, foi calculado, para cada participante, o número de itens ultraprocessados consumidos com frequência igual ou superior a uma vez por semana, dentre os 22 itens da lista previamente definida. Com base na distribuição desse indicador na amostra, foi adotado o quartil superior (P75) como ponto de corte, classificando como “alto consumo” os adolescentes cujo número de itens consumidos regularmente superava esse valor. Essa abordagem é consistente com estudos que utilizam quartis de consumo para categorizar a exposição a alimentos ultraprocessados em populações jovens.


Ponto de corte (P75): 11 itens

**Tabela 7. Proporção de adolescentes com alto consumo de alimentos ultraprocessados**
Consumo de ultraprocessados	n (%)
Baixo/moderado consumo	112 (74.7%)
Alto consumo	38 (25.3%)
Alto consumo definido como consumo de mais de 10.75 itens ultraprocessados com frequência ≥ 1x/semana (quartil superior).

6. O consumo de ultraprocessados difere entre sexo, idade e renda?

**Tabela 8. Consumo de ultraprocessados segundo características demográficas**
Variável	Overall N = 152¹	Baixo/moderado consumo N = 114¹	Alto consumo N = 38¹	p-value²
Gênero				0.067
f	93 (62.4%)	74 (66.7%)	19 (50.0%)
m	56 (37.6%)	37 (33.3%)	19 (50.0%)
Idade (anos)				>0.9
15	4 (2.9%)	3 (2.8%)	1 (3.0%)
16	82 (59.0%)	63 (59.4%)	19 (57.6%)
17	49 (35.3%)	36 (34.0%)	13 (39.4%)
18	1 (0.7%)	1 (0.9%)	0 (0.0%)
19	3 (2.2%)	3 (2.8%)	0 (0.0%)
Renda familiar mensal				0.4
1 salário mínimo	37 (32.2%)	31 (35.2%)	6 (22.2%)
2 salários mínimos	13 (11.3%)	7 (8.0%)	6 (22.2%)
3 salários mínimos	7 (6.1%)	5 (5.7%)	2 (7.4%)
Pais não trabalham	10 (8.7%)	8 (9.1%)	2 (7.4%)
Renda não fixa (autônomo)	21 (18.3%)	17 (19.3%)	4 (14.8%)
Valor desconhecido (CLT)	27 (23.5%)	20 (22.7%)	7 (25.9%)
¹ n (%); p-valor obtido pelo teste qui-quadrado de Pearson
² Pearson’s Chi-squared test; Fisher’s exact test

A análise não revelou diferença estatisticamente significativa no consumo de alimentos ultraprocessados segundo nenhuma das características demográficas avaliadas. A distribuição do alto consumo foi semelhante entre os grupos de idade (p > 0,9) e de renda familiar (p = 0,6). Para o gênero, observou-se uma tendência de maior prevalência de alto consumo entre os meninos (50,0%) em comparação às meninas (50,0% vs. 33,3%), porém sem atingir significância estatística (p = 0,067).

7. Prevalência de excesso de peso e de gordura corporal

**Tabela 9. Prevalência de excesso de peso e de gordura corporal**
Variável	N = 150¹
Excesso de peso
Peso adequado	92 (73.0%)
Excesso de peso	34 (27.0%)
Classificação do IMC (detalhada)
magreza	1 (0.8%)
eutrófico	91 (72.2%)
sobrepeso	20 (15.9%)
obesidade	14 (11.1%)
Excesso de gordura corporal
Gordura adequada	74 (74.0%)
Excesso de gordura	26 (26.0%)
Classificação do % de gordura (detalhada)
muito baixo	0 (0.0%)
baixo	1 (1.0%)
ótimo	73 (73.0%)
moderado	0 (0.0%)
elevado	26 (26.0%)
muito elevado	0 (0.0%)
¹ n (%)

A prevalência de excesso de peso, definida pela soma de sobrepeso e obesidade segundo o IMC, foi de 27,0% (n=34), sendo 15,9% com sobrepeso e 11,1% com obesidade. Em relação à gordura corporal, 26,0% dos adolescentes (n=26) apresentaram percentual de gordura elevado. Nenhum participante foi classificado na categoria “muito elevado”. Vale destacar que as prevalências de excesso de peso e de excesso de gordura corporal foram praticamente coincidentes, sugerindo boa concordância entre os dois indicadores nesta amostra.

8. Qual a proporção de adolescentes ativos, pouco ativos e sedentários?

Distribuição do nível de atividade física:


 Sedentário Pouco ativo       Ativo        <NA> 
         18          68          39          25

**Tabela 10. Proporção de adolescentes segundo nível de atividade física**
Nível de atividade física	n (%)
Sedentário	18 (14.4%)
Pouco ativo	68 (54.4%)
Ativo	39 (31.2%)
Classificação baseada na questão de participação em educação física do PAQ-C. Sedentário: não pratica atividade física ou não faz educação física; Pouco ativo: participa quase nunca ou às vezes; Ativo: participa quase sempre ou sempre.

A maioria dos adolescentes foi classificada como pouco ativa (54,4%, n=68), seguida pelos ativos (31,2%, n=39) e sedentários (14,4%, n=18). Juntos, sedentários e pouco ativos representam 68,8% da amostra, indicando que menos de um terço dos adolescentes participava de atividade física de forma regular.

9. O nível de atividade física varia conforme sexo, idade e escolaridade?

10. Adolescentes com maior tempo de tela apresentam maior consumo de ultraprocessados?

11. O maior consumo de ultraprocessados está associado a maior IMC e maior gordura corporal?

12. Maior tempo de tela está associado a menor nível de atividade física?

13. Essas associações permanecem após ajuste por sexo, idade e renda familiar?

14. Existe associação entre o tempo de uso de telas e consumos de ultraprocessados com o ganho de peso, o aumento da gordura corporal e o menor nível de atividade física?

---
date: "`r format(Sys.Date(), '%d/%m/%Y')`"

format:
  html:
    theme: cosmo
    toc: true
    toc-depth: 3
    toc-location: left
    logo: logo.png
    code-fold: true
    code-summary: "Mostrar código"
    code-tools: true

execute:
  echo: false
  warning: false
  message: false
---

:::: {style="display:flex; align-items:center; gap:20px; margin-bottom:30px;"}
<img src="logo.png" width="120"/>

<div>

# Artigo 1: Bárbara e Alexia

**Edneide Ramalho**\
`r format(Sys.Date(), '%d/%m/%Y')`

</div>

# 
::::

```{r pscotes}
library(tidyverse)
library(gtsummary)
library(rstatix)
library(gt)
library(skimr)
library(readr)
library(readxl)
```

```{r dados}
dados_barbara_limpos <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/dados_barbara_limpos.rds")
```

# Descritiva

## Perfil sociodemográfico dos estudantes

```{r}
# =============================================================================
# 02_tabela_demografica.R
# Tabela descritiva de perfil demográfico — gtsummary::tbl_summary()
# =============================================================================

library(dplyr)
library(forcats)
library(gtsummary)

# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS LIMPOS
# -----------------------------------------------------------------------------

dados <- readRDS("dados_barbara_limpos.rds")

# -----------------------------------------------------------------------------
# 2. PREPARAR VARIÁVEIS PARA A TABELA
# Todas as categóricas viram factor com labels legíveis.
# A ordem dos níveis define a ordem de exibição na tabela.
# -----------------------------------------------------------------------------

demo <- dados |>
  mutate(

    # --- Idade: cada valor = uma classe ---
    # Confira os valores únicos antes com: sort(unique(dados$idade))
    faixa_etaria = factor(idade),

    # --- Raça/cor ---
    raca = factor(raca) |>
      fct_relevel("branca", "parda", "preta", "amarela", "indigena") |>
      fct_na_value_to_level("Não informado"),

    # --- Composição domiciliar ---
    n_pessoas_domicilio = factor(n_pessoas_domicilio) |>
      fct_na_value_to_level("Não informado"),

    mora_com_quem = factor(mora_com_quem) |>
      fct_na_value_to_level("Não informado"),

    # --- Irmãos ---
    n_irmaos = case_when(
      n_irmaos == "´1"              ~ "1",
      n_irmaos == "não tenho irmãos" ~ "não tenho",
      .default = n_irmaos
    ),

    irmaos_mesma_escola = factor(irmaos_mesma_escola) |>
      fct_relevel("sim", "não") |>
      fct_na_value_to_level("Não informado"),

    # --- Família ---
    estado_civil_pais = factor(estado_civil_pais) |>
      fct_na_value_to_level("Não informado"),

    # --- Escolaridade (variável ordinal) ---
    escolaridade_mae = factor(
      escolaridade_mae,
      levels = c(
        "sem escolaridade",
        "ensino fundamental incompleto",
        "ensino fundamental completo",
        "ensino médio incompleto",
        "ensino médio completo",
        "superior incompleto",
        "superior completo",
        "pós-graduação"
      ),
      ordered = TRUE
    ) |> fct_na_value_to_level("Não informado"),

    escolaridade_pai = factor(
      escolaridade_pai,
      levels = c(
        "sem escolaridade",
        "ensino fundamental incompleto",
        "ensino fundamental completo",
        "ensino médio incompleto",
        "ensino médio completo",
        "superior incompleto",
        "superior completo",
        "pós-graduação"
      ),
      ordered = TRUE
    ) |> fct_na_value_to_level("Não informado"),

    # --- Trabalho fora ---
    mae_trabalha_fora = factor(mae_trabalha_fora) |>
      fct_relevel("sim", "não") |>
      fct_na_value_to_level("Não informado"),

    pai_trabalha_fora = factor(pai_trabalha_fora) |>
      fct_relevel("sim", "não") |>
      fct_na_value_to_level("Não informado"),

    # --- Renda familiar ---
    # Ajuste os níveis conforme os valores que aparecem nos dados.
    # Confira com: sort(unique(dados$renda_familiar))
    renda_familiar = factor(
      renda_familiar,
      # levels = c(
      #   "menos de 1 salário mínimo (R$1.412,00)",
      #   "1 salário mínimo (R$1.412,00)",
      #   "2 salários mínimos (R$2.824,00)",
      #   "3 salários mínimos (R$4.236,00)",
      #   "4 salários mínimos (R$5.648,00)",
      #   "5 ou mais salários mínimos"
      # ),
      ordered = TRUE
    ) |> fct_na_value_to_level("Não informado")

  ) |>
  select(
    sexo,
    faixa_etaria,
    raca,
    n_pessoas_domicilio,
    n_irmaos,
    estado_civil_pais,
    escolaridade_mae,
    mae_trabalha_fora,
    escolaridade_pai,
    pai_trabalha_fora,
    renda_familiar, 
    id_aluno
  )

# -----------------------------------------------------------------------------
# 3. TABELA DESCRITIVA
# -----------------------------------------------------------------------------

tabela_demo <- demo |>
  select(-id_aluno) |> 
  tbl_summary(
    statistic = list(all_categorical() ~ "{n} ({p}%)"),
    digits    = list(all_categorical() ~ c(0, 1)),
    missing   = "no",   # NAs já estão como nível "Não informado"
    label = list(
      sexo                ~ "Gênero",
      faixa_etaria        ~ "Idade (anos)",
      raca                ~ "Raça/cor",
      n_pessoas_domicilio ~ "Pessoas no domicílio",
      n_irmaos            ~ "Número de irmãos",
      estado_civil_pais   ~ "Estado civil dos pais",
      escolaridade_mae    ~ "Escolaridade da mãe",
      mae_trabalha_fora   ~ "Mãe trabalha fora",
      escolaridade_pai    ~ "Escolaridade do pai",
      pai_trabalha_fora   ~ "Pai trabalha fora",
      renda_familiar      ~ "Renda familiar mensal"
    )
  ) |>
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_caption("**Tabela 1. Perfil demográfico dos estudantes**")

# Visualizar no RStudio Viewer
tabela_demo

# -----------------------------------------------------------------------------
# 4. EXPORTAR (escolha um formato)
# -----------------------------------------------------------------------------

# Word (.docx) — requer pacote flextable
tabela_demo |>
  as_flex_table() |>
  flextable::save_as_docx(path = "tabela1_demografica.docx")

# HTML
tabela_demo |>
  as_gt() |>
  gt::gtsave("tabela1_demografica.html")
```

## Dados corporais

```{r}
# =============================================================================
# 03_tabela_corporal.R
# Tabela descritiva de dados corporais — gtsummary::tbl_summary()
# =============================================================================

library(dplyr)
library(forcats)
library(gtsummary)

# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS LIMPOS
# -----------------------------------------------------------------------------

dados <- readRDS("dados_barbara_limpos.rds")

# -----------------------------------------------------------------------------
# 2. PREPARAR VARIÁVEIS
# -----------------------------------------------------------------------------

# Confira os valores únicos das categóricas antes de definir os níveis:
# sort(unique(dados$classif_imc))
# sort(unique(dados$classif_gordura))

corporal <- dados |>
  mutate(

    # --- Contínuas: garantir tipo numérico ---
    peso_kg               = as.numeric(peso_kg),
    altura_m              = as.numeric(altura_m),
    imc                   = as.numeric(imc),
    dobra_tricipital_mm   = as.numeric(dobra_tricipital_mm),
    dobra_subescapular_mm = as.numeric(dobra_subescapular_mm),
    soma_dobras_mm        = as.numeric(soma_dobras_mm),
    pct_gordura           = as.numeric(pct_gordura),

    # --- Classificação do IMC (ordinal) ---
    # Ajuste os níveis conforme sort(unique(dados$classif_imc))
    classif_imc = factor(
      classif_imc,
      levels  = c("magreza", "eutrófico", "sobrepeso", "obesidade"),
      ordered = TRUE
    ) |> fct_na_value_to_level("Não informado"),

    # --- Classificação do % de gordura — Lohman (1987) (ordinal) ---
    # Ajuste os níveis conforme sort(unique(dados$classif_gordura))
    classif_gordura = factor(
      classif_gordura,
      levels  = c("muito baixo", "baixo", "ótimo", "moderado",
                  "elevado", "muito elevado"),
      ordered = TRUE
    ) |> fct_na_value_to_level("Não informado")

  ) |>
  select(
    peso_kg,
    altura_m,
    imc,
    classif_imc,
    dobra_tricipital_mm,
    dobra_subescapular_mm,
    soma_dobras_mm,
    pct_gordura,
    classif_gordura
  )

# -----------------------------------------------------------------------------
# 3. TABELA DESCRITIVA
# -----------------------------------------------------------------------------

tabela_corporal <- corporal |>
  tbl_summary(
    statistic = list(
      all_continuous()  ~ "{median} ({p25}–{p75})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits = list(
      all_continuous()  ~ 1,
      all_categorical() ~ c(0, 1)
    ),
    missing = "no",
    label = list(
      peso_kg               ~ "Peso (kg)",
      altura_m              ~ "Altura (m)",
      imc                   ~ "IMC (kg/m²)",
      classif_imc           ~ "Classificação do IMC",
      dobra_tricipital_mm   ~ "Dobra tricipital (mm)",
      dobra_subescapular_mm ~ "Dobra subescapular (mm)",
      soma_dobras_mm        ~ "Soma das dobras cutâneas (mm)",
      pct_gordura           ~ "Percentual de gordura corporal (%)",
      classif_gordura       ~ "Classificação do % de gordura (Lohman, 1987)"
    )
  ) |>
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_footnote(
    all_stat_cols() ~ "Variáveis contínuas: mediana (P25–P75); categóricas: n (%)"
  ) |>
  modify_caption("**Tabela 2. Perfil corporal dos estudantes**")

# Visualizar no RStudio Viewer
tabela_corporal

# -----------------------------------------------------------------------------
# 4. EXPORTAR
# -----------------------------------------------------------------------------

tabela_corporal |>
  as_flex_table() |>
  flextable::save_as_docx(path = "tabela2_corporal.docx")
```

## Perfil de alimentação

```{r}
# =============================================================================
# 04_tabela_alimentacao.R
# Tabela descritiva do QFA por grupo alimentar — gtsummary::tbl_summary()
# =============================================================================


# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS LIMPOS
# -----------------------------------------------------------------------------

dados <- readRDS("dados_barbara_limpos.rds")

# -----------------------------------------------------------------------------
# 2. PADRONIZAR CATEGORIAS DO QFA
# Todas as variáveis qfa_ recebem o mesmo tratamento:
#   - harmonizar grafias inconsistentes
#   - valores pendentes de decisão → NA (documentados abaixo)
#   - converter para factor ordenado
# -----------------------------------------------------------------------------

# Níveis em ordem crescente de frequência
niveis_qfa <- c(
  "nunca",
  "< 1x/mês",
  "1–3x/mês",
  "1x/semana",
  "2–4x/semana",
  "1x/dia",
  "2x+/dia"
)

padronizar_qfa <- function(x) {
  x <- dplyr::case_when(
    # Nunca
    x == "n"                    ~ "nunca",
    # Menos de 1x por mês
    x %in% c("< 1 m", "< 1m", "<1", "<1 m", "<1m", "<1n", "m") ~ "< 1x/mês",
    # 1 a 3x por mês
    x %in% c("1 a 3 m", "1 a 3 x m", "1 a 3x m", "1 a 3xm")   ~ "1–3x/mês",
    # 1x por semana
    x %in% c("1 sem", "1 s", "1")                               ~ "1x/semana",
    # 2 a 4x por semana
    x == "2 a 4 sem"                                            ~ "2–4x/semana",
    # 1x por dia
    x == "1 dia"                                                ~ "1x/dia",
    # 2 ou mais vezes por dia
    x %in% c("2 ou + dia", "2 o", "2 ou = dia")                ~ "2x+/dia",
    # --- PENDENTE: aguardando decisão da Bárbara ---
    # "cuscuz (1 dia)"       → provável 1x/dia, mas não confirmado
    # "cuscuz (2 ou + dia)"  → provável 2x+/dia, mas não confirmado
    # "patilha (2 ou + dia)" → provável 2x+/dia, mas não confirmado
    x %in% c("cuscuz (1 dia)", "cuscuz (2 ou + dia)",
             "patilha (2 ou + dia)")                            ~ NA_character_,
    .default = NA_character_
  )
  factor(x, levels = niveis_qfa, ordered = TRUE)
}

# Aplicar a todas as colunas qfa_
dados <- dados |>
  mutate(across(starts_with("qfa_"), padronizar_qfa))

# Verificação: checar se sobrou algum NA inesperado
na_qfa <- dados |>
  select(starts_with("qfa_")) |>
  summarise(across(everything(), ~ sum(is.na(.)))) |>
  tidyr::pivot_longer(everything(), names_to = "variavel", values_to = "n_na") |>
  filter(n_na > 0)

# cat("Variáveis QFA com NA:\n")
# print(na_qfa)

# -----------------------------------------------------------------------------
# 3. MONTAR SUBTABELAS POR GRUPO ALIMENTAR
# tbl_merge() junta tudo num único objeto para exportação,
# tbl_stack() empilha com cabeçalho de grupo — usamos tbl_stack()
# -----------------------------------------------------------------------------

fazer_subtabela <- function(df, variaveis, titulo) {
  df |>
    select(all_of(variaveis)) |>
    tbl_summary(
      statistic = list(all_categorical() ~ "{n} ({p}%)"),
      digits    = list(all_categorical() ~ c(0, 1)),
      missing   = "ifany",
      missing_text = "Não informado / pendente"
    ) |>
    bold_labels() |>
    modify_header(label ~ "**Alimento (porção de referência)**") |>
    modify_caption(glue::glue("**{titulo}**"))
}

# --- Rótulos por variável ---
# Usamos set_variable_labels() do pacote labelled para manter os nomes
# originais visíveis na tabela sem precisar renomear o data frame.
# Instale se necessário: install.packages("labelled")

library(labelled)

dados <- dados |>
  set_variable_labels(
    # Doces e ultraprocessados
    qfa_chips            = "Batatinha tipo chips ou salgadinho (1/2 pcte grande)",
    qfa_chocolate        = "Chocolate/Brigadeiro (1 tablete/barrinha/3 unids peq)",
    qfa_bolo             = "Bolo comum/Pullman (1 fatia média)",
    qfa_sorvete          = "Sorvete massa/palito (2 bolas/1 unid)",
    qfa_achocolatado     = "Achocolatado em pó — Nescau etc. (2 c. sopa rasa)",
    qfa_pipoca           = "Pipoca estourada, doce ou salgada (1 saco médio)",
    qfa_acucar           = "Açúcar adicionado em café, leite etc. (2 c. sobremesa)",
    qfa_balas            = "Balas (2 unids)",
    qfa_goiabada         = "Doces de frutas — goiabada (1 fatia fina/ped peq)",
    qfa_mousse           = "Sobremesas tipo mousse (1 taça/pote)",
    qfa_croissant_choc   = "Croissant de chocolate (1 unid média)",
    # Salgados e fast food
    qfa_hamburguer       = "Cheeseburger de carne/frango (1 sanduíche)",
    qfa_sanduiche_misto  = "Sanduíche misto/queijo/frios/quentes (1 sanduíche)",
    qfa_sanduiche_natural= "Sanduíche natural (1 sanduíche)",
    qfa_salgado_frito    = "Coxinha/risólis/pastel/enroladinho frito (1 unid média)",
    qfa_pao_queijo       = "Pão de queijo (1 unid média)",
    qfa_salgado_assado   = "Esfiha/empada/enroladinho assado (1 unid média)",
    qfa_salada_batata    = "Salada de batata com maionese (1 c. servir)",
    qfa_sopa             = "Sopa — canja, feijão, legumes (1 prato fundo)",
    qfa_farofa           = "Farofa de farinha de mandioca (1 c. servir)",
    qfa_pizza            = "Pizza (1 fatia média)",
    qfa_cachorro_quente  = "Cachorro quente (1 sanduíche)",
    qfa_croissant_presunto = "Croissant presunto e queijo (1 unid média)",
    # Lácteos e gorduras
    qfa_leite_integral   = "Leite integral (1 copo cheio)",
    qfa_leite_desnatado  = "Leite desnatado (1 copo cheio)",
    qfa_leite_fermentado = "Leite fermentado (1 garrafinha)",
    qfa_iogurte          = "Iogurte natural/frutas (1 pote)",
    qfa_iogurte_diet     = "Iogurte diet (1 pote)",
    qfa_queijo_branco    = "Queijo minas/ricota/cottage (1 fatia média)",
    qfa_requeijao        = "Requeijão (1 c. sopa)",
    qfa_maionese         = "Maionese tradicional (1 c. sopa)",
    qfa_manteiga         = "Manteiga (1 ponta de faca)",
    qfa_margarina        = "Margarina (1 ponta de faca)",
    qfa_azeite           = "Azeite de oliva (1 c. café)",
    # Carboidratos e cereais
    qfa_arroz            = "Arroz cozido (4 c. sopa / 1½ c. servir)",
    qfa_macarrao         = "Macarrão instantâneo/ao sugo/manteiga (3 c. servir)",
    qfa_massas           = "Massas — lasanha/raviole/capeleti (1 ped. médio)",
    qfa_biscoito_simples = "Biscoito sem recheio/cream cracker (15 unids)",
    qfa_biscoito_recheado= "Biscoito com recheio (7 unids)",
    qfa_pao              = "Pão francês/forma/integral/hot dog (1½ unid/3 fatias)",
    qfa_cereal           = "Cereal matinal/barra de cereal (1 xíc. chá/1 unid)",
    qfa_batata_frita     = "Batata frita de palito (1 saco peq/1 c. servir)",
    qfa_pure_batata      = "Batata purê/sautée (1 c. servir)",
    qfa_polenta          = "Polenta cozida ou frita (5 c. sopa)",
    qfa_mandioca         = "Mandioca cozida (2 pedaços médios)",
    qfa_pamonha          = "Pamonha doce/salgada (1 unid média)",
    # Hortaliças
    qfa_alface           = "Alface (6 folhas médias)",
    qfa_acelga_repolho   = "Acelga/repolho (2 c. servir)",
    qfa_agriao_rucula    = "Agrião/rúcula (3 ramos/5 folhas médias)",
    qfa_couve_flor       = "Couve-flor (2 ramos médios)",
    qfa_beterraba        = "Beterraba (1 c. servir)",
    qfa_cenoura          = "Cenoura (1 c. servir)",
    qfa_espinafre_couve  = "Espinafre/couve (1 c. servir)",
    qfa_ervilha          = "Ervilha (2 c. sopa)",
    qfa_milho            = "Milho verde (1 c. sopa)",
    qfa_pepino           = "Pepino (6 fatias médias)",
    qfa_tomate           = "Tomate (3 fatias médias)",
    # Frutas
    qfa_abacate          = "Abacate (1/2 unid)",
    qfa_abacaxi          = "Abacaxi (1 fatia média)",
    qfa_banana           = "Banana (1 unid média)",
    qfa_laranja          = "Laranja/mexerica (1 unid média)",
    qfa_maca_pera        = "Maçã/pera (1 unid média)",
    qfa_mamao            = "Mamão (1 fatia média)",
    qfa_melao_melancia   = "Melão/melancia (1 fatia média)",
    qfa_manga            = "Manga (1/2 unid média)",
    qfa_morango          = "Morangos (1/2 xíc. chá)",
    qfa_uva              = "Uva (1 cacho médio)",
    # Proteínas
    qfa_feijao           = "Feijão marrom ou preto (1½ concha média)",
    qfa_carne_bovina     = "Carne bovina cozida/moída/de panela (1 fatia/c. servir)",
    qfa_bife_frito       = "Bife frito/à milanesa (1 unid média)",
    qfa_frango           = "Frango cozido/assado/grelhado/frito (1 ped. médio)",
    qfa_peixe            = "Peixe frito (1 filé médio/posta)",
    qfa_carne_suina      = "Carne suína — bisteca/lombo (1 unid/fatia média)",
    qfa_ovo              = "Ovo frito/mexido/omelete (1 unid média)",
    qfa_embutidos        = "Embutidos — presunto/peru/mortadela/salame (2 fatias)",
    qfa_salsicha         = "Salsicha (1½ unidade)",
    qfa_linguica         = "Linguiça (1 gomo médio)",
    # Bebidas
    qfa_refri_normal     = "Refrigerante normal (1 lata)",
    qfa_refri_diet       = "Refrigerante diet (1 lata)",
    qfa_cha_mate         = "Chá mate com sabor (1 lata)",
    qfa_suco_abacaxi     = "Suco de abacaxi com açúcar (1 copo)",
    qfa_suco_laranja     = "Suco de laranja com açúcar (1 copo)",
    qfa_suco_mamao       = "Suco de mamão com açúcar (1 copo)",
    qfa_suco_melao       = "Suco de melão/melancia com açúcar (1 copo)",
    qfa_limonada         = "Limonada/laranjada com açúcar (1 copo)",
    qfa_vitamina_fruta   = "Vitamina de frutas/suco natural com leite (1 copo)",
    qfa_suco_artificial  = "Suco artificial (1 copo)",
    qfa_cafe             = "Café (1 xícara pequena)",
    qfa_cerveja          = "Cerveja (1 copo médio)",
    qfa_vinho            = "Vinho (1 copo médio)",
    qfa_batida           = "Batida (1 copo médio)",
    qfa_agua             = "Água (1 copo)",
    qfa_chimarrao        = "Chimarrão (1 cuia)",
    qfa_adocante         = "Adoçante gotas/pó"
  )

# -----------------------------------------------------------------------------
# 4. GERAR SUBTABELAS POR GRUPO
# -----------------------------------------------------------------------------

tab_doces <- fazer_subtabela(
  dados,
  c("qfa_chips", "qfa_chocolate", "qfa_bolo", "qfa_sorvete",
    "qfa_achocolatado", "qfa_pipoca", "qfa_acucar", "qfa_balas",
    "qfa_goiabada", "qfa_mousse", "qfa_croissant_choc"),
  "Doces e ultraprocessados"
)

tab_salgados <- fazer_subtabela(
  dados,
  c("qfa_hamburguer", "qfa_sanduiche_misto", "qfa_sanduiche_natural",
    "qfa_salgado_frito", "qfa_pao_queijo", "qfa_salgado_assado",
    "qfa_salada_batata", "qfa_sopa", "qfa_farofa", "qfa_pizza",
    "qfa_cachorro_quente", "qfa_croissant_presunto"),
  "Salgados e fast food"
)

tab_lacteos <- fazer_subtabela(
  dados,
  c("qfa_leite_integral", "qfa_leite_desnatado", "qfa_leite_fermentado",
    "qfa_iogurte", "qfa_iogurte_diet", "qfa_queijo_branco",
    "qfa_requeijao", "qfa_maionese", "qfa_manteiga",
    "qfa_margarina", "qfa_azeite"),
  "Lácteos e gorduras"
)

tab_carboidratos <- fazer_subtabela(
  dados,
  c("qfa_arroz", "qfa_macarrao", "qfa_massas", "qfa_biscoito_simples",
    "qfa_biscoito_recheado", "qfa_pao", "qfa_cereal", "qfa_batata_frita",
    "qfa_pure_batata", "qfa_polenta", "qfa_mandioca", "qfa_pamonha"),
  "Carboidratos e cereais"
)

tab_hortalicas <- fazer_subtabela(
  dados,
  c("qfa_alface", "qfa_acelga_repolho", "qfa_agriao_rucula",
    "qfa_couve_flor", "qfa_beterraba", "qfa_cenoura",
    "qfa_espinafre_couve", "qfa_ervilha", "qfa_milho",
    "qfa_pepino", "qfa_tomate"),
  "Hortaliças"
)

tab_frutas <- fazer_subtabela(
  dados,
  c("qfa_abacate", "qfa_abacaxi", "qfa_banana", "qfa_laranja",
    "qfa_maca_pera", "qfa_mamao", "qfa_melao_melancia",
    "qfa_manga", "qfa_morango", "qfa_uva"),
  "Frutas"
)

tab_proteinas <- fazer_subtabela(
  dados,
  c("qfa_feijao", "qfa_carne_bovina", "qfa_bife_frito", "qfa_frango",
    "qfa_peixe", "qfa_carne_suina", "qfa_ovo", "qfa_embutidos",
    "qfa_salsicha", "qfa_linguica"),
  "Proteínas"
)

tab_bebidas <- fazer_subtabela(
  dados,
  c("qfa_refri_normal", "qfa_refri_diet", "qfa_cha_mate",
    "qfa_suco_abacaxi", "qfa_suco_laranja", "qfa_suco_mamao",
    "qfa_suco_melao", "qfa_limonada", "qfa_vitamina_fruta",
    "qfa_suco_artificial", "qfa_cafe", "qfa_cerveja",
    "qfa_vinho", "qfa_batida", "qfa_agua",
    "qfa_chimarrao", "qfa_adocante"),
  "Bebidas e outros"
)

# -----------------------------------------------------------------------------
# 5. EMPILHAR E EXPORTAR
# tbl_stack() agrupa as subtabelas com cabeçalho de grupo
# -----------------------------------------------------------------------------

tabela_qfa <- tbl_stack(
  list(tab_doces, tab_salgados, tab_lacteos, tab_carboidratos,
       tab_hortalicas, tab_frutas, tab_proteinas, tab_bebidas),
  group_header = c(
    "Doces e ultraprocessados", "Salgados e fast food",
    "Lácteos e gorduras",        "Carboidratos e cereais",
    "Hortaliças",                "Frutas",
    "Proteínas",                 "Bebidas e outros"
  )
)

tabela_qfa

# Exportar
tabela_qfa |>
  as_flex_table() |>
  flextable::save_as_docx(path = "tabela3_alimentacao.docx")
```

# Perguntas de interesse

## 1. Existem diferença entre o sexo masculino e feminino desses dados? (idade, escolaridade dos pais, renda familiar)

```{r}
demo |> 
  select(sexo, faixa_etaria, escolaridade_mae, escolaridade_pai, renda_familiar) |> 
  tbl_summary(by = sexo) |> 
  add_p()
```

Nenhuma das variáveis demográficas listadas apresentam diferença estatisticamente significativa entre os gêneros dos participantes.

## 2. Qual o tempo médio diário de uso de telas e a frequência de uso por semana?

```{r}
# =============================================================================
# 02_tempo_tela.R
# Distribuição de tempo e frequência de uso de telas
# =============================================================================

library(dplyr)
library(gtsummary)
library(ggplot2)

# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS
# -----------------------------------------------------------------------------

disp <- readRDS("dados_dispositivos_limpos.rds")

# -----------------------------------------------------------------------------
# 2. TABELA DESCRITIVA — distribuição categórica (para o artigo)
# -----------------------------------------------------------------------------

tabela_tela <- disp |>
  select(q6_tempo_uso_dia, q7_freq_uso_semana) |>
  tbl_summary(
    statistic = list(all_categorical() ~ "{n} ({p}%)"),
    digits    = list(all_categorical() ~ c(0, 1)),
    missing   = "ifany",
    missing_text = "Não informado",
    label = list(
      q6_tempo_uso_dia   ~ "Tempo de uso diário de telas",
      q7_freq_uso_semana ~ "Frequência de uso semanal de telas"
    )
  ) |>
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_footnote(all_stat_cols() ~ "n (%)") |>
  modify_caption("**Tabela. Tempo e frequência de uso de dispositivos eletrônicos**")

tabela_tela

# -----------------------------------------------------------------------------
# 3. MÉDIA APROXIMADA — referência interna, não para o artigo
# Atribui o ponto médio de cada faixa a cada observação
# -----------------------------------------------------------------------------

disp_num <- disp |>
  mutate(
    # Pontos médios das faixas de tempo diário
    tempo_horas_aprox = case_when(
      q6_tempo_uso_dia == "30 minutos"        ~ 0.5,
      q6_tempo_uso_dia == "1 hora/dia"        ~ 1.0,
      q6_tempo_uso_dia == "2 horas/dia"       ~ 2.0,
      q6_tempo_uso_dia == "3 horas/dia"       ~ 3.0,
      q6_tempo_uso_dia == "Mais de 4 horas/dia" ~ 4.5  # limite inferior + 0.5
    ),
    # Pontos médios das faixas de frequência semanal
    freq_vezes_aprox = case_when(
      q7_freq_uso_semana == "3 vezes/semana"      ~ 3,
      q7_freq_uso_semana == "4 vezes/semana"      ~ 4,
      q7_freq_uso_semana == "Mais de 5 vezes/semana" ~ 5.5
    )
  )

# cat("--- Tempo diário aproximado (horas) ---\n")
# disp_num |>
#   summarise(
#     media  = mean(tempo_horas_aprox, na.rm = TRUE),
#     dp     = sd(tempo_horas_aprox,   na.rm = TRUE),
#     mediana = median(tempo_horas_aprox, na.rm = TRUE),
#     minimo  = min(tempo_horas_aprox, na.rm = TRUE),
#     maximo  = max(tempo_horas_aprox, na.rm = TRUE)
#   ) |>
#   print()

# cat("\n--- Frequência semanal aproximada (vezes) ---\n")
# disp_num |>
#   summarise(
#     media   = mean(freq_vezes_aprox, na.rm = TRUE),
#     dp      = sd(freq_vezes_aprox,   na.rm = TRUE),
#     mediana = median(freq_vezes_aprox, na.rm = TRUE),
#     minimo  = min(freq_vezes_aprox, na.rm = TRUE),
#     maximo  = max(freq_vezes_aprox, na.rm = TRUE)
#   ) |>
#   print()

# -----------------------------------------------------------------------------
# 4. EXPORTAR TABELA
# -----------------------------------------------------------------------------

tabela_tela |>
  as_flex_table() |>
  flextable::save_as_docx(path = "tabela_tempo_tela.docx")
```

A maioria dos estudantes relatou usar dispositivos eletrônicos **mais de 4 horas** por dia (35.6%). Em relação à frequência semanal, **mais de 5 vezes por semana** foi a resposta predominante (88.1%).

### 2.1. Qual a proporção de adolescentes que ultrapassa o tempo recomendado de 2 horas/dia?

52.5% dos adolescentes ultrapassa o tempo recomendado de 2 horas/dia para o uso de telas.

## 3. O tempo de tela difere entre sexo, idade e renda familiar?

```{r}
aux1 <- disp_num |> 
  dplyr::select(study_id, q6_tempo_uso_dia) |> 
  dplyr::mutate(study_id = tolower(study_id))



aux2 <- demo |> 
  dplyr::select(id_aluno, sexo, renda_familiar, faixa_etaria)


dados_join <- aux1 |>
  left_join(
    aux2 |> mutate(id_aluno = tolower(id_aluno)),
    by = c("study_id" = "id_aluno")
  )

# Checar resultado
# cat("Linhas no join:", nrow(dados_join), "\n")
# cat("NAs em sexo após join:", sum(is.na(dados_join$sexo)), "\n")
```

Para esta pergunta, foi melhor transformar o tempo de tela em apenas duas categorias. (Caso queiram, também podemos deixar assim nas análise anteriores, a ideia é não ter várias células vazias, já que nosso n é pequeno. Podemos fazer o mesmo com outras variáveis se preferirem).

```{r}
# =============================================================================
# 03_analise_tempo_tela.R
# Tempo de tela ~ sexo, faixa etária e renda familiar
# =============================================================================

library(dplyr)
library(gtsummary)
library(MASS)       # polr()
library(dunn.test)  # post-hoc Dunn

# -----------------------------------------------------------------------------
# 1. PREPARAR DADOS
# -----------------------------------------------------------------------------

analise <- dados_join |>
  filter(!is.na(q6_tempo_uso_dia)) |>
  mutate(
    # Garantir que q6 é factor ordenado
    q6_tempo_uso_dia = factor(
      q6_tempo_uso_dia,
      levels = c(
        "30 minutos",
        "1 hora/dia",
        "2 horas/dia",
        "3 horas/dia",
        "Mais de 4 horas/dia"
      ),
      ordered = TRUE
    ),
    # Versão numérica para Kruskal-Wallis e Mann-Whitney
    q6_num = as.numeric(q6_tempo_uso_dia),
    # Garantir fatores nas preditoras
    sexo           = factor(sexo),
    faixa_etaria   = factor(faixa_etaria),
    renda_familiar = factor(renda_familiar, ordered = TRUE)
  )

# cat("N para análise:", nrow(analise), "\n")

# -----------------------------------------------------------------------------
# 2. TABELA DESCRITIVA ESTRATIFICADA
# Distribuição de q6 dentro de cada grupo — visão geral antes dos testes
# -----------------------------------------------------------------------------
analise <- analise |>
  mutate(
    tempo_tela_dicot = case_when(
      q6_tempo_uso_dia %in% c("30 minutos", "1 hora/dia", "2 horas/dia") ~ "Até 2 horas/dia",
      q6_tempo_uso_dia %in% c("3 horas/dia", "Mais de 4 horas/dia")      ~ "Mais de 2 horas/dia",
      .default = NA
    ) |> factor(levels = c("Até 2 horas/dia", "Mais de 2 horas/dia"))
  )

# Checar distribuição
table(analise$tempo_tela_dicot, useNA = "ifany")

tabela_estratificada <- analise |> 
  dplyr::select(-study_id, -q6_tempo_uso_dia, -q6_num) |> 
  tbl_summary(by = tempo_tela_dicot, 
              statistic = list(all_categorical() ~ "{n} ({p}%)"),
    digits    = list(all_categorical() ~ c(0, 1)),
    missing   = "no") |> 
  add_p() |>
  bold_labels() |>
  modify_caption("**Tempo de tela**")
tabela_estratificada

tabela_estratificada |>
  as_flex_table() |>
  flextable::save_as_docx(path = "tabela_tempo_tela_demografico.docx")
```

Não houve diferença estatisticamente significativa entre tempo de tela e as características de sexo, renda familiar e faixa etária.

## 4. Qual a frequência de consumo de ultraprocessados e de alimentos in natura? 

Para a análise da frequência de consumo alimentar, os itens do questionário de frequência alimentar (QFA) foram organizados em dois grupos. O grupo de **alimentos ultraprocessados** foi composto por 22 itens: batatinha tipo chips ou salgadinho, chocolate/brigadeiro, bolo comum, sorvete, achocolatado em pó, pipoca, balas, sobremesas tipo mousse, croissant de chocolate, biscoito com recheio, biscoito sem recheio/cream cracker, cheeseburger, coxinha/pastel/enroladinho frito, pizza, cachorro quente, macarrão instantâneo, refrigerante normal, refrigerante diet, suco artificial, embutidos (presunto/mortadela/salame), salsicha e linguiça. O grupo de **alimentos in natura ou minimamente processados** foi composto por 26 itens: alface, acelga/repolho, agrião/rúcula, couve-flor, beterraba, cenoura, espinafre/couve, ervilha, milho verde, pepino, tomate, abacate, abacaxi, banana, laranja/mexerica, maçã/pera, mamão, melão/melancia, manga, morangos, uva, feijão, carne bovina, frango, peixe e ovo.

Para cada item, identificou-se a categoria de frequência mais prevalente na amostra (moda). A distribuição dessas modas foi então sumarizada por grupo, permitindo caracterizar o padrão de consumo predominante dos adolescentes para cada categoria alimentar.

```{r}
dados <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/dados_barbara_limpos.rds")

niveis_qfa <- c(
  "nunca", "< 1x/mês", "1–3x/mês",
  "1x/semana", "2–4x/semana", "1x/dia", "2x+/dia"
)

padronizar_qfa <- function(x) {
  x <- dplyr::case_when(
    x == "n"                    ~ "nunca",
    x %in% c("< 1 m", "< 1m", "<1", "<1 m", "<1m", "<1n", "m") ~ "< 1x/mês",
    x %in% c("1 a 3 m", "1 a 3 x m", "1 a 3x m", "1 a 3xm")   ~ "1–3x/mês",
    x %in% c("1 sem", "1 s", "1")                               ~ "1x/semana",
    x == "2 a 4 sem"                                            ~ "2–4x/semana",
    x == "1 dia"                                                ~ "1x/dia",
    x %in% c("2 ou + dia", "2 o", "2 ou = dia")                ~ "2x+/dia",
    x %in% c("cuscuz (1 dia)", "cuscuz (2 ou + dia)",
              "patilha (2 ou + dia)")                           ~ NA_character_,
    .default = NA_character_
  )
  factor(x, levels = niveis_qfa, ordered = TRUE)
}

dados_qfa <- dados |>
  mutate(across(starts_with("qfa_"), padronizar_qfa))

# -----------------------------------------------------------------------------
# 2. DEFINIR GRUPOS
# -----------------------------------------------------------------------------

itens_ultraprocessados <- c(
  "qfa_chips", "qfa_chocolate", "qfa_bolo", "qfa_sorvete",
  "qfa_achocolatado", "qfa_pipoca", "qfa_balas", "qfa_mousse",
  "qfa_croissant_choc", "qfa_biscoito_recheado", "qfa_biscoito_simples",
  "qfa_hamburguer", "qfa_salgado_frito", "qfa_pizza", "qfa_cachorro_quente",
  "qfa_macarrao", "qfa_refri_normal", "qfa_refri_diet", "qfa_suco_artificial",
  "qfa_embutidos", "qfa_salsicha", "qfa_linguica"
)

itens_in_natura <- c(
  "qfa_alface", "qfa_acelga_repolho", "qfa_agriao_rucula", "qfa_couve_flor",
  "qfa_beterraba", "qfa_cenoura", "qfa_espinafre_couve", "qfa_ervilha",
  "qfa_milho", "qfa_pepino", "qfa_tomate",
  "qfa_abacate", "qfa_abacaxi", "qfa_banana", "qfa_laranja",
  "qfa_maca_pera", "qfa_mamao", "qfa_melao_melancia", "qfa_manga",
  "qfa_morango", "qfa_uva",
  "qfa_feijao", "qfa_carne_bovina", "qfa_frango", "qfa_peixe", "qfa_ovo"
)

# -----------------------------------------------------------------------------
# 3. FUNÇÃO: calcula a moda de cada item e tabela a distribuição das modas
# -----------------------------------------------------------------------------

moda_item <- function(x) {
  # Retorna a(s) categoria(s) mais frequente(s) de um vetor
  tb <- table(x, useNA = "no")
  names(tb)[tb == max(tb)]
}

tabela_modas <- function(df, itens, titulo) {

  # Para cada item, pega a moda (se empate, pega a de menor frequência — mais conservador)
  modas <- sapply(itens, function(item) {
    vals <- moda_item(df[[item]])
    # Em caso de empate, escolhe a primeira na ordem dos níveis
    vals[1]
  })

  # Transforma em data frame e tabula
  tibble(moda = factor(modas, levels = niveis_qfa, 
                       ordered = TRUE)) |>
    count(moda, .drop = FALSE) |>
    filter(!is.na(moda)) |>
    dplyr::mutate(
      pct   = n / sum(n) * 100,
      n_pct = sprintf("%d (%.1f%%)", n, pct)
    ) |>
    dplyr::select(moda, n_pct) |>
    gt() |>
    cols_label(
      moda  = "Frequência de consumo",
      n_pct = "Nº de alimentos (%)"
    ) |>
    tab_caption(glue::glue("**{titulo}**")) |>
    tab_footnote("Cada linha representa quantos alimentos do grupo têm aquela frequência como moda na amostra.")
}

# -----------------------------------------------------------------------------
# 4. GERAR TABELAS
# -----------------------------------------------------------------------------

tab_ultraproc <- tabela_modas(
  dados_qfa,
  itens_ultraprocessados,
  "Tabela 6a. Frequência mais prevalente de consumo — Ultraprocessados"
)

tab_in_natura <- tabela_modas(
  dados_qfa,
  itens_in_natura,
  "Tabela 6b. Frequência mais prevalente de consumo — Alimentos in natura"
)

tab_ultraproc
tab_in_natura
```

## 5. Qual a proporção de adolescentes com alto consumo de ultraprocessados? 

Para identificar os adolescentes com alto consumo de alimentos ultraprocessados, foi calculado, para cada participante, o número de itens ultraprocessados consumidos com frequência igual ou superior a uma vez por semana, dentre os 22 itens da lista previamente definida. Com base na distribuição desse indicador na amostra, foi adotado o quartil superior (P75) como ponto de corte, classificando como "alto consumo" os adolescentes cujo número de itens consumidos regularmente superava esse valor. Essa abordagem é consistente com estudos que utilizam quartis de consumo para categorizar a exposição a alimentos ultraprocessados em populações jovens.

```{r}
# =============================================================================
# p7_alto_consumo_ultraprocessados.R
# Pergunta 7: proporção de adolescentes com alto consumo de ultraprocessados
# Definição: quartil superior do número de itens ultraprocessados consumidos
# >= 1x/semana (abordagem baseada em quartis — cf. literatura com QFA)
# =============================================================================

library(dplyr)
library(gt)
library(flextable)
library(openxlsx)

# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS E PADRONIZAR QFA
# -----------------------------------------------------------------------------

dados <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/dados_barbara_limpos.rds")

niveis_qfa <- c(
  "nunca", "< 1x/mês", "1–3x/mês",
  "1x/semana", "2–4x/semana", "1x/dia", "2x+/dia"
)

padronizar_qfa <- function(x) {
  x <- dplyr::case_when(
    x == "n"                    ~ "nunca",
    x %in% c("< 1 m", "< 1m", "<1", "<1 m", "<1m", "<1n", "m") ~ "< 1x/mês",
    x %in% c("1 a 3 m", "1 a 3 x m", "1 a 3x m", "1 a 3xm")   ~ "1–3x/mês",
    x %in% c("1 sem", "1 s", "1")                               ~ "1x/semana",
    x == "2 a 4 sem"                                            ~ "2–4x/semana",
    x == "1 dia"                                                ~ "1x/dia",
    x %in% c("2 ou + dia", "2 o", "2 ou = dia")                ~ "2x+/dia",
    x %in% c("cuscuz (1 dia)", "cuscuz (2 ou + dia)",
              "patilha (2 ou + dia)")                           ~ NA_character_,
    .default = NA_character_
  )
  factor(x, levels = niveis_qfa, ordered = TRUE)
}

# -----------------------------------------------------------------------------
# 2. ITENS ULTRAPROCESSADOS
# -----------------------------------------------------------------------------

itens_ultraprocessados <- c(
  "qfa_chips", "qfa_chocolate", "qfa_bolo", "qfa_sorvete",
  "qfa_achocolatado", "qfa_pipoca", "qfa_balas", "qfa_mousse",
  "qfa_croissant_choc", "qfa_biscoito_recheado", "qfa_biscoito_simples",
  "qfa_hamburguer", "qfa_salgado_frito", "qfa_pizza", "qfa_cachorro_quente",
  "qfa_macarrao", "qfa_refri_normal", "qfa_refri_diet", "qfa_suco_artificial",
  "qfa_embutidos", "qfa_salsicha", "qfa_linguica"
)

# -----------------------------------------------------------------------------
# 3. CALCULAR NÚMERO DE ITENS CONSUMIDOS >= 1x/SEMANA POR ALUNO
# -----------------------------------------------------------------------------

dados_consumo <- dados |>
  mutate(across(all_of(itens_ultraprocessados), padronizar_qfa)) |>
  mutate(
    n_itens_ultraproc = rowSums(
      across(all_of(itens_ultraprocessados), ~ .x >= "1x/semana"),
      na.rm = TRUE
    )
  )

# # Verificar distribuição do escore antes de definir o corte
# cat("Distribuição do nº de itens ultraprocessados consumidos >= 1x/semana:\n")
# summary(dados_consumo$n_itens_ultraproc)
# cat("\nQuantis:\n")
# quantile(dados_consumo$n_itens_ultraproc, probs = c(0.25, 0.50, 0.75), na.rm = TRUE)

# -----------------------------------------------------------------------------
# 4. DEFINIR ALTO CONSUMO = QUARTIL SUPERIOR (Q4)
# -----------------------------------------------------------------------------

corte_q3 <- quantile(dados_consumo$n_itens_ultraproc, 0.75, na.rm = TRUE)
cat(sprintf("\nPonto de corte (P75): %.0f itens\n", corte_q3))

dados_consumo <- dados_consumo |>
  mutate(
    alto_consumo_ultraproc = factor(
      if_else(n_itens_ultraproc > corte_q3, "Alto consumo", "Baixo/moderado consumo"),
      levels = c("Baixo/moderado consumo", "Alto consumo")
    )
  )

# -----------------------------------------------------------------------------
# 5. TABELA DE PROPORÇÕES
# -----------------------------------------------------------------------------

tab_prop <- dados_consumo |>
  dplyr::count(alto_consumo_ultraproc) |>
  dplyr::mutate(
    pct    = n / sum(n) * 100,
    n_pct  = sprintf("%d (%.1f%%)", n, pct)
  ) |>
  dplyr::select(alto_consumo_ultraproc, n_pct)

tab7 <- tab_prop |>
  gt() |>
  cols_label(
    alto_consumo_ultraproc = "Consumo de ultraprocessados",
    n_pct                  = "n (%)"
  ) |>
  tab_caption("**Tabela 7. Proporção de adolescentes com alto consumo de alimentos ultraprocessados**") |>
  tab_footnote(
    glue::glue(
      "Alto consumo definido como consumo de mais de {corte_q3} itens ultraprocessados com frequência ≥ 1x/semana (quartil superior)."
    )
  )

tab7
```

## 6. O consumo de ultraprocessados difere entre sexo, idade e renda?

```{r}
# =============================================================================
# p8_consumo_demografico.R
# Pergunta 8: o consumo de ultraprocessados difere entre sexo, idade e renda?
# Pré-requisito: rodar p7_alto_consumo_ultraprocessados.R antes
# =============================================================================

library(dplyr)
library(gtsummary)
library(openxlsx)

# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS
# -----------------------------------------------------------------------------

dados_consumo <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/Artigo - Barbara/dados_consumo_ultraproc.rds")

dados_barbara <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/dados_barbara_limpos.rds")

dados_barbara <- dados_barbara |>
  mutate(
    renda_familiar = case_when(
      renda_familiar %in% c(
        "1 salário mínimo (r$ 1.412,00 reais)",
        "1 salário mínimo (r$1.412,00)"
      ) ~ "1 salário mínimo",
      renda_familiar %in% c(
        "2 salários mínimos (r$ 2.824,00 reais)",
        "2 salários mínimos (r$2.824,00)"
      ) ~ "2 salários mínimos",
      renda_familiar %in% c(
        "3 salários mínimos (r$ 4.236,00 reais)",
        "3 salários mínimos (r$4.236,00)"
      ) ~ "3 salários mínimos",
      renda_familiar == "meus pais ou responsáveis não tem uma renda fixa (trabalho autônomo)" ~ "Renda não fixa (autônomo)",
      renda_familiar == "meus pais ou responsáveis não trabalham" ~ "Pais não trabalham",
      renda_familiar == "não sei o valor, mas meus pais ou responsáveis trabalham com carteira assinada" ~ "Valor desconhecido (CLT)",
      .default = renda_familiar
    ),
    renda_familiar = factor(renda_familiar)
  )
# -----------------------------------------------------------------------------
# 2. PREPARAR VARIÁVEIS DEMOGRÁFICAS
# (mesmo tratamento feito no chunk 02_tabela_demografica do .qmd)
# -----------------------------------------------------------------------------

demo <- dados_barbara |>
  mutate(
    faixa_etaria = factor(idade),

    renda_familiar1 = factor(
      renda_familiar,
      ordered = TRUE
    ),

    sexo = factor(sexo)
  ) |>
  dplyr::select(id_aluno, sexo, faixa_etaria, renda_familiar)

# -----------------------------------------------------------------------------
# 3. JOIN
# -----------------------------------------------------------------------------

dados_p8 <- dados_consumo |>
  mutate(id_aluno = tolower(id_aluno)) |>
  left_join(
    demo |> mutate(id_aluno = tolower(id_aluno)),
    by = "id_aluno"
  ) |>
  filter(!is.na(alto_consumo_ultraproc))

# cat("N para análise:", nrow(dados_p8), "\n")
# cat("NAs em sexo:", sum(is.na(dados_p8$sexo)), "\n")
# cat("NAs em faixa_etaria:", sum(is.na(dados_p8$faixa_etaria)), "\n")
# cat("NAs em renda_familiar:", sum(is.na(dados_p8$renda_familiar)), "\n")

# -----------------------------------------------------------------------------
# 4. TABELA
# -----------------------------------------------------------------------------

tab8 <- dados_p8 |>
  dplyr::select(alto_consumo_ultraproc, sexo.x, 
                faixa_etaria, renda_familiar.y) |>
  tbl_summary(
    by = alto_consumo_ultraproc,
    statistic = list(all_categorical() ~ "{n} ({p}%)"),
    digits    = list(all_categorical() ~ c(0, 1)),
    missing   = "no",
    label = list(
      sexo.x           ~ "Gênero",
      faixa_etaria   ~ "Idade (anos)",
      renda_familiar.y ~ "Renda familiar mensal"
    )
  ) |>
  add_p() |>
  add_overall() |>
  bold_labels() |>
  bold_p() |>
  modify_header(label ~ "**Variável**") |>
  modify_caption("**Tabela 8. Consumo de ultraprocessados segundo características demográficas**") |>
  modify_footnote(all_stat_cols() ~ "n (%); p-valor obtido pelo teste qui-quadrado de Pearson")

tab8
```

A análise não revelou diferença estatisticamente significativa no consumo de alimentos ultraprocessados segundo nenhuma das características demográficas avaliadas. A distribuição do alto consumo foi semelhante entre os grupos de idade (p \> 0,9) e de renda familiar (p = 0,6). Para o gênero, observou-se uma tendência de maior prevalência de alto consumo entre os meninos (50,0%) em comparação às meninas (50,0% vs. 33,3%), porém sem atingir significância estatística (p = 0,067).

## 7. Prevalência de excesso de peso e de gordura corporal

```{r}
# =============================================================================
# p9_prevalencia_excesso_peso.R
# Pergunta 9: prevalência de excesso de peso e de gordura corporal
# =============================================================================

library(dplyr)
library(gtsummary)
library(gt)
library(openxlsx)

# -----------------------------------------------------------------------------
# 1. CARREGAR DADOS
# -----------------------------------------------------------------------------

dados <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/dados_barbara_limpos.rds")

# -----------------------------------------------------------------------------
# 2. PREPARAR VARIÁVEIS
# -----------------------------------------------------------------------------

dados_p9 <- dados |>
  mutate(

    # --- Classificação do IMC (ordinal) ---
    classif_imc = factor(
      classif_imc,
      levels = c("magreza", "eutrófico", "sobrepeso", "obesidade"),
      ordered = TRUE
    ),

    # --- Excesso de peso: sobrepeso + obesidade ---
    excesso_peso = factor(
      case_when(
        classif_imc %in% c("sobrepeso", "obesidade") ~ "Excesso de peso",
        classif_imc %in% c("magreza", "eutrófico")   ~ "Peso adequado",
        .default = NA_character_
      ),
      levels = c("Peso adequado", "Excesso de peso")
    ),

    # --- Classificação do % de gordura (ordinal) ---
    classif_gordura = factor(
      classif_gordura,
      levels = c("muito baixo", "baixo", "ótimo", "moderado",
                 "elevado", "muito elevado"),
      ordered = TRUE
    ),

    # --- Excesso de gordura: elevado + muito elevado ---
    excesso_gordura = factor(
      case_when(
        classif_gordura %in% c("elevado", "muito elevado") ~ "Excesso de gordura",
        !is.na(classif_gordura)                             ~ "Gordura adequada",
        .default = NA_character_
      ),
      levels = c("Gordura adequada", "Excesso de gordura")
    )
  )

# -----------------------------------------------------------------------------
# 3. TABELA DETALHADA — classificações completas + prevalências agregadas
# -----------------------------------------------------------------------------

tab9 <- dados_p9 |>
  dplyr::select(excesso_peso, classif_imc, excesso_gordura, classif_gordura) |>
  tbl_summary(
    statistic = list(all_categorical() ~ "{n} ({p}%)"),
    digits    = list(all_categorical() ~ c(0, 1)),
    missing   = "no",
    label = list(
      excesso_peso    ~ "Excesso de peso",
      classif_imc     ~ "Classificação do IMC (detalhada)",
      excesso_gordura ~ "Excesso de gordura corporal",
      classif_gordura ~ "Classificação do % de gordura (detalhada)"
    )
  ) |>
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_footnote(all_stat_cols() ~ "n (%)") |>
  modify_caption("**Tabela 9. Prevalência de excesso de peso e de gordura corporal**")

tab9

# -----------------------------------------------------------------------------
# 4. NÚMEROS PARA O TEXTO (prevalências principais)
# -----------------------------------------------------------------------------

prev_excesso_peso <- dados_p9 |>
  filter(!is.na(excesso_peso)) |>
  summarise(
    n_total         = n(),
    n_excesso        = sum(excesso_peso == "Excesso de peso"),
    pct_excesso      = n_excesso / n_total * 100,
    n_sobrepeso      = sum(classif_imc == "sobrepeso", na.rm = TRUE),
    pct_sobrepeso    = n_sobrepeso / n_total * 100,
    n_obesidade      = sum(classif_imc == "obesidade", na.rm = TRUE),
    pct_obesidade    = n_obesidade / n_total * 100
  )

prev_excesso_gordura <- dados_p9 |>
  filter(!is.na(excesso_gordura)) |>
  summarise(
    n_total          = n(),
    n_excesso        = sum(excesso_gordura == "Excesso de gordura"),
    pct_excesso      = n_excesso / n_total * 100,
    n_elevado        = sum(classif_gordura == "elevado",       na.rm = TRUE),
    pct_elevado      = n_elevado / n_total * 100,
    n_muito_elevado  = sum(classif_gordura == "muito elevado", na.rm = TRUE),
    pct_muito_elevado = n_muito_elevado / n_total * 100
  )

# cat("=== Excesso de peso ===\n")
# cat(sprintf("Total analisado:  %d\n",        prev_excesso_peso$n_total))
# cat(sprintf("Excesso de peso:  %d (%.1f%%)\n", prev_excesso_peso$n_excesso, prev_excesso_peso$pct_excesso))
# cat(sprintf("  Sobrepeso:      %d (%.1f%%)\n", prev_excesso_peso$n_sobrepeso, prev_excesso_peso$pct_sobrepeso))
# cat(sprintf("  Obesidade:      %d (%.1f%%)\n", prev_excesso_peso$n_obesidade, prev_excesso_peso$pct_obesidade))
# 
# cat("\n=== Excesso de gordura corporal ===\n")
# cat(sprintf("Total analisado:  %d\n",           prev_excesso_gordura$n_total))
# cat(sprintf("Excesso de gordura: %d (%.1f%%)\n", prev_excesso_gordura$n_excesso, prev_excesso_gordura$pct_excesso))
# cat(sprintf("  Elevado:        %d (%.1f%%)\n",   prev_excesso_gordura$n_elevado, prev_excesso_gordura$pct_elevado))
# cat(sprintf("  Muito elevado:  %d (%.1f%%)\n",   prev_excesso_gordura$n_muito_elevado, prev_excesso_gordura$pct_muito_elevado))

# -----------------------------------------------------------------------------
# 5. EXPORTAR
# -----------------------------------------------------------------------------

# tab9 |>
#   as_flex_table() |>
#   flextable::save_as_docx(path = "tabela9_excesso_peso_gordura.docx")
# 
# cat("\n✓ tabela9_excesso_peso_gordura.docx\n")

```

A prevalência de excesso de peso, definida pela soma de sobrepeso e obesidade segundo o IMC, foi de 27,0% (n=34), sendo 15,9% com sobrepeso e 11,1% com obesidade. Em relação à gordura corporal, 26,0% dos adolescentes (n=26) apresentaram percentual de gordura elevado. Nenhum participante foi classificado na categoria "muito elevado". Vale destacar que as prevalências de excesso de peso e de excesso de gordura corporal foram praticamente coincidentes, sugerindo boa concordância entre os dois indicadores nesta amostra.

## 8. Qual a proporção de adolescentes ativos, pouco ativos e sedentários? 

```{r}
dados <- readRDS("~/Library/CloudStorage/GoogleDrive-edneide.ramalho@gmail.com/Meu Drive/Stat-Tech Consultoria/PROJETO PAET-LIKA/dados_barbara_limpos.rds")

# -----------------------------------------------------------------------------
# 2. CLASSIFICAR NÍVEL DE ATIVIDADE FÍSICA
# -----------------------------------------------------------------------------

dados_p10 <- dados |>
  mutate(
    nivel_af = case_when(
      paqc_q2_ef_ativo %in% c(
        "eu não faço atividade física",
        "eu não faço educação física"
      ) ~ "Sedentário",
      paqc_q2_ef_ativo %in% c(
        "quase nunca",
        "às vezes"
      ) ~ "Pouco ativo",
      paqc_q2_ef_ativo %in% c(
        "quase sempre",
        "sempre"
      ) ~ "Ativo",
      .default = NA_character_
    ),
    nivel_af = factor(nivel_af,
                      levels = c("Sedentário", "Pouco ativo", "Ativo"))
  )

# Checar distribuição
cat("Distribuição do nível de atividade física:\n")
table(dados_p10$nivel_af, useNA = "ifany")

# -----------------------------------------------------------------------------
# 3. TABELA DE PROPORÇÕES
# -----------------------------------------------------------------------------

tab10 <- dados_p10 |>
  filter(!is.na(nivel_af)) |>
  count(nivel_af) |>
  mutate(
    pct   = n / sum(n) * 100,
    n_pct = sprintf("%d (%.1f%%)", n, pct)
  ) |>
  dplyr::select(nivel_af, n_pct) |>
  gt() |>
  cols_label(
    nivel_af = "Nível de atividade física",
    n_pct    = "n (%)"
  ) |>
  tab_caption("**Tabela 10. Proporção de adolescentes segundo nível de atividade física**") |>
  tab_footnote(
    "Classificação baseada na questão de participação em educação física do PAQ-C.
     Sedentário: não pratica atividade física ou não faz educação física;
     Pouco ativo: participa quase nunca ou às vezes;
     Ativo: participa quase sempre ou sempre."
  )

tab10
```

A maioria dos adolescentes foi classificada como pouco ativa (54,4%, n=68), seguida pelos ativos (31,2%, n=39) e sedentários (14,4%, n=18). Juntos, sedentários e pouco ativos representam 68,8% da amostra, indicando que menos de um terço dos adolescentes participava de atividade física de forma regular.

## 9. O nível de atividade física varia conforme sexo, idade e escolaridade?

## 10. Adolescentes com maior tempo de tela apresentam maior consumo de ultraprocessados? 

## 11. O maior consumo de ultraprocessados está associado a maior IMC e maior gordura corporal? 

## 12. Maior tempo de tela está associado a menor nível de atividade física? 

## 13. Essas associações permanecem após ajuste por sexo, idade e renda familiar? 

## 14. Existe associação entre o tempo de uso de telas e consumos de ultraprocessados com o ganho de peso, o aumento da gordura corporal e o menor nível de atividade física?