Artigo 1: Bárbara e Alexia

Edneide Ramalho
05/07/2026

Estatísticas Descritivas

Dados Sociodemográficos

Tabela 1. Perfil demográfico dos estudantes

Variável	N = 561
Gênero
Masculino	24 (44%)
Feminino	31 (56%)
Idade (anos)
15	2 (3.6%)
16	45 (80%)
17	9 (16%)
Raça/cor
Branca	15 (29%)
Parda	21 (40%)
Preta	12 (23%)
Amarela	3 (5.8%)
Indígena	1 (1.9%)
Escolaridade da mãe
Básico (1º ao 4º ano)	7 (15%)
Fundamental (5º ao 9º ano)	13 (28%)
Médio (1º ao 3º ano)	15 (33%)
Técnico profissionalizante	4 (8.7%)
Superior incompleto	3 (6.5%)
Superior completo	4 (8.7%)
Pós-graduação	0 (0%)
Escolaridade do pai
Básico (1º ao 4º ano)	13 (30%)
Fundamental (5º ao 9º ano)	16 (36%)
Médio (1º ao 3º ano)	8 (18%)
Técnico profissionalizante	2 (4.5%)
Superior incompleto	4 (9.1%)
Superior completo	1 (2.3%)
Pós-graduação	0 (0%)
Mãe trabalha fora
Sim	16 (35%)
Não	30 (65%)
Renda familiar mensal
Sem renda (não trabalha)	6 (14%)
Autônomo (renda variável)	7 (16%)
Empregado formal (valor ignorado)	12 (27%)
1 SM	11 (25%)
2 SM	4 (9.1%)
3 SM	4 (9.1%)
4–5 SM	0 (0%)
> 5 SM	0 (0%)
1 n (%)

Dados corporais

Tabela 2. Perfil corporal dos estudantes

Variável	N = 561
Peso (kg)	58.6 (51.8, 64.0)
Altura (m)	1.6 (1.6, 1.7)
IMC (kg/m²)	21.7 (19.7, 23.7)
% Gordura (Lohman)	21.2 (10.2, 23.9)
Dobra tricipital (mm)	12.0 (10.0, 14.5)
Dobra subescapular (mm)	11.0 (8.0, 13.0)
Soma das dobras (mm)	24.0 (18.0, 27.0)
Classificação IMC
Magreza	0 (0%)
Abaixo Do Peso	0 (0%)
Eutrófico	39 (81%)
Sobrepeso	3 (6.3%)
Obesidade	6 (13%)
Obesidade Grave	0 (0%)
Classificação % GC
Baixo	1 (2.1%)
Ótimo	36 (77%)
Moderado	0 (0%)
Elevado	6 (13%)
Alto	2 (4.3%)
Muito Alto	2 (4.3%)
1 Variáveis contínuas: mediana (P25–P75); categóricas: n (%)

Perfil de alimentação

Tabela 3. Perfil de consumo alimentar dos estudantes (n = 56)

Characteristic	n (%)1
Chips/salgadinho
Nunca	7 (16%)
< 1x/mês	11 (25%)
1–3x/mês	10 (23%)
2–4x/semana	6 (14%)
1x/semana	5 (11%)
1x/dia	2 (4.5%)
≥ 2x/dia	3 (6.8%)
Unknown	12
Salgado frito
Nunca	4 (9.1%)
< 1x/mês	7 (16%)
1–3x/mês	13 (30%)
2–4x/semana	4 (9.1%)
1x/semana	8 (18%)
1x/dia	3 (6.8%)
≥ 2x/dia	5 (11%)
Unknown	12
Salgado assado
Nunca	8 (24%)
< 1x/mês	8 (24%)
1–3x/mês	9 (26%)
2–4x/semana	2 (5.9%)
1x/semana	5 (15%)
1x/dia	1 (2.9%)
≥ 2x/dia	1 (2.9%)
Unknown	22
Leite integral
Nunca	23 (51%)
< 1x/mês	4 (8.9%)
1–3x/mês	3 (6.7%)
2–4x/semana	4 (8.9%)
1x/semana	5 (11%)
1x/dia	2 (4.4%)
≥ 2x/dia	4 (8.9%)
Unknown	11
Leite desnatado
Nunca	31 (69%)
< 1x/mês	6 (13%)
1–3x/mês	4 (8.9%)
2–4x/semana	0 (0%)
1x/semana	3 (6.7%)
1x/dia	1 (2.2%)
≥ 2x/dia	0 (0%)
Unknown	11
Macarrão
Nunca	7 (16%)
< 1x/mês	5 (11%)
1–3x/mês	6 (13%)
2–4x/semana	9 (20%)
1x/semana	4 (8.9%)
1x/dia	4 (8.9%)
≥ 2x/dia	10 (22%)
Unknown	11
Biscoito sem recheio
Nunca	7 (16%)
< 1x/mês	6 (13%)
1–3x/mês	10 (22%)
2–4x/semana	4 (8.9%)
1x/semana	11 (24%)
1x/dia	4 (8.9%)
≥ 2x/dia	3 (6.7%)
Unknown	11
Biscoito com recheio
Nunca	4 (8.9%)
< 1x/mês	7 (16%)
1–3x/mês	5 (11%)
2–4x/semana	7 (16%)
1x/semana	10 (22%)
1x/dia	7 (16%)
≥ 2x/dia	5 (11%)
Unknown	11
Batata
Nunca	9 (20%)
< 1x/mês	5 (11%)
1–3x/mês	7 (16%)
2–4x/semana	10 (22%)
1x/semana	9 (20%)
1x/dia	4 (8.9%)
≥ 2x/dia	1 (2.2%)
Unknown	11
Mandioca
Nunca	16 (36%)
< 1x/mês	10 (22%)
1–3x/mês	7 (16%)
2–4x/semana	3 (6.7%)
1x/semana	6 (13%)
1x/dia	0 (0%)
≥ 2x/dia	3 (6.7%)
Unknown	11
Alface
Nunca	13 (29%)
< 1x/mês	8 (18%)
1–3x/mês	9 (20%)
2–4x/semana	5 (11%)
1x/semana	5 (11%)
1x/dia	1 (2.2%)
≥ 2x/dia	4 (8.9%)
Unknown	11
Beterraba
Nunca	34 (76%)
< 1x/mês	5 (11%)
1–3x/mês	2 (4.4%)
2–4x/semana	0 (0%)
1x/semana	4 (8.9%)
1x/dia	0 (0%)
≥ 2x/dia	0 (0%)
Unknown	11
Cenoura
Nunca	19 (42%)
< 1x/mês	6 (13%)
1–3x/mês	8 (18%)
2–4x/semana	7 (16%)
1x/semana	3 (6.7%)
1x/dia	1 (2.2%)
≥ 2x/dia	1 (2.2%)
Unknown	11
Pepino
Nunca	15 (33%)
< 1x/mês	10 (22%)
1–3x/mês	5 (11%)
2–4x/semana	9 (20%)
1x/semana	2 (4.4%)
1x/dia	2 (4.4%)
≥ 2x/dia	2 (4.4%)
Unknown	11
Tomate
Nunca	9 (20%)
< 1x/mês	2 (4.4%)
1–3x/mês	6 (13%)
2–4x/semana	11 (24%)
1x/semana	6 (13%)
1x/dia	4 (8.9%)
≥ 2x/dia	7 (16%)
Unknown	11
Abacaxi
Nunca	12 (27%)
< 1x/mês	10 (22%)
1–3x/mês	11 (24%)
2–4x/semana	2 (4.4%)
1x/semana	7 (16%)
1x/dia	1 (2.2%)
≥ 2x/dia	2 (4.4%)
Unknown	11
Banana
Nunca	4 (8.9%)
< 1x/mês	2 (4.4%)
1–3x/mês	8 (18%)
2–4x/semana	13 (29%)
1x/semana	7 (16%)
1x/dia	1 (2.2%)
≥ 2x/dia	10 (22%)
Unknown	11
Laranja/mexerica
Nunca	7 (16%)
< 1x/mês	6 (13%)
1–3x/mês	13 (29%)
2–4x/semana	6 (13%)
1x/semana	5 (11%)
1x/dia	1 (2.2%)
≥ 2x/dia	7 (16%)
Unknown	11
Maçã/Pera
Nunca	7 (16%)
< 1x/mês	4 (8.9%)
1–3x/mês	14 (31%)
2–4x/semana	8 (18%)
1x/semana	4 (8.9%)
1x/dia	1 (2.2%)
≥ 2x/dia	7 (16%)
Unknown	11
Mamão
Nunca	18 (40%)
< 1x/mês	12 (27%)
1–3x/mês	3 (6.7%)
2–4x/semana	2 (4.4%)
1x/semana	6 (13%)
1x/dia	1 (2.2%)
≥ 2x/dia	3 (6.7%)
Unknown	11
Melão/Melancia
Nunca	9 (26%)
< 1x/mês	7 (20%)
1–3x/mês	9 (26%)
2–4x/semana	2 (5.7%)
1x/semana	3 (8.6%)
1x/dia	2 (5.7%)
≥ 2x/dia	3 (8.6%)
Unknown	21
Manga
Nunca	9 (20%)
< 1x/mês	13 (30%)
1–3x/mês	5 (11%)
2–4x/semana	5 (11%)
1x/semana	5 (11%)
1x/dia	1 (2.3%)
≥ 2x/dia	6 (14%)
Unknown	12
Feijão
Nunca	1 (2.3%)
< 1x/mês	0 (0%)
1–3x/mês	4 (9.1%)
2–4x/semana	16 (36%)
1x/semana	1 (2.3%)
1x/dia	7 (16%)
≥ 2x/dia	15 (34%)
Unknown	12
Carne bovina
Nunca	2 (4.5%)
< 1x/mês	2 (4.5%)
1–3x/mês	3 (6.8%)
2–4x/semana	18 (41%)
1x/semana	4 (9.1%)
1x/dia	3 (6.8%)
≥ 2x/dia	12 (27%)
Unknown	12
Frango
Nunca	3 (6.8%)
< 1x/mês	2 (4.5%)
1–3x/mês	7 (16%)
2–4x/semana	14 (32%)
1x/semana	4 (9.1%)
1x/dia	4 (9.1%)
≥ 2x/dia	10 (23%)
Unknown	12
Ovo
Nunca	6 (14%)
< 1x/mês	6 (14%)
1–3x/mês	5 (11%)
2–4x/semana	7 (16%)
1x/semana	7 (16%)
1x/dia	6 (14%)
≥ 2x/dia	7 (16%)
Unknown	12
Embutidos
Nunca	8 (19%)
< 1x/mês	7 (16%)
1–3x/mês	8 (19%)
2–4x/semana	5 (12%)
1x/semana	5 (12%)
1x/dia	3 (7.0%)
≥ 2x/dia	7 (16%)
Unknown	13
Salsicha
Nunca	4 (9.1%)
< 1x/mês	8 (18%)
1–3x/mês	7 (16%)
2–4x/semana	4 (9.1%)
1x/semana	11 (25%)
1x/dia	5 (11%)
≥ 2x/dia	5 (11%)
Unknown	12
Linguiça
Nunca	13 (30%)
< 1x/mês	9 (20%)
1–3x/mês	7 (16%)
2–4x/semana	7 (16%)
1x/semana	5 (11%)
1x/dia	1 (2.3%)
≥ 2x/dia	2 (4.5%)
Unknown	12
Refrigerante normal
Nunca	4 (9.1%)
< 1x/mês	2 (4.5%)
1–3x/mês	6 (14%)
2–4x/semana	9 (20%)
1x/semana	10 (23%)
1x/dia	4 (9.1%)
≥ 2x/dia	9 (20%)
Unknown	12
Refrigerante diet
Nunca	22 (50%)
< 1x/mês	5 (11%)
1–3x/mês	2 (4.5%)
2–4x/semana	4 (9.1%)
1x/semana	7 (16%)
1x/dia	2 (4.5%)
≥ 2x/dia	2 (4.5%)
Unknown	12
1 n (%)

Perguntas de interesse

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

Tabela 4. Perfil demográfico dos estudantes

Variável	Masculino N = 241	Feminino N = 311	p-value2
Idade (anos)			0.5
15	0 (0%)	2 (6.5%)
16	19 (79%)	25 (81%)
17	5 (21%)	4 (13%)
Raça/cor			0.2
Branca	6 (26%)	9 (31%)
Parda	12 (52%)	9 (31%)
Preta	4 (17%)	8 (28%)
Amarela	0 (0%)	3 (10%)
Indígena	1 (4.3%)	0 (0%)
Escolaridade da mãe			0.12
Básico (1º ao 4º ano)	4 (20%)	3 (12%)
Fundamental (5º ao 9º ano)	2 (10%)	11 (42%)
Médio (1º ao 3º ano)	7 (35%)	8 (31%)
Técnico profissionalizante	3 (15%)	1 (3.8%)
Superior incompleto	1 (5.0%)	2 (7.7%)
Superior completo	3 (15%)	1 (3.8%)
Pós-graduação	0 (0%)	0 (0%)
Escolaridade do pai			0.7
Básico (1º ao 4º ano)	7 (39%)	6 (23%)
Fundamental (5º ao 9º ano)	5 (28%)	11 (42%)
Médio (1º ao 3º ano)	4 (22%)	4 (15%)
Técnico profissionalizante	1 (5.6%)	1 (3.8%)
Superior incompleto	1 (5.6%)	3 (12%)
Superior completo	0 (0%)	1 (3.8%)
Pós-graduação	0 (0%)	0 (0%)
Mãe trabalha fora			0.6
Sim	6 (30%)	10 (38%)
Não	14 (70%)	16 (62%)
Renda familiar mensal			0.6
Sem renda (não trabalha)	2 (11%)	4 (15%)
Autônomo (renda variável)	4 (22%)	3 (12%)
Empregado formal (valor ignorado)	6 (33%)	6 (23%)
1 SM	2 (11%)	9 (35%)
2 SM	2 (11%)	2 (7.7%)
3 SM	2 (11%)	2 (7.7%)
4–5 SM	0 (0%)	0 (0%)
> 5 SM	0 (0%)	0 (0%)
1 n (%)
2 Fisher’s exact test; Pearson’s Chi-squared 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?

Com base na Tabela 5:

A maioria dos estudantes (33%) relatou usar telas por mais de 4 horas/dia, seguido de 2 horas/dia (31%) e 3 horas/dia (18%). Apenas 9,1% utilizavam por 30 minutos e outros 9,1% por 1 hora/dia. Ou seja, 64% dos estudantes usam telas por 3 horas ou mais por dia.

Quanto à frequência semanal, o uso diário foi predominante: 87% dos estudantes utilizaram dispositivos eletrônicos mais de 5 vezes por semana, enquanto 7,3% relataram 3 vezes/semana e 5,5%, 4 vezes/semana.

Esses dados indicam um padrão de uso intenso e frequente de telas entre os adolescentes, o que é consistente com o fato de que 93% deles acreditam que esse uso pode ocasionar algum problema de saúde — sendo insônia (41%) e cansaço mesmo após dormir (24%) os mais citados.

Tabela 5. Perfil do uso de dispositivos eletrônicos.

Variável	N = 561
Acesso à internet
Sim	56 (100%)
Celular próprio
Não	1 (1.8%)
Sim	55 (98%)
Dispositivo mais utilizado
Celular	38 (69%)
Celular + computador/notebook	1 (1.8%)
Celular + Tv	12 (22%)
Computador/Notebook	1 (1.8%)
Tablet	1 (1.8%)
Tv	1 (1.8%)
Videogame	1 (1.8%)
Conteúdo mais consumido
Jogos	5 (9.1%)
Redes sociais	43 (78%)
Séries ou filmes	7 (13%)
Tempo de uso diário
1 hora/dia	5 (9.1%)
2 horas/dia	17 (31%)
3 horas/dia	10 (18%)
30 minutos	5 (9.1%)
Mais de 4 horas/dia	18 (33%)
Frequencia semanal
3 vezes/semana	4 (7.3%)
4 vezes/semana	3 (5.5%)
Mais de 5 vezes/semana	48 (87%)
Acha que causa algum problema de saúde?
Não	4 (7.1%)
Sim	52 (93%)
Qual problema de saúde?
Acordar no meio da noite para utilizar telas	2 (3.9%)
Cansaço mesmo após + Insônia	1 (2.0%)
Cansaço mesmo após dormir	12 (24%)
Insônia	21 (41%)
Privação de sono	5 (9.8%)
Privação de sono + Cansaço mesmo após + Insônia	5 (9.8%)
Privação de sono + Insônia	1 (2.0%)
Todas as alternativas	4 (7.8%)
1 n (%)

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

Com base na Tabela 5, os que usam mais de 2 horas/dia são:

• 3 horas/dia: 10 (18%)

• Mais de 4 horas/dia: 18 (33%)

Total: 28 estudantes (51%) ultrapassam o limite recomendado de 2 horas/dia.

Mais da metade dos adolescentes (51%) ultrapassou o tempo recomendado de até 2 horas diárias de uso de telas. Entre esses, 33% relataram usar telas por mais de 4 horas/dia e 18% por 3 horas/dia, evidenciando um padrão de exposição elevada a dispositivos eletrônicos nessa população.

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

Os escores de frequência de consumo alimentar, calculados pelo método de Fornés et al. (2002), revelaram padrões semelhantes entre os dois grupos analisados. O Grupo I (ultraprocessados) apresentou mediana de 1,27 (IIQ: 0,27–2,99), enquanto o Grupo II (alimentos in natura ou minimamente processados) registrou mediana de 1,09 (IIQ: 0,25–3,32). A amplitude dos intervalos interquartílicos em ambos os grupos indica elevada variabilidade no padrão de consumo entre os adolescentes, sugerindo heterogeneidade nas práticas alimentares da amostra. A proximidade entre os escores medianos dos dois grupos aponta para uma coexistência do consumo de ultraprocessados e de alimentos in natura, característica da transição nutricional observada em populações jovens brasileiras.

Escores de consumo por grupo — Método Fornés et al. (2002)

Characteristic	Mediana (IIQ)1
Escore Grupo I (Ultraprocessados)	1.27 (0.27, 2.99)
Escore Grupo II (In natura)	1.09 (0.25, 3.32)
1 Median (Q1, Q3)

Grupo I — Ultraprocessados

Entre os alimentos ultraprocessados, o refrigerante normal destacou-se pelo consumo mais frequente: 49% dos adolescentes o consumiram ao menos uma vez por semana, sendo 20% com consumo ≥ 2x/dia e 9,1% 1x/dia. O macarrão instantâneo também apresentou consumo diário expressivo, com 22% relatando ≥ 2x/dia e 8,9% 1x/dia, totalizando 31% com consumo diário. O biscoito com recheio foi consumido por 49% dos estudantes ao menos uma vez por semana. Entre as carnes processadas, os embutidos e a salsicha se destacaram: 35% e 47% dos estudantes, respectivamente, os consumiram com frequência semanal ou maior. A linguiça teve consumo predominantemente baixo, com 30% nunca consumindo. O refrigerante diet foi o item com menor adesão, com 50% dos estudantes relatando nunca consumi-lo.

Grupo II — In natura / minimamente processados

Entre os alimentos in natura, a banana foi a fruta de maior consumo regular, com 51% dos estudantes relatando consumo de 2–4x/semana ou mais, incluindo 22% com consumo ≥ 2x/dia. O tomate e a batata foram os alimentos com maior frequência semanal entre hortaliças e tubérculos, com 49% e 44% dos estudantes consumindo-os ao menos uma vez por semana, respectivamente. Em contrapartida, a beterraba apresentou o menor consumo do grupo, com 76% dos adolescentes relatando nunca consumi-la, seguida pelo mamão (40%) e pela cenoura (42%). A maioria das frutas teve consumo predominantemente mensal ou esporádico, com exceção da banana e da laranja/mexerica, cujo consumo frequente foi mais expressivo.

Síntese

Em conjunto, os dados indicam a coexistência de padrões alimentares opostos: elevado consumo de ultraprocessados — especialmente refrigerantes, macarrão instantâneo e biscoitos — ao lado de consumo regular de alguns alimentos in natura como banana, tomate e batata. Esse padrão é consistente com o escore mediano semelhante entre os Grupos I e II (1,27 vs. 1,09), e reflete o perfil de transição nutricional característico de adolescentes em contextos urbanos brasileiros.

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

Podemos responder a essa pergunta usando os scores de frequência de consumo alimentar. Podemos definir “alto consumo” como escore acima da mediana (> 1,27) ou acima do terceiro quartil (> 2,99). Nesse caso, teríamos as seguintes proporções de estudantes:

A proporção de adolescentes com alto consumo de ultraprocessados variou conforme o critério adotado. Considerando como ponto de corte o escore acima da mediana (> 1,27), metade dos estudantes (50%) foi classificada com alto consumo de alimentos ultraprocessados. Quando se adotou um critério mais restritivo, correspondente ao terceiro quartil (> 2,99), a proporção foi de 25% dos adolescentes. Esses resultados reforçam a relevância do consumo de ultraprocessados nessa população, independentemente do critério utilizado para sua classificação.

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

Escores de consumo por sexo

Characteristic	Feminino N = 311	Masculino N = 241	p-value2
Escore Grupo I (Ultraprocessados)	0.95 (0.00, 2.69)	1.72 (0.54, 3.35)	0.4
Escore Grupo II (In natura)	1.06 (0.00, 3.26)	1.22 (0.41, 3.67)	0.6
1 Median (Q1, Q3)
2 Wilcoxon rank sum test

Escores de consumo por idade

Characteristic	15 N = 21	16 N = 451	17 N = 91	p-value2
Escore Grupo I (Ultraprocessados)	1.99 (0.71, 3.26)	0.98 (0.23, 2.69)	2.07 (0.77, 4.07)	0.6
Escore Grupo II (In natura)	5.43 (0.73, 10.13)	1.31 (0.30, 3.26)	0.73 (0.20, 2.01)	0.6
1 Median (Q1, Q3)
2 Kruskal-Wallis rank sum test

Escores de consumo por renda familiar

Characteristic	1 SM N = 111	2 SM N = 41	3 SM N = 41	Autônomo (renda variável) N = 71	Empregado formal (valor ignorado) N = 121	Sem renda (não trabalha) N = 61	p-value2
Escore Grupo I (Ultraprocessados)	1.17 (0.38, 2.69)	1.24 (0.85, 4.45)	0.90 (0.00, 2.80)	2.32 (0.23, 3.11)	0.82 (0.00, 3.07)	1.12 (0.00, 2.50)	0.9
Escore Grupo II (In natura)	2.06 (0.57, 4.35)	3.56 (1.90, 5.03)	0.24 (0.00, 0.71)	2.01 (0.08, 3.54)	1.22 (0.00, 3.48)	0.41 (0.00, 3.00)	0.2
1 Median (Q1, Q3)
2 Kruskal-Wallis rank sum test

A comparação dos escores de consumo alimentar segundo sexo, idade e renda familiar não revelou diferenças estatisticamente significativas para nenhuma das variáveis analisadas (p > 0,05 em todos os testes).

Em relação ao sexo, o escore de ultraprocessados foi ligeiramente superior no sexo masculino (mediana: 1,72; IIQ: 0,54–3,35) em comparação ao feminino (mediana: 0,95; IIQ: 0,00–2,69), sem diferença significativa (p = 0,4). O mesmo padrão foi observado para o consumo de alimentos in natura, com medianas de 1,22 (IIQ: 0,41–3,67) e 1,06 (IIQ: 0,00–3,26) para masculino e feminino, respectivamente (p = 0,6).

Quanto à idade, os adolescentes de 15 anos apresentaram escore mediano de ultraprocessados de 1,99 (IIQ: 0,71–3,26), seguidos pelos de 17 anos (mediana: 2,07; IIQ: 0,77–4,07) e 16 anos (mediana: 0,98; IIQ: 0,23–2,69), sem diferença significativa entre os grupos (p = 0,6). Para o consumo in natura, destaca-se a mediana elevada nos adolescentes de 15 anos (5,43; IIQ: 0,73–10,13) em comparação aos demais grupos, embora sem significância estatística (p = 0,6).

Em relação à renda familiar, os escores de ultraprocessados foram semelhantes entre as categorias, variando de 0,90 (3 SM) a 2,32 (autônomo), sem diferença significativa (p = 0,9). Para o consumo in natura, a categoria 2 SM apresentou a maior mediana (3,56; IIQ: 1,90–5,03), enquanto 3 SM registrou a menor (0,24; IIQ: 0,00–0,71), sem atingir significância estatística (p = 0,2).

É importante destacar que o tamanho amostral reduzido da amostra (n = 56) pode ter limitado o poder estatístico das análises, reduzindo a capacidade de detectar diferenças reais entre os grupos. Estudos com amostras maiores são necessários para confirmar ou refutar as tendências observadas.

7. Qual a prevalência de excesso de peso e de gordura corporal?

A prevalência de excesso de peso na amostra foi de 17% (n = 8), enquanto a de excesso de gordura corporal foi de 21% (n = 10).

A análise cruzada entre os dois indicadores revelou associação estatisticamente significativa (p < 0,001, teste exato de Fisher). Entre os adolescentes sem excesso de gordura corporal, 95% também não apresentavam excesso de peso pelo IMC, e apenas 5,4% tinham excesso de peso. Em contrapartida, entre aqueles com excesso de gordura corporal, 60% apresentavam simultaneamente excesso de peso, enquanto 40% foram classificados com peso adequado pelo IMC.

Esses achados indicam que o excesso de gordura corporal e o excesso de peso tendem a coexistir, mas não são completamente sobreponíveis. A discordância observada — 40% dos adolescentes com excesso de gordura sem excesso de peso pelo IMC — sugere que o IMC isolado pode subestimar a adiposidade nessa população, reforçando a importância de incluir medidas de composição corporal, como o percentual de gordura estimado por dobras cutâneas, na avaliação do estado nutricional de adolescentes.

Excesso de peso segundo classificação de gordura corporal

Characteristic	Overall N = 471	Sem excesso de gordura N = 371	Excesso de gordura N = 101	p-value2
Excesso de peso (IMC)				<0.001
Sem excesso de peso	39 (83%)	35 (95%)	4 (40%)
Excesso de peso	8 (17%)	2 (5.4%)	6 (60%)
1 n (%)
2 Fisher’s exact test

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

O nível de atividade física dos adolescentes foi avaliado pelo PAQ-A, cujo escore mediano foi de 2,16 (IIQ: 1,75–2,89), indicando, em média, um nível moderadamente baixo de atividade física na amostra.

Quanto à classificação, observou-se distribuição equivalente entre as categorias sedentário/pouco ativo e moderadamente ativo, cada uma representando 41% dos adolescentes (n = 18). Apenas 18% (n = 8) foram classificados como muito ativos. Em conjunto, esses dados revelam que a grande maioria dos adolescentes — 82% — não atingiu o nível considerado muito ativo pelo instrumento, o que é preocupante diante das recomendações da OMS de pelo menos 60 minutos de atividade física moderada a vigorosa por dia para essa faixa etária.

Vale destacar que 12 adolescentes não foram classificados por ausência de resposta em pelo menos um item do questionário, o que pode ter influenciado os percentuais observados.

Nível de atividade física — PAQ-A

Characteristic	N = 561
Escore PAQ-A	2.16 (1.75, 2.89)
Unknown	12
Nível de atividade física
Sedentário/Pouco ativo	18 (41%)
Moderadamente ativo	18 (41%)
Muito ativo	8 (18%)
Unknown	12
1 Median (Q1, Q3); n (%)

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

A análise do nível de atividade física segundo o sexo revelou diferença estatisticamente significativa tanto para o escore contínuo do PAQ-A (p = 0,006) quanto para a classificação categórica (p = 0,040).

Os adolescentes do sexo masculino apresentaram escore mediano significativamente superior ao feminino (2,75; IIQ: 1,94–3,10 vs. 1,89; IIQ: 1,55–2,30), indicando maior nível de atividade física entre os meninos. Essa diferença se refletiu na distribuição por categorias: entre os meninos, 32% foram classificados como muito ativos e 42% como moderadamente ativos, com apenas 26% na categoria sedentário/pouco ativo. Entre as meninas, o padrão foi inverso — 54% foram classificadas como sedentárias/pouco ativas, 42% como moderadamente ativas e apenas 4,2% como muito ativas.

Esses achados são consistentes com a literatura, que aponta sistematicamente maiores níveis de atividade física em adolescentes do sexo masculino em comparação ao feminino, possivelmente relacionados a fatores culturais, sociais e ao maior engajamento dos meninos em atividades esportivas.

A análise do nível de atividade física segundo a escolaridade materna não revelou diferença estatisticamente significativa, tanto para o escore contínuo do PAQ-A (p = 0,6) quanto para a classificação categórica (p = 0,4).

Os escores medianos foram semelhantes entre a maioria das categorias de escolaridade, variando de 1,94 (superior completo) a 2,33 (ensino médio). A exceção foi a categoria técnico profissionalizante, que apresentou o maior escore mediano (3,63), com o único adolescente classificado nesse grupo sendo muito ativo — resultado que deve ser interpretado com extrema cautela dado o n = 1 após exclusão dos missing. De forma geral, a categoria sedentário/pouco ativo predominou na maioria dos níveis de escolaridade materna, com proporções variando entre 43% (básico) e 67% (superior completo).

Os resultados devem ser interpretados com cautela em razão do tamanho reduzido em várias categorias de escolaridade — especialmente técnico profissionalizante (n = 1), superior incompleto (n = 2) e pós-graduação (n = 0 válidos) — o que compromete a confiabilidade das estimativas e o poder estatístico para detectar diferenças entre os grupos.

Nível de atividade física por sexo

Characteristic	Masculino N = 241	Feminino N = 311	p-value2
Escore PAQ-A	2.75 (1.94, 3.10)	1.89 (1.55, 2.30)	0.006
Unknown	5	7
Nível de atividade física			0.040
Sedentário/Pouco ativo	5 (26%)	13 (54%)
Moderadamente ativo	8 (42%)	10 (42%)
Muito ativo	6 (32%)	1 (4.2%)
Unknown	5	7
1 Median (Q1, Q3); n (%)
2 Wilcoxon rank sum test; Fisher’s exact test

Nível de atividade física por idade

Characteristic	15 N = 21	16 N = 451	17 N = 91	p-value2
Escore PAQ-A	1.83 (1.75, 1.90)	2.25 (1.77, 2.92)	1.88 (1.25, 2.75)	0.4
Unknown	0	10	2
Nível de atividade física				0.5
Sedentário/Pouco ativo	2 (100%)	12 (34%)	4 (57%)
Moderadamente ativo	0 (0%)	16 (46%)	2 (29%)
Muito ativo	0 (0%)	7 (20%)	1 (14%)
Unknown	0	10	2
1 Median (Q1, Q3); n (%)
2 Kruskal-Wallis rank sum test; Fisher’s exact test

Nível de atividade física por escolaridade da mãe

Characteristic	Básico (1º ao 4º ano) N = 71	Fundamental (5º ao 9º ano) N = 131	Médio (1º ao 3º ano) N = 151	Técnico profissionalizante N = 41	Superior incompleto N = 31	Superior completo N = 41	Pós-graduação N = 01	p-value2
Escore PAQ-A	2.11 (1.29, 2.25)	2.09 (1.60, 2.69)	2.33 (1.54, 2.96)	3.63 (3.63, 3.63)	2.00 (2.00, 2.00)	1.94 (1.75, 3.17)	NA (NA, NA)	0.6
Unknown	0	3	3	3	1	1	0
Nível de atividade física								0.4
Sedentário/Pouco ativo	3 (43%)	5 (50%)	6 (50%)	0 (0%)	0 (0%)	2 (67%)	0 (NA%)
Moderadamente ativo	4 (57%)	4 (40%)	4 (33%)	0 (0%)	2 (100%)	0 (0%)	0 (NA%)
Muito ativo	0 (0%)	1 (10%)	2 (17%)	1 (100%)	0 (0%)	1 (33%)	0 (NA%)
Unknown	0	3	3	3	1	1	0
1 Median (Q1, Q3); n (%)
2 Kruskal-Wallis rank sum test; Fisher’s exact test

Source Code

---
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"/>

::: {}
# Artigo 1: Bárbara e Alexia

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

# Estatísticas Descritivas

```{r pacotes }
library(tidyverse)
library(gtsummary)
library(rstatix)
library(gt)
library(skimr)
library(readr)
library(readxl)
library(forcats)
library(writexl)
library(ggpubr)
```

```{r}
dados <- readRDS("~/Desktop/artigo_barbara_alexia_paet/dados/df_joined.RDS")

write_xlsx(dados, "dados/dados_final.xlsx")
```

## Dados Sociodemográficos

```{r}
demo <- dados |> 
  select(sexo, idade, raca, esc_mae,
         esc_pai, mae_trabalha, renda_familiar)
```

```{r}
tabela_demo <- demo |> 
  tbl_summary(
    missing = "no",
    label = list(
      sexo                ~ "Gênero",
      idade               ~ "Idade (anos)",
      raca                ~ "Raça/cor",
      esc_mae             ~ "Escolaridade da mãe",
      esc_pai             ~ "Escolaridade do pai",
      mae_trabalha        ~ "Mãe trabalha fora",
      renda_familiar      ~ "Renda familiar mensal"
    )
  ) |> 
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_caption("**Tabela 1. Perfil demográfico dos estudantes**")

tabela_demo

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

```

## Dados corporais

```{r}
tabela_corporal <- dados %>%
  select(peso, altura, imc, pct_gordura,
         dobra_tricipital, dobra_subescapular, soma_dobras,
         class_imc, class_gc) %>%
  tbl_summary(
    missing = "no",
    statistic = list(
    all_continuous()  ~ "{median} ({p25}, {p75})",
    all_categorical() ~ "{n} ({p}%)"
    ),
    digits   = all_continuous() ~ 1,
    label = list(
      peso               ~ "Peso (kg)",
      altura             ~ "Altura (m)",
      imc                ~ "IMC (kg/m²)",
      pct_gordura        ~ "% Gordura (Lohman)",
      dobra_tricipital   ~ "Dobra tricipital (mm)",
      dobra_subescapular ~ "Dobra subescapular (mm)",
      soma_dobras        ~ "Soma das dobras (mm)",
      class_imc          ~ "Classificação IMC",
      class_gc           ~ "Classificação % GC"
    )
  ) |> 
  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**")

tabela_corporal 

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

## Perfil de alimentação

```{r}
tab_alim <- readRDS("~/Desktop/artigo_barbara_alexia_paet/tab_alim.RDS")

tab_alim
```

# Perguntas de interesse

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

```{r}
demo |> 
  tbl_summary(
    by = sexo,
    missing = "no",
    label = list(
      idade               ~ "Idade (anos)",
      raca                ~ "Raça/cor",
      esc_mae             ~ "Escolaridade da mãe",
      esc_pai             ~ "Escolaridade do pai",
      mae_trabalha        ~ "Mãe trabalha fora",
      renda_familiar      ~ "Renda familiar mensal"
    )
    ) |> 
  add_p() |> 
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_caption("**Tabela 4. Perfil demográfico dos estudantes**")
```

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?

Com base na Tabela 5:

A maioria dos estudantes (33%) relatou usar telas por **mais de 4 horas/dia**, seguido de 2 horas/dia (31%) e 3 horas/dia (18%). Apenas 9,1% utilizavam por 30 minutos e outros 9,1% por 1 hora/dia. Ou seja, **64% dos estudantes usam telas por 3 horas ou mais por dia**.

Quanto à frequência semanal, o uso diário foi predominante: **87% dos estudantes utilizaram dispositivos eletrônicos mais de 5 vezes por semana**, enquanto 7,3% relataram 3 vezes/semana e 5,5%, 4 vezes/semana.

Esses dados indicam um padrão de uso intenso e frequente de telas entre os adolescentes, o que é consistente com o fato de que 93% deles acreditam que esse uso pode ocasionar algum problema de saúde — sendo insônia (41%) e cansaço mesmo após dormir (24%) os mais citados.

```{r}
disp_eletronico <-  dados |> 
  select(contains("DISP.ELETRIC")) |> 
  rename(
    acesso_internet = Q1_DISP.ELETRIC,       
    celular_prorio = Q2_DISP.ELETRIC,     
    dispositivo_mais_utilizado = Q4_DISP.ELETRIC,      
    conteudo_mais_consumido = Q5_DISP.ELETRIC,       
    tempo_uso_diario = Q6_DISP.ELETRIC,      
    frequencia_uso_semana = Q7_DISP.ELETRIC,       
    acha_problema_saude = Q8_DISP.ELETRIC,      
    qual_problema_saude = Q9_DISP.ELETRIC  
  ) |> 
  select(-Q3_DISP.ELETRIC.IDADE) |> 
  mutate(
    acesso_internet = case_when(
      acesso_internet == 1 ~  "Sim",
      TRUE  ~ "Não "
    ),
    celular_prorio = case_when(
      celular_prorio == 1 ~ "Sim",
      TRUE ~ "Não"
    ),
    dispositivo_mais_utilizado = case_when(
      dispositivo_mais_utilizado == 1 ~ "Tablet",
      dispositivo_mais_utilizado == 2 ~ "Tv",
      dispositivo_mais_utilizado == 3 ~ "Computador/Notebook",
      dispositivo_mais_utilizado == 4 ~ "Videogame",
      dispositivo_mais_utilizado == 5 ~ "Celular",
      dispositivo_mais_utilizado == 6 ~ "Celular + Tv",
      dispositivo_mais_utilizado == 7 ~ "Celular + computador/notebook",
      TRUE ~ NA_character_
    ),
    conteudo_mais_consumido = case_when(
      conteudo_mais_consumido == 1   ~ "Jogos",
      conteudo_mais_consumido == 2   ~ "Séries ou filmes",
      conteudo_mais_consumido == 3   ~ "Programas educativos",
      conteudo_mais_consumido == 4   ~ "Redes sociais",
      conteudo_mais_consumido == 999 ~ NA_character_,
      TRUE                           ~ NA_character_
    ),
    
    tempo_uso_diario = case_when(
      tempo_uso_diario == 1   ~ "30 minutos",
      tempo_uso_diario == 2   ~ "1 hora/dia",
      tempo_uso_diario == 3   ~ "2 horas/dia",
      tempo_uso_diario == 4   ~ "3 horas/dia",
      tempo_uso_diario == 5   ~ "Mais de 4 horas/dia",
      tempo_uso_diario == 999 ~ NA_character_,
      TRUE                   ~ NA_character_
    ),

    frequencia_uso_semana = case_when(
      frequencia_uso_semana == 1   ~ "1 vez/semana",
      frequencia_uso_semana == 2   ~ "2 vezes/semana",
      frequencia_uso_semana == 3   ~ "3 vezes/semana",
      frequencia_uso_semana == 4   ~ "4 vezes/semana",
      frequencia_uso_semana == 5   ~ "Mais de 5 vezes/semana",
      frequencia_uso_semana == 999 ~ NA_character_,
      TRUE                   ~ NA_character_
    ),
    
    acha_problema_saude = case_when(
      acha_problema_saude == 1   ~ "Sim",
      acha_problema_saude == 2   ~ "Não",
      acha_problema_saude == 999 ~ NA_character_,
      TRUE                   ~ NA_character_
    ),
    
    qual_problema_saude = case_when(
      qual_problema_saude == 1   ~ "Privação de sono",
      qual_problema_saude == 2   ~ "Cansaço mesmo após dormir",
      qual_problema_saude == 3   ~ "Acordar no meio da noite para utilizar telas",
      qual_problema_saude == 4   ~ "Insônia",
      qual_problema_saude == 5   ~ "Privação de sono + Insônia",
      qual_problema_saude == 6   ~ "Cansaço mesmo após + Insônia",
      qual_problema_saude == 7   ~ "Privação de sono + Cansaço mesmo após + Insônia",
      qual_problema_saude == 8   ~ "Todas as alternativas",
      qual_problema_saude == 999 ~ NA_character_,
      TRUE                   ~ NA_character_
    )
  )


disp_eletronico |> 
  tbl_summary(
     missing = "no",
     label = list(
      acesso_internet               ~ "Acesso à internet",
      celular_prorio                ~ "Celular próprio",
      dispositivo_mais_utilizado    ~ "Dispositivo mais utilizado",
      conteudo_mais_consumido       ~ "Conteúdo mais consumido",
      tempo_uso_diario              ~ "Tempo de uso diário",
      frequencia_uso_semana         ~ "Frequencia semanal",
      acha_problema_saude           ~ "Acha que causa algum problema de saúde?",
      qual_problema_saude           ~ "Qual problema de saúde?"
    )
  ) |> 
  bold_labels() |>
  modify_header(label ~ "**Variável**") |>
  modify_caption("**Tabela 5. Perfil do uso de dispositivos eletrônicos.**")
```

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

Com base na Tabela 5, os que usam **mais de 2 horas/dia** são:

- 3 horas/dia: 10 (18%)

- Mais de 4 horas/dia: 18 (33%)

**Total: 28 estudantes (51%) ultrapassam o limite recomendado de 2 horas/dia.**

Mais da metade dos adolescentes (51%) ultrapassou o tempo recomendado de até 2 horas diárias de uso de telas. Entre esses, 33% relataram usar telas por mais de 4 horas/dia e 18% por 3 horas/dia, evidenciando um padrão de exposição elevada a dispositivos eletrônicos nessa população.

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

Os escores de frequência de consumo alimentar, calculados pelo método de Fornés et al. (2002), revelaram padrões semelhantes entre os dois grupos analisados. O Grupo I (ultraprocessados) apresentou mediana de 1,27 (IIQ: 0,27–2,99), enquanto o Grupo II (alimentos in natura ou minimamente processados) registrou mediana de 1,09 (IIQ: 0,25–3,32). A amplitude dos intervalos interquartílicos em ambos os grupos indica elevada variabilidade no padrão de consumo entre os adolescentes, sugerindo heterogeneidade nas práticas alimentares da amostra. A proximidade entre os escores medianos dos dois grupos aponta para uma coexistência do consumo de ultraprocessados e de alimentos in natura, característica da transição nutricional observada em populações jovens brasileiras.

```{r}
tab_escore <- readRDS("~/Desktop/artigo_barbara_alexia_paet/tab_escore.RDS")

tab_escore
```

**Grupo I — Ultraprocessados**

Entre os alimentos ultraprocessados, o refrigerante normal destacou-se pelo consumo mais frequente: 49% dos adolescentes o consumiram ao menos uma vez por semana, sendo 20% com consumo ≥ 2x/dia e 9,1% 1x/dia. O macarrão instantâneo também apresentou consumo diário expressivo, com 22% relatando ≥ 2x/dia e 8,9% 1x/dia, totalizando 31% com consumo diário. O biscoito com recheio foi consumido por 49% dos estudantes ao menos uma vez por semana. Entre as carnes processadas, os embutidos e a salsicha se destacaram: 35% e 47% dos estudantes, respectivamente, os consumiram com frequência semanal ou maior. A linguiça teve consumo predominantemente baixo, com 30% nunca consumindo. O refrigerante diet foi o item com menor adesão, com 50% dos estudantes relatando nunca consumi-lo.

**Grupo II — In natura / minimamente processados**

Entre os alimentos in natura, a banana foi a fruta de maior consumo regular, com 51% dos estudantes relatando consumo de 2–4x/semana ou mais, incluindo 22% com consumo ≥ 2x/dia. O tomate e a batata foram os alimentos com maior frequência semanal entre hortaliças e tubérculos, com 49% e 44% dos estudantes consumindo-os ao menos uma vez por semana, respectivamente. Em contrapartida, a beterraba apresentou o menor consumo do grupo, com 76% dos adolescentes relatando nunca consumi-la, seguida pelo mamão (40%) e pela cenoura (42%). A maioria das frutas teve consumo predominantemente mensal ou esporádico, com exceção da banana e da laranja/mexerica, cujo consumo frequente foi mais expressivo.

**Síntese**

Em conjunto, os dados indicam a coexistência de padrões alimentares opostos: elevado consumo de ultraprocessados — especialmente refrigerantes, macarrão instantâneo e biscoitos — ao lado de consumo regular de alguns alimentos in natura como banana, tomate e batata. Esse padrão é consistente com o escore mediano semelhante entre os Grupos I e II (1,27 vs. 1,09), e reflete o perfil de transição nutricional característico de adolescentes em contextos urbanos brasileiros.

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

Podemos responder a essa pergunta usando os scores de frequência de consumo alimentar. Podemos definir "alto consumo" como escore acima da mediana (\> 1,27) ou acima do terceiro quartil (\> 2,99). Nesse caso, teríamos as seguintes proporções de estudantes:

```{r}
df_esc <- readRDS("~/Desktop/artigo_barbara_alexia_paet/df_esc.RDS")
#df_esc
```

A proporção de adolescentes com alto consumo de ultraprocessados variou conforme o critério adotado. Considerando como ponto de corte o escore acima da mediana (\> 1,27), metade dos estudantes (50%) foi classificada com alto consumo de alimentos ultraprocessados. Quando se adotou um critério mais restritivo, correspondente ao terceiro quartil (\> 2,99), a proporção foi de 25% dos adolescentes. Esses resultados reforçam a relevância do consumo de ultraprocessados nessa população, independentemente do critério utilizado para sua classificação.

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

```{r}
##################################

library(ggplot2)
library(patchwork)

df_esc_group <- readRDS("df_esc_group.RDS")

tema <- theme_classic() +
  theme(
    axis.title      = element_text(size = 11),
    axis.text       = element_text(size = 10),
    plot.title      = element_text(size = 12, face = "bold"),
    legend.position = "none"
  )

# ── Sexo ──────────────────────────────────────────────────────────────────────
df_esc_group |> 
  select(escore_ultra, escore_in_natura, sexo) |> 
  tbl_summary(
    by        = sexo,
    statistic = all_continuous() ~ "{median} ({p25}, {p75})",
    digits    = all_continuous() ~ 2,
    label = list(
      escore_ultra     ~ "Escore Grupo I (Ultraprocessados)",
      escore_in_natura ~ "Escore Grupo II (In natura)"
    )
  ) |> 
  add_p() |> 
  bold_labels() |> 
  modify_caption("**Escores de consumo por sexo**")

df_plot <- df_esc_group |> 
  mutate(idade = factor(idade))

p_sexo_ultra <- df_plot |> 
  filter(!is.na(sexo)) |> 
  ggplot(aes(x = sexo, y = escore_ultra, fill = sexo)) +
  geom_boxplot(outlier.shape = 21, outlier.size = 2, alpha = 0.8) +
  scale_fill_manual(values = c("#E91E63", "#2196F3")) +
  stat_compare_means(method = "wilcox.test",
                     label = "p.format",
                     label.x = 1.5, label.y = max(df_plot$escore_ultra, na.rm = TRUE) * 1.05) +
  labs(title = "Ultraprocessados × Sexo", x = NULL, y = "Escore de consumo") +
  tema

p_sexo_natura <- df_plot |> 
  filter(!is.na(sexo)) |> 
  ggplot(aes(x = sexo, y = escore_in_natura, fill = sexo)) +
  geom_boxplot(outlier.shape = 21, outlier.size = 2, alpha = 0.8) +
  scale_fill_manual(values = c("#E91E63", "#2196F3")) +
  stat_compare_means(method = "wilcox.test",
                     label = "p.format",
                     label.x = 1.5, label.y = max(df_plot$escore_in_natura, na.rm = TRUE) * 1.05) +
  labs(title = "In natura × Sexo", x = NULL, y = "Escore de consumo") +
  tema


p_sexo_ultra + p_sexo_natura

ggsave("fig_boxplot_sexo.png", p_sexo_ultra + p_sexo_natura,
       width = 8, height = 5, dpi = 300)




# ── Idade ─────────────────────────────────────────────────────────────────────
df_plot %>%
  select(escore_ultra, escore_in_natura, idade) %>%
  tbl_summary(
    by        = idade,
    statistic = all_continuous() ~ "{median} ({p25}, {p75})",
    digits    = all_continuous() ~ 2,
    label = list(
      escore_ultra     ~ "Escore Grupo I (Ultraprocessados)",
      escore_in_natura ~ "Escore Grupo II (In natura)"
    )
  ) %>%
  add_p() %>%
  bold_labels() %>%
  modify_caption("**Escores de consumo por idade**")

p_idade_ultra <- ggplot(df_plot, aes(x = idade, y = escore_ultra, fill = idade)) +
  geom_boxplot(outlier.shape = 21, outlier.size = 2, alpha = 0.8) +
  scale_fill_brewer(palette = "Blues") +
  labs(title = "Ultraprocessados × Idade", x = "Idade (anos)", y = "Escore de consumo") +
  tema

p_idade_natura <- ggplot(df_plot, aes(x = idade, y = escore_in_natura, fill = idade)) +
  geom_boxplot(outlier.shape = 21, outlier.size = 2, alpha = 0.8) +
  scale_fill_brewer(palette = "Blues") +
  labs(title = "In natura × Idade", x = "Idade (anos)", y = "Escore de consumo") +
  tema

p_idade_ultra + p_idade_natura
  
  
ggsave("fig_boxplot_idade.png", p_idade_ultra + p_idade_natura,
       width = 8, height = 5, dpi = 300)

# ── Renda ─────────────────────────────────────────────────────────────────────
df_esc_group %>%
  select(escore_ultra, escore_in_natura, renda_familiar) %>%
  tbl_summary(
    by        = renda_familiar,
    statistic = all_continuous() ~ "{median} ({p25}, {p75})",
    digits    = all_continuous() ~ 2,
    label = list(
      escore_ultra     ~ "Escore Grupo I (Ultraprocessados)",
      escore_in_natura ~ "Escore Grupo II (In natura)"
    )
  ) %>%
  add_p() %>%
  bold_labels() %>%
  modify_caption("**Escores de consumo por renda familiar**")

p_renda_ultra <- df_plot |> 
  filter(!is.na(renda_familiar)) |> 
  ggplot(aes(x = renda_familiar, y = escore_ultra, fill = renda_familiar)) +
  geom_boxplot(outlier.shape = 21, outlier.size = 2, alpha = 0.8) +
  scale_fill_brewer(palette = "Oranges") +
  scale_x_discrete(labels = function(x) stringr::str_wrap(x, width = 10)) +
  labs(title = "Ultraprocessados × Renda", x = NULL, y = "Escore de consumo") +
  tema

p_renda_natura <- df_plot |> 
  filter(!is.na(renda_familiar)) |> 
  ggplot(aes(x = renda_familiar, y = escore_in_natura, fill = renda_familiar)) +
  geom_boxplot(outlier.shape = 21, outlier.size = 2, alpha = 0.8) +
  scale_fill_brewer(palette = "Oranges") +
  scale_x_discrete(labels = function(x) stringr::str_wrap(x, width = 10)) +
  labs(title = "In natura × Renda", x = NULL, y = "Escore de consumo") +
  tema

p_renda_ultra 

p_renda_natura

ggsave("fig_boxplot_renda.png", p_renda_ultra + p_renda_natura,
       width = 10, height = 5, dpi = 300)

# cat("Figuras salvas: fig_boxplot_sexo.png | fig_boxplot_idade.png | fig_boxplot_renda.png\n")


```

A comparação dos escores de consumo alimentar segundo sexo, idade e renda familiar não revelou diferenças estatisticamente significativas para nenhuma das variáveis analisadas (p \> 0,05 em todos os testes).

Em relação ao sexo, o escore de ultraprocessados foi ligeiramente superior no sexo masculino (mediana: 1,72; IIQ: 0,54–3,35) em comparação ao feminino (mediana: 0,95; IIQ: 0,00–2,69), sem diferença significativa (p = 0,4). O mesmo padrão foi observado para o consumo de alimentos in natura, com medianas de 1,22 (IIQ: 0,41–3,67) e 1,06 (IIQ: 0,00–3,26) para masculino e feminino, respectivamente (p = 0,6).

Quanto à idade, os adolescentes de 15 anos apresentaram escore mediano de ultraprocessados de 1,99 (IIQ: 0,71–3,26), seguidos pelos de 17 anos (mediana: 2,07; IIQ: 0,77–4,07) e 16 anos (mediana: 0,98; IIQ: 0,23–2,69), sem diferença significativa entre os grupos (p = 0,6). Para o consumo in natura, destaca-se a mediana elevada nos adolescentes de 15 anos (5,43; IIQ: 0,73–10,13) em comparação aos demais grupos, embora sem significância estatística (p = 0,6).

Em relação à renda familiar, os escores de ultraprocessados foram semelhantes entre as categorias, variando de 0,90 (3 SM) a 2,32 (autônomo), sem diferença significativa (p = 0,9). Para o consumo in natura, a categoria 2 SM apresentou a maior mediana (3,56; IIQ: 1,90–5,03), enquanto 3 SM registrou a menor (0,24; IIQ: 0,00–0,71), sem atingir significância estatística (p = 0,2).

É importante destacar que o tamanho amostral reduzido da amostra (n = 56) pode ter limitado o poder estatístico das análises, reduzindo a capacidade de detectar diferenças reais entre os grupos. Estudos com amostras maiores são necessários para confirmar ou refutar as tendências observadas.

## 7. Qual a prevalência de excesso de peso e de gordura corporal?

A prevalência de excesso de peso na amostra foi de 17% (n = 8), enquanto a de excesso de gordura corporal foi de 21% (n = 10).

A análise cruzada entre os dois indicadores revelou associação estatisticamente significativa (p \< 0,001, teste exato de Fisher). Entre os adolescentes sem excesso de gordura corporal, 95% também não apresentavam excesso de peso pelo IMC, e apenas 5,4% tinham excesso de peso. Em contrapartida, entre aqueles com excesso de gordura corporal, 60% apresentavam simultaneamente excesso de peso, enquanto 40% foram classificados com peso adequado pelo IMC.

Esses achados indicam que o excesso de gordura corporal e o excesso de peso tendem a coexistir, mas não são completamente sobreponíveis. A discordância observada — 40% dos adolescentes com excesso de gordura sem excesso de peso pelo IMC — sugere que o IMC isolado pode subestimar a adiposidade nessa população, reforçando a importância de incluir medidas de composição corporal, como o percentual de gordura estimado por dobras cutâneas, na avaliação do estado nutricional de adolescentes.

```{r}
# ── Prevalência de excesso de peso (class_imc) e gordura corporal (class_gc) ──
df <- readRDS("~/Desktop/artigo_barbara_alexia_paet/dados/df_joined.RDS")


df_prev <- df %>%
  mutate(
    excesso_peso = case_when(
      class_imc %in% c("Sobrepeso", "Obesidade", "Obesidade Grave") ~ "Excesso de peso",
      class_imc %in% c("Eutrófico", "Magreza", "Abaixo Do Peso")   ~ "Sem excesso de peso",
      TRUE ~ NA_character_
    ),
    excesso_peso = factor(excesso_peso, levels = c("Sem excesso de peso", "Excesso de peso")),
    
    excesso_gc = case_when(
      class_gc %in% c("Elevado", "Alto", "Muito Alto") ~ "Excesso de gordura",
      class_gc %in% c("Baixo", "Ótimo", "Moderado")   ~ "Sem excesso de gordura",
      TRUE ~ NA_character_
    ),
    excesso_gc = factor(excesso_gc, levels = c("Sem excesso de gordura", "Excesso de gordura"))
  )

# ── Tabela cruzada ────────────────────────────────────────────────────────────
tab_excesso_peso <-  df_prev %>%
  select(excesso_peso, excesso_gc) %>%
  tbl_summary(
    by      = excesso_gc,
    missing = "ifany",
    label   = list(excesso_peso ~ "Excesso de peso (IMC)")
  ) %>%
  add_p() %>%
  add_overall() %>%
  bold_labels() %>%
  modify_caption("**Excesso de peso segundo classificação de gordura corporal**")

tab_excesso_peso 

saveRDS(tab_excesso_peso, "tab_excesso_peso.RDS")

# ── Gráfico ───────────────────────────────────────────────────────────────────
df_bar_cruzado <- df_prev %>%
  filter(!is.na(excesso_peso), !is.na(excesso_gc)) %>%
  group_by(excesso_peso, excesso_gc) %>%
  summarise(n = n(), .groups = "drop") %>%
  group_by(excesso_peso) %>%
  mutate(pct = n / sum(n) * 100)

ggplot(df_bar_cruzado, aes(x = excesso_peso, y = pct, fill = excesso_gc)) +
  geom_bar(stat = "identity", position = "dodge", alpha = 0.85) +
  geom_text(aes(label = paste0(round(pct, 1), "%")),
            position = position_dodge(width = 0.9),
            vjust = -0.5, size = 4, fontface = "bold") +
  scale_fill_manual(values = c("#4CAF50", "#F44336")) +
  labs(
    title = "Gordura corporal segundo classificação de peso (IMC)",
    x     = NULL,
    y     = "Proporção (%)",
    fill  = "Gordura corporal"
  ) +
  theme_classic() +
  theme(
    axis.text       = element_text(size = 11),
    axis.title      = element_text(size = 11),
    legend.position = "bottom"
  )

ggsave("fig_peso_vs_gordura.png", width = 7, height = 6, dpi = 300)

```

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

O nível de atividade física dos adolescentes foi avaliado pelo PAQ-A, cujo escore mediano foi de 2,16 (IIQ: 1,75–2,89), indicando, em média, um nível moderadamente baixo de atividade física na amostra.

Quanto à classificação, observou-se distribuição equivalente entre as categorias sedentário/pouco ativo e moderadamente ativo, cada uma representando 41% dos adolescentes (n = 18). Apenas 18% (n = 8) foram classificados como muito ativos. Em conjunto, esses dados revelam que a grande maioria dos adolescentes — 82% — não atingiu o nível considerado muito ativo pelo instrumento, o que é preocupante diante das recomendações da OMS de pelo menos 60 minutos de atividade física moderada a vigorosa por dia para essa faixa etária.

Vale destacar que 12 adolescentes não foram classificados por ausência de resposta em pelo menos um item do questionário, o que pode ter influenciado os percentuais observados.

```{r}
tabela_prevalencia_8 <- readRDS("~/Desktop/artigo_barbara_alexia_paet/tabela_prevalencia_8.RDS")
tabela_prevalencia_8
```

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

A análise do nível de atividade física segundo o sexo revelou diferença estatisticamente significativa tanto para o escore contínuo do PAQ-A (p = 0,006) quanto para a classificação categórica (p = 0,040).

Os adolescentes do sexo masculino apresentaram escore mediano significativamente superior ao feminino (2,75; IIQ: 1,94–3,10 vs. 1,89; IIQ: 1,55–2,30), indicando maior nível de atividade física entre os meninos. Essa diferença se refletiu na distribuição por categorias: entre os meninos, 32% foram classificados como muito ativos e 42% como moderadamente ativos, com apenas 26% na categoria sedentário/pouco ativo. Entre as meninas, o padrão foi inverso — 54% foram classificadas como sedentárias/pouco ativas, 42% como moderadamente ativas e apenas 4,2% como muito ativas.

Esses achados são consistentes com a literatura, que aponta sistematicamente maiores níveis de atividade física em adolescentes do sexo masculino em comparação ao feminino, possivelmente relacionados a fatores culturais, sociais e ao maior engajamento dos meninos em atividades esportivas.

A análise do nível de atividade física segundo a escolaridade materna não revelou diferença estatisticamente significativa, tanto para o escore contínuo do PAQ-A (p = 0,6) quanto para a classificação categórica (p = 0,4).

Os escores medianos foram semelhantes entre a maioria das categorias de escolaridade, variando de 1,94 (superior completo) a 2,33 (ensino médio). A exceção foi a categoria técnico profissionalizante, que apresentou o maior escore mediano (3,63), com o único adolescente classificado nesse grupo sendo muito ativo — resultado que deve ser interpretado com extrema cautela dado o n = 1 após exclusão dos missing. De forma geral, a categoria sedentário/pouco ativo predominou na maioria dos níveis de escolaridade materna, com proporções variando entre 43% (básico) e 67% (superior completo).

Os resultados devem ser interpretados com cautela em razão do tamanho reduzido em várias categorias de escolaridade — especialmente técnico profissionalizante (n = 1), superior incompleto (n = 2) e pós-graduação (n = 0 válidos) — o que compromete a confiabilidade das estimativas e o poder estatístico para detectar diferenças entre os grupos.

```{r}
# ── PAQ-A: mapeamento das respostas para escores 1–5  --------------

# Q1: 18 atividades no tempo livre (cols 55–71)
# Pontuação: máximo de frequência relatada entre as atividades
# Não = 0, 1-2 vezes = 1, 3-4 vezes = 2, 5-6 vezes = 3, 7 vezes = 4

pontos_q1 <- c("Não" = 0, "1-2 vezes" = 1, "3-4 vezes" = 2,
               "5-6 vezes" = 3, "7 vezes (todos os dias)" = 4)

df <- readRDS("~/Desktop/artigo_barbara_alexia_paet/dados/df_joined.RDS")
cols_q1 <- names(df)[55:71]

df_paq <- df %>%
  mutate(
    # Q1: média das atividades respondidas (excluindo Não como 0 na média)
    across(all_of(cols_q1),
           ~ pontos_q1[as.character(.)],
           .names = "pts_{.col}"),
    Q1 = rowMeans(across(starts_with("pts_")), na.rm = TRUE),
    Q1 = (Q1 / 4) * 4 + 1,  # reescala para 1–5
    
    # Q2: Aulas de EF
    Q2 = case_when(
      `Nos últimos 7 dias, durante as aulas de educação física (EF), com que frequência você esteve muito ativo (jogando intensamente, correndo, pulando, arremessando, chutando)?` == "Não fiz EF" ~ 1,
      `Nos últimos 7 dias, durante as aulas de educação física (EF), com que frequência você esteve muito ativo (jogando intensamente, correndo, pulando, arremessando, chutando)?` == "Quase nunca" ~ 2,
      `Nos últimos 7 dias, durante as aulas de educação física (EF), com que frequência você esteve muito ativo (jogando intensamente, correndo, pulando, arremessando, chutando)?` == "Às vezes"    ~ 3,
      `Nos últimos 7 dias, durante as aulas de educação física (EF), com que frequência você esteve muito ativo (jogando intensamente, correndo, pulando, arremessando, chutando)?` == "Quase sempre" ~ 4,
      `Nos últimos 7 dias, durante as aulas de educação física (EF), com que frequência você esteve muito ativo (jogando intensamente, correndo, pulando, arremessando, chutando)?` == "Sempre"      ~ 5,
      TRUE ~ NA_real_
    ),
    
    # Q3: Atividade no almoço
    Q3 = case_when(
      `Nos últimos 7 dias, o que você costumava fazer no almoço (além de almoçar)?` == "Fiquei sentado (conversando, lendo, fazendo trabalhos escolares etc.)" ~ 1,
      `Nos últimos 7 dias, o que você costumava fazer no almoço (além de almoçar)?` == "Fiquei por perto ou caminhei"                                         ~ 2,
      `Nos últimos 7 dias, o que você costumava fazer no almoço (além de almoçar)?` == "Corri ou joguei um pouco"                                             ~ 3,
      `Nos últimos 7 dias, o que você costumava fazer no almoço (além de almoçar)?` == "Corri e joguei bastante"                                              ~ 4,
      `Nos últimos 7 dias, o que você costumava fazer no almoço (além de almoçar)?` == "Corri e joguei intensamente quase sempre"                             ~ 5,
      TRUE ~ NA_real_
    ),
    
    # Q4: Atividade depois da escola
    Q4 = case_when(
      `Nos últimos 7 dias, em quantos dias depois da escola, você praticou esportes, dança ou jogava jogos nos quais você era muito ativo?` == "Nenhuma"                  ~ 1,
      `Nos últimos 7 dias, em quantos dias depois da escola, você praticou esportes, dança ou jogava jogos nos quais você era muito ativo?` == "1 vez na última semana"   ~ 2,
      `Nos últimos 7 dias, em quantos dias depois da escola, você praticou esportes, dança ou jogava jogos nos quais você era muito ativo?` == "2 ou 3 vezes na última semana" ~ 3,
      `Nos últimos 7 dias, em quantos dias depois da escola, você praticou esportes, dança ou jogava jogos nos quais você era muito ativo?` == "4 vezes na última semana"  ~ 4,
      `Nos últimos 7 dias, em quantos dias depois da escola, você praticou esportes, dança ou jogava jogos nos quais você era muito ativo?` == "5 vezes na última semana"  ~ 5,
      TRUE ~ NA_real_
    ),
    
    # Q5: Atividade noturna
    Q5 = case_when(
      `Nos últimos 7 dias, em quantas noites você praticou esportes, dança ou jogos nos quais você era muito ativo?` == "Nenhuma"                  ~ 1,
      `Nos últimos 7 dias, em quantas noites você praticou esportes, dança ou jogos nos quais você era muito ativo?` == "1 vez na última semana"   ~ 2,
      `Nos últimos 7 dias, em quantas noites você praticou esportes, dança ou jogos nos quais você era muito ativo?` == "2 ou 3 vezes na última semana" ~ 3,
      `Nos últimos 7 dias, em quantas noites você praticou esportes, dança ou jogos nos quais você era muito ativo?` == "4 vezes na última semana"  ~ 4,
      `Nos últimos 7 dias, em quantas noites você praticou esportes, dança ou jogos nos quais você era muito ativo?` == "5 vezes na última semana"  ~ 5,
      TRUE ~ NA_real_
    ),
    
    # Q6: Fim de semana
    Q6 = case_when(
      `No último fim de semana, quantas vezes você praticou esportes, dança ou brincou com jogos nos quais você era muito ativo?` == "Nenhuma"    ~ 1,
      `No último fim de semana, quantas vezes você praticou esportes, dança ou brincou com jogos nos quais você era muito ativo?` == "1 vez"      ~ 2,
      `No último fim de semana, quantas vezes você praticou esportes, dança ou brincou com jogos nos quais você era muito ativo?` == "2 ou 3 vezes" ~ 3,
      `No último fim de semana, quantas vezes você praticou esportes, dança ou brincou com jogos nos quais você era muito ativo?` == "4 ou 5 vezes" ~ 4,
      `No último fim de semana, quantas vezes você praticou esportes, dança ou brincou com jogos nos quais você era muito ativo?` == "6 ou mais vezes" ~ 5,
      TRUE ~ NA_real_
    ),
    
    # Q7: Descrição geral
    Q7 = case_when(
      `Qual das seguintes declarações descreve melhor para você nos últimos 7 dias? Leia todas as cinco declarações antes de decidir sobre a única resposta que descreve você.` == "Não fiz atividades físicas no meu tempo livre (por exemplo, não praticava esportes, não corria, não nadava, não andava de bicicleta, não fazia ginástica)." ~ 1,
      `Qual das seguintes declarações descreve melhor para você nos últimos 7 dias? Leia todas as cinco declarações antes de decidir sobre a única resposta que descreve você.` == "Às vezes (1 ou 2 vezes) fiz exercícios físicos no meu tempo livre (por exemplo, praticava esportes, corria, nadava, andava de bicicleta, fazia ginástica)." ~ 2,
      `Qual das seguintes declarações descreve melhor para você nos últimos 7 dias? Leia todas as cinco declarações antes de decidir sobre a única resposta que descreve você.` == "Fiz frequentemente exercícios físicos (3 ou 4 vezes) no meu tempo livre." ~ 3,
      `Qual das seguintes declarações descreve melhor para você nos últimos 7 dias? Leia todas as cinco declarações antes de decidir sobre a única resposta que descreve você.` == "Fiz frequentemente exercícios físicos (5 ou 6 vezes) no meu tempo livre." ~ 4,
      `Qual das seguintes declarações descreve melhor para você nos últimos 7 dias? Leia todas as cinco declarações antes de decidir sobre a única resposta que descreve você.` == "Fiz exercícios físicos muito frequentemente (7 ou mais vezes) no meu tempo livre." ~ 5,
      TRUE ~ NA_real_
    ),
    
    # Q8: Frequência por dia da semana (cols 79–85)
    Q8_seg  = case_when(`...130` == "Nenhuma" ~ 1, `...130` == "Pouco"       ~ 2, `...130` == "Às vezes"      ~ 3, `...130` == "Frequentemente" ~ 4, `...130` == "Sempre" ~ 5, TRUE ~ NA_real_),
    Q8_ter  = case_when(`...133` == "Nenhuma" ~ 1, `...133` == "Pouco"       ~ 2, `...133` == "Às vezes"      ~ 3, `...133` == "Frequentemente" ~ 4, `...133` == "Sempre" ~ 5, TRUE ~ NA_real_),
    Q8_qua  = case_when(`...136` == "Nenhuma" ~ 1, `...136` == "Pouco"       ~ 2, `...136` == "Às vezes"      ~ 3, `...136` == "Frequentemente" ~ 4, `...136` == "Sempre" ~ 5, TRUE ~ NA_real_),
    Q8_qui  = case_when(`...139` == "Nenhuma" ~ 1, `...139` == "Pouco"       ~ 2, `...139` == "Às vezes"      ~ 3, `...139` == "Frequentemente" ~ 4, `...139` == "Sempre" ~ 5, TRUE ~ NA_real_),
    Q8_sex  = case_when(`...142` == "Nenhuma" ~ 1, `...142` == "Pouco"       ~ 2, `...142` == "Às vezes"      ~ 3, `...142` == "Frequentemente" ~ 4, `...142` == "Sempre" ~ 5, TRUE ~ NA_real_),
    Q8_sab  = case_when(`...145` == "Nenhuma" ~ 1, `...145` == "Pouco"       ~ 2, `...145` == "Às vezes"      ~ 3, `...145` == "Frequentemente" ~ 4, `...145` == "Sempre" ~ 5, TRUE ~ NA_real_),
    Q8_dom  = case_when(`Você ficou doente na semana passada, ou alguma coisa impediu você de fazer suas atividades físicas normais?` == "Nenhuma" ~ 1,
                        `Você ficou doente na semana passada, ou alguma coisa impediu você de fazer suas atividades físicas normais?` == "Pouco"   ~ 2,
                        `Você ficou doente na semana passada, ou alguma coisa impediu você de fazer suas atividades físicas normais?` == "Às vezes" ~ 3,
                        `Você ficou doente na semana passada, ou alguma coisa impediu você de fazer suas atividades físicas normais?` == "Frequentemente" ~ 4,
                        `Você ficou doente na semana passada, ou alguma coisa impediu você de fazer suas atividades físicas normais?` == "Sempre"   ~ 5,
                        TRUE ~ NA_real_),
    Q8 = rowMeans(across(c(Q8_seg, Q8_ter, Q8_qua, Q8_qui, Q8_sex, Q8_sab, Q8_dom)), na.rm = TRUE),
    
    # ── Escore final PAQ-A (média de Q2 a Q8, Q1 excluída por ser soma) ────────
    escore_paq = rowMeans(across(c(Q2, Q3, Q4, Q5, Q6, Q7, Q8)), na.rm = TRUE),
    
    # ── Classificação ──────────────────────────────────────────────────────────
    class_paq = case_when(
      escore_paq <  2 ~ "Sedentário/Pouco ativo",
      escore_paq <= 3 ~ "Moderadamente ativo",
      escore_paq >  3 ~ "Muito ativo",
      TRUE            ~ NA_character_
    ),
    class_paq = factor(class_paq,
                       levels = c("Sedentário/Pouco ativo",
                                  "Moderadamente ativo",
                                  "Muito ativo"))
  )

# ── Tabela de prevalência ─────────────────────────────────────────────────────
tabela_prevalencia_8 <- df_paq %>%
  select(escore_paq, class_paq) %>%
  tbl_summary(
    statistic = list(
      all_continuous()  ~ "{median} ({p25}, {p75})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits  = all_continuous() ~ 2,
    missing = "ifany",
    label = list(
      escore_paq ~ "Escore PAQ-A",
      class_paq  ~ "Nível de atividade física"
    )
  ) %>%
  bold_labels() %>%
  modify_caption("**Nível de atividade física — PAQ-A**")

saveRDS(tabela_prevalencia_8, "tabela_prevalencia_8.RDS")

# ── QUESTÃO 9: Atividade física por sexo, idade e escolaridade --------------
# ── Atividade física por sexo, idade e escolaridade ──────────────────────────

# Sexo
df_paq %>%
  select(escore_paq, class_paq, sexo) %>%
  tbl_summary(
    by        = sexo,
    statistic = list(
      all_continuous()  ~ "{median} ({p25}, {p75})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits  = all_continuous() ~ 2,
    missing = "ifany",
    label = list(
      escore_paq ~ "Escore PAQ-A",
      class_paq  ~ "Nível de atividade física"
    )
  ) %>%
  add_p() %>%
  bold_labels() %>%
  modify_caption("**Nível de atividade física por sexo**")

# Idade
df_paq %>%
  mutate(idade = factor(idade)) %>%
  select(escore_paq, class_paq, idade) %>%
  tbl_summary(
    by        = idade,
    statistic = list(
      all_continuous()  ~ "{median} ({p25}, {p75})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits  = all_continuous() ~ 2,
    missing = "ifany",
    label = list(
      escore_paq ~ "Escore PAQ-A",
      class_paq  ~ "Nível de atividade física"
    )
  ) %>%
  add_p() %>%
  bold_labels() %>%
  modify_caption("**Nível de atividade física por idade**")

# Escolaridade da mãe
df_paq %>%
  select(escore_paq, class_paq, esc_mae) %>%
  tbl_summary(
    by        = esc_mae,
    statistic = list(
      all_continuous()  ~ "{median} ({p25}, {p75})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits  = all_continuous() ~ 2,
    missing = "ifany",
    label = list(
      escore_paq ~ "Escore PAQ-A",
      class_paq  ~ "Nível de atividade física"
    )
  ) %>%
  add_p() %>%
  bold_labels() %>%
  modify_caption("**Nível de atividade física por escolaridade da mãe**")


```