Artigo 1: Bárbara e Alexia

Edneide Ramalho
04/06/2026

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 tibble: 56 × 188
   id    sexo  idade data_nasc raca  esc_mae mae_trabalha esc_pai renda_familiar
   <chr> <chr> <dbl> <chr>     <chr> <chr>   <chr>        <chr>   <chr>         
 1 FS25… Masc…    16 39640     Preta Superi… Não          <NA>    Sem renda (nã…
 2 FS25… Masc…    17 39258     Preta <NA>    <NA>         <NA>    <NA>          
 3 FS25… Masc…    16 39660     Indí… <NA>    <NA>         <NA>    <NA>          
 4 FS25… Masc…    17 39524     Parda <NA>    <NA>         <NA>    <NA>          
 5 FS25… Femi…    17 39348     Parda Básico… Sim          Fundam… 3 SM          
 6 FS25… Masc…    16 39701     Parda Fundam… Sim          Fundam… Autônomo (ren…
 7 FS25… Femi…    17 39389     Parda Médio … Não          Superi… 2 SM          
 8 FS25… Femi…    16 39717     Preta <NA>    <NA>         <NA>    <NA>          
 9 FS25… Femi…    16 39608     Preta Fundam… Não          Fundam… Sem renda (nã…
10 FS25… Masc…    17 39516     Preta Técnic… Sim          Fundam… 3 SM          
# ℹ 46 more rows
# ℹ 179 more variables: peso <dbl>, altura <dbl>, dobra_tricipital <dbl>,
#   dobra_subescapular <dbl>, soma_dobras <dbl>, imc <dbl>, class_imc <chr>,
#   escore_altura_idade <dbl>, escore_imc_idade <lgl>, pct_gordura <dbl>,
#   class_gc <chr>, faz_dieta <chr>, dieta_emagrecer <chr>,
#   `Batatinha tipo chips ou salgadinho (1/2 pacote grande)` <chr>,
#   `Coxinha,risólis,pastel,enroladinho frito presunto/queijo (1 unid média)` <chr>, …

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?

Para avaliar a prevalência de excesso de peso, os adolescentes foram classificados com base no Índice de Massa Corporal (IMC), utilizando a variável class_imc. Foram considerados com excesso de peso os indivíduos classificados nas categorias sobrepeso, obesidade ou obesidade grave, enquanto os classificados como eutróficos, abaixo do peso ou com magreza foram agrupados na categoria sem excesso de peso.

A prevalência de excesso de gordura corporal foi determinada a partir da classificação do percentual de gordura corporal segundo os critérios de Lohman (1987), armazenada na variável class_gc. Foram considerados com excesso de gordura os adolescentes classificados nas categorias elevado, alto ou muito alto, e sem excesso de gordura aqueles classificados como baixo, ótimo ou moderado.

Ambas as prevalências foram descritas na forma de frequência absoluta e percentual, conforme recomendado para variáveis categóricas em estudos transversais.

Prevalência de excesso de peso

Characteristic	N = 561
Excesso de peso (IMC)
Sem excesso de peso	39 (81%)
Excesso de peso	9 (19%)
Unknown	8
1 n (%)

Prevalência de excesso de gordura corporal

Characteristic	N = 561
Excesso de gordura corporal (% GC)
Sem excesso de gordura	37 (79%)
Excesso de gordura	10 (21%)
Unknown	9
1 n (%)

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

A análise do excesso de peso segundo a classificação de gordura corporal revelou associação significativa entre os dois indicadores (p < 0,001, teste exato de Fisher). Entre os adolescentes sem excesso de gordura corporal, 95% também não apresentavam excesso de peso, 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 resultados indicam que o excesso de gordura corporal e o excesso de peso tendem a coexistir na amostra, mas não são completamente sobreponíveis. A discordância observada — especialmente os 40% com excesso de gordura sem excesso de peso pelo IMC — sugere que o IMC isolado pode subestimar a adiposidade em alguns adolescentes, reforçando a importância de utilizar medidas complementares de composição corporal, como o percentual de gordura, na avaliação do estado nutricional dessa população.

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"/>

<div>

# Artigo 1: Bárbara e Alexia

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

</div>
::::

# 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 <- ggplot(df_plot, 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 <- ggplot(df_plot, 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? 

Para avaliar a prevalência de excesso de peso, os adolescentes foram classificados com base no Índice de Massa Corporal (IMC), utilizando a variável `class_imc`. Foram considerados com excesso de peso os indivíduos classificados nas categorias sobrepeso, obesidade ou obesidade grave, enquanto os classificados como eutróficos, abaixo do peso ou com magreza foram agrupados na categoria sem excesso de peso.

A prevalência de excesso de gordura corporal foi determinada a partir da classificação do percentual de gordura corporal segundo os critérios de Lohman (1987), armazenada na variável `class_gc`. Foram considerados com excesso de gordura os adolescentes classificados nas categorias elevado, alto ou muito alto, e sem excesso de gordura aqueles classificados como baixo, ótimo ou moderado.

Ambas as prevalências foram descritas na forma de frequência absoluta e percentual, conforme recomendado para variáveis categóricas em estudos transversais.

```{r}
# ── Prevalência de excesso de peso (class_imc) ────────────────────────────────
df_esc_group %>%
  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"))
  ) %>%
  select(excesso_peso) %>%
  tbl_summary(
    missing = "ifany",
    label   = list(excesso_peso ~ "Excesso de peso (IMC)")
  ) %>%
  bold_labels() %>%
  modify_caption("**Prevalência de excesso de peso**")

# ── Prevalência de excesso de gordura corporal (class_gc) ─────────────────────
df_esc_group %>%
  mutate(
    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"))
  ) %>%
  select(excesso_gc) %>%
  tbl_summary(
    missing = "ifany",
    label   = list(excesso_gc ~ "Excesso de gordura corporal (% GC)")
  ) %>%
  bold_labels() %>%
  modify_caption("**Prevalência de excesso de gordura corporal**")
```

```{r}
library(ggplot2)
library(tidyr)

# ── Cria as variáveis dicotômicas ─────────────────────────────────────────────
df_prev <- df_esc_group %>%
  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 ────────────────────────────────────────────────────────────
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**")

# ── Gráfico de barras ─────────────────────────────────────────────────────────
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",
    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)
```

A análise do excesso de peso segundo a classificação de gordura corporal revelou associação significativa entre os dois indicadores (p \< 0,001, teste exato de Fisher). Entre os adolescentes sem excesso de gordura corporal, 95% também não apresentavam excesso de peso, 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 resultados indicam que o excesso de gordura corporal e o excesso de peso tendem a coexistir na amostra, mas não são completamente sobreponíveis. A discordância observada — especialmente os 40% com excesso de gordura sem excesso de peso pelo IMC — sugere que o IMC isolado pode subestimar a adiposidade em alguns adolescentes, reforçando a importância de utilizar medidas complementares de composição corporal, como o percentual de gordura, na avaliação do estado nutricional dessa população.