Bortolozo,
E.A.F.Q.; Santos, C.B.; Pilatti, L.A. y Canteri, M.H.G. (2017). Validez
del cuestionario internacional de actividad física por correlación con
podómetro / Validity of International Questionnaire of Physical Activity by
Correlation with Pedometer. Revista Internacional de Medicina y Ciencias de
la Actividad Física y el Deporte, vol. 17 (66) pp. 397-414. Http://cdeporte.rediris.es/revista/revista66/artcorrelacion811.htm
DOI: https://doi.org/10.15366/rimcafd2017.66.012
ORIGINAL
VALIDEZ DEL CUESTIONARIO INTERNACIONAL DE ACTIVIDAD
FÍSICA POR CORRELACIÓN CON PODÓMETRO
VALIDITY OF INTERNATIONAL QUESTIONNAIRE
OF PHYSICAL ACTIVITY BY CORRELATION WITH PEDOMETER
Bortolozo, E.A.F.Q.1; Santos, C.B.2; Pilatti, L.A.3
y Canteri, M.H.G.4
1 Licenciada en Nutrición. Máster en
Ciencias Farmacéuticas. Doctora en Ingeniería de Producción por la Universidad
Tecnológica Federal de Paraná, Brasil. Bolsista de la Capes – Protocolo:
4284/14-3. Mail: bortolozopg@gmail.com
2 Licenciado en Educación Física.
Máster en Ingeniería de Producción. Doctor en Ingeniería de Producción por la
Universidad Tecnológica Federal de Paraná, Brasil. Mail: bilynkievycz@globo.com
3 Licenciado en Educación Física.
Doctor en Educación Física. Bolsista de Productividad en Investigación, CNPq.
Profesor del Programa de Ingeniería de Producción de la Universidad Tecnológica
Federal de Paraná, Campus Ponta Grossa, Brasil. Mail: lapilatti@utfpr.edu.br
4 Licenciada en Farmacia y
Bioquímica. Máster y Doctora en Tecnología de Alimentos por la Universidad
Federal de Paraná. Doctora en Sciences Agronomiques por la Université
d´Avignon et Pays de Vaucluse. Profesora del Departamento de Alimentos y del
Programa de Postgrado en Ingeniería de
Producción de la Universidad Tecnológica Federal de Paraná, Campus Ponta
Grossa, Brasil. Mail: canteri.mhg@gmail.com
AGRADECIMIENTOS
Gracias,
CAPES, por la inversión financiera en forma de beca en el Programa de
Ingeniería de Producción de la Universidad Tecnológica Federal de Paraná.
Código UNESCO /
UNESCO code: 3212 Salud Pública / Public Health, 3206
Clasificación Consejo de Europa / Council of Europe classification: 17. Otras: Actividad Física y Salud / Other:
Physical Activity and Health
Recibido 29 de octubre de 2014 Reveived October 29, 2014
Aceptado 2 de marzo de 2015 Accepted March2, 2015
RESUMEN
El estudio tiene por objetivo verificar la
validez del Cuestionario Internacional de Actividad Física (IPAQ) por medio de correlación con otro instrumento de
medida de gasto energético (GE) y nivel de actividad física (NAF). Los
datos fueron analizados por medio del teste de correlación y técnicas de Data
Mining. Fueran observadas correlaciones significativas (p<0,001) de los
números de pasos con las calorías (r=0,76; 0,80) y escala de clasificación de
NAF (r=0,93; 0,71), involucrando respectivamente el Podómetro y el IPAQ. Lo
mismo ha sucedido entre el número de calorías (r=0.83) y escala (r=0,67), por
los mismos procedimientos. Se ha constatado elevada correlación entre el IPAQ y
el podómetro, resultando en modelos de clasificación con grado de predicción de
hasta 84,10% (r=0,917) de la variable dependiente, con capacidad de predicción
del GE y NAF a través del IPAQ, con base en el número de pasos mensurados por
el podómetro.
PALABRAS
CLAVE: Cuestionario Internacional de Actividad Física
(IPAQ). Podómetro. Gasto energético. Actividad física
ABSTRACT
The goal of this study
is to verify the validity of the International Physical Activity Questionnaire
(IPAQ) through correlation with another instrument to measure energy
expenditure (EE) and level of physical activity (PAL). The data was analyzed
using correlation and data mining. Significant correlations (p<0.001) were
observed for the number of steps with calories (r=0.76; 0.80) and the rating
scale of PAL (r=0.93; 0.71), involving the pedometer and the IPAQ,
respectively. The same occurred between the number of calories (r=0.83) and
scale (r=0.67), for the same procedures. A high correlation was found between
the use of the IPAQ (long version) and the pedometer, resulting in
classification models with a degree of prediction of up to 84.10% (r=0.917) of
the dependent variable, with the ability to predict EE and PAL through the IPAQ
from the number of steps measured by the pedometer.
KEYWORDS: International Physical Activity Questionnaire (IPAQ); pedometer;
energy expenditure; physical activity.
INTRODUCCIÓN
Las enfermedades crónicas no transmisibles (ECNT), tales como obesidad,
diabetes y enfermedad cardiovascular, representan 60% de las causas de
mortalidad en el mundo, siendo que en países de baja renda el índice puede
elevarse a 80%1. Frente a este panorama, es incontestable la
importancia de la evaluación de los factores de riesgo, como la práctica de
actividad física (AF), para control ambiental del desarrollo de esas
enfermedades2.
El cambio del estilo de vida, decurrente de la urbanización, de la
industrialización y del avance tecnológico, ha resultado en reducción del gasto
energético (GE) en la realización de diversas actividades habituales, en el
ambiente de trabajo, en el uso del transporte, o hasta en momentos de ocio,
hecho que genera un régimen de vida más sedentario y aumento de la incidencia
de obesidad y otras enfermedades degenerativas3,4,5.
La literatura apunta la relación entre bajo nivel de actividad física (NAF) y aumento del índice de masa corporal
(IMC), circunferencia de la cintura, presión arterial diastólica y espesor de
la carótida6,7,8,9. De forma similar, el aumento de la AF puede estar asociado con la
reducción del riesgo de diversas enfermedades, incluyendo hipertensión
arterial, enfermedad arterial coronaria, accidente vascular cerebral y
resistencia a la insulina10,11.
La mantenimiento de la salud requiere que adultos saludables, de 18 la 65 años de edad,
practiquen AF aeróbica moderada (resistencia), por un período mínimo de 30
minutos, en cinco días por semana; o actividad aeróbica más intensa, por un
mínimo de 20 minutos, en tres días por semana12,13.
El dispendio de energía o GE total se refiere a tres componentes: tasa
metabólica basal, efecto térmico de los alimentos y gasto energético en la
actividad física (GEAF), siendo este la más grande fuente de variación. Otro
ítem a considerarse cuando se estima la cantidad de energía despendida, sobre
todo en función del movimiento, es la masa corporal del indivíduo14.
En la identificación de factor de riesgo para ECNT, teniendo en cuenta
el GE y el NAF, se utilizan diversos métodos, sea en la clínica o en estudio de campo. La elección depende del número de individuos que serán evaluados, del costo
del proceso y de la inclusión de diferentes edades. Se clasifican como
indicadores fisiológicos: calorimetría, sensores de movimiento e instrumentos
de anamnesis. Los primeros son los de mejor confiabilidad, costo y complejidad,
en cuanto que los dos últimos presentan más viabilidad operacional y econômica15,16.
Los cuestionarios de anamnesis son
herramientas de bajo costo, se basan en recordatorio y autorrelato, como el Cuestionario Internacional de Actividad Física (IPAQ), en sus versiones
larga y corta, en los dominios referentes al trabajo, transporte, actividades
domésticas y ocio. El IPAQ fue inicialmente propuesto por un grupo participantes
de una reunión científica realizada en Ginebra/Suiza, en 1998, y después
validado en doce países15,17,18. Aunque ampliamente utilizado,
presenta limitaciones en lo que se refiere a la eventual imprecisión de las
informaciones suministradas por el respondiente y de correlaciones más
pequeñas, cuando comparado con instrumentos de medición objetiva19,20.
Además, el IPAQ ha sido más aplicado para clasificación de NAF y, en menor
escala, para estimar el GEAF.
Teniendo en cuenta que el IPAQ puede súper-estimar o subestimar los
resultados de GEAF y tasas de inactividad, se indica su utilización en conjunto
con un instrumento de movimiento, como los podómetros o acelerómetros21,22.
Según Basset Jr23, el podómetro puede ser indicado como criterio de
medida para validar cuestión relacionada a la distancia recorrida, en el caso
de que se apliquen recordatorios de NAF.
El podómetro, instrumento de medición del gasto energético, consiste de
un sensor de movimiento que monitora el número de pasos/día. Su coste es reducido,
comparado con otros instrumentos, tales como los monitores de frecuencia
cardíaca y acelerómetros24. Su utilización se ha mostrado
eficaz, en función de su respuesta rápida para medida de distancia recorrida y
calorías gastadas25. Presenta, sin embargo, algunas
restricciones, tales como la falta de evaluación de la intensidad y tempo de la
actividad24. Asimismo, ha sido frecuentemente seleccionado como
medidor de caminada y en la evaluación de programas de intervención, al mismo
tiempo en que es menos evidente su aplicabilidad para identificar NAF y GE
durante actividades físicas habituales.
Pesquisas para investigación de NAF o para evaluación de programas de
intervención han utilizado el IPAQ y el podómetro en conjunto como protocolo
para reducir el error en el diagnóstico26,27. Sin embargo, teniendo
en cuenta que muchos estudios encontraron baja correlación entre estimativas de
NAF al comparar los resultados obtenidos por cuestionarios de autorrelato e
instrumentos de medición, tales como el podômetro28,29, se
justifican nuevas investigaciones para validación del IPAQ y correlaciones con
el podómetro.
Teniendo en cuenta la importancia del diagnóstico preciso de NAF como
subsidio para la implantación de medidas preventivas de controle de las ECNTs entre
la populación; y también con vistas a monitorear su eficacia, este estudio
tiene como objetivo verificar la validez del IPAQ por medio de correlación con
otro instrumento de medida de gasto energético y nivel de actividad física,
además de proponer un modelo de predicción
utilizando técnicas de Data Mining de
Clasificación.
MATERIAL
Y MÉTODOS
Muestreo
Se trata de un estudio
observacional, con delineamiento transversal, involucrando la participación de
118 adultos, de ambos sexos, trabajadores del sector industrial del municipio
de Ponta Grossa, Paraná – Brasil, que han atendido a los siguientes criterios:
edad entre 18 y 55 años; nivel escolar mínimo de 5º año de enseñanza básica;
vínculo laboral en industria.
Se ha calculado el dimensionamiento
de la muestra con base en la propuesta de Triola30, utilizándose la
ecuación (n=1,96 x desvío-estándar/error). Se ha considerado desvío estándar de
3,430 y margen de error de 650, con base en resultado precedente31.
Con nivel de significancia de 0,05, se ha inferido que el tamaño mínimo de la
muestra sería de 107 participantes.
Reclutamiento
y Procedimientos
Después
de la aprobación del estudio por el Comité de Ética en Investigaciones con
Seres Humanos de la Universidad Tecnológica Federal de Paraná (CAAE
14331813.0.0000.5547 - Parecer de aprobación 361.283), se hizo la invitación,
seguida de explanación sobre los objetivos de la investigación. Los sujetos que
aceptaron participar de forma voluntaria del estudio y atendieron a los
criterios de inclusión firmaron un termo de consentimiento libre y esclarecido.
Se realizó entrevista individual, para fines de colecta de datos
personales (edad y sexo) y antropométricos. Las medidas antropométricas (masa y
estatura) fueron calibradas según protocolo de Onis et al.32. Para
verificar el Índice de Quelet, o índice de masa corpórea (IMC), se ha dividido
la masa corporal del individuo, en quilos, por el cuadrado de la su altura en
metros33. Se ha efectuado la clasificación del estado nutricional
con base en el IMC, de acuerdo con criterios de la Organización Mundial de la
Salud, con encuadramiento en bajo peso (IMC < 18,5kg/m2),
eutrófico (IMC entre 18,5-24,9kg/ m2), sobrepeso (IMC entre
25,0-29,9kg/ m2) y obeso (IMC ≥30,0kg/ m2)34.
Procedimientos
IPAQ
Se ha aplicado el IPAQ – versión larga 8 - adaptado para la populación
brasileña 17, con base en datos obtenidos en entrevista individual,
estructurada y estandarizada, manteniéndose el mismo guion con todos los
entrevistados. El IPAQ posibilita mensurar el Equivalente Metabólico (MET) de
las actividades físicas en los dominios trabajo, transporte, tareas domésticas
y ocio. Para tanto, se ha multiplicado el tiempo despendido (en minutos) por
una constante referente a actividad y al dominio, conforme valores propuestos
por Heymsfield35 y Ainsworth36 (Tabla 1). El cálculo
total se ha obtenido por la suma de los escores de cada dominio.
Tabla 1. Equivalente metabólico en los diferentes dominios del Cuestionario
Internacional de Calidad de Vida
|
Dominio |
Actividad |
MET |
|
Trabajo |
Caminada |
3,3 |
|
Actividad moderada |
4,0 |
|
|
Actividad vigorosa |
8,0 |
|
|
Transporte |
Caminada |
3,3 |
|
Bicicleta |
6,0 |
|
|
Actividad doméstica |
Moderada (dentro de
casa) |
3,3 |
|
Moderada (fuera de casa) |
4,0 |
|
|
Vigorosa |
5,5 |
|
|
Tiempo libre |
Caminada |
3,3 |
|
Moderada |
4,0 |
|
|
Vigorosa |
8,0 |
Fuente: adaptado de
Heymsfield35; Ainsworth36.
Para determinar el gasto calórico de la AF en kilocalorías (kcal), se ha
multiplicado el total de MET por la masa corpórea, en kilogramos, y por la
duración en horas de la AF (MET x masa en kilogramo x duración en horas)35,36.
Se ha considerado la masa ideal con base en el IMC = 22 kg/m2.
Para la clasificación de NAF, teniendo en cuenta los resultados
obtenidos en el IPAQ, se ha calculado el total de AF en minutos por semana,
incluyendo actividades de caminada, moderadas y vigorosas. Los participantes
han sido clasificados en los niveles: físicamente muy activos, activos,
irregularmente activos y sedentarios, de acuerdo con modelo propuesto por el
Centro Coordinador del IPAQ en Brasil15.
Procedimientos
para monitoreo de los movimientos con el Podómetro
Se ha realizado el monitoreo con el podómetro (Yamax Gigi Walker
SW – 700) en cinco días consecutivos, considerando el período comprendido desde
el inicio de las actividades laborales del primer día hasta el fin de la
jornada de trabajo del quinto día. Se ha ajustado confortablemente el aparato a
la cintura del voluntario, por medio de un cordón de algodón, en la altura de
las caderas. Cada participante ha recibido entrenamiento individualizado previo
y una ficha para anotación de los días y horarios de utilización, bien como del
total de pasos registrados por el instrumento. Los valores fueron obtenidos en
kcal, de acuerdo el número de pasos y masa del individuo, considerándose como
promedio 0,55 kcal/kg/paso.
Se clasificaron los participantes en cuatro categorías de NAF, teniendo
en cuenta el promedio diario de pasos: sedentario y baja actividad (<7.499
pasos); poco activo (7.500-9.999 pasos); activo (10.000-12.499 pasos) y
altamente activo: ≥ 12.500 pasos)31.
Procedimientos
estadísticos y de Data Mining
Se
sometieron los datos de las variables numéricas al test de normalidad de
Kolmogorov-Smirnov, indicando la utilización de un teste de correlación
paramétrico de Pearson. Las variables categóricas y numéricas fueran sometidas
a técnicas de Data Mining, en un proceso de Knowledge-Discovery in
Databases (KDD) 37, a través del software WEKA, con nivel de
significancia de 95%.
La reducción de dimensionalidad en la etapa anterior al procesamiento de
Data Mining fue basada en algoritmos de Selección de Atributos, entre
eles CFS38 y Relief F Attribute Eval39,40,41.
Para solución de los problemas de KDD de predicción y descripción, se
utilizaron, respectivamente, técnicas de Data Mining de Clasificación y
Reglas de Asociación. Se aplicaron técnicas de Clasificación a través de
algoritmos de árbol de decisión: M5P, desarrolladas por Quinlan42,43,
implementadas por Wang y Witten44. Se aplicó la técnica de Reglas de
Asociación a través del algoritmo Apriori, desarrollado por Agrawal y Srikant45,
adaptado y expandido por Ma46.
Para el estudio de la correlación de la clasificación de NAF, con base
en el IPAQ y en el podómetro, se determinaron las diferentes clases, de acuerdo
con la siguiente escala: sedentario y baja actividad (1 punto); poco activo o
irregularmente activo (2 puntos); activo (3 puntos); altamente activo o muy
activo (4 puntos).
RESULTADOS
La
edad media verificada entre los participantes se ha ubicado en 33 años
(±10,13) para los hombres y en 30 años (±10,01) para las mujeres. La proporción
entre los géneros ha alcanzado un 72,2% de hombres (n=86), para 27,72 % de
mujeres (n=33).
Cuanto al IMC, el promedio ha sido de 26,61 m2 (± 4,85) para
los hombres y 25,61 m2 (± 5,25) para las mujeres; no se observó
diferencia significativa entre los géneros (p>0,05). No obstante, cuanto al
sobrepeso, los valores medios de IMC demostraron prevalencia de 31,0% entre las
mujeres y 42,0% entre los hombres. Se consideraron obesas el 16,0% de las
mujeres y un 19,0% de los hombres.
La Tabla 2 presenta la estadística descriptiva de los datos referentes
al número de pasos y calorías, calibrados por el podómetro y por el IPAQ.
Tabla 2. Estadística Descriptiva del
número de pasos y gasto calórico obtenidos a través del podómetro y del
Cuestionario Internacional de Actividad Física en adultos, Ponta Grossa,
Paraná, Brasil, 2014
|
Estadística Descriptiva de Resumo (n=118) |
Pasos |
Calorías |
Escala* |
||
|
Podómetro |
IPAQ |
Podómetro |
IPAQ |
||
|
Promedio |
11.411,31 |
583,81 |
657,81 |
2,30 |
2,64 |
|
Desvío estándar |
6.253,71 |
419,34 |
545,05 |
1,14 |
0,83 |
|
Mínimo |
609 |
72 |
0 |
1 |
1 |
|
Máximo |
26.403 |
3069 |
2337,20 |
4 |
4 |
*sedentario y baja actividad (1 punto); poco activo o irregularmente
activo (2 pontos); activo (3 puntos; altamente activo o muy activo (4 puntos)
La Tabla 3 demuestra correlaciones fuertes (r >0,6) y significativas
(p<0,001) de números de pasos con las calorías (r=0,76; 0,80) y escalas
(r=0,93; 0,71), involucrando, respectivamente, el podómetro y el IPAQ; y entre
el número de calorías (r=0.83) y escalas (r=0,67), por los mismos
procedimientos.
En la Figura 1 constan dos modelos de regresión linear para predicción
de calorías, con base en el número de pasos. Los valores estimados por los
podómetros, referentes al consumo de calorías, presentaron un coeficiente de
determinación de 58% (R2=0,58), a través de la siguiente ecuación: y
= 0,0511x + 1,0703). Con base en la ecuación: y = 0,0698x – 138,72, es posible
predecir las calorías consumidas, con 64,14% de capacidad de explicar la
variancia de la variable dependiente (R2=0,6414).
Tabla 3.
Correlación entre las variables: Número de Pasos x Calorías x Escalas
|
Correlación Pearson (p<0.001) |
Número de Pasos |
Calorías |
Escalas de NAF |
||||
|
Podómetro |
IPAQ |
Podómetro |
IPAQ |
||||
|
Número de Pasos |
1 |
|
|
|
|
||
|
Calorías |
Podómetro |
0,76 |
0,76 |
1 |
|
|
|
|
IPAQ |
0,80 |
0,80 |
0,83 |
1 |
|
|
|
|
Escala de NAF |
Podómetro |
0,93 |
0,90 |
0,70 |
0,76 |
1 |
|
|
IPAQ |
0,71 |
0,68 |
0,68 |
0,76 |
0,67 |
1 |
|
Nota: coordenada x =
variable independiente; coordenada y = variable dependiente
Figura 1. Correlación entre Número de Pasos y Calorías (kcal)
La Figura 2 presenta un modelo de regresión linear para predicción de
calorías (variable dependiente) para el IPAQ, con base en los resultados de
consumo calórico registrado en el podómetro, con coeficiente de determinación
de 69.20% de la variable dependiente.
Nota: coordenada x =
variable independiente; coordenada y = variable dependiente
Figura 2. Correlación entre valores de calorías obtenidos por podómetro y IPAQ
La ecuación IPAQ (caloría) = 0,0347 * Pasos + 0,6868 * podómetro (caloría) – 139,459 presenta el modelo de clasificación para predicción de valores del IPAQ,
utilizando técnicas de Data Mining de clasificación, a través del
algoritmo M5P. En el desarrollo del modelo, se utilizaron 66,67% de los
registros para entrenamiento y 33,33% para teste, resultando en un modelo con
más grande capacidad predictiva que los anteriores (r = 0,917).
Se categorizaron los datos con base en la NAF, en los procedimientos
utilizados (Podómetro e IPAQ) y, en seguida, sometidos a diferentes algoritmos
de Selección de Atributos utilizados en la etapa anterior al procesamiento de
la Data Mining, contenida en el Proceso de KDD, a través del Software
WEKA. Se definió como atributo-meta la variable: "Clase de
IPAQ", retirándose de la base de datos las variables: "Escala del
IPAQ" y "Calorías del IPAQ", en las cuales el atributo-meta
poseía dependencia funcional (Tabla 3). La Figura 3 presenta el ranking
por algoritmos, considerando los resultados atribuidos para las clases de NAF
de los diferentes procedimientos. Los resultados fueran organizados en una
escala de 0-1, considerando valores próximo de 1 para los atributos con mejor
rango por grado de predicción.
Tabla 4.
Clasificación del Nivel de Actividad Física y Equivalencia entre las escalas
|
Selección de Atributos |
Atributos Previsores |
Atributo Meta |
||||
|
Podómetro |
||||||
|
Número de Pasos |
Caloría |
Clase |
Escala |
|||
|
Algoritmos |
ChiSquaredAttributeEval |
3o. |
1 o. |
2 o. |
4 o. |
|
|
ClassifierAttributeEval :(OneR) |
3 o. |
1 o. |
2 o. |
4 o. |
||
|
CorrelationAttributeEval |
1 o. |
3 o. |
4 o. |
2 o. |
||
|
GainRatiAttributeEval |
1 o. |
2 o. |
3 o. |
4 o. |
||
|
InfGainAttributeEval |
3 o. |
1 o. |
2 o. |
4 o. |
||
|
OneRAttributeEval |
2 o. |
1 o. |
3 o. |
4 o. |
||
|
SignificanceAttributeEval |
2 o. |
1 o. |
3 o. |
5 o. |
||
|
ReliefFAttributeEval |
3 o. |
4 o. |
1 o. |
2 o. |
||
|
SymmetricalUncertAttributeEval |
2 o. |
1 o. |
3 o. |
4 o. |
||
Figura 3. Rango por algoritmos y promedio de las variables del Podómetro, por
grado de predicción de clases del IPAQ
Observada la posibilidad de predicción de las clases del IPAQ, con base
en las variables del podómetro, se desarrollaron varios modelos a través del
algoritmo J4839; entre ellos, el que consta en la Figura 4, con la
más grande tasa de acierto. El modelo presenta como atributo previsor el NAF, a
través del podómetro, con coeficiente de acierto de 77,5 % y estadística de
Kappa = 0,5799, considerada moderada y más precisa para clasificación de las
clases: Activo (88%) y Sedentario (100%).
Figura 4. Modelo de Clasificación para predicción de clases del IPAQ
Con base en informaciones presentes en los modelos
anteriores, se representaron las variables implicadas en un modelo 3D, en el
ambiente WEKA de visualización de datos (Figura 5).
|
|
|
|
Nota: (a) Clasificación por el
Podómetro |
(b) Clasificación por el IPAQ |
Figura 5. Modelo 3D de representación de la Clasificación de NAF, con las
variables por eje: x - podómetro (calorías), y - podómetro (número de pasos),
z: IPAQ (calorías)
El Cuadro 1 demuestra la asociación entre las variables categorizadas en
la técnica de Data Mining de Reglas de Asociación, utilizando el
algoritmo Apriori41. Con base en la Reglas de Asociación (RA 2 y RA
4), se observa que las clases "Poco Activo" o "Activo" en
la escala del podómetro corresponden a clase "Activo" del IPAQ, con
82,09% de confianza, considerándose los soportes de sendas reglas. La clase
"Activa", con base en el podómetro, también corresponde a la misma
clase del IPAQ, con 84% de confianza (RA 3). La clase "Sedentario"
presenta la misma equivalencia en los de los procedimientos, con 75% de
confianza (RA 5).
1.
IPAQ (clase)=Sedentario 16 ==> podómetro (clase)=Sedentario 15 <conf:(0,94)> lift:(5,53) lev:(0,1)
[12] conv: (6,64)
2. Podómetro (clase)=Activo 50
==> IPAQ (clase)=Activo 42
<conf:(0,84)> lift:(1,42) lev:(0,1) [12] conv: (2,26)
3. IPAQ (clase)=Muy Activo 10
==> podómetro (clase)=Activa 8
<conf:(0,8)> lift:(1,89) lev:(0,03) [3] conv: (1,92)
4. Podómetro (clase)=Poco Activo
17 ==> IPAQ (clase)=Activo 13
<conf:(0,76)> lift:(1,29) lev:(0,02) [2] conv: (1,38)
5. Podómetro (clase)=Sedentario
20 ==> IPAQ (clase)=Sedentario 15
<conf:(0,75)> lift:(5,53) lev:(0,1) [12] conv: (2,88)
Cuadro 1. Reglas de Asociación entre las clases del podómetro y IPAQ
DISCUSIÓN
El presente estudio ha analizado la correlación entre
el podómetro y el IPAQ (versión larga), para determinación de NAF y GE de los
trabajadores involucrados en la investigación. Se han utilizado técnicas
estadísticas y de Data Mining, con vistas la correlacionar las
variables implicadas en la investigación, utilizando-se datos numéricos y
categóricos.
El grupo evaluado es formado por individuos jóvenes, de ambos sexos, con
predominancia del sexo masculino, el que se justifica por la mayor
concentración de hombres en el sector industrial.
Se observó alta incidencia de individuos con sobrepeso y obesidad, en
ambos los sexos, resultado similar a otros estudios, en los cuales se constata
tendencia similar entre trabajadores3,5.
El número medio de pasos de los trabajadores evaluados demostró
prevalencia de actividad moderada y alta, una vez que 10.000 pasos diarios
representan una meta razonable para la promoción de la salud en adultos
saludables31. Tal resultado é semejante al encontrado en estudios
de Cocker al.26, los cuales identificaron, entre adultos
monitoreados, 22,6% poco activos, 18,7% activos y 39,4% altamente activos. De
otro lado, el valor medio observado en ese estudio está sobre el observado por
Dwyer et al.9 y por Basset Jr. et al.47.
Para determinación del GE, se identificó alta correlación positiva
(r>0,6; p<0,001) entre los valores estimados para el podómetro (R2=0,58)
y IPAQ (R2=0,64), con base en el número de pasos. La identificación
de los hábitos de AF con base en autorrelato se punta como una de las
inconveniencias del IPAQ19, 27,29. Pardini et al.48;
Clark et al.28 y Kim et al.29 encontraran baja
correlación entre el IPAQ y sensores de movimiento. Benedetti et al.49 han
encontrado una correlación Spearman de moderada a baja entre los valores
obtenidos a través del IPAQ y del podómetro (r = 0,24).
Posiblemente, el tipo de abordaje utilizado en el presente estudio se
demostró capaz de minimizar la dificultad de comprensión y respuesta para los
diferentes ítems del IPAQ.
Un importante hallazgo fue la correlación entre los dos procedimientos
para evaluación del GE y NAF. Estudios de Cocker et al.26 y
Tudor-Locke et al.50 también han correlacionado positivamente la
clasificación de NAF, con base en el conteo de pasos y en los datos subjetivos
del IPAQ (versión larga). El estudio de Welk et al.24 apuntó
correlación positiva entre el podómetro y el IPAQ, cuanto al conteo de pasos,
para evaluar se los individuos realizan en el mínimo 30 minutos de AF diaria.
Las técnicas utilizadas en este estudio son
metodologías investigativas, más viables para pesquisas de determinación de las
necesidades y balances energéticos de la populación, en vista de su aplicación
más rápida y de bajo costo.
El modelo del árbol de decisión presenta predicción de las clases del
IPAQ, con base en las clases del podómetro, con elevada tasa de acierto
(77,5%), principalmente en la previsión de las categorías “Sedentario” (100%) y
“Activo” (88%), líneas de corte para diagnóstico de hábitos de AF50.
CONCLUSIÓN
A pesar de los podómetros no discriminaren la intensidad de la AF, esos
equipamientos fornecen informaciones suficientes para la identificación de
hábitos de bajo NAF o sedentarismo.
El estudio demostró significativa correlación entre los valores de gasto
energético y clasificación de NAF, obtenidos por el IPAQ (versión larga) y por
el podómetro, con posibilidad de predicción de variables más difíciles de
colectarse, gracias a la utilización de aquella de mejor accesibilidad. Ambos
los procedimientos estudiados, el podómetro y el IPAQ, se pueden utilizar sea
para fornecer datos referentes a NAF, sea para indicar el valor medio de GE.
La alta correlación y alta predicción observadas en este trabajo
posibilitan viabilizar estudios de populación, comprendiendo el NAF y GEAF,
utilizándose apenas uno de los métodos.
La utilización de Técnicas de Data Mining se demostró útil en el
desarrollo de modelos de descripción y predicción. Tanto las técnicas
estadísticas como las de Data Mining, apuntaron modelos con capacidad de
predicción de las variables de un instrumento, a través de las variables de
otro de menor accesibilidad.
REFERENCIAS
BIBLIOGRÁFICAS
1 World Health
Organization (WHO). 2008-2013 Action Plan for the global strategy for the
prevention and control of non-communicable diseases. [Consultado 2012 febrero 5]. Disponible en: http://whqlibdoc.who.int/publications/2009/9789241597418_eng.pdf.
2 Ribeiro AG, Cotta RMM, Ribeiro SMR. A
promoção da saúde e a prevenção primária integrada dos fatores de risco para
doenças cardiovasculares. Ciência & Saúde Coletiva 2012;
17(1):7-17. https://doi.org/10.1590/S1413-81232012000100002
3 Allman-Farinelli MA, Chey T, Merom
D, Bauman AE. Research Occupational
risk of overweight and obesity: an analysis of the Australian Health Survey.
Journal of Occupational Medicine and Toxicology 2010; 5 (14): 1-9.
4
Kushi LH, Doyle C, McCullough M, Rock CL, Demark‐Wahnefried W, Bandera EV, Gansler T. American
Cancer Society guidelines on nutrition and physical activity for cancer
prevention. CA: A Cancer Journal for Clinicians 2012; 62(1): 30-67. https://doi.org/10.3322/caac.20140
5
Chau J, Van der Ploeg HP, Merom D, Chey T, Bauman AE. Cross-sectional
associations between occupational and leisure-time sitting, physical activity
and obesity in working adults. Preventive Medicine 2012; 54(3): 195-200. https://doi.org/10.1016/j.ypmed.2011.12.020
6 Bastos,
AA, González Boto R, Molinero González O. y Salguero del Valle A. Obesidad,
nutrición y Actividad Física. Revista Internacional de Medicina y Ciencias de
la Actividad Física y el Deporte 2005; 5(18):140-153.
7
Mitsui T, Shimaoka K, Tsuzuku S, Kajioka, T, Sakakibara H. Pedometer-determined
physical activity and indicators of health in Japanese adults. Journal of
Physiological Anthropology 2008; 27(4): 179-184. https://doi.org/10.2114/jpa2.27.179
8
Kozàkovà M, Palombo C, Morizzo C, Nolan JJ, Konrad T, Balkau B. Effect of
sedentary behaviour and vigorous physical activity on segment-specific carotid
wall thickness and its progression in a healthy population. European Heart
Journal 2010; 31(12):1511-1519. https://doi.org/10.1093/eurheartj/ehq092
9
Dwyer T, Ponsonby AL, Ukoumunne OC, Pezic A, Venn A, Dunstan, DJ.
Association of change in daily step count over five years with insulin
sensitivity and adiposity: population based cohort study. BMJ 2011; 342: 1-8. https://doi.org/10.1136/bmj.c7249
10
Alevizos A, Lentzas J, Kokkoris S, Mariolis A, Korantzopoulos P. Physical
activity and stroke risk. International journal of clinical practice 2005;
59(8): 922-930. https://doi.org/10.1111/j.1742-1241.2005.00536.x
11
Kohl HW, Craig CL, Lambert EV, Inoue S, Alkandari JR, Leetongin G, Kahlmeier S. The pandemic of physical
inactivity: global action for public health. The Lancet 2012; 380(9838):294–305. https://doi.org/10.1016/S0140-6736(12)60898-8
12
Braith RW, Stewart KS.
Resistance exercise training. It prevention of cardiovascular role in the
prevention of cardiovascular disease. Circulation 2006; 113(22): 2642-2650. https://doi.org/10.1161/CIRCULATIONAHA.105.584060
13 World Health Organization (WHO) (2010). Globalysical
activity for the World Health. Geneva: WHO Library. [consultado 5 febrero
2012]. Disponible en: http:// whglibdoc.who. int/publications/
2010/9789241599979.eng.pdf
14
Montoye
H, Kemper H, Saris W, Washburn R.
Measuring Physical Activity and Energy Expenditure. Illinois: Human Kinetics, 1996.
15 Matsudo
S, Araújo T, Matsudo V, Andrade D, Andrade E, Braggion G. Questionário
Internacional de Atividade Física (IPAQ): Estudo de Validade e
Reprodutibilidade no Brasil. Atividade Física e Saúde 2001; 6(2): 5-18.
16 Haskell W.,
Lee IM, Pate RR. Physical activity and
public health: updated recommendation for adults from the American College of
Sports Medicine and the American Heart Association. Medicine and science in
sports and exercise 2007; 39(8):1423-1434. https://doi.org/10.1249/mss.0b013e3180616b27
17
Armstrong T, Bull F.
Development of the world health organization global physical activity
questionnaire (GPAQ). Journal of Public Health 2006; 14:66-70. https://doi.org/10.1007/s10389-006-0024-x
18
Bauman A, Bull F, Chey
T, Craig CL, Ainsworth BE, Sallis JF, Pratt, M. The International
Prevalence Study on Physical Activity: results from 20 countries. International
Journal of Behavioral Nutrition and Physical Activity 2009; 6(21):1-11. https://doi.org/10.1186/1479-5868-6-21
19 Lima RA, Freitas CMSMD, Smethurst WS, Santos CM,
Barros, MVGD. Nível de atividade
física em idosos com doença de Alzheimer, mediante aplicação do IPAQ e de
pedômetros. Revista Brasileira de Atividade Física & Saúde 2012; 15(3):
180-185.
20 Vespasiano
BDS, Dias R, Correa, DA. A utilização do Questionário Internacional de
Atividade Física (IPAQ) como ferramenta diagnóstica do nível de aptidão física:
uma revisão no Brasil. Saúde em Revista 2012;
12(32): 49-54. https://doi.org/10.15600/2238-1244/sr.v12n32p49-54
21 Prince S, Adamo K,
Hamel M, Hardt J, Gorber S, Tremblay M. A comparison of direct versus
self-report measures for assessing physical activity in adults: a systematic
review. International Journal of Behavioral Nutrition and Physical Activity
2008; 5(1): 56. https://doi.org/10.1186/1479-5868-5-56
22 Cafruni CB, Valadão RDCD, de Mello ED. Como Avaliar a Atividade Física? Revista Brasileira de Ciências da Saúde
2012, 10(33), 61-71. https://doi.org/10.13037/rbcs.vol10n33.1555
23 Bassett Jr,
D.R (2000). Validity and
reliability issues in objective monitoring of physical activity. Research
Quarterly for Exercise and Sport, 71(2): 30-36. https://doi.org/10.1080/02701367.2000.11082783
24 Welk
GJ, Differding JA, Thompson RW, Blair SN, Dziura J, Hart, P. The utility of the
Digi-walker step counter to assess daily physical activity patterns. Medicine
and Science in Sports and Exercise 2000; 32(9): S481-S488. https://doi.org/10.1097/00005768-200009001-00007
25 Kang M, Marshall
SJ, Barreira TV, Lee, JO. Effect of pedometer-based physical activity
interventions: a meta-analysis. Research quarterly for exercise and sport 2009;
80(3): 648-655. https://doi.org/10.1080/02701367.2009.10599604
26 Cocker KA, De Bourdeaudhuij IM, Cardon GM. The
effect of a multi-strategy workplace physical activity intervention promoting
pedometer use and step count increase. Health education research 2010; 25(4):
608-619. https://doi.org/10.1093/her/cyp052
27 Schmidt MD, Cleland
VJ, Thomson RJ, Dwyer T, Venn AJ. A comparison of subjective and objective
measures of physical activity and fitness in identifying associations with
cardiometabolic risk factors. Annals
of epidemiology 2008; 18(5): 378-386. https://doi.org/10.1016/j.annepidem.2008.01.005
28 Clark BK, Thorp AA,
Winkler EA, Gardiner PA, Healy GN, Owen N, Dunstan DW. Validity of
self-reported measures of workplace sitting time and breaks in sitting time. Medicine and Science in Sports
and Exercise 2011; 43(10): 1907-1912.
29
Kim Y, Park I, Kang M. Convergent validity of
the international physical activity questionnaire (IPAQ): meta-analysis. Public health nutrition 2013; 16(03): 440-452. https://doi.org/10.1017/S1368980012002996
30 Triola MF.
Introdução à estatística (10ª ed.). Rio de Janeiro: LTC, 2008.
31 Tudor-Locke C, Hatano
Y, Pangrazi RP, Kang, M. Revisiting How Many Steps are Enough? Medicine and
science in sports and exercise 2008; 40(7): S537. https://doi.org/10.1249/MSS.0b013e31817c7133
32 Onis M, Onyango AW, Van
den Broeck J, Chumlea WC, Martorell R. Measurement and standardization
protocols for canthropometry used in the construction of a new international
growth reference. Food and Nutrition Bulletin 2004; 25(1): S15-S26.
33 International
Lipid Information Bureau (ILIB) Latino América. Recomendaciones de ILIB para el diagnóstico de las dislipidemias en
Latino América. Cardiovasc.
Risk Factors 1994; 3(1): S10-S27.
34 World Health Organization (WHO) (2000). Obesity: preventing and managing
the global epidemic. Geneva: WHO Technical Report Series. [consultado 5 febrero
2012]. Disponible en: http://www.who.int/nutrition/publications/obesity/WHO_TRS_894/en/
35 Heymsfield SL, Lohman
T, Wang Z, Going S. Human Body Composition. Ed. Champaign, Human Kinetics,
2005.
36 Ainsworth BE, Haskell WL, Herrmann SD, Meckes
N, Bassett DR, Tudor-Locke C, Leon AS. 2011 compendium of physical activities:
a second update of codes and MET values. Medicine and Science in Sports and
Exercise 2011; 43(8): 1575-1581. https://doi.org/10.1249/MSS.0b013e31821ece12
37 Fayyad UM, Piatetsky-Shapiro G, Smyth P. Knowledge Discovery and Data
Mining: Towards a Unifying Framework. In KDD, 96, 82-88, 1996.
38 Hall
MA. Correlation-based Feature Subset Selection for Machine Learning. New
Zealand: Hamilton, 1999.
39 Kira K, Rendell LA. A practical approach to
feature selection. In: Proceedings of the ninth international workshop on
Machine learning. Morgan Kaufmann Publishers Inc, 1992. https://doi.org/10.1016/b978-1-55860-247-2.50037-1
40 Kononenko I. Estimating attributes: analysis and extensions of RELIEF.
In Machine Learning: ECML-94. Springer Berlin Heidelberg, 1994: 171-182. https://doi.org/10.1007/3-540-57868-4_57
41 Robnik-Šikonja M,
Kononenko I. An adaptation of Relief for attribute estimation in regression. In
Machine Learning: Proceedings of the Fourteenth International Conference
(ICML’97), 1997.
42 Quinlan
JR. Learning with continuous classes. In: Proceedings of the 5th Australian
joint Conference on Artificial Intelligence 1992: 92; 343-34
43
Quinlan JR. C4.5 Programs for Machine Learning. San Mateo: Morgan Kaufmann
Publishers, 1993.
44
Wang Y, Witten IH. Inducing model trees for continuous classes. In: Proceedings
of the Ninth European Conference on Machine Learning, 1997: 128-113.
45
Agrawal R, Srikant R. Fast algorithms for mining association rules. In:
Conference on Very Large Databases, 20, Proccedings … San Francisco, Morgan
Kaufmann, Santiago do Chile, 1994.
46 Ma BLWHY. Integrating classification and
association rule mining. In: Proceedings of the 4th, 1998.
47 Bassett Jr DR, Wyatt HR, Thompson H, Peters JC, Hill JO.
Pedometer-measured physical activity and health behaviors in United States
adults. Medicine and science
in sports and exercise 2010; 42(10): 1819.
https://doi.org/10.1249/MSS.0b013e3181dc2e54
48 Pardini R,
Matsudo S, Araújo T, Matsudo V, Andrade E, Braggion G, Raso V. Validação do
questionário internacional de nível de atividade física (IPAQ-versão 6): estudo
piloto em adultos jovens brasileiros. Revista Brasileira de Ciência e Movimento
2001; 9(3): 39-44.
49 Benedetti TRB, Antunes PDC, Rodriguez-Añez CR, Mazo
GZ, Petroski EL. Reprodutibilidade e validade do Questionário Internacional de
Atividade Física (IPAQ) em homens idosos. Revista
Brasileira de Medicina do Esporte 2007; 13(1): 11-6. https://doi.org/10.1590/S1517-86922007000100004
50 Tudor-Locke
C, Williams JE, Reis JP, Pluto D. Utility of pedometers for assessing physical
activity. Sports Medicine 2002; 32(12): 795-808. https://doi.org/10.2165/00007256-200232120-00004
Número de citas totales / Total references: 50 (100%)
Número de citas propias de la revista / Journal's own references: 1 (2%)
Rev.int.med.cienc.act.fís.deporte
-
vol. 17 - número 66 - ISSN: 1577-0354