The data showed that the process of translation and cross-cultural adaptation were successful and that the adapted instrument demonstrated excellent psychometric properties.
Objetivo: Verificar a prevalência do hábito de fumar em um grupo profissional e evidenciar quais fatores estão relacionados ao tabagismo e ao seu abandono. Casuística e Método: Foram avaliados, prospectivamente, 494 funcionários da Procuradoria Geral de Justiça de Minas Gerais, na cidade de Belo Horizonte, consecutivos e aleatoriamente incluídos, de um total de 1229 pessoas. Eles responderam a questionário relacionado ao tabagismo, com vista à avaliação de fumantes, não-fumantes e ex-fumantes. Foram incluídas as variáveis: idade, gênero, nível educacional, estado civil, prática de atividades esportivas, religião e uso de bebidas alcoólicas. Aos fumantes foi também aplicado o teste de Fagerstrom modificado, para estabelecer o grau de dependência ao vício. Resultados: Nesta amostra, 58% dos funcionários eram do gênero feminino e 42% do gênero masculino. A idade variou entre 16 e 69 anos, com média de 36,1 ± 10,5 anos. Do total pesquisado, 8,2% eram fumantes regulares, 3,5%, fumantes ocasionais, 13,3% ex-fumantes e 74,9% não-fumantes. Entre os fumantes, 76,5% tinham pouca dependência, 13,7% dependência moderada e 9,8% dependência grave. Verificou-se que a prática de religião (p < 0,001), independentemente da crença (p = 0,642), e a prática de atividades esportivas (p = 0,002) são fatores de proteção em relação ao tabagismo. Uso de bebidas alcoólicas (p < 0,001) e idade mais avançada (p = 0,002) correlacionaram-se com o tabagismo. Entretanto, não houve associação do tabagismo com gênero (p = 0,38), nível educacional (p = 0,086), ou estado civil (p = 0,392). Entre os ex-fumantes, os três principais fatores que os levaram a parar de fumar foram: iniciativa própria (23,4%), receio de ter doença grave (13,83%) e odor do cigarro (13,3%). Conclusão: Indivíduos jovens, praticantes de atividade física ou religiosa, não consumidores de bebidas alcoólicas, são menos suscetíveis ao vício do cigarro.
Abstract. A set of seasonal drought forecast models was assessed and verified for the Jaguaribe River in semiarid northeast Brazil. Meteorological seasonal forecasts were provided by the operational forecasting system used at FUNCEME (Ceará's research foundation for meteorology) and by the European Centre for Medium-Range Weather Forecasts (ECMWF). Three downscaling approaches were tested and combined with the models in hindcast mode for the period 1981 to 2014. The forecast issue time was January and the forecast period was January to June. Hydrological drought indices were obtained by fitting a 5 generalized linear model to observations. In short, it was possible to obtain forecasts for a) monthly precipitation, b) meteorological drought indices, and c) hydrological drought indices.The skill of the forecasting systems was evaluated with regard to root mean square error (RMSE) and the relative operating characteristic (ROC) skill score. Forecasts of monthly precipitation had little or no skill considering RMSE. Still, the forecast of extreme events of low monthly precipitation showed skill for the rainy season (ROC skill score of 0.24 to 0.33). A simi-10 lar picture was seen when forecasting meteorological drought indices: low skill regarding RMSE and significant skill when forecasting drought events of e.g. SP EI 01 (ROC skill score of 0.53 to 0.61). Similar results were obtained for low regional reservoir storage forecasts. Regarding the skill in the forecasted months, it was greater for April, when compared to February and March (the remaining months of the rainy season).This work showed that a multimodel ensemble can forecast drought events of time scales relevant to water managers in 15 northeast Brazil with skill. But no or little skill could be found in the forecasts of the whole range of monthly precipitation or drought indices (e.g. forecasting average years). Both this work and those here revisited showed that major steps forward are needed in forecasting the rainy season in northeast Brazil.
Um dos pontos críticos nos algoritmos de Inteligência Artificial é a eficiência do classificador utilizado nos diferentes cenários de uma rede neural recursiva. O KNN (K-Nearest Neighbors) é um classificador simples capaz de rotular cada elemento de um conjunto de dados a partir da distância destes em relação aos seus vizinhos mais próximos em um conjunto de dados semelhante treinado previamente. Na área da saúde é amplamente conhecido que a Relação Cintura Quadril (RCQ) e a Pressão Arterial (PA) estão fortemente correlacionadas. Objetivo: averiguar o comportamento da acurácia, sensibilidade e precisão do KNN para diferentes valores de k (3, 5 e 7) em relação à identificação de hipertensos em uma conjunto de dados de RCQ. Métodos: A amostra é composta por 499 mulheres, usuários do Programa de Saúde da Família (PSF) na cidade de Poços de Caldas, Minas Gerais.Todas as participantes assinaram o Termo de Consentimento Livre e Esclarecido (TCLE).Todas as participantes assinaram o Termo de Consentimento Livre e Esclarecido (TCLE). Para aferição da PA foi utilizado um esfigmomanômetro de coluna de mercúrio (0-300 mmHg) da marca Biotec ®, a medida das circunferências da cintura e do quadril foram realizadas com uma fita antropométrica, com escala em milímetros da marca Sanny®. O algoritmo desenvolvido na linguagem Python 3.0 e bibliotecas específicas do mesmo foram utilizadas. Foram utilizados 80% dos dados para o treinamento do algoritmo e 20% para a fase de testagem do mesmo. Resultados: os valores da acurácia, sensibilidade e precisão variaram para os diferentes valores de K testados na KNN. Para K=3 foram obtidos os melhores valores para acurácia (0,89) sensibilidade (0,89) e precisão (0,89) para este classificador de mulheres hipertensas a partir do RCQ das mesmas. Conclusão: o método KNN é um eficiente classificador em redes neurais recursivas aplicadas na área da saúde.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.