Clusters de comportamentos do estilo de vida de universitários brasileiros: Coorte UNILIFE-M

Abstract

O ingresso na universidade costuma gerar readaptações no estilo de vida das pessoas e o ambiente acadêmico pode se tornar uma fonte de estresse e favorecer estilos de vida um pouco saudáveis. Tendo em vista que esses comportamentos tendem a se associar, a presença de clusters de comportamentos do estilo de vida parece ter implicações positivas no desenho de intervenções preventivas e de promoção da saúde. Esta pesquisa teve como objetivo caracterizar agrupamentos de comportamentos do estilo de vida de universitários brasileiros quanto à prática de atividade física, comportamentos alimentares, comportamento sedentário, uso de matéria, gerenciamento de estresse, suporte social e sono. Trata-se de um retrato observacional transversal da linha de base da fase piloto de um estudo de coorte prospectivo multicêntrico. As coletas tiveramdois momentos (linha de base e fase II), e foi estimada a participação de 500 graduandos e pós-graduandos. As coletas foram realizadas por meio do questionário SMILE-C e de perguntas abertas e fechadas, via plataforma online REDCap. Para a análise dos dados foi utilizada estatística descritiva com resultados expressos em frequências relativas e medida de tendência central para a caracterização da amostra.A formação dos clusterscom comportamentos semelhantes foi gerada através do algoritmo Two-stepcluster no Software IBM SPSS. Para associação entre os clusters de fatores associados, os testes de qui-quadrado de Kruskal-Wallis foram usados, considerando-se significativos p<0,05. Participaram do estudo 941 estudantes, 90 foram excluídos por dados incompletos, restando 851 elegíveis para a formação dos clusters. Foram reconhecidos três perfis diferentes: o cluster 1(At-Risk), com os piores valores para todos os domínios dos estilos de vida específicos; o cluster 2 (Screeners), aparentemente com pior estilo de vida para o comportamento sedentário (z=-0,51±0,37), mas com escore z positivo para as demais variáveis ??e o cluster 3 (Non-Screeners), aparentemente o mais saudável e com melhor estilo de vida para o comportamento sedentário (z=1,42±0,86) e comportamento alimentar (z=0,54 ± 0,72). Observe-se ainda, a média > 3 pontos para prática de atividade física, 3,27 ± 0,84 pontos noNon-Screeners, e 3,19 ± 1,00 pontos noScreeners. Foi observado que existe uma associação de sexo (p=<0,001), escolaridade (p=0,002),diagnóstico de transtorno mental (p=0,004) e renda (p=0,010) com cluster de estilo de vida, sendo que oAt-riské aquele com uma maior proporção de mulheres (64,6%), graduandos (95,0%), histórico de diagnóstico de transtorno mental (19,6%) e de renda média mensal familiar entre R$ 1.255,00 e R$ 2.004, 00 (31,5%); em contrapartida,o Screeners apresentaram a maior proporção de valores acima de R$ 11.262,00 (12,2%) e de pessoas brancas (49,2%) (p=0,095). Já o Non-Screenersapresentou maior idade média 25,38 ± 8,11 (p=0,000), maior proporção de casados ??(8,2%) (p=0,000) e de heterossexuais (84,6%) (p=0,000) . Identificar diferentes clusters de comportamentos de saúde é importante, visto que permite detectar situações de vulnerabilidade para o estilo de vida. O reconhecimento desses clusters pode servir como direcionamentos para políticas institucionais orientadas aos grupos mais expostos aos riscos sociais e ambientais, favorecendo a redução de problemas potenciais à saúde dentro das universidades.

Abstract: Entering college usually generates readaptations in people's lifestyles and the academic environment can become a source of stress and favor unhealthy lifestyles. Given that these behaviors tend to be associated, the presence of clusters of lifestyle behaviors appears to have positive implications for the design of preventive and health promotion interventions. This research aimed to characterize clusters of lifestyle behaviors of Brazilian university students regarding the practice of physical activity, eating behaviors, sedentary behavior, substance use, stress management, social support, and sleep. This is a cross-sectional observational section of the baseline of the pilot phase of a multicenter prospective cohort study. The collections had two moments (baseline and phase II), and the participation of 500 undergraduate and postgraduate students was estimated. Data was collected via the SMILE-C questionnaire and open and closed questions, using the REDCap online platform. For data analysis, descriptive statistics was used with results expressed in relative frequencies and a measure of central tendency to characterize the sample. The formation of clusters with similar behaviors was generated using the Two-step cluster algorithm in IBM SPSS Software. For associations between clusters and associated factors, the chi-square and Kruskal-Wallis tests were used, p<0.05 was considered significant. 941 students participated in the study, from which 90 were excluded due to incomplete data, leaving 851 eligible for the formation of clusters. Three different profiles were recognized: cluster 1 (At-Risk), with the worst values for all lifestyle domains analyzed; cluster 2, apparently with a worse lifestyle for sedentary behavior (z=-0.51±0.37), but with a positive z-score for the other lifestyle variables, called Screeners, and cluster 3 (Non-Screeners), apparently healthier and with a better lifestyle for sedentary behavior (z=1.42±0.86) and eating behavior (z=0.54 ± 0.72). It was also observed the average > 3 points for physical activity, 3.27 ± 0.84 points for Non-Screeners, and 3.19 ± 1.00 points for Screeners. It was found that gender (p=<0.001) education level (p=0.002), and diagnosis of mental disorder (p=0.004) and income (p=0,010) are associated with the lifestyle cluster, with At-risk being the one with a higher proportion of women (64.6%), undergraduates (95%) and with a history of diagnosis of mental disorder (19.6%) and income between R$1.255,00 e R$2.004,00 (31,5%); in contrast, the Screeners cluster showed a higher proportion of values above R$11.262,00 (12,2%) and white people (49,2%) (p=0,095). Non-Screeners had a higher average age 25,38 ± 8,11 (p=0,000), a higher proportion of married people (8.2%) (p=0.000), and heterosexuals (84.6%) (p=0.000). It is important to identify different clusters of health behaviors, as it allows the detection of situations of vulnerability. The recognition of these clusters can serve as guidance for institutional policies aimed at groups that are more exposed to social and environmental risks, favoring the reduction of potential health problems within universities.