Estabilidade e dinâmica do crescimento físico ... · Todas as minhas conquistas são fruto do...

Estabilidade e dinâmica do crescimento físico,

desempenho motor e saúde. Um estudo longitudinal-

misto em adolescentes portugueses.

Michele Caroline de Souza

2014

Estabilidade e dinâmica do crescimento físico, desempenho

motor e saúde. Um estudo longitudinal-misto em adolescentes

portugueses.

Dissertação apresentada ao Programa Doutoral em Ciências

do Desporto (Decreto-Lei n.º 74/2006, de 24 de Março), com

vista à obtenção do grau de Doutor em Ciências do

Desporto, sob a orientação do Professor Doutor José

António Ribeiro Maia e co-orientação dos Professores

Doutor Joey Eisenmann e Doutora Cláudia Forjaz.


Porto, Novembro de 2014

Ficha de catalogação


IV

FICHA DE CATALOGAÇÃO

Souza, M.C. (2014). Estabilidade e dinâmica do crescimento físico,

desempenho motor e saúde. Um estudo longitudinal-misto em

adolescentes portugueses. Porto: Dissertação de Doutoramento apresentada

à Faculdade de Desporto da Universidade do Porto.

Palavras-chave: CRESCIMENTO, DESEMPENHO MOTOR, SAÚDE

CARDIOMETABÓLICA, INFORMAÇÃO LONGITUDINAL, ADOLESCENTES.


V

“…Para se aprender a pensar é preciso primeiro aprender a

dançar. Quem dança com as ideias descobre que pensar é

alegria. Se pensar lhe da tristeza é porque você só sabe

marchar, como soldados em ordem unida. Saltar sobre o

vazio, pular de pico em pico. Não ter medo da queda. Foi assim

que se construiu a ciência: não pela prudência dos que

marcham, mas pela ousadia dos que sonham. Todo

conhecimento nada mais é que a aventura pelo mar

desconhecido, em busca da terra sonhada. Mas sonhar é coisa

que não se ensina. Brota das profundezas do corpo, como a

água brota das profundezas da terra.”

Rubem Alves1

1Alves, Rubem. A alegria de ensinar. São Paulo: Ars Poética, 1994.

Dedicatórias


VII

DEDICATÓRIAS

Aos meus pais Júlio e Sandra

E à minha irmã Jeane

Todas as minhas conquistas são fruto do vosso amor, cuidado e dedicação. O

forte sentimento familiar que nos une, transcendeu o oceano e foi o alicerce para que

este nosso lindo sonho se concretizasse.

“Sou mais eu, porque sou vocês!”

Ao meu namorado Roberto

Nosso amor sobreviveu ao tempo, foi paciente, resignado e insistente.

E na certeza de muitos reencontros, incitou-nos a continuar…juntos…pois não

houve distância que nos fizesse ausentes.

À minha amiga-irmã Raquel

Um dos melhores presentes desta aventura além-mar…

“Não havíamos marcado hora, não havíamos marcado lugar. E, na infinita

possibilidade de lugares, na infinita possibilidade de tempos, nossos tempos e nossos

lugares coincidiram. E deu-se o encontro.” 1

1Rubem Alves

Agradecimentos


IX

AGRADECIMENTOS

Esta caminhada foi, e para sempre será, uma das melhores em minha

vida. Marcada por um crescimento acadêmico e pessoal imensurável. De toda

experiência, de todos os objetivos atingidos e desafios ultrapassados, fica a

certeza de que nunca estive sozinha, foram muitas as pessoas e Instituições

que “conspiraram” ao meu favor e trabalharam para a concretização desta tese

e deste projeto. Portanto, gostaria de expressar todo o meu carinho e

sentimento de gratidão a todos que foram luz, imprescindível, nesta minha

trajetória. “Há gente que fica na histórida da história da gente!”

Ao meu orientador Professor Doutor José António Ribeiro Maia, por

idealizar e confiar a mim este lindo desafio, e acreditar que eu seria capaz de

cumpri-lo. Agradeço imensamente pela sua primazia em orientar e, às vezes,

até em “desorientar”, me fazendo crescer pessoal e academicamente. Seus

ensinamentos e conhecimentos sabiamente partilhados, bem como o seu apoio

constante e incansável, dedicação, entrega e rigor acadêmico-científico serão,

para sempre, exímios exemplos a serem seguidos. Esses 6 anos deixarão

saudades, mas parto com a certeza de muitos reencontros. Muito obrigada!

À Professora Doutora Cláudia Forjaz, co-orientadora desta tese e tutora

do meu processo de bolsa de Doutorado no exterior. Não obstante todo o seu

enorme trabalho e ocupações acadêmicas, aceitou fazer parte de todas as

etapadas desta trajetória, desde a conceção e escrita do projeto, recolha de

dados, candidatura à bolsa, e desenvolvimento da tese. Agradeço pelo

empenho, dedicação, tempo, ensinamento e apoio tão gentilmente partilhados

e transmitidos. Durante este convívio, minha admiração por si só aumentou.

Espero que possamos trabalhar juntas novamente!

To Professor Joey Eisenmann, the co-supervisor of this thesis. It was a

privilege having your knowledge and wisdom supporting and guiding this

project. Thank you for this opportunity to work and learn with you, and for your

Agradecimentos


X

kindness and sympathy. I hope that we continue to work together… we have a

lot of data for this!

À Faculdade de Desporto da Universidade do Porto (FADE-UP), na

pessoa do respetivo Diretor, Professor Doutor Jorge Olímpio Bento, pelo

acolhimento e apoio institucional. Estendo meu agradecimento a todos os

professores da FADE-UP, pelos ensinamentos ministrados e enorme

contribuição a minha formação acadêmica.

À Coordenação de Aperfeiçoamento de Pessoal de Ensino Superior-

Capes, pela concessão da bolsa de Doutorado no exterior (processo de nº

621410-0), permitindo que eu me dedicasse plenamente à realização do

Programa Doutoral e desenvolvimento desta tese.

À Fundação para a Ciência e Tecnologia (FCT) de Portugal, pelo apoio

ao projeto PTDC/DES/67569/2006.

Ao Professor Doutor António Manuel Fonseca, Diretor do Programa

Doutoral em Ciências do Desporto e Presidente do Conselho Científico da

FADE-UP. Agradeço pelo apoio acadêmico, bem como pela enorme

disponibilidade e prontidão em auxiliar nas questões mais burocráticas.

Ao Professor Doutor Gaston Beunen, in memorian, pelo privilégio de o

ter conhecido e participado de suas aulas, bem como pelo seu jeito gentil e

terno de partilhar conosco suas experiências e ensinamentos.

Ao Professor Doutor Rui Garganta, por ter sido, simultaneamente,

mestre e amigo. Agradeço imensamente pelos ensinamentos transmitidos,

pelas conversas informais (sempre regadas com muitos sorrisos), pela

disponibilidade e cuidado constantemente demonstrados. Estendo meu

agradecimento a sua esposa Olga Castela, sempre atenciosa e de alegria

contagiante. Sentirei muitas saudades, mas vos levo no meu coração!

Agradecimentos


XI

Ao Professor Doutor André Seabra pela contribuição em minha formação

acadêmica, sempre disponível para ajudar e partilhar seus conhecimentos e

experiências.

À Professora Doutora Olga Vasconcelos, pelas contribuições no meu

percurso acadêmico e ao desenvolvimento desta tese. Não posso deixar de

agradecer a sua presença, sempre tão bem disposta, e suas palavras de

carinho e incentivo durante os nossos Seminários do Programa Doutoral.

Ao Professor Doutor Duarte Freitas, por todas as aulas ministradas e

apoio concedido durante todo o processo do Programa Doutoral. Quero

expressar a minha grande admiração por todos os seus trabalhos

desenvolvidos na Região Autônoma da Madeira.

Aos Professores Doutores Go Tani e António Prista, pela participação

constante em vários projetos do nosso gabinete, bem como pelo cuidado e

interesse em nosso percurso acadêmico. Vosso trabalho e dedicação são

motivos de forte inspiração para mim.

Ao Professor Doutor Luciano Basso, sempre tão solícito em ajudar no

que fosse preciso. Muito obrigada por todos os ensinamentos transmitidos,

desde o início do Mestrado, pela amizade construída e, sobretudo, pelo seu

exemplo de responsabilidade, profissionalismo e competência acadêmica.

À Professora Doutora Carol Leandro Góis, a quem tenho elevada

admiração acadêmica e pessoal. Agradeço imenso suas contribuições e

sugestões para o desenvolvimento deste estudo, aulas e seminários

ministrados, bem como a partilha de momentos de muita descontração e

sorrisos.

Ao Professor Doutor Peter Katzmarzyk, do Pennington Biomedical

Research Center, pelo exemplo de competência científica e colaboração em

nossos projetos. Estendo meus agradecimentos ao Tiago Barreira e Emily Mire,

pela disponibilidade em ajudar com as informações da acelerometria.

Agradecimentos


XII

Aos Professores Doutores Adam Baxter-Jones, Carla Rêgo, Denisa

Mendoça, Huiqi Pan e Vincent Diego. Foi um privilégio ter aula convosco. Muito

obrigada pelos conhecimentos partilhados!

À Professora Doutora Adriana Berleze, minha eterna coordenadora, co-

orientadora e grande amiga. Muito obrigada pela atenção, cuidado e interesse,

sempre demonstrados, por minha vida acadêmica e pessoal. Quero, também,

expressar meu agradecimento a seu marido Renato Penna, sempre tão amável

comigo. Vocês são especiais! Tenho muito apreço pela amizade que

construímos ao longo desses anos.

Ao Professor Doutor Ronei Silveira Pinto, pela disponibilidade constante

em ajudar no que fosse preciso. Muito obrigada por, mesmo de longe, estimar

o meu sucesso ao longo de todo o meu percurso acadêmico.

À Professora Doutora Nádia Cristina Valentini, meu primeiro exemplo de

competência e profissionalismo acadêmico-científico. Muito obrigada pelo

incentivo inicial nesta caminhada em terras lusitanas.

À minha querida Professora Teresa Marinho, pelas excelentes aulas de

inglês, mas sobretudo, pelas primorosas “aulas de vida”. Muito obrigada por ter

sido, além de mestre, minha amiga, confidente e “mãezona”, ternamente

cuidando e amparando-me nesta difícil, porém inebriante, aventura em terras

portuguesas. Estarás para sempre em meu coração!

A todos os alunos portugueses que participaram do projeto “Oporto

Growth, Health and Performance Study”. Muitíssimo obrigada pelo entusiasmo,

colaboração e disponibilidade apresentados nas diversas avaliações durante

esses três anos. Vocês são os personagens principais desta história!

Às escolas que integraram o projeto. De um modo muito especial,

agradeço a todos os professores de Educação Física e funcionários:

- Escola Secundária D. Dinis (Santo Tirso)

Agradecimentos


XIII

Professores de Educação Física e Grupo PES: Adelino Passadiço, Alda

Garrido, Ana Gomes, Ana Pais Sousa, Ana Paula Carneiro, Carla Cruz, Cláudia

Figueiredo, José Soares, Manuela Machado, Miguel Branco, Paulina Ferreira,

Rosa Pereira e Sérgio Silva. Funcionária: D. Maria João.

- Escola Secundária João Gonçalves Zarco (Matosinhos)

Professores de Educação Física: Alfredo Calheiros, Amália Almeida,

Audrey Pais, Aurélio Ribeiro, Joaquim Fontoura, Jorge Silva, José Manuel

Ferreira, Luís Mortágua, Manuel Romão, Maria de Fátima Costa, Mariana

Martins, Pedro Silva Pereira e Rosa Furriel. Funcionários: D. Eva e Sr. Carlos.

- Escola EB2/3 de Paranhos (Porto)

Professores de Educação Física: Raquel Eira, Paula Viana, Helena Dias,

Ana Monteiro, Rita Areias. Funcionário: Sr. Vítor.

- Escola EB2/3 de Leça da Palmeira (Matosinhos)

Professores de Educação Física: Ana Cristina Morêda, António Gomes,

Augusta Magalhães, Cláudia Malafaya, Madalena Oliveira, Manuel Ribeiro,

Manuela Guimarães, Maria de Fátima Pinto, Mário Pereira, Teresa Assunção e

Vanda Teixeira.

- Escola EB2/3 de São Martinho do Campo (Santo Tirso)

Professores de Educação Física: Ana Rito, António Figueiredo, Bento

Miguel, Carlos Pereira, Eunice Figueiroa e Rui Silva. Funcionário: Sr. Joaquim

Fernandes

Escola EB2/3 de Nevogilde (Lousada)

Professores de Educação Física: Alexandra Vergueiro, Ana Ribeiro,

Bruno Leite, Bruno Maia, Cláudia Bastos, Fernando Caldeira, João Gama, Gil

Castro, Luciano Caçador, Luisa Silva, Maria José Rocha, Miguel Ribeiro, Nuno

Bessa, Pedro Vilaça, Vitor Sousa.

Agradecimentos


XIV

Escola Secundária de Fontes Pereira de Melo (Porto)

Professores de Educação Física: Ana Paula Brito, Ana Sofia, José

Mario Cachada, Laura Lopes, Manuel Araújo, Pedro Ferreira, Pedro Seco,

Rosário Ferreira e Telmo Barbosa.

Muito, muito obrigada! Sem vocês, com certeza, este projeto não “sairia

do papel”! Quero manifestar um agradecimento especial aos Professores

Paulina Ferreira, Amália Almeida, Ana Monteiro, Cristina Morêda, Cláudia

Malafaya, António Figueiredo, Miguel Ribeiro e Pedro Seco. Serei sempre grata

pela vossa disponibilidade e prontidão em ajudar a mim e à equipe da FADE-

UP no que fosse preciso.

A todos os Funcionários da FADE-UP. Em especial à equipe da

Biblioteca e da Informática, pelas assistências dedicadamente prestadas.

Agradeço, também, ao Sr. Marinho, Nuno Conceição, Sr. Coimbra e Sr.

Serafim, pela boa disposição, prontidão em ajudar e, sobretudo, pela apoio e

amizade ao longo desses anos.

À minha querida Maria Domingues, pelo enorme cuidado acadêmico e

pessoal dispensado. Fico imensamente feliz ao olhar para trás e ver que

criamos laços estreitos de carinho e amizade. Adoro-te!

Aos colegas e amigos do gabinete de Cineantropometria e Estatística

Aplicada: Alessandra Borges, Amanda Batista, Ana Carolina Reyes, Duke de

Oliveira, Carla Santos, Fernando Garbeloto, João Paulo dos Anjos, Maria

Sidônio Madanelo (Soni), Pedro Gil, Raquel Vasconcelos, Renata Cecília,

Rojapon Buranarugsa, Sara Pereira e Tânia Amorim. Foi muito bom conhecer e

conviver com cada um de vocês, partilhando sorrisos e angústias. Nosso apoio

mútuo e diário tornou nossa caminhada menos cansativa e muito, muito mais

divertida e agradável. Estarei sempre a desejar o vosso sucesso!

À minha amiga Simonete Pereira da Silva, pela sua “alegria de viver”

contagiante, bem como pela amizade e incentivo à concretização deste projeto.

Agradecimentos


XV

Tenho uma admiração especial pelo seu estudo realizado na Região do Cariri

Cearense, este foi e sempre será motivo de forte inspiração para mim.

À minha amiga Mafalda Sofia Roriz, pela amizade construída ao longo

desses anos e pela ajuda nos momentos de dificuldade. Estendo meus

agradecimentos a todos os profissionais envolvidos nas Férias Desportivas da

Câmara Municipal da Maia. Foi muito bom partilhar momentos de trabalho e de

muita diversão convosco. Muito obrigada pela oportunidade e confiança!

Ao meu querido amigo Alcibíades Bustamante, “hombre” de poucas

palavras, sorriso sincero e coração puro. Muito obrigada pelo exemplo diário de

dedicação e perseverança, bem como pela amizade, incentivo e apoio

constante. Aguardo sua visita em Porto Alegre!

À Sofia Sá Cachada, minha “portuga” predileta. Muito obrigada pelas

ajudas incansáveis nas recolhas de dados, pela disponibilidade desinteressada

e, principalmente, pela amizade e momentos de descontração, regados de

muitos sorrisos. Gosto muito de ti e levo-te no meu coração!

À minha querida amiga Fernanda Santos, com quem comecei e, agora,

termino esta enobrecedora caminhada. Durante esses 6 anos, partilhamos

muitos momentos, e tu sempre com este sorriso contagiante estampado no

rosto. Muito obrigada pela nossa amizade, que cativou um lugar especial em

meu coração, pela dedicação, cuidado, entusiasmo e parceria no

desenvolvimento deste projeto que também foi seu. Espero que a vida te

reserve sempre o melhor e nos conceda muitos reencontros! Amo!

À minha amiga Thayse Gomes, pela amizade sólida e sincera que aos

poucos fomos construindo. Admiro muito a competência e exímia dedicação

que demonstras em tudo que fazes. Agradeço por todo o empenho e ajuda nas

recolhas de dados, e por seres do jeitinho que és: séria e direta, mas ao

mesmo tempo, meiga e benevolente. Estes “extremos” tornam-te única… a

minha querida “BFF”! Tenho certeza que nossa amizade estará sempre bem

guardada em nossos corações!

Agradecimentos


XVI

Ao amigo e colega de gabinete, Daniel Santos, que mesmo com uma

vida completa (família, trabalho e seu próprio doutoramento), sempre

conseguiu doar uma parte substancial do seu tempo para que este projeto se

concretizasse. Muito obrigada por tudo que fizeste, pela presença sempre bem

disposta nas recolhas, pelas inúmeras boleias às escolas, por levar e trazer

questionários e acelerômetros…enfim, por tudo! Agradeço, mais ainda, pela

amizade e cumplicidade edificadas ao longo desses anos. Com certeza, tudo

isso ficará na memória e no coração! Estendo meus agradecimentos a sua

querida esposa Bárbara Lourenço, que tanto nos ajudou nas recolhas. Muito

obrigada!

À querida Sarita Bacciotti, meu “presente” neste último ano de

doutoramento. Muito obrigada por todos os momentos que partilhamos, pela

amizade sincera e cuidado constante. Estendo meus agradecimentos a sua

linda família, Carlos e Sofia Bacciotti, que sempre foram tão amáveis comigo.

Espero revê-los em breve!

Ao meu amigo Marcelo Peduzzi de Castro, pelo sentimento fraterno que

construímos. Obrigada por estar sempre presente, pelas palavras de conforto,

pelas risadas, críticas, incentivos e até pelas consultas fisioterapêuticas!

Estarei sempre sorrindo com tuas conquistas pessoais e acadêmicas.

Saudades!

À minha amiga Roseanne Autran, por me “reconhecer” neste último ano

de doutoramento. Serei sempre grata por nossos laços estarem mais estreitos,

por nossa amizade, que tornou esses últimos meses mais leves e alegres, e

pelo simples prazer da tua companhia e parceria. Obrigada por seres tão

especial para mim e, agora, para minha família. Gosto imenso de ti!

Aos amigos Denise Soares e Luciano Silveira, por me receberem tão

bem aqui em Portugal e por permanecerem presentes durante todo este

percurso. Muito obrigada pelos churrascos, almoços, jantares e companhia

familiar. Espero reencontrá-los brevemente em Porto Alegre.

Agradecimentos


XVII

À minha querida “irmã gêmea” Geise Nascimento, pela nossa linda

amizade. Muito obrigada por todas as conversas, risadas e bons momentos

que compartilhamos. Saudades!

Aos amigos Jenny Carolina Tavares, Bruna Santos, Amanda Santos,

Toni Bovolini, Renata Willig, Cristine Schmidt, César Agostinis, Jailton Pelarigo,

Henrique Soares, Ítalo Ramos e Bruno Remígio, pelos bons momentos de

convívio, pela preocupação, amizade e partilha. Desejo muito sucesso a cada

um de vocês!

Ao Bom Sucesso Health Club, especialmente ao André Oliveira e

Susana Soares, pela oportunidade inicial de trabalho, pelos incentivos e

amizade durante todos esses anos. Quero expressar, também, o meu carinho à

“malta” da dança. Muito obrigada pelos finais de tarde mais felizes, pelo

convívio, energia positiva e cuidado.

Aos amigos dos tempos de escola e Licenciatura, que permanecem até

hoje, Ana Paula Corrêa, Caroline Kummer, Daisy Sampaio, Franciele Anziliero,

Jamile Schmelzer, Kátia Souza, Lisiane Ribeiro, Marcelo Borges, Marcelo

Souza, Michele Bandinelli e Paula Kersche. Não obstante à distância, nossa

amizade e carinho mativeram-nos sempre próximos. Sei o quanto vocês

desejaram o meu sucesso. Por isso e por tudo, muito obrigada!

Às minhas amadas famílias Silva e Souza. Vocês são minha raiz e

minha história. É por vocês e com vocês que realizo mais este sonho, pois em

cada passo dado, senti o amor e carinho que, ternamente, foi me transmitido.

Quero agradecer, especialmente, aos grandes responsáveis por esta união

familiar: “Vô” Algemiro Silva (in memorian), “Vó” Carlinda Silva (in memorian),

“Vô” Nilton Souza (in memorian) e “Vó” Lourdes de Souza. Amo vocês!

Às famílias Ribas e Bicca, pela crença nesta conquista. Serei sempre

grata pelo carinho e amor sempre demonstrados. Em especial, agradeço aos

meus queridos “sogrinhos”, Lúcia e Jorge Ribas, e aos meus amáveis tios,

Clary e Elimar Bicca. Vocês são um presente que a vida, gentilmente, me deu!

Agradecimentos


XVIII

À minha amiga-irmã Raquel Nichele de Chaves, por ter cuidado tão bem

de mim ao longo desta nossa memorável caminhada. Agradeço por todos os

momentos acadêmicos e pessoais ternamente partilhados, pela cumplicidade e

respeito, pelas palavras de incentivo e consolo, bem como pelos sorrisos

sinceros, que iluminaram e deram mais vida a esta aventura em Portugal. Mas,

principalmente, obrigada pela possibilidade de conviver diariamente com tua

amabilidade, sinceridade e benevolência, que fizeram de mim uma pessoa

melhor. Quero estender meus agradecimentos a tua querida família: “Tio” Jair e

“Tia” Dinalva, Fagner, Rafael e Eduardo Chaves, pelo carinho e amor que

sempre demonstraram. Tenho certeza que os laços criados, entre “Souzas” e

“Chaves”, perdurarão vivamente em nossos corações!

À minha irmã Jeane de Souza da Silveira, pelo amor e cumplicidade

incondicional. Agradeço por sempre estar ao meu lado, por me ajudar nos

momentos de dificuldade e por acreditar no sucesso desta minha trajetória.

Nosso companheirismo é nossa maior dádiva…irmãs de coração e, sobretudo,

de alma! Agradeço também ao meu cunhado Vinícius Silveira pelo incentivo

constante. Muito obrigada!

Ao meu namorado Roberto Lampert Ribas, pelo amor e cuidado. Se

outrora houve tropeços, hoje nossos passos são firmes e fortes, e nos

conduzem a um lindo caminho, com a realização deste sonho, que idealizamos

juntos há anos, e o começo de uma nova etapa. Muito obrigada por ser meu

amado e amigo, por se fazer presente em todos os momentos e por,

constantemente, dar-me a mão e fazer-me acreditar que sempre é possível

seguir em frente. És encantadoramente especial… TEPS!

Aos meus amados pais, Júlio César de Souza e Sandra Mercedes de

Souza, por me amarem incondicionalmente. Não foram poucas as vezes em

que a saudade não coube em meu peito e transbordou pelos olhos, e vocês,

igualmente saudosos, guardaram vosso sentimento e sorrindo, encorajaram-

me a continuar. Serei eternamente grata pelo vosso esforço e dedicação para

que essa história tivesse um lindo e próspero final. Obrigada por esses últimos

Agradecimentos


XIX

meses de convívio, que enriqueceram e abrilhantaram os meus dias. É por

vocês e com vocês que continuarei sempre. Amo!

Ao Criador, por mais essa oportunidade de evolução acadêmica e

pessoal. Obrigada por guiar e fortalecer os meus passos, consolar meu

coração e ser presença constante em minha vida.

Índice Geral


XXI

ÍNDICE GERAL

DEDICATÓRIAS ......................................................................................................................... VII

AGRADECIMENTOS ................................................................................................................... IX

ÍNDICE GERAL ......................................................................................................................... XXI

ÍNDICE DE TABELAS ............................................................................................................. XXV

ÍNDICE DE FIGURAS ............................................................................................................ XXVII

RESUMO ................................................................................................................................. XXIX

ABSTRACT ............................................................................................................................. XXXI

LISTA DE ABREVIATURAS E SIGLAS .............................................................................. XXXIII

CAPÍTULO I – INTRODUÇÃO GERAL E ESTRUTURA DA TESE ............................................ 1

INTRODUÇÃO GERAL ........................................................................................................................ 3

Necessidade de um olhar integrador .................................................................................... 3

Janelas de leitura e interpretação – modelos disponíveis .................................................... 6

Desafios e exigências da informação longitudinal. ............................................................. 11

Pilares da tese. .................................................................................................................... 12

ESTRUTURA DA TESE .......................................................................................................... 16

REFERÊNCIAS ....................................................................................................................... 19

CAPÍTULO II – ESTUDOS METODOLÓGICOS ........................................................................ 27

ESTUDO I – THE OPORTO MIXED-LONGITUDINAL GROWTH, HEALTH AND PERFORMANCE STUDY. DESIGN,

METHODS AND BASELINE RESULTS ................................................................................................. 29

ABSTRACT ......................................................................................................................... 31

INTRODUCTION ................................................................................................................. 33

METHODS ........................................................................................................................... 35

Design and sample .......................................................................................................... 35

Measurements ................................................................................................................. 36

Anthropometry ............................................................................................................. 36

Body Composition ....................................................................................................... 37

Biological Maturation ................................................................................................... 37

Physical Fitness ............................................................................................................... 37

Cardio-metabolic risk factors ........................................................................................... 38

Lifestyle characteristics ................................................................................................... 39

Índice Geral


XXII

Physical activity ........................................................................................................... 39

Behaviours and Eating Habits ..................................................................................... 40

Sleep Habits ................................................................................................................ 41

Health Status Perception ............................................................................................. 41

Family support for Physical Activity ............................................................................. 41

Gestational information ............................................................................................... 41

Socioeconomic status ................................................................................................. 41

Built Environment ........................................................................................................ 42

Data quality control .......................................................................................................... 42

Statistical analysis ........................................................................................................... 44

RESULTS ............................................................................................................................ 45

DISCUSSION ...................................................................................................................... 48

CONCLUSIONS .................................................................................................................. 52

REFERENCES .................................................................................................................... 53

ESTUDO II – A NOÇÃO DO TRACKING E A SUA APLICAÇÃO À EDUCAÇÃO FÍSICA E AO ESPORTE .................... 63

RESUMO ............................................................................................................................. 65

ABSTRACT ......................................................................................................................... 67

INTRODUÇÃO .................................................................................................................... 69

PROCEDIMENTOS METODOLÓGICOS ........................................................................... 71

O conceito do Tracking ................................................................................................... 72

Tracking: estatísticas, resultados e significado ............................................................... 73

Autocorrelações ........................................................................................................... 73

O γ de Foulkes & Davis ............................................................................................... 77

Estatística γ segundo sugestões de David Rogosa .................................................... 80

Índice de constância de crescimento de Goldstein ..................................................... 83

CONCLUSÃO ...................................................................................................................... 88

REFERÊNCIAS ................................................................................................................... 89

ESTUDO III – MODELAÇÃO MULTINÍVEL E DELINEAMNETO LONGITUDINAL-MISTO NA PESQUISA EM EDUCAÇÃO

FÍSICA E CIÊNCIAS DO ESPORTE ....................................................................................................... 93

RESUMO ............................................................................................................................. 95

ABSTRACT ......................................................................................................................... 97

INTRODUÇÃO .................................................................................................................... 99

MÉTODOS ........................................................................................................................ 101

Amostra ......................................................................................................................... 101

Controle da qualidade da informação ........................................................................... 103

Procedimentos estatísticos ........................................................................................... 103

Variáveis e problema em estudo ................................................................................... 106

Índice Geral


XXIII

RESULTADOS .................................................................................................................. 108

DISCUSSÃO ..................................................................................................................... 111

REFERÊNCIAS: ................................................................................................................ 116

Capítulo III – ESTUDOS ANALÍTICOS ................................................................................... 121

ESTUDO IV – SHORT-TERM TRACKING OF YOUTH PHYSICAL FITNESS: THE OPORTO GROWTH, HEALTH AND

PERFORMANCE STUDY ................................................................................................................ 123

ABSTRACT ....................................................................................................................... 125

INTRODUCTION ............................................................................................................... 127

MATERIAL AND METHODS ............................................................................................. 129

Sample .......................................................................................................................... 129

Anthropometry ............................................................................................................... 129

Biological Maturation ..................................................................................................... 130

Physical fitness .............................................................................................................. 130

Physical activity ............................................................................................................. 130

Data quality control ........................................................................................................ 131

Statistical analysis ......................................................................................................... 131

RESULTS .......................................................................................................................... 134

DISCUSSION .................................................................................................................... 137

PERSPECTIVES ............................................................................................................... 143

REFERENCES .................................................................................................................. 144

ESTUDO V – MODELING THE DYNAMICS OF BMI CHANGES DURING ADOLESCENCE. THE OPORTO GROWTH,

HEALTH AND PERFORMANCE STUDY .............................................................................................. 149

ABSTRACT ....................................................................................................................... 151

INTRODUCTION ............................................................................................................... 153

MATERIALS AND METHODS .......................................................................................... 154

Sample .......................................................................................................................... 154

Anthropometry ............................................................................................................... 155




Sleep Habits .................................................................................................................. 156

Dietary habits ................................................................................................................. 157



RESULTS .......................................................................................................................... 158

DISCUSSION .................................................................................................................... 162

REFERENCES .................................................................................................................. 166

Índice Geral


XXIV

ESTUDO VI – MODELING LONGITUDINAL CHANGES IN HYPERTENSIVE AND WAIST PHENOTYPE. THE OPORTO

GROWTH, HEALTH AND PERFORMANCE STUDY ............................................................................... 173

ABSTRACT ....................................................................................................................... 175

INTRODUCTION ............................................................................................................... 177

METHODS ......................................................................................................................... 179

Sample .......................................................................................................................... 179




Hypertensive and waist phenotype ............................................................................... 181



RESULTS .......................................................................................................................... 183

DISCUSSION .................................................................................................................... 186

REFERENCES .................................................................................................................. 192

Capítulo IV – SÍNTESE FINAL ................................................................................................. 197

CONCLUSÕES FINAIS ......................................................................................................... 199

LIMITAÇÕES DO ESTUDO ................................................................................................... 208

DESAFIOS FUTUROS .......................................................................................................... 209

REFERÊNCIAS ..................................................................................................................... 212

Índice de Tabelas


XXV

ÍNDICE DE TABELAS

CAPÍTULO I

Tabela 1. Principais pesquisas longitudinais conduzidos nos Estados Unidos e Europa

..................................................................................................................................... 5

Tabela 2. Estrutura básica do delineamento longitudinal-misto do OGHPS ............... 10

Tabela 3. Estrutura da tese ....................................................................................... 16

CAPÍTULO II

Estudo I

Table 1. Sample size per age and sex groups ........................................................... 35

Table 2. Summary overview of data collected ............................................................ 43

Table 3. Reliability estimates of key anthropometric and physical fitness measurements

in the Oporto Growth and Health Study ...................................................................... 44

Table 4. Descriptive characteristics for several indicators of anthropometry, physical

activity, muscular fitness and cardiorespiratory fitness among Portuguese boys and

girls (ANCOVA F test and p-values) ............................................................................ 46

Table 5. Prevalence (95% confidence interval, CI) of weight status, body fat status,

physical activity, physical fitness and cardio-metabolic indicators in Portuguese boys

and girls ..................................................................................................................... 47

Estudo II

Tabela 1. Medidas descritivas do IMC das coortes 2 e 3 ........................................... 73

Tabela 2. Autocorrelações e respectivos intervalos de confiança (IC95%) entre as

mensurações de IMC ao longo de 3 anos em cada uma das coortes ........................ 75

Estudo III

Tabela 1. Estrutura básica do delineamento longitudinal-misto de acordo com as

quatro coortes de idade ........................................................................................... 102

Tabela 2. Dimensão da amostra em função da idade, coorte e sexo ........................ 103

Índice de Tabelas


XXVI

Tabela 3. Parâmetros (±erro-padrão) dos modelos ajustados para o desempenho da

força de preensão, com preditores variantes e invariantes no tempo ........................ 110

CAPÍTULO III

Estudo IV

Table 1. Descriptive statistics for boys and girls of each age cohort ........................ 134

Table 2. Mean auto-correlations, estimated population tracking coefficients (β), and

Cohen’s kappa (κ) for each PF test in each cohort separately for boys and girls ...... 136

Estudo V

Table 1. Sample size by age, cohorts and sex ......................................................... 155

Table 2. Descriptive statistics for girls and boys in each annual time point (10 to 18

years of age) ............................................................................................................. 160

Table 3. Results summary for the three nested models of girls and boys ................ 161

Estudo VI

Table 1. Sample size by age, sex, and cohort ......................................................... 179

Table 2. Descriptive statistics for girls and boys in each annual time point (T0-T8) .. 185

Table 3. Results summary for the three nested models ........................................... 186

CAPÍTULO IV

Tabela 1. Resumo das principais conclusões do estudo I ....................................... 200

Tabela 2. Resumo das principais conclusões dos estudos II e III ............................ 201

Tabela 3. Resumo das principais conclusões do estudo IV ..................................... 204

Tabela 4. Resumo das principais conclusões do estudo V ...................................... 205

Tabela 5. Resumo das principais conclusões do estudo VI ..................................... 206

Índice de Figuras


XXVII

ÍNDICE DE FIGURAS

CAPÍTULO I

Figura 1. Níveis de influência no desenvolvimento de comportamentos de saúde

segundo o modelo ecológico ....................................................................................... 7

Figura 2. Estrutura básica do delineamento longitudinal-misto do OGHPS ................. 8

Figura 3. Quadro relacional entre atividade física, aptidão física e saúde na infância e

adolescência e suas associações na vida adulta ......................................................... 9

Figura 4. Modelo relacional das diferentes variáveis estudadas nas três janelas do

tempo do OGHPS ...................................................................................................... 10

CAPÍTULO II

Estudo II

Figura 1. Exemplo de partes (muito reduzidas, mas importantes) do output do LDA

para o γ de Foulkes & Davis da coorte 2 ..................................................................... 79

Figura 2. Exemplo de output do TIMEPATH para o γ segundo as sugestões de

Rogosa da coorte 3 .................................................................................................... 82

Figura 3. Exemplo de partes muito reduzidas, mas importantes, do output do LDA

para o modelo I e II do índice de constância de crescimento de Goldstein das meninas

da coorte 2 .................................................................................................................. 87

Estudo III

Figura 1. Representação do desempenho da força de preensão das quatro coortes de

adolescentes em função do tempo .......................................................................... 108

Figura 2. Representação das trajetórias médias dos sujeitos dos dois sexos em

função do tempo e, também, do Percentil 25 e 75 da %GTotal ............................... 110

Índice de Figuras


XXVIII

CAPÍTULO III

Estudo IV

Figure 1. Examples of all possible trajectories of positive and negative instability as

previously defined .................................................................................................... 133

Figure 2. Example of trajectories of 30 random girls (left) and boys (right) from cohort 2

in the 1-mile run/walk, 50-yard dash, standing long jump, handgrip strength and agility

shuttle run ................................................................................................................ 140

Estudo VI

Figure 1. Average trajectories of HWP as function of time (time 0=10 years, time 1=11

years, …, time 8=18 years) and sex (no other covariates are included in the model that

produced these mean trajectories) ............................................................................ 183

Resumo


XXIX

RESUMO

O principal propósito desta tese foi investigar, longitudinalmente, a rede

de inter-relações entre características individuais, fatores ambientais e do estilo

de vida que afetam a estabilidade e o dinamismo da mudança no crescimento

físico, desempenho motor e saúde de adolescentes portugueses com idades

entre os 10 e os 18 anos.

A amostra total foi constituída por 6894 jovens de ambos os sexos,

divididos em 4 coortes etárias (10, 12, 14 e 16 anos), acompanhados durante 3

anos. Os participantes são provenientes de escolas da Região do Grande

Porto, Portugal. Procedimentos estandardizados foram utilizados para medir e

estimar indicadores do crescimento físico, maturação biológica, composição

corporal, desempenho motor, atividade física, risco cardiometabólico, hábitos

alimentares e tempo de sono. As análises estatísticas univariadas e

multivariadas foram realizadas no SPSS, WinPepi, LDA, TIMEPATH e HLM.

Distintos procedimentos de análise do tracking mostraram estabilidade

moderada a elevada do índice de massa corporal (IMC) de meninas das

coortes 2 e 3; e estabilidade baixa a moderada da aptidão física de

adolescentes das coortes 1 e 2. Na análise da força muscular estática, as

meninas são mais fortes aos 10 anos, mas os meninos apresentam maiores

ganhos anuais; a percentagem de gordura corporal tem uma associação

positiva com as mudanças da força. Na análise do IMC, meninos e meninas

apresentam um aumento linear com a idade; a aptidão física evidencia

associação negativa com a mudança do IMC; o tempo de sono e consumo de

frutas e vegetais não foram significativos. Na análise do fenótipo conjunto da

tensão arterial e perímetro da cintura, os valores de meninos e meninas

aumentam de forma não-linear; os meninos e adolescentes avançados

maturacionalmente têm valores de risco mais elevados; a atividade física e

aptidão física têm associações negativas com as mudanças longitudinais deste

fenótipo.

Das principais conclusões destacamos: (1) a importância da abordagem

multidisciplinar utilizada, o seu delineamento longitudinal-misto e a vasta gama

de informação; (2) a validade do estudo do tracking e análise multinível para

descrever e interpretar as mudanças longitudinais; (3) a reduzida estabilidade

dos componentes da aptidão física quando analisados por técnicas estatísticas

distintas; (4) a importância da aptidão física e atividade física como fatores de

proteção ao aumento longitudinal do IMC e dos indicadores cardiometabólicos.

Palavras-chave: crescimento, desempenho motor, saúde cardiometabólica,

informação longitudinal, adolescentes.

Abstract


XXXI

ABSTRACT

The main purpose of this thesis was to interpret the net of multiple

relationships among biological, environmental and lifestyle indicators affecting

growth, development, health and performance of Portuguese adolescents aged

10 to 18 years old.

The sample comprises 6894 adolescents of both sexes, divided into 4

age cohorts (10, 12, 14 and 16 years old) followed for 3 consecutive years.

Participants are from schools located in Porto, Portugal. Standardized

procedures were used to measure growth, biological maturation, body

composition, physical fitness, physical activity, cardio-metabolic risk, eating

habits and sleep duration indicators. SPSS, WinPepi, LDA, TIMEPATH and

HLM were used in the univariate and multivariate statistical analysis.

Distinct procedures to analyse tracking showed moderate-to-high stability

in girls’ body mass index (BMI) from cohorts 2 and 3; and low-to-moderate

stability of adolescents’ physical fitness from cohorts 1 and 2. In the analysis of

static strength, girls are stronger at 10 years of age, but boys have higher

annual increases; the percentage of total body fat is positively associated with

static strength. In the analysis of BMI, boys and girls show linear increments

with age; physical fitness is negatively associated with BMI changes; sleep

duration and fruit/vegetables intake were not significant. In the analysis of the

hypertensive and waist phenotype, boys’ and girls’ values increase in a non-

linear fashion; boys and adolescents who were more mature have higher risk

values across adolescence; physical activity and physical fitness are negatively

associated to the longitudinal changes in this complex phenotype.

Main conclusions: (1) the relevance of using a multidisciplinary approach,

a mixed-longitudinal design and the broad array of variables; (2) the validity of

the tracking and multilevel analysis to describe and interpret the longitudinal

changes; (3) the reduced stability of physical fitness components when

analysed with different statistical procedures; (4) the relevance of physical

fitness and physical activity as protector factors of longitudinal increases in BMI

and cardio-metabolic indicators.

Key-words: growth, motor performance, cardio-metabolic health, longitudinal

information, adolescents.

Lista de abreviaturas e siglas


XXXIII

LISTA DE ABREVIATURAS E SIGLAS

AAHPERD American Alliance for Health, Physical Educations,

Recreation and Dance

Achat Coeficiente de Achatamento

Ampl Amplitude Total

ANCOVA Análise de Covariância / Analysis of Covariance

ANOVA Análise de Variância / Analysis of Variance

Assi Coeficiente de Assimetria

BMI Body Mass Index

BP Blood Pressure

CI Confidence Interval

C1 Coorte etária 1

C2 Coorte etária 2

C3 Coorte etária 3

C4 Coorte etária 4

CA Califórnia

CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível

Superior

CDC Centers for Disease Control and Prevention

CIFI2D Centro de Investigação, Formação, Intervenção e Inovação

em Desporto

cm Centímetros / Centimeters

CRF Cardiorespiratory Fitness

CVD Cardiovascular Diseases

DBP Diastolic Blood Pressure

DF Distrito Federal

DP Desvio Padrão

e.g. For exemple

EUA Estados Unidos da América

FADE-UP Faculdade do Desporto da Universidade do Porto



XXXIV

FCT Fundação para Ciência e Tecnologia

FD Foulkes & Davis

GLU Glucose

H Hour

H0 Hipótese Nula

HBSC Health Behaviour in School Aged Children

HDL-C High Density Lipoprotein-Cholesterol

HGr Relative Handgrip Strength

HWP Hypertensive and Waist Phenotype

i.e. isto é

IBM SPSS International Business Machines - Statistical Package for

Social Sciences

IMC Índice de Massa Corporal

INE Instituto Nacional de Estatística de Portugal

IPAQ-SF International Physical Activity Questionnaire - Short Form

ISCOLE International Study of Childhood Obesity, Lifestyle and the

Environment

kg Quilograma / Kilometer

kgf Quilograma Força

LDA Longitudinal Data Analysis

M Média

m2 Metros quadrado

M1 Momento Um

M2 Momento Dois

M3 Momento Três

MAP Mean Arterial Pressure

min Minutos

mm milimeter

mmHg Milímetros de mercúrio/ Milimeters of mercury

MMN Modelação Multinível

MPA Moderate Physical Activity

MVPA Moderate to Vigorous Physical Activity



XXXV

N / n Amostra / Sample size

OGHPS Oporto Growth, Health and Performance Study

P5 Percentil 5

P25 Percentil 25

P50 Percentil 50

P75 Percentil 75

PA Physical Activity

PF Physical Fitness

PHV Peak Height Velocity

R Coeficiente de correlação / Correlation Coefficient

r Coeficiente de Correlação / Correlation Coefficient

reps Repetitions

rm Correlação média

s Segundos / Seconds

SBP Systolic Blood Pressure

SD Standard Deviations

SES Socioeconimic Status

SHR Shuttle Run

SLJ Standing Long Jump

SP São Paulo

t time

TEM Technical Error of the Measurement

TG Triglycerides

TPA Total Physical Activity

UK United Kingdon

VPA Vigorous Physical Activity

vs Versus

WC Waist Circumference

WHO World Health Organization

yrs years

50yd 50 yards dash

% Percentual



XXXVI

%GTOTAL Percentual de Gordura Total

κ Kappa

ξ Índice de Constância de Goldstein

ξ* Índice de Constância de Goldstein modificado

γ Gama

- Negativo / Negative

~ / ≈ Aproximadamente

+ Positivo / Positive

< Menor

= Igual

> Maior

± Mais ou menos

≤ Menor ou Igual

≥ Maior ou Igual

♀ Meninas

♂ Meninos

CAPÍTULO I

Introdução Geral e

Estrutura da Tese

Introdução Geral e Estrutura da Dissertação


3

INTRODUÇÃO GERAL

1. Necessidade de um olhar integrador

O dinamismo do crescimento e desenvolvimento do ser humano reflete,

em larga escala, o longo processo de evolução biocultural da espécie, dado

serem fenômenos dinamicamente moldados por um vasto conjunto de fatores

biológicos e do envolvimento (Bogin, 1999; Rogol, Clark et al., 2000; Ulijaszek,

2006; Malina, Bouchard et al., 2009). Esta complexidade inter-relacional -

genes e ambiente - atua de múltiplas formas para condicionar a plasticidade

fenotípica numa ampla gama de variabilidade intra e interindividual no

crescimento e desenvolvimento (Bogin, 1999; Malina, Bouchard et al., 2009).

Há também quem considere os estados de crescimento e desenvolvimento, à

escala populacional, indicadores sensíveis na aferição das condições gerais de

saúde e qualidade de vida (Guedes & Guedes, 1997; Bogin, 1999; Ulijaszek,

2006; Hills, King et al., 2007).

A adolescência é entendida como uma janela temporal ímpar para

mergulhar o olhar na pluralidade de mudanças do foro biológico, cognitivo e

psicossocial; acresce a aquisição e desenvolvimento de hábitos e estilos de

vida, cuja persistência podem ter implicações significativas na saúde (Ulijaszek,

2006; Malina, Bouchard et al., 2009; Alberga, Sigal et al., 2012). O estudo da

população adolescente reveste-se, ainda, de maior importância devido à

modernização tecnológica atual e a consequente fruição de novos “gadgets”,

que têm conduzido à promoção de estilos de vida nunca antes presenciados,

essencialmente marcados pela aquisição de hábitos alimentares não

saudáveis, comportamentos sedentários, diminuição dos níveis de atividade

física, redução da exercitação física plena de sentido, i.e., da prática desportiva

(Elgar, Roberts et al., 2005; Must, Bandini et al., 2007).

A emergência de novos “ambientes”, frequentemente designados de

obesogênicos, conduziu às duas das maiores epidemias à escala global (Elgar,

Roberts et al., 2005; Hallal, Andersen et al., 2012; Spruijt, 2012; Ng, Fleming et

al., 2014) - a obesidade e do sedentarismo - intimamente relacionados com o



4

desenvolvimento exponencial de distúrbios cardiometabólicos em crianças e

jovens (Weiss, Bremer et al., 2013), e que conduzem ao aumento do risco de

doenças cardiovasculares na vida adulta (Kemper, Post et al., 1999; Twisk,

Kemper et al., 2002). Daqui a necessidade, sempre presente, de informação

cada vez mais precisa e atual acerca do modo como os jovens crescem e se

desenvolvem no contexto da realidade do seu espaço habitacional, educativo e

recreacional.

A saúde do adolescente é hoje associada a um vasto manancial de

indicadores do seu crescimento físico (Bogin, 1999; de Onis, Onyyango et al.,

2007), maturação biológica (Malina, 2014), aptidão física (Ortega, Ruiz et al.,

2008), composição corporal (Guedes & Guedes, 1997; Malina, Bouchard et al.,

2009) e estilos de vida (Spruijt, 2012). Acresce a necessidade, sempre

renovada, (1) da descrição modal e da variação do desempenho motor dos

adolescentes; (2) da monitorização da mudança ocorrida ao longo do tempo

(intraindividual e das diferenças interindividuais), bem como (3) da oferta de

oportunidades de exercício físico/prática desportiva sintonizadas com as

necessidades e prioridades dos jovens .

O desafio interpretativo acerca do significado da variabilidade dos efeitos

contextuais no crescimento físico, desenvolvimento e saúde de crianças e

adolescentes é “eterno”, não deixando nunca de nos surpreender. O seu

fascínio percorre uma vastidão de disciplinas da Antropologia Física e Biologia

Humana, à Pediatria, Saúde Pública e Epidemiologia. Mais recentemente

deslocou-se para o território das Ciências do Desporto e Educação Física pela

importação de preocupações emergentes da nova disciplina designada de

Epidemiologia da Atividade Física. O vasto espaço da Educação na escola é,

também, educação para a saúde, bem como o alcance polissêmico do

Desporto.

Historicamente, alguns dos estudos longitudinais mais emblemáticos

realizados nos Estados Unidos e na Europa centraram a sua atenção somente

no crescimento físico e maturação biológica (Matton, Beunen et al., 2007;

Malina, Bouchard et al., 2009). Posteriormente, incluíram inovações do foro do



5

desempenho motor e atividade física (Matton, Beunen et al., 2007; Malina,

Bouchard et al., 2009; da Silva, Beunen et al., 2013). Mais recentemente, o

olhar tem sido mais abrangente em virtude dos desafios populacionais

associados ao desenvolvimento de doenças cardiometabólicas no adulto e às

evidências crescentes que a infância e adolescência são janelas importantes

da sua emergência. Daqui que tenha havido uma mudança de foco para a

avaliação de indicadores de risco já em contexto pediátrico (Matton, Beunen et

al., 2007; Malina, Bouchard et al., 2009). Não obstante a inegável importância

do corpo de conhecimento adquirido, a extensão e variedade dos indicadores

pesquisados (ver Tabela 1), a que se agrega a latitude e profundidade dos

seus problemas e metodologias, a complexidade relacional da dinâmica da

mudança no crescimento, desenvolvimento e indicadores de saúde está longe

de ser completamente fechada. Em nosso entender, exige uma compreensão

mais interativa por parte dos pesquisadores das Ciências do Desporto e

Educação Física dos países lusófonos. Sobretudo, quando os delineamentos

longitudinais escasseiam e as abordagens interdisciplinares não abundam (da

Silva, Beunen et al., 2013).

Tabela 1. Principais pesquisas longitudinais conduzidos nos Estados Unidos e

Europa.

Pesquisa Cidade/País/Ano de início Principais indicadores estudados

Fels Longitudinal Study Yellow Springs, EUA (1929) Medidas somáticas, Maturação biológica, Composição corporal,

Em fases mais recentes:

Aptidão Física, Atividade Física, Fatores de risco de doenças cardiometabólicas, Marcadores genéticos, Aspectos nutricionais.

Saskatchewan Child Growth and Development Study

Saskatoon, Canadá (1964) Medidas somáticas, Maturação biológica, Composição corporal, Atividade física, Aptidão física, Conteúdo e densidade mineral óssea.

Leuven Longitudinal Study on Lifstyle, Fitness and Health

Lovaina, Bélgica (1968) Medidas somáticas, Maturação biológica, Composição corporal, Somatótipo, Aptidão física,



6

Em fases mais recentes:

Fatores genéticos, Fatores de risco para doenças cardiometabólicas.

Muscatine Heart Study Iowa, EUA (1970) Medidas somáticas, maturação biológica, Aptidão Física, Atividade física, Fatores de risco de doenças cardiometabólicas.

Bogalusa Heart Study Lousiana, EUA (1972) Medidas somáticas, maturação biológica, Aptidão Física, Atividade física, Fatores de risco de doenças cardiometabólicas.

Amsterdam Growth Study Amsterdão, Holanda (1977) Medidas somáticas, maturação biológica, Aptidão Física, Atividade física, Fatores de risco para doenças cardiometabólicas, Densidade óssea, Parâmetros fisiológicos.

The Northern Ireland Young Hearts Project

Irlanda do Norte, Irlanda (1989) Medidas somáticas, maturação biológica, Aptidão Física, Atividade física, Fatores de risco de doenças cardiometabólicas.

European Youth Heart Study Estudo multi-centro: Dinamarca, Noruega, Estônia e Portugal (1997)

Medidas somáticas, maturação biológica, Aptidão Física, Atividade física, Fatores de risco de doenças cardiometabólicas.

2. Janelas de leitura e interpretação – modelos disponíveis

Uma janela de leitura abrangente e integrada do lato território do

crescimento físico, desempenho motor e estado de saúde de adolescentes

requer, num certo sentido, um alicerce conceitual que considere não só a inter-

relação entre os seus diversos indicadores, mas também o dinamismo da sua

mudança. Uma proposta, suficientemente abrangente e genérica, é a

perspetiva ecológica do desenvolvimento humano centrada na díade indivíduo

e ambiente, inicialmente proposta por Bronfenbrenner (1979), cuja extensa

divulgação e aplicação no espaço lusófono se deve ao esforço do Professor

Ruy Krebs (1995). Este modelo investiga as relações entre as mudanças que

ocorrem no sujeito em desenvolvimento e todos os sistemas onde decorrem,

direta ou indiretamente (Krebs, 1995). Mais recentemente, a sua abordagem

dinâmica e interacionista foi incorporada no domínio da Epidemiologia da

Atividade Física (Figura 1), face ao reconhecimento que múltiplos níveis de

influência (individual, sociocultural, físico-ambiental e contexto político) atuam



7

na adoção de estilos de vida ativos e saudáveis (Sallis & Owen, 1997; Sallis,

Cervero et al., 2006; Sallis, Owen et al., 2008).

Figura 1. Níveis de influência no desenvolvimento de comportamentos de

saúde segundo o modelo ecológico (adaptado de Sallis & Owen, 1997).

Bouchard e Shephard (1994) apresentam um modelo relativamente

complexo de associações recíprocas entre a atividade física, aptidão física e a

saúde sob a influência de fatores biológicos (hereditariedade), do envolvimento

(físico e social) e do estilo de vida (Figura 2). Este modelo tem recebido

elevada visibilidade internacional (Matton, Beunen et al., 2007) em grande

parte por causa da ampliação do conceito de aptidão física - de um foco

primário centrado na componente motora para a maior ênfase na saúde,

descrita em cinco componentes: morfológica, muscular, motora,

cardiorespiratória e metabólica (Bouchard & Shepard, 1994; Malina, Bouchard

et al., 2009; Pate, Oria et al., 2012). Num outro plano, os renomados projetos

de pesquisa - HERITAGE Family Study (Bouchard, Leon et al., 1995) e Québec

Family Study (Katzmarzyk, Malina et al., 1999) - são exemplos de aplicações

deste modelo com base nos fatores hereditários.



8

Figura 2. Especificação gráfica das relações entre atividade física, aptidão

física e saúde (adaptado de Bouchard & Shephard, 1994 ).

Um último modelo a ser citado, sugerido por Blair, Clark et al. (1989),

descreve o efeito benéfico da manutenção de comportamentos ativos

(atividade e aptidão física) durante a infância e adolescência e a sua

transferência para a saúde do adulto (Figura 3). Essas relações interativas e de

“longo prazo” noutras fases da vida têm sido exploradas em estudos

epidemiológicos de renome internacional, nomeadamente o European Youth

Heart Study (Riddoch, Edwards et al., 2005), Bogalusa Heart Study (Nicklas,

von Duvillard et al., 2002), Muscatine Heart Study (Janz, Dawson et al., 2002),

sobretudo no que se refere à saúde cardiometabólica.



9

Figura 3. Quadro relacional entre atividade física, aptidão física e saúde na

infância e adolescência e suas associações na vida adulta (adaptado de Blair,

Clark et al. 1989).

Inspirados nas abordagens destes três modelos, bem como em

pesquisas anteriores com uma estrutura longitudinal-mista realizadas nos

arquipélagos da Madeira (Freitas, Maia et al., 2002) e Açores (Maia & Lopes,

2007), no Cariri Cearense (Silva, 2010) e em Muzambinho (Basso, Meira et al.,

2009) foi possível delinear o projeto designado de Oporto Growth, Health and

Performance Study (OGHPS). Nasceu no ano letivo de 2010/2011, e o seu

grande propósito é investigar, longitudinalmente, a interação entre

características individuais e fatores ambientais no crescimento físico,

desempenho motor e marcadores da saúde de adolescentes portugueses com

idades entre os 10 e os 18 anos. A partir de um delineamento longitudinal-misto

(ver Tabela 2), e uma estrutura flexível, centrada nos domínios da Ciências do

Desporto, Epidemiologia e Auxologia, o esforço interpretativo do OGHPS está

direcionado para a estabilidade e dinâmica da mudança de um vasto conjunto

de variáveis descritoras das categorias centrais da pesquisa. A abrangência

desta leitura implicou, também, que se conhecesse a importância de aspectos

tão distintos como os que se referem ao período gestacional, comprimento e

peso à nascença, bem como nos primeiros anos de vida, estatuto

socioeconômico da família, perceção do suporte parental relativamente à

prática de atividade física; associamos, também, comportamentos alimentares,

tempo de sono, perceção do estado de saúde e aspectos do ambiente

construído. A Figura 4 ilustra o modelo relacional das diferentes variáveis

estudadas nas três janelas do tempo.



10

Tabela 2. Estrutura básica do delineamento longitudinal-misto do OGHPS.

Coortes Idades

C1 10 11 12

C2 12 13 14

C3 14 15 16

C4 16 17 18

Figura 4. Modelo relacional das diferentes variáveis estudadas nas três janelas do tempo do OGHPS.

Ano 1

Ano 2

Ano 3



11

3. Desafios e exigências da informação longitudinal.

A grande “aventura” de uma qualquer pesquisa desenvolvimentista é

marcada, sempre, por desafios situados nos planos concetual, metodológico e

analítico, que podem ser sumariados em três etapas sequencialmente

articuladas: (1) o recurso a um modelo teórico bem estruturado para interpretar

a magnitude e sinal da mudança; (2) a utilização de um delineamento temporal

que favoreça uma visão clara e detalhada dos processos em estudo; e (3) o

recurso a modelos estatísticos flexíveis e eficientes para tratar adequadamente

a informação disponível (Collins, 2006).

Muito genericamente, os principais desafios interpretativos de dados

seriados são os seguintes: (i) identificação direta da mudança intraindividual;

(ii) identificação das diferenças ou similaridades interindividuais na mudança

intraindividual; e (iii) análise sobre classes de preditores responsáveis pelas

diferenças ou similaridades interindividuais na mudança intraindividual (Baltes

& Nesselroade, 1979).

O delineamento longitudinal puro é considerado a melhor estratégia para

responder aos desafios anteriormente referidos, uma vez que a análise

estatística se debruça sobre as mesmas variáveis colhidas nos mesmos

sujeitos em intervalos de tempo regularmente espaçados (Bell, 1954; Duncan &

Duncan, 2012). O que se obtém nada mais é do que uma espécie de relato da

“história natural” das mudanças ocorridas nos indivíduos estudados, bem como

uma interpretação da variação interindividual. Contudo, neste delineamento, o

tempo de recolha da informação é relativamente longo, a que se associam

desafios metodológicos/práticos de “monta” de que destacamos: (i)

financiamento e investimento continuados; (ii) necessidade de uma logística

bem organizada do processo de recolha da informação; (iii) dimensão amostral

relativamente elevada, a que se ligam problemas de drop-out; e (iv)

manutenção ou substituição adequada da equipe de avaliadores/pesquisadores

(van Mechelen & Mellenbergh, 1997; Matton, Beunen et al., 2007; Malina,

Bouchard et al., 2009). Uma alternativa viável, flexível, de menor custo mas

igualmente eficiente é o delineamento longitudinal-misto em que múltiplas



12

coortes de sujeitos, temporariamente sobrepostas, são observadas. Uma das

suas principais vantagens é o período relativamente curto de acompanhamento

dos sujeitos, reduzindo drasticamente os custos, bem como os sérios

problemas cumulativos de drop out amostral (Duncan & Duncan, 2012).

A análise multivariada da informação longitudinal não é tarefa simples

(Hedeker & Gibbons, 2006; Fitzmaurice, Laird et al., 2011). A sua complexa

estrutura organizacional reclama o recurso a modelos matemáticos-estatísticos

modernos, elegantes, flexíveis e eficientes. Algumas avenidas de análise

situam-se, por exemplo, no estudo da estabilidade de trajetórias (do inglês

tracking) (Kowalski & Schneiderman, 1992); no uso da modelação multinível

para interpretar a mudança intraindividual e as diferenças interindividuais (Bryk

& Raudenbush, 1987); na identificação de grupos ou clusters de sujeitos com

trajetórias temporais distintas, através dos modelos de equações estruturais

(Diggle, Heagerty et al., 2013); bem como na análise de classes latentes

(Collins & Lanza, 2010).

4. Pilares da tese.

Esta tese de doutorado, parte do projeto OGHPS, apresenta um olhar

multifacetado sobre a dinâmica relacional entre características individuais,

fatores ambientais e do estilo de vida, bem como o seu efeito no crescimento

físico, desempenho motor e marcadores da saúde de adolescentes. A estrutura

dos seus estudos parcelares, detalhados mais adiante, está alicerçada num

conjunto de pilares, assim referidos:

- O primeiro assenta na relevância incontestável de retratar, de modo

preciso, como é que os jovens se desenvolvem do ponto de vista do seu

crescimento físico (Bogin, 1999). Medições longitudinais acerca dos

indicadores do crescimento dos adolescentes são descritores dinâmicos da sua

biologia, bem como de condições gerais de saúde e estado nutricional (Bogin,

1999; Rogol, Clark et al., 2000). Tradicionalmente, a estatura e o peso são

comumente utilizadas para monitorizar o crescimento (Malina, Bouchard et al.,

2009). Não obstante a importância da informação específica de cada um



13

desses indicadores, o crescimento pode ser visualizado em termos de alguns

“clusters” de variáveis, conhecidos como índices ou rácios, que fornecem

informações adicionais, de considerável relevo, sobre o físico e as proporções

corporais (Guedes & Guedes, 1997; Freitas, Maia et al., 2002; Malina,

Bouchard et al., 2009). A relação entre a estatura e o peso é mais

classicamente expressa no índice de massa corporal (IMC), com um longo

trajeto histórico em Auxologia Epidemiológica sobre crescimento, composição

corporal, subnutrição sobrepeso e obesidade (Malina, Bouchard et al., 2009).

Sobrepeso e obesidade têm sofrido uma proliferação inimaginável em todo o

mundo (Ng, Fleming et al., 2014). Portugal não está incólume a esta tendência,

uma vez que a prevalência de sobrepeso/obesidade está entre 21.6% e 32.7%

(Sardinha, Santos et al., 2011). Decorre daqui a obrigatoriedade de leituras

mais abrangentes sobre as trajetórias de mudança do IMC ao longo da

adolescência, bem como as suas interações com fatores biológicos e do estilo

de vida, de que destacamos a aptidão física, atividade física, hábitos

nutricionais e de tempo de sono. Esta análise/interpretação permitirá um

conhecimento mais amplo sobre a variabilidade intra e interindividual na

estrutura da mudança do IMC.

- O segundo está fundado na importância do desempenho motor na

expressão da saúde e bem-estar das populações, convenientemente reportada

na literatura atual (Ortega, Ruiz et al., 2008; Pate, Oria et al., 2012). Níveis

moderados a elevados de aptidão física, na infância e adolescência, estão

associados a menor incidência dos fatores de risco cardiometabólico, redução

da adiposidade total e abdominal, melhoria da saúde mental e óssea, bem

como no aumento do desempenho acadêmico (Ortega, Ruiz et al., 2008). Ao

considerar a adolescência como um período “crítico” para o desenvolvimento

da proficiência motora (Guedes & Guedes, 1997; Freitas, Maia et al., 2002;

Ortega, Ruiz et al., 2008; Malina, Bouchard et al., 2009), e potencialmente

sensível à influência de fatores ambientais, de natureza positiva ou negativa, a

monitorização de padrões de estabilidade e mudança do desempenho motor,

neste período etário, pode contribuir de forma significativa para a promoção da



14

saúde ao longo da vida (Janz, Dawson et al., 2000; Malina, 2001; da Silva,

Beunen et al., 2013).

- O terceiro assenta nas preocupações crescentes do impacto de fatores

de risco cardiometabólico na saúde de populações pediátricas (Weiss, Bremer

et al., 2013). Evidências epidemiológicas sugerem que o processo patológico

dos distúrbios e doenças cardiometabólicas têm sua origem na infância e

adolescência (Steele, Brage et al., 2008; Artero, Ruiz et al., 2011; Weiss,

Bremer et al., 2013), estando associado a um conjunto de fatores etiológicos

agregados, como por exemplo a hipertensão (Sorof & Daniels, 2002) e a

obesidade central (Zimmet, Alberti et al., 2007). A presença precoce de

anomalias nesses indicadores exige uma atenção redobrada, devido à

probabilidade da sua continuidade na idade adulta, aumentando assim o risco

de morbidade e mortalidade (Weiss, Bremer et al., 2013). Decorre daqui a

necessidade de estudar, de modo mais abrangente, a dinâmica da mudança

destes fatores de risco ao longo da adolescência, bem como a sua variação

associada a fatores como a idade, o sexo, a maturação biológica, níveis de

atividade física e aptidão física. A interpretação acerca do dinamismo relacional

destes preditores, com base num pensamento e análise multinível, pode

contribuir para atuações preventivas mais eficientes, i.e., convincentes e

otimizadas.

Em decorrência do anteriormente exposto, os propósitos desta tese são

os seguintes:

1. Apresentar as principais ideias, linhas de força e domínios

metodológicos do OGHPS, bem como referir sumariamente os

resultados do primeiro ano da pesquisa, i.e., no seu baseline.

2. Inventariar e descrever importantes técnicas de análise do tracking

(i.e., estabilidade e previsibilidade) associadas à pesquisa da

estabilidade e mudança do IMC. Este propósito tem uma dupla

finalidade: por um lado apresenta um modo de pensar e respetivos

procedimentos analíticos numa importante faceta da pesquisa



15

longitudinal; por outro, segue uma via didática no auxílio a

investigadores principiantes interessados na investigação de caráter

longitudinal.

3. Dada a estrutura longitudinal-mista do OGHPS, foi nosso propósito

mostrar a elegância e flexibilidade da modelação multinível, i.e., do

seu pensamento e método de análise estatística a partir de um

exemplo centrado no desenvolvimento da força estática de

adolescentes.

4. Analisar e atribuir significado aos resultados do tracking da aptidão

física de adolescentes a partir de três abordagens estatísticas

distintas: autocorrelações, modelação multinível e de Cohen.

5. Descrever e interpretar as mudanças no IMC em função do

dinamismo relacional de um conjunto de preditores - atividade física

total, aptidão física, tempo de sono e consumo de frutas e vegetais.

6. Analisar e interpretar o significado do desenvolvimento de um

fenótipo complexo - adição da tensão arterial com o perímetro da

cintura - ao mesmo tempo que se pesquisa o efeito dinâmico das

variáveis sexo, maturação biológica, atividade física e aptidão física

ao longo da adolescência.



16

ESTRUTURA DA TESE

Esta tese foi estruturada de acordo com o modelo habitualmente

designado de “Escandinavo”. Os capítulos seguintes referem-se aos artigos

escritos em função dos objetivos delineados. Os artigos foram submetidos para

publicação em diferentes periódicos, e estão de acordo com as respetivas

normas de publicação.

O capítulo I trata a introdução e a estrutura geral da tese, onde é

justificada a tese a que se juntam os principais propósitos. O capítulo II é

constituído de três estudos de cunho metodológico. O capítulo III é composto

por três estudos analíticos. As conclusões finais e limitações desta tese, bem

como perspetivas de trabalho futuro estão apresentadas no capítulo IV. As

referências bibliográficas estão descritas no final de cada texto de acordo com

as normas do periódico a que o artigo foi submetido; os capítulos de introdução

e síntese final da tese apresentam as referências bibliográficas de acordo com

as normas da Faculdade de Desporto da Universidade do Porto. Na Tabela 3

encontram-se descritas as sínteses do conteúdo de cada capítulo.

Tabela 3. Estrutura da tese.

Capítulo I Apresenta a introdução geral, sua relevância, os principais propósitos e a estrutura da tese.

Capítulo II

Estudo I

The Oporto mixed-longitudinal growth, health and performance

study. Design, methods and baseline results.

Objetivos: Apresentar as principais ideias e metodologias do projeto

Oporto growth, health and performance study (OGHPS), bem como

resultados do primeiro ano do estudo no crescimento físico, aptidão

física e estilo de vida.

Artigo submetido: BMC Public Health (Reino Unido)

Autores: Michele Souza, Raquel Chaves, Fernanda Santos, Thayse

Gomes, Daniel Santos, Alessandra Borges, Sara Pereira, Cláudia

Forjaz, Joey Eisenmann, José Maia.



17

Estudo II

A noção de tracking e sua aplicação à Educação Física e ao

Esporte.

Objetivo: Apresentar diversas técnicas de estudo e análise do tracking

(estabilidade e previsibilidade).

Artigo aceito para publicação: Revista Brasileira de Cineantropometria

e Desempenho Humano (Brasil).

Autores: Michele Souza, Cláudia Forjaz, Joey Eisenmann, José Maia.

Estudo III

Modelação multinível e delineamento longitudinal-misto na

pesquisa em Educação Física e Ciências do Esporte.

Objetivo: Apresentar o uso da modelação multinível com informação

oriunda de um estudo longitudinal-misto sobre o crescimento,

desenvolvimento e saúde de adolescentes portugueses.

Artigo aceito para publicação: Revista Brasileira de Educação Física e

Esporte (Brasil).

Autores: Michele Souza, Cláudia Forjaz, Thayse Gomes, Fernanda

Santos, Joey Eisenmann, José Maia.

Capitulo III

Estudo IV

Short-term tracking of youth physical fitness: The Oporto Growth,

Health and Performance Study.

Objetivo: Descrever e interpretar o tracking da aptidão

cardiorespiratória e aptidão física relacionada à performance de

adolescentes através de três técnicas de análise: autocorrelação,

modelação multinível e de Cohen.

Artigo submetido: Scandinavian Journal of Medicine & Science in

Sports (Dinamarca).

Autores: Michele Souza, Joey Eisenmann, Raquel Chaves, Daniel

Santos, Sara Pereira, Cláudia Forjaz, José Maia.

Estudo V

Modeling the dynamics of BMI changes during adolescence. The

Oporto Growth, Health and Performance Study.

Objetivos: (1) Analisar as trajetórias de mudança no IMC de

adolescentes dos 10 aos 18 anos de idade; (2) Investigar os efeitos

dinâmicos da aptidão física, atividade física, tempo de sono e

consumo de frutas/vegetais nas trajetórias interindividuais do IMC.



18

Artigo submetido: International Journal of Obesity (EUA)

Autores: Michele Souza, Joey Eisenmann, Daniel Santos, Raquel

Chaves, Cláudia Forjaz, José Maia.

Estudo VI

Modeling longitudinal changes in hypertensive and waist

phenotype. The Oporto growth, health and performance study.

Objetivos: (1) Modelar a mudança num score cardiometabólico em

adolescentes; (2) Investigar os efeitos dinâmicos de um conjunto de

preditores: sexo, maturação biológica, atividade física e aptidão física.

Artigo submetido: Journal of Adolescent Health (EUA)

Autores: Michele Souza, Joey Eisenmann, Fernanda Santos, Thayse

Gomes, Sara Pereira, Cláudia Forjaz, José Maia.

Capítulo IV Apresenta a síntese final, destacando as principais conclusões de

cada estudo, bem como limitações e perspetivas futuras de pesquisa.



19

REFERÊNCIAS

Alberga, A. S., R. J. Sigal, G. Goldfield, D. Prud'homme and G. P. Kenny

(2012). "Overweight and obese teenagers: why is adolescence a critical

period?" Pediatr Obes 7(4): 261-273.

Artero, E. G., J. R. Ruiz, F. B. Ortega, et al. (2011). "Muscular and

cardiorespiratory fitness are independently associated with metabolic risk in

adolescents: the HELENA study." Pediatr Diabetes 12(8): 704-712.

Baltes, P. and J. Nesselroade (1979). History and rationale of longitudinal

research. Longitudinal research in the study of behavior and development. J. B.

Nesselroade, P. Michigan, Academic Press.

Basso, L., C. Meira, J. Oliveira, et al. (2009). "Crescimento e desenvolvimento

motor de escolares de Muzambinho: Um estuco com implicações acadêmicas,

sociais e de política interinstitucional." revista Portuguesa de Ciências do

Desporto 9(2-3): 247-257.

Bell, R. Q. (1954). "An experimental test of the accelerated longitudinal

approach." Child Dev 25(4): 281-286.

Blair, S. N., D. Clark, K. J. Cureton and K. E. Powell (1989). "Exercise and

fitness in childhood: implications for a lifetime of health." Perspectives in

exercise science and sports medicine 2: 401-430.

Bogin, B. (1999). Patterns of human growth. Cambridge, United Kingdom,

Cambridge University Press.

Bouchard, C., A. S. Leon, D. C. Rao, et al. (1995). "The HERITAGE family

study. Aims, design, and measurement protocol." Med Sci Sports Exerc 27(5):

721-729.

Bouchard, C. and K. Shepard (1994). Physical activity, fitness and health. The

model and the key concepts. Physical activity, fitness and health- International



20

proceedings and consensus statement. C. Bouchard, K. Shepard and T.

Stephens. Champain, IL, Human Kinetics: 77-78.

Bronfenbrenner, U. (1979). The ecology of human development. Cambridge,

Mass, Harvard University Press.

Bryk, A. and S. Raudenbush (1987). "Application of Hierarchical Linear Models

to Assessing Change." Psychological Bulletin 101(1): 147-158.

Collins, L. and S. Lanza (2010). Latent class and latent transition analysis with

applications in the social, behavioral, and health sciences. New Jersey, John

Wiley & Sons, Inc., Publication.

Collins, L. M. (2006). "Analysis of longitudinal data: the integration of theoretical

model, temporal design, and statistical model." Annu Rev Psychol 57: 505-528.

da Silva, S., G. Beunen, D. Freitas and J. Maia (2013). "Estudos longitudinais

sobre o crescimento somático e desempenho motor: delineamentos, desafios e

necessidades." Revista Brasileira de Cineantropometria e Desempenho

Humano 15(1): 130-143.

de Onis, M., A. Onyyango, E. Borghi, et al. (2007). Development of a WHO

growth reference for school-aged children and adolescents., Bull. Word Health

Organ.

Diggle, P., P. Heagerty, K.-Y. Liang and S. Zeger (2013). Analysis of

longitudinal data. Oxford Oxford University Press. .

Duncan, S. and T. Duncan (2012). Accelerated Longitudinal Designs.

Handbook of Developmental Research Methods. B. Laursen, T. Litlle and N.

Card. New YorK, The Guilford Press.

Elgar, F. J., C. Roberts, L. Moore and C. Tudor-Smith (2005). "Sedentary

behaviour, physical activity and weight problems in adolescents in Wales."

Public Health 119(6): 518-524.



21

Fitzmaurice, G., N. Laird and J. Ware (2011). Applied Longitudinal analysis.

New York, John Wiley & Sons, Inc.

Freitas, D., J. Maia, G. Beunen, et al. (2002). Crescimento Somático,

Maturação Biológica, Aptidão Física, Atctividade Física e Estatuto

Socioeconómico de Crianças e Adolescentes Madeirenses- O Estudo de

Crescimento da Madeira, SAEFD Universidade da Madeira.

Guedes, D. and J. Guedes (1997). Crescimento, composição corporal e

desempenho motor de crianças e adolescentes. São Paulo, CLR Balieiro.

Hallal, P. C., L. B. Andersen, F. C. Bull, et al. (2012). "Global physical activity

levels: surveillance progress, pitfalls, and prospects." Lancet 380(9838): 247-

257.

Hedeker, D. and R. Gibbons (2006). Longitudinal data analysis. Hoboken, New

Jersey, John Wiley & Sons, Inc. Hoboken.

Hills, A. P., N. A. King and T. P. Armstrong (2007). "The contribution of physical

activity and sedentary behaviours to the growth and development of children

and adolescents: implications for overweight and obesity." Sports Med 37(6):

533-545.

Janz, K. F., J. D. Dawson and L. T. Mahoney (2000). "Tracking physical fitness

and physical activity from childhood to adolescence: the muscatine study." Med

Sci Sports Exerc 32(7): 1250-1257.

Janz, K. F., J. D. Dawson and L. T. Mahoney (2002). "Increases in physical

fitness during childhood improve cardiovascular health during adolescence: the

Muscatine Study." Int J Sports Med 23 Suppl 1: S15-21.

Katzmarzyk, P. T., R. M. Malina and C. Bouchard (1999). "Physical activity,

physical fitness, and coronary heart disease risk factors in youth: the Quebec

Family Study." Prev Med 29(6 Pt 1): 555-562.



22

Kemper, H. C., G. B. Post, J. W. Twisk and W. van Mechelen (1999). "Lifestyle

and obesity in adolescence and young adulthood: results from the Amsterdam

Growth And Health Longitudinal Study (AGAHLS)." Int J Obes Relat Metab

Disord 23 Suppl 3: S34-40.

Kowalski, C. J. and E. D. Schneiderman (1992). "Tracking: Concepts, Methods

and Tools." Int J Anthropol 7(4): 33-50.

Krebs, R. (1995). Urie Bronfenbrenner e a ecologia do desenvolvimento

humano. Santa Maria, Casa Editorial.

Maia, J. A. R. and V. P. Lopes (2007). Crescimento e desenvolvimento de

crianças e jovens Açorianos. O que pais, professores, pediatras e nutricionistas

gostariam de saber., DREFD e FADEUP.

Malina, R., C. Bouchard and O. Bar-Or (2009). Crescimento, maturação e

atividade física. São Paulo, Phorte.

Malina, R. M. (2001). "Physical activity and fitness: pathways from childhood to

adulthood." Am J Hum Biol 13(2): 162-172.

Malina, R. M. (2014). "Top 10 research questions related to growth and

maturation of relevance to physical activity, performance, and fitness." Res Q

Exerc Sport 85(2): 157-173.

Matton, L., G. Beunen, N. Duvigneaud, et al. (2007). "Methodological issues

associated with longitudinal research: findings from the Leuven Longitudinal

Study on Lifestyle, Fitness and Health (1969 - 2004)." J Sports Sci 25(9): 1011-

1024.

Must, A., L. G. Bandini, D. J. Tybor, et al. (2007). "Activity, inactivity, and screen

time in relation to weight and fatness over adolescence in girls." Obesity (Silver

Spring) 15(7): 1774-1781.

Ng, M., T. Fleming, M. Robinson, et al. (2014). "Global, regional, and national

prevalence of overweight and obesity in children and adults during 1980-2013:



23

a systematic analysis for the Global Burden of Disease Study 2013." Lancet

384(9945): 766-781.

Nicklas, T. A., S. P. von Duvillard and G. S. Berenson (2002). "Tracking of

serum lipids and lipoproteins from childhood to dyslipidemia in adults: the

Bogalusa Heart Study." Int J Sports Med 23 Suppl 1: S39-43.

Ortega, F. B., J. R. Ruiz, M. J. Castillo and M. Sjostrom (2008). "Physical fitness

in childhood and adolescence: a powerful marker of health." Int J Obes (Lond)

32(1): 1-11.

Pate, R., M. Oria and L. Pillsbury (2012). Fitness measures and health

outcomes in youth. Whasington, The National Academic Press.

Riddoch, C., D. Edwards, A. Page, et al. (2005). "The European Youth Heart

Study - cardiovascular disease risk factors in children: rationale, aims, study

design and validation of methods." Journal of Physical Activity and Health 2:

115-129.

Rogol, A. D., P. A. Clark and J. N. Roemmich (2000). "Growth and pubertal

development in children and adolescents: effects of diet and physical activity."

Am J Clin Nutr 72(2 Suppl): 521S-528S.

Sallis, J. D. and N. Owen (1997). Ecological models. Health behavior and health

education: Theory, research, and practice. K. Glanz, M. Lewis and K. Rimer.

San Francisco, Jossey-Bass: 403–424.

Sallis, J. F., R. B. Cervero, W. Ascher, et al. (2006). "An ecological approach to

creating active living communities." Annu Rev Public Health 27: 297-322.

Sallis, J. F., N. Owen and E. Fisher (2008). Ecological Models of Health

Behavior. Health Behavior and Health Education. Theory, research, and

practice. K. Glanz, B. Rimer and K. Viswanath. San Francisco, Jossey-Bass.

4th edition: 465-485.



24

Sardinha, L. B., R. Santos, S. Vale, et al. (2011). "Prevalence of overweight and

obesity among Portuguese youth: a study in a representative sample of 10-18-

year-old children and adolescents." Int J Pediatr Obes 6(2-2): e124-128.

Silva, S. (2010). Estudo Longitudinal-Misto do Crescimento e Desempenho

Motor em Crianças e Adolescentes da Região do Cariri Cearense, Brasil. Porto,

Faculdade de Desporto da Universidade do Porto.

Sorof, J. and S. Daniels (2002). "Obesity hypertension in children: a problem of

epidemic proportions." Hypertension 40(4): 441-447.

Spruijt, M. R. (2012). "Etiology, Treatment and Prevention of Obesity in

Childhood and Adolescence: A Decade in Review." J Res Adolesc 21(1): 129-

152.

Steele, R. M., S. Brage, K. Corder, N. J. Wareham and U. Ekelund (2008).

"Physical activity, cardiorespiratory fitness, and the metabolic syndrome in

youth." J Appl Physiol 105(1): 342-351.

Twisk, J. W., H. C. Kemper and W. van Mechelen (2002). "Prediction of

cardiovascular disease risk factors later in life by physical activity and physical

fitness in youth: general comments and conclusions." Int J Sports Med 23 Suppl

1: S44-49.

Ulijaszek, S. J. (2006). "The international growth standard for children and

adolescents project: environmental influences on preadolescent and adolescent

growth in weight and height." Food Nutr Bull 27(4 Suppl Growth Standard):

S279-294.

van Mechelen, W. and G. Mellenbergh (1997). "Problems and solutions in

longitudinal research: From theory to practice." Int J. Sports Med 18: S238-

S245.

Weiss, R., A. A. Bremer and R. H. Lustig (2013). "What is metabolic syndrome,

and why are children getting it?" Ann N Y Acad Sci 1281: 123-140.



25

Zimmet, P., K. G. Alberti, F. Kaufman, et al. (2007). "The metabolic syndrome in

children and adolescents - an IDF consensus report." Pediatr Diabetes 8(5):

299-306.

CAPÍTULO II

Estudos Metodológicos

Estudo I

The Oporto mixed-longitudinal growth, health and performance study.

Design, methods and baseline results.

Michele Caroline de Souza1,2, Raquel Nichele de Chaves3, Fernanda Karina

dos Santos1,2, Thayse Natacha Queiroz Ferreira Gomes1, Daniel Vilhena e

Santos1, Alessandra Silva Borges1, Sara Isabel Sampaio Teixeira1, Cláudia

Lúcia de Moraes Forjaz4, Joey Eisenmann5, José António Ribeiro Maia1

Artigo submetido à BMC Public Health (Reino Unido)

1 CIFI2D, Kinanthropometry Lab, Faculty of Sport, University of Porto-Porto, Portugal.

2 CAPES Foundation, Ministry of Education of Brazil, Brasília - DF, Brazil.

3 Federal University of Technology of Paraná-PR, Brazil.

4 Exercise Hemodynamic Laboratory, School of Physical Education and Sport,

University of São Paulo-SP, Brazil.

5 Department of Radiology, Michigan State University- East Lansing , United States.

The Oporto mixed-longitudinal growth, health and performance study


31

ABSTRACT

The main aim of this paper was to address the key ideas, methodology

and design of the Oporto Growth, Health and Performance Study (OGHPS).

This is a multidisciplinary mixed-longitudinal study whose main purpose is to

interpret the multiple interactions among biological, environmental and lifestyle

indicators that affect growth, development, health and performance of

Portuguese adolescents aged 10 to 18 years old. We briefly present baseline

results for growth, physical fitness and lifestyle behaviors for those participating

in the cross-sectional sample (n≈8000). Results show that ≈30% were overfat or

obese. On average, boys are more physically fit and active than girls. Few

adolescents meet the guidelines for sleep duration (≈10%) and eating habits

(16.2 to 24.8%), while 76-85% meet the recommended levels of moderate to

vigorous physical activity. The OGHPS has an innovative approach due to its

mixed-longitudinal design and the broad array of variables. Furthermore,

subsequences analyses of the longitudinal data will enable a detailed

exploration of important factors affecting youth health and performance

trajectories and will help to identify some of the most opportune times for

interventions in terms of their health behaviors.

Keywords: Growth, Development, Health, Adolescents, Longitudinal studies.



33

INTRODUCTION

There is considerable global public health concern about physical activity

(PA), dietary habits, obesity, and physical fitness (PF) in children and

adolescents (Malina, Bouchard and Bar-Or 2004, Ahrens et al. 2011,

Katzmarzyk et al. 2013). Further, this systemic co-occurrence is closely

connected to the development of metabolic risk and cardiovascular diseases

(CVD) during adolescence (Malina, Bouchard et al. 2004, Ahrens et al. 2006,

Ahrens, Bammann et al. 2011, Katzmarzyk, Barreira et al. 2013, Wijnstok et al.

2013) and tracks into adulthood (Dietz 1997, Riddoch et al. 2005, Moreno et al.

2008, Wijnstok, Hoekstra et al. 2013), and ultimately threatening general public

health and the global economy (Pigeot et al. 2009, Ahrens, Bammann et al.

2011, Katzmarzyk, Barreira et al. 2013).

Adolescence is a highly plastic and dynamic life period often viewed as

an important time frame or “critical window” in terms of acquisition and

development of lifestyle behaviors which are linked to health problems in

adulthood (Moreno, De Henauw et al. 2008, Ortega et al. 2008, Wijnstok,

Hoekstra et al. 2013). Within the scope of primary prevention, it is important to

monitor behaviors and lifestyle characteristics in order to identify markers, peer

influences, and environmental conditions that increase the likelihood of

developing adverse CVD risk profiles (Riddoch, Edwards et al. 2005, Moreno et

al. 2008, Basso et al. 2009, Wijnstok, Hoekstra et al. 2013).

Only a few longitudinal studies from Europe and North America [i.e.,

Leuven Longitudinal Study on Lifestyle and Health (Matton et al. 2007), the

Amsterdam Growth and Health Study (Wijnstok, Hoekstra et al. 2013), the Fels

Longitudinal Study (Roche 1992), and the Saskatchewan Growth and

Development Study (Mirwald 1980)] have highlighted the impact of contextual

influences in body growth, physical fitness, motor performance and lifestyle

characteristics during childhood and adolescence. However, these landmark

studies described the adolescent period in the historical context of the 1970’s

and 1980’s. Further, longitudinal studies concerning children and adolescents’



34

growth, development and health aimed at studying the multiple interactions

amongst these complex set of variables are not common in the Portuguese

speaking countries (Freitas et al. 2002, Maia and Lopes 2007, Basso, Meira et

al. 2009, da Silva et al. 2013, Silva et al. 2013). However, these studies did not

address the complex dynamics that arise when describing not only changes in

individual variables or sets of variables, but mainly the behaviors that predict

these changes as well as interactions of factors that influence the mutual

dynamic process of physical growth, development and adolescent health. This

aforementioned aspect is the focus of the “Oporto Growth, Health and

Performance Study” (OGHPS), a mixed-longitudinal study addressing the

stability and dynamics of change in physical growth, development and health.

As such, the primary aim of OGHPS is to investigate, longitudinally, the

interaction among individual characteristics, environmental factors, and lifestyle

predictors that affect growth, development, health aspects and performance of

Portuguese adolescents.

The OGHPS used the ecological model proposed by Sallis and Owen

(1997) as a general template, and included a wide range of information about

growth, maturation, physical fitness, cardio-metabolic health, lifestyle, the built

environment, and family. The OGHPS has an innovative approach regarding (i)

the broad array of variables, (ii) its mixed-longitudinal design covering late

childhood and adolescence, and (iii) the statistical methods such as tracking

(Kowalski and Schneiderman 1992), multilevel modeling (Bryk and Raudenbush

1987), generalized estimating equations (Diggle et al. 2013), latent class and

transitional analysis (Collins and Lanza 2010), and mixed-models with random

location and scale (Hedeker, Mermelstein and Demirtas 2012). The results are

expected to contribute to a better understanding of the complex interplay among

individual characteristics, environmental factors and lifestyle predictors that

influence adolescents’ growth, development and health. This will enable us to

provide more precise informed judgments of the more important factors

affecting the adolescent trajectory, and how they vary between and within

subjects.



35

The purpose of this paper is two-fold: (1) to address the key ideas and

methodological domains of the OGHPS; (2) to briefly present baseline results

for physical growth, physical fitness and lifestyle behaviors and identify possible

sex-differences.

METHODS

Design and sample

This study presents a mixed-longitudinal design involving Portuguese

adolescents from 10 to 18 years old divided into four age cohorts. The first

cohort was followed from 10 to 12 years; the second from 12 to 14 years; the

third from 14 to 16 years, and the fourth from 16 to 18 years. Cohorts’ temporal

overlap was taken at 12, 14 and 16 years old.

Seven schools from the Porto educational area (north of Portugal) were

randomly selected, and the participants were randomly assigned in each

school. Measurements were conducted annually during November to April for

three consecutive years (2011-2013). Approximately 250 in each cohort had

three years of repeated information representing the mixed-longitudinal study

sample. Due to the extensive information derived from this mixed-longitudinal

study, we also derived a cross-sectional sample (n≈8000) consisting only of

students who entered the study in the beginning of each academic year.

Table 1. Sample size per age and sex groups.

Age Girls Boys Total

10 697 705 1402

11 502 555 1057

12 589 667 1256

13 436 477 913

14 460 434 894

15 487 499 986

16 323 344 667

17 238 261 499

18 165 182 347

Total 3897 4124 8021



36

The present report will only consider the cross-sectional sample (n≈8000)

which comprises adolescents aged 10 to 18 years (Table 1). Legal authorization

to conduct the study was obtained from school directors. Further, informed

consent was obtained from all parents and the Ethics Committee of the

University of Porto approved the project.

Measurements

As previously mentioned, a wide range of information was collected on

physical growth, biological maturation, body composition, physical activity,

physical fitness, cardio-metabolic risk factors, lifestyle characteristics,

demographics, and neighborhood environment. When sibling pairs were

identified in the same school (n≈280 sibling pairs which amounts to a total of

600 subjects), a more detailed assessment of physical growth, gestational

information, blood analysis of metabolic risk, as well as physical activity

monitored with daily use of pedometers and accelerometers was undertaken.

Table 2 shows a summary of the collected data.

Anthropometry

A battery of anthropometric measurements was made by trained staff

following standardized protocols established by the International Society for the

Advancement of Kinanthropometry (Ross and Ward 1986). Height and sitting

height were measured to the nearest 0.1 centimeter with a portable stadiometer

(Holtain, UK). Body mass (kg) was measured with a portable bioelectrical

impedance scale (TANITA BC-418 MA Segmental Body Composition Analyser;

Tanita, Corporation, Tokyo, Japan) with a 0.1 kg precision. Body mass index

(BMI) was computed using the standard formula BMI=[body mass (kg)/height

(m)2], and all adolescents were classified as normal weight, overweight and

obese according to the cut points defined by the International Obesity Task

Force (Cole et al. 2000). Triceps, subscapular, iliac, abdominal and medial calf

skinfolds were measured with a Holtain caliper (0.2 mm precision). The waist

circumference (WC) was anatomically identified as the smallest circumference

between the lowest rib and the superior border of the iliac crest and measured

to the nearest 1cm with non-elastic tape (Sanny, American Medical of Brazil,



37

São Paulo, Brazil). Relaxed and contracted arm circumference and calf

circumference were also measured with the non-elastic tape. Bone breadths

(biacromial, biiliocristal, bi-epicondyle humerus and bi-epicondyle femur) were

measured with a Holtain round tips compass with a precision of 0.1 cm.

Body Composition

Fat mass and fat-free mass were estimated using the portable

bioimpedance scale (Tanita BC-418 MA Segmental Body Composition

Analyzer; Tanita, Corporation, Tokyo, Japan) after removing heavy clothing,

shoes and socks. Body fat status (underfat, normal, overfat and obesity) was

computed according to the sex-specific cut points suggested by McCarthy et al.

(2006).

Biological Maturation

Biological maturation was indirectly assessed by the maturity offset

regression procedure (Mirwald et al. 2002) which estimates the timing of

occurrence of peak height velocity (PHV) based on age, sex, height, sitting

height and weight (specific formulas are available for each sex). The maturity

offset estimates how many years the subject is from PHV. A positive (+)

maturity offset represents the number of years the participant is beyond PHV,

whereas a negative (–) maturity offset represents the number of years the

subject is before from PHV.

Physical Fitness

PF was assessed in two complimentary ways, i.e. using norm and

criterion referenced test batteries (Baumgartner et al. 2006). Criterion

referenced assessments were made via the Fitnessgram test battery

(Fitnessgram 1994), including:. (a) Aerobic capacity - one-mile run/walk test: all

participants ran/walked this distance (1609 m) in the shortest time possible; (b)

Abdominal muscular strength and endurance - curl-up test: correctly performed

as many curl-ups as possible; (c) Trunk extensor strength - trunk lift test: lying in

a prone position, lifted the trunk as much as he/she could; and (d) Upper body

muscular strength and endurance - push-up test: all participants correctly



38

performed as many push-ups as possible. PF cut points (i.e., “Healthy Fitness

Zone”) were determined by Fitnessgram protocol.

The 1988 AAHPERD (1976) youth fitness test battery was used as a

normative PF assessment and comprises the following tests: (a) Speed - 50

yard dash test: all participants ran this distance in the shortest time possible; (b)

Explosive leg power - standing long jump test: all participants jumped as far as

possible from a standing position; (c) Static strength - grip strength test: all

participants gripped the dynamometer (Takei Physical Fitness Test GRIP-D)

with maximum force during 5 to 10 s; and (d) Agility - shuttle-run test: all

participants ran as fast as possible from the starting line to a line 9 m away

where two small wooden blocks were placed, picked-up one of the blocks,

returned to the starting line, placed the block on the line, and then repeated

route.

Cardio-metabolic risk factors

Cardio-metabolic risk factors included those variables used to classify for

metabolic syndrome: WC, systolic blood pressure (SBP), diastolic blood

pressure (DBP), fasting glucose (GLU), triglycerides (TG) and high-density

lipoprotein-cholesterol (HDL-C). Individual cutoff points suggested by Cook et

al. (2003) were used for each variable to determine the adolescents at risk. All

measurements were made by the research team.

All participants were assessed for WC (as previously described) and for

blood pressure, while a subsample (≈400) was submitted to blood analyses.

Blood pressure was measured with an automated recorder (Omrom M6 hem-

7001-E, Omron Healthcare) previously validated by The International Protocol

of the European Society of Hypertension (Topouchian et al. 2006). Three

different cuff sizes were available for use according to the best fit to participant’s

arm circumference. All adolescents rested five minutes prior to the first

measurement. They remained seated with the back relaxed against the chair,

legs uncrossed and feet flat on the floor. The right upper limb was positioned

with support at the heart level and palm turned upwards. Three consecutive



39

measures with at least two minutes interval were obtained, and the averaged

value was used in the analysis.

The blood analyses were collected after an overnight fast of at least 10-

12 hours. GLU, HDL-C and TG were analysed with the Cholestech LDX point of

care analyser (Cholestech Corporation, Hayward, CA 94545, USA). This

method has been previously validated against a laboratory reference method

(LDX 2003), and daily optical equipment checks were made according to

manufacturer instructions.

Lifestyle characteristics

Physical activity

PA was assessed via a multimodal approach including subjective and

objective procedures. The subjective methods comprised the Baecke PA

questionnaire (Baecke, Burema and Frijters 1982) and the International

Physical Activity Questionnaire, short version (IPAQ-SF) (IPAQ 2005). The

Baecke questionnaire maps three basic domains of PA, namely school PA,

leisure time PA and sport participation PA. It comprises a total of 16 questions

divided into these three domains and each domain is scored from 1 (minimal

PA) to 5 (maximal PA). A total PA score is obtained from the unweighted sum of

all three domains. The IPAQ-SF maps three specific types of PA: walking,

moderate intensity PA and vigorous intensity PA. Computation of the scores

requires multiplication of the duration (minutes) and frequency (days) of each

PA. Scores can also be expressed in MET-minutes/week by multiplying each

score by its specific equivalent MET value (Walking = 3.3 METs, Moderate PA =

4.0 METs and Vigorous PA = 8.0 METs). A total PA score is obtained from the

unweighted sum of all three types of PA. The questionnaires were answered

during physical education classes under the supervision of the physical

education teachers who were previously trained by the research team.

A subsample of participants (n=325) was objectively monitored with an

accelerometer (Actigraph, GT3X, Pensacola, USA) and a pedometer (OMRON,

walking style II, Hoofddorp, Netherlands). Adolescents were encouraged to use



40

both devices simultaneously during 5 consecutive days (3 week days and 2

weekend days); only removing them during water activities (i.e., showering,

swimming) and sleep. These devices were worn around the waist with an

elastic belt and adjustable clip. The accelerometer and pedometer were placed

together in line with the mid-axillary line and lying on the iliac crest (i.e., hip

location). The minimal amount of accelerometer data that was considered

acceptable was 4 days with at least 10 hours of wear time per day, including at

least one weekend day. PA variables were derived using activity counts as

advocated by Evenson et al. (2008). The recommendation of 60 min/day of

moderate and vigorous PA (MVPA) as proposed by the World Health

Organization was adopted to identify physically active adolescents.

Behaviours and Eating Habits

Students’ nutritional behaviours were reported by their mothers using the

Children's Eating Behaviour Questionnaire validated for the Portuguese

population (Viana and Sinde 2003). This questionnaire comprises eight

dimensions: response to food, enjoy eating, response to satiety, slow intake,

selectivity, emotional eating, emotional sub-intake and desire to drink. Further,

two questionnaires about dietary habits were also used and answered by the

student. The first is from the World Health Organization and asks about usual

and customary food intake in the past 30 days (WHO 2009). The second is

adapted from the food frequency questionnaire used in the International Study

of Childhood Obesity, Lifestyle and the Environment (ISCOLE) (Katzmarzyk,

Barreira et al. 2013) and The Health Behaviour in School - Aged Children Study

(HBSC) (Currie et al. 2012). This questionnaire consists of questions about the

different types of foods (23 types) consumed in a typical week, as well as the

consumption of snacks when watching television. There is also an additional set

of questions concerning the frequency of breakfast intake. For this paper, only

the information related to fruits and vegetables was analysed and adolescents’

responses were divided in two groups - those who consumed fruits and

vegetables every day of the week and those who did not.



41

Sleep Habits

All participants answered a questionnaire concerning their sleeping

habits, namely how many hours they usually slept in each of 7 days of the

week. For this paper, sleep time was estimated from average weekly time

(expressed in hours) and adolescents were categorized in two groups

(<10h/day; ≥10h/day) based on National Sleep Foundation recommendations

(2013).

Health Status Perception

Subjective health status was assessed with the SF-36 health survey

questionnaire described and validated to the Portuguese population (Ribeiro

2005). The questionnaire considers 36 items mapping the following dimensions:

physical functioning, social function, role limitations due to physical problems,

role limitations due to emotional problems, mental health, vitality, pain, general

health perception and health change. All adolescents answered the

questionnaires during physical education class under the supervision of their

teachers who were trained by the research team.

Family support for Physical Activity

All participants answered a questionnaire concerning the level of support

for PA they felt they receive from their family (parents and siblings). This

questionnaire was based on Sallis et al. (1987), and considers a list of items

that family might do or say to someone who is trying to exercise regularly.

Gestational information

Mothers were interviewed to provide information about birth weight and

length, mother’s gestational age, presence of complications in pre-natal, peri-

natal and post-natal periods, sports practice and main occupation during

pregnancy, as well as the age that the baby began to speak, crawl and walk.

Socioeconomic status

Socioeconomic status (SES) was determined by the Portuguese schools’

social support system which is based on Ministry of Education directives. This



42

support is divided in three levels according to familial annual income: level A (≤

2.934 Euros/year), with feeding (lunch at the school) and books supports; level

B (from 2.934 to 5.869 Euros/year), half of level A reimbursement value; and

level C comprises all students who receive no support (≥5.870 Euros/year). We

have also used the Portuguese National Classification of Occupations from the

Portuguese National Statistics Institute (INE 2010). Each occupation was

classified from 0 to a 9 point ordinal scale, where 0 means higher SES and 9 is

the lowest.

Built Environment

Information on the built environment was obtained by questions about the

traffic system, accessibility to public transport, housing density and perceived

safety of the neighborhood where they lived during the period of evaluations.

The questionnaire is a Portuguese version of the Environmental Module

(environmental perception of the residential area) of the International Physical

Activity Study, previously applied in the Portuguese population (Delgado 2005).

Data quality control

Data quality control was assessed in five different steps: (1) training of all

team members by experienced researchers of the Kinanthropometry Laboratory

of the Sports Faculty, University of Porto, Portugal; (2) conducting random

retests (intra-rater reliability) on each assessment day; (3) control of the

computerized data entry; (4) exploratory data analysis to identify possible errors

and/or the presence of outliers; and (5) reliability calculations using the ANOVA-

based intraclass correlation coefficients (R), as well as the technical error of the

measurement (TEM) as shown in Table 3.



43

Table 2. Summary overview of data collected.

Domain Measurements Participation

Anthropometry (growth, body

composition and maturation)

-Anthropometry:

Height, sitting height, body mass, waist

circumference, body mass index

All sample

Muscle girths, bone breadths and folds of

subcutaneous adiposity Sub sample

-Body composition by Bioimpedance:

Fat mass and fat free mass All sample

-Biological maturation:

Maturity Offset All sample

Physical fitness

-Criterion assessment:

Fitnessgram battery All sample

-Normative assessment:

AHHPERD battery All sample

Cardio-metabolic risk factors

-Fasting Blood analysis:

Fasting glucose, triglycerides, HDL-Cholesterol Sub sample

-Waist circumference and blood pressure All sample

Lifestyle

- Physical activity:

QuestionnairesBacke and IPAQ-SF All sample

Accelerometers and Pedometers Sub sample

-Behavioral and Eating Habits

Children's Eating Behaviour Questionnaire

Food frequency Questionnaires

All sample

-Sleep habits:

Questionnaire about sleep duration All sample

-Health status:

Questionnaire SF-36 All sample

- Family support to PA participation:

Social Support for Exercise Questionnaire Sub sample

- Gestational information All sample

Demographic and neighborhood

environment

-Socioeconomic status All sample

-Built environment:

Questionnaire All sample



44

Table 3. Reliability estimates of key anthropometric and physical fitness

measurements in the Oporto Growth and Health Study.

Measurements R 95%CI TEM

Height 0.99 0.99-0.99 0.1 cm

Seating Height 0.99 0.99-0.99 0.2 cm

Body mass 0.99 0.99-0.99 0.1 kg

Bioimpedance

Total Body fat 0.99 0.99-0.99 0.4%

Total trunk fat 0.99 0.99-0.99 0.6%

Skinfolds

Triceps 0.99 0.99-0.99 0.2 mm

Subscapular 0.99 0.98-0.99 0.1 mm

Iliac 0.99 0.98-0.99 0.3 mm

Abdominal 0.98 0.98-0.99 0.2 mm

Calf 0.99 0.99-0.99 0.1 mm

Muscular circumference

Waist 0.99 0.98-0.99 0.1 cm

Contracted arm 0.99 0.99-0.99 0.1 cm

Relaxed arm 0.99 0.99-0.99 0.1 cm

Medial calf 0.99 0.99-0.99 0.1 cm

Bone breadths

Biacromial 0.99 0.99-0.99 0.1 cm

Biiliocristal 0.99 0.99-0.99 0.2 cm

Bi-epicondyle humerus

umeral 0.98 0.97-0.99 0.1 cm

Bi-epicondyle femur 0.99 0.99-0.99 0.1 cm

Physical fitness

One mile walk/run 0.93 0.91-0.94 -

Curl-up 0.98 0.98-0.98 -

Push-up 0.93 0.92-0.94 -

Trunk-lift 0.94 0.94-0.95 -

Standing long jump 0.95 0.94-0.95 -

50 yard dash 0.95 0.94-0.95 -

Shuttle-run 0.95 0.95-0.96 -

Handgrip 0.97 0.97-0.97 -

Statistical analysis

Exploratory data analyses were conducted to check for the presence of

outliers and univariate distributions’ normality, as well as to obtain descriptive

statistics [means and standard deviations (SD)]. For the purposes of this paper,

the following analyses were undertaken. Analysis of covariance (ANCOVA),

adjusted for chronological age and maturity offset, was used to examine sex



45

differences on several indicators of the various domains. A Chi-square test was

used to compare prevalence in all indicators between boys and girls. All

computations were done in IBM SPSS 20.0 and WinPepi softwares.

Significance level was set at 5%.

RESULTS

Descriptive statistics for anthropometry, PA, sleep, and muscular and

cardiorespiratory fitness components are shown in Table 4. On average, boys

were significantly (p<0.05) taller and heavier than girls. Boys had significantly

(p<0.05) lower % total body and trunk fat, but WC was higher. Boys showed

significantly (p<0.05) higher values for muscular fitness than girls, except in the

trunk lift test. With regards to cardiorespiratory fitness, boys completed the

run/walk test faster, and possessed lower DBP, but higher SBP than girls. Boys

were more active (p<0.05) than girls in all types of PA, but slept less than girls.

Table 5 shows the prevalence of weight status, body fat status, PA, PF

and cardio-metabolic indicators. There were no differences between girls’ and

boys’ weight status (nearly 30% of them were overweight (23%) or obese (7%)

according to BMI). Body fat status (combined overfat and obesity) showed

similar results for both sexes. Boys were more physically fit than girls (43.4% of

them were fit in all tests compared to 29.6% of girls). Boys had higher

prevalence of elevated WC and SBP. More boys (85%) met the 60 min/day of

MVPA recommendation when compared to girls (75%). With regards to meeting

the sleep recommendation, there were no differences between girls and boys

with approximately 10% meeting the recommendation of 10h/day. More girls

(24.8%) reported consuming fruits and vegetables every day of the week when

compared to boys (16.2%).



46

Table 4. Descriptive characteristics for several indicators of anthropometry,

physical activity, muscular fitness and cardiorespiratory fitness among

Portuguese boys and girls (ANCOVA F test and p-values).

Girls Boys

n Mean SD n Mean SD F p-value

Anthropometry

Height (cm) 3750 154.6 9.2 3992 158.9 13.5 879.48 <0.001

Weight (kg) 3730 51.4 12.4 3933 53.7 14.9 162.40 <0.001

Total Body Fat (%) 3722 27.4 5.9 3915 20.3 6.4 2459.26 <0.001

Trunk Fat (%) 3219 21.6 6.6 3457 16.5 6.4 857.74 <0.001

BMI (kg/m2) 3717 21.3 3.9 3923 20.9 3.7 0.243 0.622

Waist Circumference (cm) 3265 66.9 8.0 3525 70.3 8.9 811.618 <0.001

Muscular fitness

Handgrip (kg) 3601 22.9 5.7 3793 28.1 10.0 3158.823 <0.001

Push-up (reps) 2740 10.3 10.8 2865 16.6 13.5 370.950 <0.001

Curl-up (reps) 2754 40.8 28.3 2899 46.0 29.6 46.210 <0.001

Trunk Lift (cm) 2681 32.1 8.3 2815 30.1 7.7 72.262 <0.001

Cardiorespiratory fitness

1 mile run/walk (min) 2569 11.1 2.4 2748 9.1 2.2 997.349 <0.001

Blood Pressure

SBP (mm/Hg) 2949 112.5 11.2 3145 116.7 13.6 410.256 <0.001

DBP (mm/Hg) 2949 64.7 7.8 3145 63.3 7.8 30.004 <0.001

Physical activity

VPA (METs-min/Week) 2340 1534.3 1978.6 2559 2665.0 2538.2 303.263 <0.001

MPA (METs-min/Week) 1938 910.0 937.9 2193 1274.2 1167.5 122.157 <0.001

Walking (METs-min/Week) 2452 912.7 959.8 2428 979.1 1025.2 6.250 0.012

TPA (METs-min/Week) 1545 3687.4 3029.6 1768 5320.7 3840.5 187.011 <0.001

Sleep Habits

Average weekly time (h) 2284 8.6 1.1 2389 8.5 1.1 5.375 0.020

% =Percentage; BMI= Body mass index; cm= centimeters; kg= kilograms; reps= number of repetitions;

SBP= systolic blood pressure; DBP=diastolic blood pressure; VPA= vigorous physical activity; MPA=

moderate physical activity; TPA= total physical activity; Min= minutes; h= Hour



47

Table 5. Prevalence (95% confidence interval, CI) of weight status, body fat

status, physical activity, physical fitness and cardio-metabolic indicators in

Portuguese boys and girls.

Girls Boys

N % 95%CI N % 95%CI χ2 p-value

Weight status (BMI)

Normal weight 2590 69.5 68.0-70.9 2746 69.7 68.3-71.1 0.051 0.821

Overweight 875 23.5 22.1-24.9 892 22.6 21.3-24.0 0.735 0.391

Obesity 263 7.1 6.3-7.9 301 7.6 6.8-8.5 0.967 0.325

Body fat status

Underfat 30 0.8 0.5-1.1 43 1.1 0.8-1.5 1.727 0.189

Normal 2486 66.6 65.1-68.1 2637 67.2 65.7-68.6 0.300 0.584

Overfat 648 17.4 16.2-18.6 628 16.0 14.9-17.2 2.544 0.111

Obesity 569 15.2 14.1-16.4 617 15.7 15.6-16.9 0.333 0.564

Physical fitness

Fit in at least 1 test 165 6.5 5.6-7.6 147 5.5 4.6-6.4 2.819 0.093

Fit in at least 2 tests 627 24.8 23.2-26.6 477 17.6 16.2-19.1 40.638 <0.001

Fit in at least 3 tests 948 39.0 35.7-39.5 907 33.5 31.8-35.4 9.200 <0.002

Fit in all tests 748 29.6 27.9-31.5 1173 43.4 41.5-45.3 106.106 <0.001

Cardio-metabolic

Indicators

WC Risk 142 4.3 3.6-5.1 198 5.5 4.8-6.3 5.366 0.021

SBP Risk 594 20.1 18.6-21.5 816 25.6 24.1-27.1 26.477 <0.001

MVPA

<60min/day 347 24.1 21.9-26.4 286 15.0 13.4-16.7 44.418 <0.001

≥60min/day 1090 75.9 73.5-78.5 1618 85.0 83.3-86.6 44.418 <0.001

Average weekly

sleep time

<10h/day 2015 88.2 86.8-89.5 2149 90.0 88.7-91.1 3.607 0.058

≥10h/day 269 11.8 10.5-13.2 240 10.0 8.9-11.3 3.607 0.058

Eating habits:

Fruits/vegetables

Not every day 1364 75.2 73.1-77.2 1649 83.8 82.1-85.4 43.526 <0.001

Every day 450 24.8 22.8-26.9 318 16.2 14.6-17.9 43.526 <0.001

BMI= Body mass index; WC= Waist circumference; SBP= Systolic blood pressure; MVPA= Moderate to

vigorous physical activity.



48

DISCUSSION

This paper provides background, key ideas and methodology of the

OGHPS. The OGHPS utilized a multidisciplinary approach, linking knowledge

from complementary scientific fields with an integrated vision that is seen in

recent international studies (Basso, Meira et al. 2009, Ahrens, Bammann et al.

2011, Katzmarzyk, Barreira et al. 2013). Furthermore, the methodology is

sufficiently extensive and robust in exploring important factors affecting health

trajectories during adolescence which will assist in the interpretation of

intraindividual change and interindividual differences in growth, development

and health.

The methodology of the OGHPS, specifically the design and

measurements, deserves to be highlighted. The use of the mixed-longitudinal

design will permit a link between adjacent segments of each cohort given the

known advantages of this study design including: (i) the relatively short follow-

up period of the subject, thereby reducing the cumulative problems of re-testing

effect and sampling drop out; (ii) research results can be presented more

quickly (on a timely subject); (iii) the use of different cohorts increases the

reliability of the results’ generalization, and (iv) the possibility to estimate, when

necessary, the magnitude of the effect of age, cohort and measuring periods in

the analysis of change (Bell 1953, Bell 1954, Duncan and Duncan 2012). A

major strength is that we included a comprehensive range of biological,

environmental and lifestyle information that potentially influences growth,

development and health during adolescence. The instruments and procedures

are aligned with other international studies and were suitable, practically

feasible, and justifiable for such a large sample. Finally, the adequate

integration of the theoretical model, temporal design and statistical methods will

enable OGHPS to provide valuable longitudinal data to parents, education,

clinical, and public health professionals for future prevention efforts, to identify

some of the most opportune times for interventions, as well as to identify

children and adolescents at risk.



49

The second aim of this paper was to present baseline results for physical

growth, PA, and PF and identify possible sex-differences. The findings for body

size and composition are consistent with existing knowledge (Malina, Bouchard

et al. 2004) which suggests that, on average, during the growth process boys

tend to be taller and heavier than girls, except in the beginning of girls’ growth

spurt. The slight girls’ advantage during adolescence ends when boys start their

growth spurt (Malina, Bouchard et al. 2004). The sex differences on %total body

fat and trunk fat were already expected as this trend occurs in all human

populations due to hormonal factors. On average, boys have lower values in all

ages, even prior to puberty (Malina, Bouchard et al. 2004, Alberga et al. 2012).

With regards to sexual dimorphism, WC follows previous values as the

tendency of a centralized fat deposition in boys is more visible after the pubertal

period (McCarthy and Ashwell 2006, WHO 2008, Alberga, Sigal et al. 2012).

Nearly 30% of OGHPS boys and girls were overweight or obese, which is

higher than that found in another sample of Portuguese youth (Sardinha et al.

2011) (21.8% for girls and 25.2% for boys from north of Portugal). Janssen et

al. (2005) compared weight status estimates in school-aged youth from 34

countries and reported that the two countries with the highest prevalence of

overweight and obese were Malta (33.3%) and the United States (31.9%).

Although BMI has been widely used and its limitations are well known (Malina,

Bouchard et al. 2004, Rodriguez et al. 2004), we also chose to identify the body

fat status using BIA-determined % body fat, and results showed that the

percentage of adolescents who were overfat and obese was close to 30%

which is similar to BMI classifications. These results agree with the global trend

characterized by the increase in adiposity among contemporary adolescents

(Janssen, Katzmarzyk et al. 2005).

The results that boys are more physically fit than girls, mainly for

strength, endurance and aerobic performance but not in flexibility is also widely

accepted (Malina, Bouchard et al. 2004). Boys had higher passing rates in

Fitnessgram than girls (43.4% and 26.9%, respectively, for passing all 4 tests).

Similarly, Kim et al. (2005) reported that US boys’ passing rates in all tests were



50

higher than girls even when divided by weight status [Boys: 8.9% (overweight)

to 42.7% (healthy weight); Girls: 8.0% (overweight) to 39.9% (healthy weight)].

On the contrary, DiNapoli & Lewis (2008) using a large data set of US children

and adolescents aged 6-14 years found a weak association between gender

and fitness levels. Independent of the sex-differences found in OGHPS, the

passing rates are low-to-moderate and highlight the need to implement

measures to improve PF in Portuguese adolescents, especially since PF has

been shown to be as powerful health marker (Ortega, Ruiz et al. 2008).

Baseline results showed that boys had lower DBP, but higher SBP as

compared to girls. The sex-difference in SBP is well documented. For example,

data from two longitudinal studies in the UK (Wills et al. 2011) and USA

(Labarthe et al. 2009) have shown that boys tend to have greater SBP rises

during adolescence. Shankar et al. (2005) assessed blood pressure (BP)

changes as a function of pubertal growth and concluded that pubertal growth

was associated with increases in SBP, with greater increments in males than

females. These authors suggested that during sexual maturation gonadal

hormones considerably affect the BP, mainly SPB, with possible preponderant

effect of testosterone (Shankar, Eckert et al. 2005). These suggestions may

explain boys’ higher SBP found at the baseline.

In this paper we chose to present three of the adolescents’ lifestyle

markers - PA, sleeping habits and fruits/vegetables eating habits. Boys were

consistently more physically active, namely in moderate-to-vigorous PA (MPVA,

than girls, which is well-known (Bungum et al. 2000, Sallis, Prochaska and

Taylor 2000, Alberga, Sigal et al. 2012, Bauman et al. 2012). We found a higher

frequency of boys meeting the 60 min/day of MVPA recommendations as

compared to girls (85% and 75%, respectively). In comparison, Butcher et al.

(2008) studied 6125 adolescents aged 14-17 years and found that

approximately 57% of the males and 40% of the females complied with the

guideline. Data from 32 countries participating in the HBSC survey in 2001/2002

showed that none of the countries averaged enough MVPA to meet the

recommendation, and girls were significantly less active than boys (mean



51

hours/week of MVPA 3.52 ±1.88 vs 4.13 ±1.95) and were more likely to not

meet the guidelines (Borraccino et al. 2009). It is important to highlight that in

the OGHPS baseline levels of MVPA were estimated by questionnaire.

Therefore, it is likely that this prevalence of meeting guidelines is lower than the

figures reported here. Although we collected objective PA, it was in a

subsample (n=325).

Boys’ average weekly sleep time was slightly lower than girls. When boys

and girls from OGHPS were analyzed for meeting the sleep guidelines, no

differences between them were found; approximately only 10% met the

recommendation of 10h/day. A study of German adolescents found 9.4% met

the guideline (Loessl et al. 2008); however, the authors presented data as

week-day and week-end sleep duration and assumed 9h/day as the guideline,

making it problematic to compare the result. This finding warrants attention,

since short sleep duration has been associated with several unhealthy

consequences (e.g., impaired ability to concentrate and academic performance,

depression, impaired motor skills, poorer immune function), and it increases the

risk of obesity by decreasing circulation levels of leptin and increasing ghrelin

which are hormones associated with increased BMI (Alberga, Sigal et al. 2012).

Regarding eating habits, a higher prevalence of girls (24.8%) compared

to boys (16.2%) reported consuming fruits and vegetables every day of the

week. Rasmussen et al. (2006) reviewed the determinants of fruit and

vegetables consumption among children and adolescents and found that in 27

of 49 papers reviewed (mostly European) girls tend to have a higher or more

frequent intake of fruit and/or vegetables compared to boys, and only four

studies observed the highest or most frequent intake among boys. In a school-

based study in US (Videon and Manning 2003), over 70% and 55% of the

adolescents reported they did not eat at least two vegetables and two fruits,

respectively, in the previous day, and girls were more likely than boys to have

not eaten the vegetables and fruit. Despite the discrepancies in these results,

boys and girls from OGHPS showed poor eating habits. These patterns may



52

result in nutritional problems that can impair their growth, development and

health.

The main strengths of the OGHPS, namely the broad array of measured

variables, the multidisciplinary approach and the mixed-longitudinal design,

have already been discussed throughout this paper. Despite these strong

points, the OGHPS has some limitations. First, if budget and available

resources to collect and process the data would allow, it would be of great

importance to have data on metabolic syndrome traits and objective measures

of PA on all 8000 subjects. This is, of course, unrealistic in many research

settings. Although PA was estimated via questionnaires, we used a multimode

approach to have more precise measures of the complexities of this trait.

Further, an individualized approach was used in all subjects to be consistent

with the high reliability values reported with the same questionnaires in children

and adolescents of different Portuguese geographical regions (Vasconcelos

and Maia 2001, Ferreira, Marques and Maia 2002). Second, although it is not

expected that adolescents from Porto are different from those of other Portugal

areas, the generalization of the results should be done with caution. Subtle

differences in lifestyle, environments and other factors may influence the

processes of growth, development and health.

CONCLUSIONS

This paper described the methodology and design of the OGHPS, as well

as some its baseline results that demonstrated a high prevalence (≈30%) of

overweight and obese adolescents; sexual dimorphism in PA levels and PF

tests with boys’ advantages; and few adolescents meeting the guidelines for

sleep duration (≈10%) and eating habits (16.2 to 24.8%), but higher meeting the

recommended level of moderate to vigorous physical activity (76 to 85%).

Forthcoming publications will present more detailed results focusing on the

complex and dynamic interactions amongst biological traits, environmental

factors, and lifestyle characteristics that affect growth, development, health and

performance of Portuguese adolescents.



53

REFERENCES

(AAHPER), A. A. f. H. P. E. a. R. (1976). Youth Fitness Test Manual.

Washington, DC, AAHPER.

Ahrens, W., Bammann, K., de Henauw, S., Halford, J., Palou, A., Pigeot, I., et

al. (2006). Understanding and preventing childhood obesity and related

disorders--IDEFICS: a European multilevel epidemiological approach. Nutr

Metab Cardiovasc Dis 16(4): 302-308.

Ahrens, W., Bammann, K., Siani, A., Buchecker, K., De Henauw, S., Iacoviello,

L., et al. (2011). The IDEFICS cohort: design, characteristics and participation in

the baseline survey. Int J Obes (Lond) 35 Suppl 1: S3-15.

Alberga, A. S., Sigal, R. J., Goldfield, G., Prud'homme, D. and Kenny, G. P.

(2012). Overweight and obese teenagers: why is adolescence a critical period?

Pediatr Obes 7(4): 261-273.

Baecke, J., Burema, J. and Frijters, J. (1982). A short questionnaire for the

measurenment of habitual physical activity in epidemiological studies. . Am J

Clin Nutr 36(5): 936-942.

Basso, L., Meira, C., Oliveira, J., Forjaz, C., de Souza, J., Prista, A., et al.

(2009). Crescimento e desenvolvimento motor de escolares de Muzambinho:

Um estuco com implicações acadêmicas, sociais e de política interinstitucional.

revista Portuguesa de Ciências do Desporto 9(2-3): 247-257.

Bauman, A. E., Reis, R. S., Sallis, J. F., Wells, J. C., Loos, R. J., Martin, B. W.,

et al. (2012). Correlates of physical activity: why are some people physically

active and others not? Lancet 380(9838): 258-271.

Baumgartner, T., Jackson, A., Mahar, M. and Rowe, D. (2006). Measurement

for evaluation in Physical Education and Exercise science, McGraw-Hill

Humanities.



54

Bell, R. Q. (1953). Convergence: an accelerated longitudinal approach. Child

Dev 24(2): 145-152.

Bell, R. Q. (1954). An experimental test of the accelerated longitudinal

approach. Child Dev 25(4): 281-286.

Borraccino, A., Lemma, P., Iannotti, R. J., Zambon, A., Dalmasso, P., Lazzeri,

G., et al. (2009). Socioeconomic effects on meeting physical activity guidelines:

comparisons among 32 countries. Med Sci Sports Exerc 41(4): 749-756.

Bryk, A. and Raudenbush, S. (1987). Application of Hierarchical Linear Models

to Assessing Change. Psychological Bulletin 101(1): 147-158.

Bungum, T. J., Dowda, M., Weston, A., Trost, S. and Pate, R. (2000).

Correlates of physical activity in male and female youth. Pediatr Exerc Sci 12:

71-79.

Butcher, K., Sallis, J. F., Mayer, J. A. and Woodruff, S. (2008). Correlates of

physical activity guideline compliance for adolescents in 100 U.S. Cities. J

Adolesc Health 42(4): 360-368.

Cole, T., Bellizzi, M., Flegal, K. and Dietz, W. (2000). Estabilishing a standard

definition for child overweight and obesity worldwide: a international survey.

British Medical Journal 320: 1240-1246.

Collins, L. and Lanza, S. (2010). Latent class and latent transition analysis with

applications in the social, behavioral, and health sciences. New Jersey, John

Wiley & Sons, Inc., Publication.

Cook, S., Weitzman, M., Auinger, P., Nguyen, M. and Dietz, W. (2003).

Prevalence of a metabolic syndrome phenotype in adolescents: findings from

the third National Health and Nutrition Examination Survey, 1988-1994. Arch

Pediatr Adolesc Med 157(8): 821-827.

Currie, C., Zanotti, C., Morgan, A., Currie, D., Looze, M., Roberts, C., et al.

(2012). Social determinants of health and well-being among young people.



55

Health Behaviour in School-Aged Children (HBSC) study: international report

from the 2009/2010 survey. Health Police for Children and Adolescents.

Copenhagen, WHO Regional Office for Europe.

da Silva, S., Beunen, G., Freitas, D. and Maia, J. (2013). Estudos longitudinais

sobre o crescimento somático e desempenho motor: delineamentos, desafios e

necessidades. Revista Brasileira de Cineantropometria e Desempenho

Humano 15(1): 130-143.

Delgado, N. (2005). Relação entre IMC, actividade física e as características do

envolvimento: Um estudo na população escolar adolescente do Concelho de

Ílhano., Faculdade de Desporto da Universidade do Porto.

Dietz, W. H. (1997). Periods of risk in childhood for the development of adult

obesity--what do we need to learn? J Nutr 127(9): 1884S-1886S.

Diggle, P., Heagerty, P., Liang, K.-Y. and Zeger, S. (2013). Analysis of

longitudinal data. Oxford Oxford University Press. .

DiNapoli, P. P. and Lewis, J. B. (2008). Understanding school-age obesity:

through participatory action research. MCN Am J Matern Child Nurs 33(2): 104-

110.

Duncan, S. and Duncan, T. (2012). Accelerated Longitudinal Designs.

Handbook of Developmental Research Methods. B. Laursen, T. Litlle and N.

Card. New YorK, The Guilford Press.

Evenson, K. R., Catellier, D. J., Gill, K., Ondrak, K. S. and McMurray, R. G.

(2008). Calibration of two objective measures of physical activity for children. J

Sports Sci 26(14): 1557-1565.

Ferreira, J., Marques, A. and Maia, J. (2002). Physical fitness, physical activity

and health in young population from Viseu- A study in children and youngsters

of both gender from 10 to 18 years old. Viseu, Departamento Cultural - Instituto

Superior Politécnico de Viseu.



56

Fitnessgram (1994). The Prudencial Fitnessgram Test Administration Manual.

Dallas, Texas U.S.A, he Cooper Institute for Aerobics Research.

Foundation, N. S. (2013). "Children and sleep." Retrieved June, 2014, from

http://sleepfoundation.org/sleep-topics/children-and-sleep/page/0%2C2/.

Freitas, D., Maia, J., Beunen, G., Lefevre, J., Claessens, A., Marques, A., et al.

(2002). Crescimento Somático, Maturação Biológica, Aptidão Física,

Atctividade Física e Estatuto Socioeconómico de Crianças e Adolescentes

Madeirenses- O Estudo de Crescimento da Madeira, SAEFD Universidade da

Madeira.

Hedeker, D., Mermelstein, R. J. and Demirtas, H. (2012). Modeling between-

subject and within-subject variances in ecological momentary assessment data

using mixed-effects location scale models. Stat Med 31(27): 3328-3336.

INE (2010). Statistic Portugal. Portuguese National Classification of

Occupations. Lisboa, INE.

IPAQ. (2005). "International Physical Activity Questionnaire.", from

www.ipaq.ki.se.

Janssen, I., Katzmarzyk, P. T., Boyce, W. F., Vereecken, C., Mulvihill, C.,

Roberts, C., et al. (2005). Comparison of overweight and obesity prevalence in

school-aged youth from 34 countries and their relationships with physical

activity and dietary patterns. Obes Rev 6(2): 123-132.

Katzmarzyk, P. T., Barreira, T. V., Broyles, S. T., Champagne, C. M., Chaput, J.

P., Fogelholm, M., et al. (2013). The International Study of Childhood Obesity,

Lifestyle and the Environment (ISCOLE): design and methods. BMC Public

Health 13: 900.

Kim, J., Must, A., Fitzmaurice, G. M., Gillman, M. W., Chomitz, V., Kramer, E.,

et al. (2005). Relationship of physical fitness to prevalence and incidence of

overweight among schoolchildren. Obes Res 13(7): 1246-1254.

http://sleepfoundation.org/sleep-topics/children-and-sleep/page/0%2C2/

http://www.ipaq.ki.se/



57

Kowalski, C. J. and Schneiderman, E. D. (1992). Tracking: Concepts, Methods

and Tools. Int J Anthropol 7(4): 33-50.

Labarthe, D. R., Dai, S., Fulton, J. E., Harrist, R. B., Shah, S. M. and Eissa, M.

A. (2009). Systolic and fourth- and fifth-phase diastolic blood pressure from

ages 8 to 18 years: Project HeartBeat! Am J Prev Med 37(1 Suppl): S86-96.

LDX, C. (2003). The Accuracy and Reproducibility of a Rapid, Figerstick Method

for Measuring a Complete Lipid Profile is Comparable to a Reference

Laboratory method.

Loessl, B., Valerius, G., Kopasz, M., Hornyak, M., Riemann, D. and

Voderholzer, U. (2008). Are adolescents chronically sleep-deprived? An

investigation of sleep habits of adolescents in the Southwest of Germany. Child

Care Health Dev 34(5): 549-556.

Maia, J. A. R. and Lopes, V. P. (2007). Crescimento e desenvolvimento de

crianças e jovens Açorianos. O que pais, professores, pediatras e nutricionistas

gostariam de saber., DREFD e FADEUP.

Malina, R., Bouchard, C. and Bar-Or, C. (2004). Growth, Maturation and

Physical Activity. 2º Edition. Champaign, Illinois, Human Kinetics.

Matton, L., Duvigneaud, N., Wijndaele, K., Philippaerts, R., Duquet, W.,

Beunen, G., et al. (2007). Secular trends in anthropometric characteristics,

physical fitness, physical activity, and biological maturation in Flemish

adolescents between 1969 and 2005. Am J Hum Biol 19(3): 345-357.

McCarthy, H. D. and Ashwell, M. (2006). A study of central fatness using waist-

to-height ratios in UK children and adolescents over two decades supports the

simple message--'keep your waist circumference to less than half your height'.

Int J Obes (Lond) 30(6): 988-992.

McCarthy, H. D., Cole, T. J., Fry, T., Jebb, S. A. and Prentice, A. M. (2006).

Body fat reference curves for children. Int J Obes (Lond) 30(4): 598-602.



58

Mirwald, R. L. (1980). Sasskatchewan Growth and Development Study.

International Series on Sports Sciences: Kineanthropometry II. M. Ostyn, G.

Beunen and J. Simons. Baltimore, University Park Press.

Mirwald, R. L., Baxter-Jones, A. D., Bailey, D. A. and Beunen, G. P. (2002). An

assessment of maturity from anthropometric measurements. Med Sci Sports

Exerc 34(4): 689-694.

Moreno, L. A., De Henauw, S., Gonzalez-Gross, M., Kersting, M., Molnar, D.,

Gottrand, F., et al. (2008). Design and implementation of the Healthy Lifestyle in

Europe by Nutrition in Adolescence Cross-Sectional Study. Int J Obes (Lond)

32 Suppl 5: S4-11.

Moreno, L. A., Gonzalez-Gross, M., Kersting, M., Molnar, D., de Henauw, S.,

Beghin, L., et al. (2008). Assessing, understanding and modifying nutritional

status, eating habits and physical activity in European adolescents: the

HELENA (Healthy Lifestyle in Europe by Nutrition in Adolescence) Study. Public

Health Nutr 11(3): 288-299.

Ortega, F. B., Ruiz, J. R., Castillo, M. J. and Sjostrom, M. (2008). Physical

fitness in childhood and adolescence: a powerful marker of health. Int J Obes

(Lond) 32(1): 1-11.

Pigeot, I., Barba, G., Chadjigeorgiou, C., de Henauw, S., Kourides, Y., Lissner,

L., et al. (2009). Prevalence and determinants of childhood overweight and

obesity in European countries: pooled analysis of the existing surveys within the

IDEFICS Consortium. Int J Obes (Lond) 33(10): 1103-1110.

Rasmussen, M., Krolner, R., Klepp, K. I., Lytle, L., Brug, J., Bere, E., et al.

(2006). Determinants of fruit and vegetable consumption among children and

adolescents: a review of the literature. Part I: Quantitative studies. Int J Behav

Nutr Phys Act 3: 22.



59

Ribeiro, J. (2005). O importante é ter saúde: estudo de adaptação de uma

técnica de avaliação do estado de saúde: SF-36. Oeiras, Fundação Merck

Sharp & Dohme.

Riddoch, C., Edwards, D., Page, A., Froberg, K., Anderssen, S., Wedderkopp,

N., et al. (2005). The European Youth Heart Study - cardiovascular disease risk

factors in children: rationale, aims, study design and validation of methods.

Journal of Physical Activity and Health 2: 115-129.

Roche, A. (1992). Growth, maturation and body composition. The Fels

Longitudinal Study 1929-1991., Cambridge University Press.

Rodriguez, G., Moreno, L. A., Blay, M. G., Blay, V. A., Garagorri, J. M., Sarria,

A., et al. (2004). Body composition in adolescents: measurements and

metabolic aspects. Int J Obes Relat Metab Disord 28 Suppl 3: S54-58.

Ross, D. and Ward, R. (1986). Scaling Anthropometric Data for Size and

Proportionality. inanthropometry III. Commonwealth and International

Conference on Sport, Physical Education, Dance, Recreation and Health. T.

Reilly, J. Watkins and J. Borms. New York, E&FN Spon.

Sallis, J. D. and Owen, N. (1997). Ecological models. Health behavior and

health education: Theory, research, and practice. K. Glanz, M. Lewis and K.

Rimer. San Francisco, Jossey-Bass: 403–424.

Sallis, J. F., Grossman, R. M., Pinski, R. B., Patterson, T. L. and Nader, P. R.

(1987). The development of scales to measure social support for diet and

exercise behaviors. Prev Med 16(6): 825-836.

Sallis, J. F., Prochaska, J. J. and Taylor, W. C. (2000). A review of correlates of

physical activity of children and adolescents. Med Sci Sports Exerc 32(5): 963-

975.

Sardinha, L. B., Santos, R., Vale, S., Silva, A. M., Ferreira, J. P., Raimundo, A.

M., et al. (2011). Prevalence of overweight and obesity among Portuguese



60

youth: a study in a representative sample of 10-18-year-old children and

adolescents. Int J Pediatr Obes 6(2-2): e124-128.

Shankar, R. R., Eckert, G. J., Saha, C., Tu, W. and Pratt, J. H. (2005). The

change in blood pressure during pubertal growth. J Clin Endocrinol Metab

90(1): 163-167.

Silva, S., Beunen, G., Claessens, A., Baxter-Jones, A., Prista, A., Freitas, D., et

al. (2013). Development of strength parameters during childhood and youth: a

longitudinal study from Cariri, Brazil. Growth and maturation in human biology

and sports. Festschrift honoring Robert M Malina by fellows and colleagues. P.

Katzmarzyk and M. Coelho e Silva. Coimbra, Imprensa da Universidade de

Coimbra: 71-86.

Topouchian, J. A., El Assaad, M. A., Orobinskaia, L. V., El Feghali, R. N. and

Asmar, R. G. (2006). Validation of two automatic devices for self-measurement

of blood pressure according to the International Protocol of the European

Society of Hypertension: the Omron M6 (HEM-7001-E) and the Omron R7

(HEM 637-IT). Blood Press Monit 11(3): 165-171.

Vasconcelos, M. and Maia, J. (2001). Is there a decline in physical activity? A

cross-sectional study in children and youngsters of both gender from 10 to 19

years old. Portuguese Journal Sports Science 1: 44-52.

Viana, V. and Sinde, S. (2003). Estilo Alimentar: Adaptação e validação do

Questionário Holandês do Comportamento Alimentar. Psicologia: Teoria,

Investigação e Prática 8: 59-71.

Videon, T. M. and Manning, C. K. (2003). Influences on adolescent eating

patterns: the importance of family meals. J Adolesc Health 32(5): 365-373.

WHO (2008). Waist circumference and waist–hip ratio: report of a WHO expert

consultation. Geneva, Library Cataloguing-in-Publication Data.

WHO (2009). GLOBAL SCHOOL-BASED STUDENT HEALTH SURVEY

(GSHS)-2009 Core-Expanded Questions for the Dietary Behaviours Module.



61

Wijnstok, N. J., Hoekstra, T., van Mechelen, W., Kemper, H. C. and Twisk, J.

W. (2013). Cohort profile: the Amsterdam Growth and Health Longitudinal

Study. Int J Epidemiol 42(2): 422-429.

Wills, A. K., Lawlor, D. A., Matthews, F. E., Sayer, A. A., Bakra, E., Ben-

Shlomo, Y., et al. (2011). Life course trajectories of systolic blood pressure

using longitudinal data from eight UK cohorts. PLoS Med 8(6): e1000440.

Estudo II

A noção de tracking e sua aplicação à Educação Física e ao Esporte.

Michele Caroline de Souza1,2, Cláudia Lúcia de Moraes Forjaz3, Joey

Eisenmann4, José António Ribeiro Maia1

Artigo aceito: Revista de Cineantropometria e Desempenho Humano (Brasil).

1 CIFI2D, Kinanthropometry Lab, Faculty of Sport, University of Porto-Porto, Portugal.

2 CAPES Foundation, Ministry of Education of Brazil, Brasília - DF, Brazil.

3 Exercise Hemodynamic Laboratory, School of Physical Education and Sport,

University of São Paulo-SP, Brazil.

4 Department of Radiology, Michigan State University- East Lansing , United States.

Tracking e sua aplicação à Educação Física e Esporte


65

RESUMO

O termo Tracking refere-se à noção de manutenção de posição relativa

de valores de um dado grupo de sujeitos em função do tempo. O presente

artigo apresenta diversas técnicas de estudo e análise do tracking (i.e.,

estabilidade e previsibilidade). Os dados utilizados provêm de um estudo

longitudinal-misto da Região do Grande Porto, Portugal, compreendendo 486

meninas, divididas em duas coortes que abrangem as faixas etárias dos 12 aos

14 e dos 14 aos 16 anos. A variável eleita para as análises foi o índice de

massa corporal (IMC). Os procedimentos estatísticos utilizados para descrever

o tracking foram: autocorrelações, gama (γ) de Foulkes & Davis e índice de

constância de Goldstein (ξ). Independentemente da estatística utilizada e face

à curta duração do estudo, o tracking do IMC foi moderado a elevado em cada

coorte. Contudo, cada procedimento de análise mostrou aspetos distintos das

diferenças interindividuais nas mudanças intraindividuais do IMC das meninas.

O uso parcimonioso de qualquer um dos procedimentos sugeridos para estudar

aspetos da estabilidade e previsibilidade (i.e., do tracking) em estudos

longitudinais exige o estabelecimento muito criterioso dos objetivos e hipóteses

a serem testados.

Palavras-chave: Crescimento e desenvolvimento; Estudos longitudinais;

Índice de massa corporal; Monitoramento.



67

ABSTRACT

Tracking refers to the notion of maintenance of relative position in a given

group of subjects as a function of time. This paper presents several techniques

for the study and analysis of tracking (ie, stability and predictability). The data

used in this study come from a mixed longitudinal study conducted in the city of

Porto, Portugal, comprising 486 girls, divided into two ages cohorts: 12 to 14

and from 14 to 16 years. The variable chosen for analysis was the body mass

index (BMI). The statistical procedures used to describe tracking were:

autocorrelations, Foulkes & Davis gamma (γ) and Goldstein constancy index

(ξ). Regardless of the statistical method used and due to the short duration of

the study, tracking of BMI was moderate to high in each cohort. However, each

analysis procedure showed different aspects of interindividual differences in

intraindividual changes in girls’ BMI. The use of any of the suggested

procedures to study aspects of stability and predictability (ie, tracking) in

longitudinal studies requires a very careful inspection of goals and hypotheses

to be tested.

Key words: Body mass index; Growth and development; Longitudinal

studies; Monitoring.



69

INTRODUÇÃO

De acordo com evidências epidemiológicas, a obesidade é considerada

um dos maiores fatores de risco modificáveis para as doenças crônicas e seus

efeitos deletérios na saúde são bem conhecidos1, além dos aumentos

substanciais nos custos financeiros que impõe aos sistemas de saúde. Por

exemplo, entre 2008 e 2010 foi estimado um gasto anual de,

aproximadamente, 2,1 bilhões de dólares com a obesidade, o que representa

~14% dos custos totais com cuidados de saúde do Sistema de Saúde

Brasileiro2.

A consequência nociva do excesso de peso corporal na saúde dos

indivíduos, e consequentemente das populações, sobretudo na emergência de

doenças cardiovasculares, complicações psicossociais, doenças

osteoarticulares e dificuldades psicomotoras, entre outras, impele ao

estabelecimento de estratégias para a sua prevenção já em contexto

pediátrico1,3. Ademais, salienta-se na literatura que a infância e a adolescência

são janelas críticas para o desenvolvimento da obesidade, havendo uma

elevada probabilidade dos hábitos e estilos de vida formados neste período

etário persistirem na vida adulta1,3. Nesse sentido, há evidência consistente

que uma criança obesa tem 50 a 70% de chances de ser um adulto obeso

devido, em parte, aos antecedentes familiares e, em parte, ao sedentarismo e

estilos de vida não saudáveis4. Guo e Chumlea 19995, por exemplo, reportaram

que aos 18 anos, jovens obesos têm até seis vezes mais chances de se

tornarem adultos obesos do que jovens não obesos.

Em Epidemiologia, e no domínio técnico da Bioestatística, a análise que

lida com a tendência de manutenção ou persistência de um estado e/ou

comportamento numa série de dados longitudinais é genericamente designada

por tracking3,6. Apesar de não haver ainda uma definição universal do termo, o

tracking refere-se à noção de estabilidade ou manutenção de posição relativa

de valores de um dado grupo de sujeitos em função do tempo, estando ligado,

também, à ideia de previsão3,6.



70

O estudo do tracking em amostras de crianças e jovens, sobretudo em

risco de sobrepeso e/ou obesidade, tem implicações diretas no planejamento

estratégico de programas de intervenção mais eficazes, pois contribui para

uma melhor compreensão da magnitude do efeito das variáveis correlatas da

obesidade, bem como no conhecimento mais preciso da estabilidade dos

distintos marcadores de sobrepeso e obesidade. É possível, também, predizer

estados ponderais futuros e potencializar a identificação atempada de crianças

e jovens em risco, antes que comportamentos não saudáveis sejam

consistentemente adotados e, portanto, sejam mais resistentes a alterações

comportamentais3,6.

Estabilidade, mudança e previsão são, portanto, facetas do tracking,

exigindo informação repetida no tempo, i.e., a que é obtida de delineamentos

longitudinais puros, ou longitudinais-mistos. A análise estatística do tracking e a

sua divulgação já têm alguma história em Portugal e no Brasil, sobretudo na

Educação Física e nas Ciências do Esporte7,8. Há também algum esforço

metodológico para tornar estes conteúdos mais acessíveis aos investigadores9.

Contudo, convém considerar que as diversas abordagens estatísticas

disponíveis para ajuizar acerca da magnitude e significado interpretativo do

tracking podem conduzir a conclusões diferentes, provocando alguma

confusão.

O presente estudo, uma espécie de percurso didático ao território do

tracking, tem por objetivo central apresentar diversas técnicas de análise do

tracking e ajudar o pesquisador na tarefa de sua interpretação. Tentaremos

uma visita guiada, em termos metodológicos, sobretudo do conceito

polifacetado de tracking, dos procedimentos estatísticos utilizados, bem como

dos respetivos pressupostos que conduzirão a análises com níveis distintos de

complexidade. O percurso que propomos ao leitor é o seguinte: em primeiro

lugar, lidaremos com uma análise aparentemente simples para estudar o

tracking, que implicará no estudo das autocorrelações10; em seguida,

abordaremos o posicionamento de Foulkes & Davis e da sua estatística gama

()11; em terceiro lugar, recorreremos novamente à estatística , mas de uma



71

forma mais detalhada, de acordo com as sugestões de Rogosa12; finalmente,

apresentaremos o pensamento de Goldstein13 e seu índice de constância de

crescimento (do inglês growth consistency index), desenvolvido inicialmente no

contexto da Auxologia, mas que pode e deve ser estendido a outros domínios e

outras variáveis de interesse dos pesquisadores de Educação Física e Ciências

do Desporto.

PROCEDIMENTOS METODOLÓGICOS

Os dados utilizados para o nosso “passeio” são provenientes de um

estudo longitudinal-misto da Região do Grande Porto, Portugal, que foi

genericamente desenhado para investigar a interação entre características

individuais, fatores ambientais e estilos de vida no crescimento,

desenvolvimento e aspectos da saúde de adolescentes portugueses dos dois

sexos, com idades compreendidas entre 10 e 18 anos. O Comitê de Ética da

Universidade do Porto aprovou este projeto (processo número 15/CEUP/2012).

Esta pesquisa, em fase praticamente terminal, pretende analisar um total de

1000 sujeitos amostrados aleatoriamente de modo estratificado, divididos em

quatro coortes de 250 indivíduos cada, avaliados anualmente durante 3 anos

consecutivos. A primeira coorte está sendo acompanhada dos 10 aos 12 anos;

a segunda dos 12 aos 14 anos; a terceira dos 14 aos 16 anos, e a quarta dos

16 aos 18 anos. Para o presente estudo, foram considerados os dados obtidos

de 486 meninas já avaliadas da segunda (nc2=215) e terceira (nc3=169) coortes.

A variável eleita para todas as análises foi o Índice de Massa Corporal (IMC)

obtido a partir da bem conhecida fórmula: razão do peso (kg)/altura (m2). Este

índice é um marcador amplamente utilizado, em estudos epidemiológicos, para

precisar o estado nutricional e/ou ponderal por ser um indicador de fácil

mensuração, obtido com grande precisão e que permite discriminar o excesso

de gordura corporal em populações com idades distintas5,14.

A opção por utilizar somente os dados das meninas centra-se no fato da

sua composição corporal sofrer alterações marcantes no período pubertário

resultando, geralmente, em maiores depósitos de gordura15. O aumento da

gordura corporal, aliado a outras consequências do processo maturacional,



72

pode resultar num menor engajamento na prática de atividades físicas e

esportes organizados8,15, bem como numa maior alteração, instabilidade e/ou

aumento da sobrecarga ponderal15. Deste modo, estudar o tracking do IMC de

meninas deste intervalo etário pode ter especial relevância para a elaboração

de programas de intervenção e/ou de educação física escolar mais efetivos.

O conceito do Tracking

Tal como referimos anteriormente, o termo tracking é usado para

descrever a consistência de uma série de mensurações de um indivíduo, ou de

um grupo de indivíduos, ao longo do tempo, mostrando a existência, ou não, de

um comportamento regular entre uma coleção de padrões de crescimento ou

mudança6. Face ao fato de não haver uma definição única e universal do

termo, têm sido utilizadas diferentes estratégias para definir tracking do ponto

de vista estatístico6. Foulkes & Davis16, em 1991, foram os primeiros a

sistematizar as duas principais correntes de “pensamento” metodológico acerca

do tracking. A primeira centra-se no estudo das correlações entre mensurações

sucessivas (autocorrelações) e em procedimentos de regressão linear ou não-

linear ao que se associa a possibilidade de efetuar predições com base em

observações prévias, desde que os modelos se ajustem bem aos dados e não

haja violações dos seus pressupostos17. Um número substancial de estudos

epidemiológicos no contexto da Educação Física e Ciências do Esporte adotam

alguns dos princípios desta corrente, porém nem sempre apresentam

informação clara e precisa dos pressupostos da análise das

autocorrelações10,18.

A segunda corrente metodológica baseia-se no reconhecimento de que

a distribuição dos valores se altera, naturalmente, em cada ponto do tempo e

espera-se que os indivíduos mantenham a mesma posição relativa em cada

uma dessas distribuições. Diversos procedimentos analíticos fundamentam-se

neste pensamento, e a diferença entre os índices de tracking centra-se,

exatamente, no modo como se define “posição relativa”. Kowalski e

Schneiderman6 referem que as formas mais usuais de interpretar o significado



73

de posição relativa são: recorrer a distribuições quantílicas, contar intersecções

de trajetórias, ou calcular desvios em relação à média em função do tempo.

Tracking: estatísticas, resultados e significado

As estatísticas descritivas das amostras de cada uma das coortes estão

na Tabela 1. Tal como esperado, os valores médios de IMC aumentaram ao

longo do tempo. Demonstramos também os valores dos coeficientes de

assimetria, sobretudo os do achatamento das distribuições dos valores do

IMC.

Tabela 1. Medidas descritivas do IMC das coortes 2 e 3.

Coorte 2 (n=215) Coorte 3 (n=169)

M±dp Ampl Assi Achat M±dp Ampl Assi Achat

M1 20.68±3.80 13.40-38.30 1.39 5.67 22.30±3.50 16.60-32.10 0.66 2.83

M2 21.15±3.34 14.10-36.40 1.17 5.30 22.80±3.52 16.40-34.40 0.75 3.42

M3 21.57±3.16 14.80-37.10 1.12 5.66 22.97±3.48 17.00-34.30 0.86 3.63

M1: Primeiro ano de avaliação; M2: Segundo ano de avaliação; M3: Terceiro ano de avalição; M: média; dp: desvio-padrão; Ampl: amplitude total; Assi: coeficiente de assimetria; Achat:

coeficiente de achatamento.

Autocorrelações

Uma parte importante dos estudos de tracking no domínio da

Epidemiologia da Atividade Física e da Aptidão Física recorre ao cálculo de

correlações entre as mesmas variáveis mensuradas sequencialmente no

tempo, obtendo o que se designa por autocorrelações18. Trata-se de uma

estatística cujo cálculo e interpretação são bem simples. Como é sobejamente

conhecido, o coeficiente de correlação (r) nada mais é do que uma estatística

descritiva que informa a magnitude e o sentido da associação entre duas

variáveis, sem definir qualquer relação de causa-efeito. Independente da

interpretação dos valores de r com base num teste estatístico formal à hipótese

nula (H0: = 0), Malina18 sugeriu em 2001, de um modo meramente subjetivo e



74

sem qualquer fundamentação, pontos de corte para a interpretação dos

resultados das autocorrelações enquanto estatísticas de tracking (r<0.3=baixo;

0.30≤r≤0.60=moderado; e r>0.60= moderado a elevado).

Entretanto, como é bem conhecido, o uso de qualquer procedimento

estatístico deve cumprir uma série de pressupostos para que os valores obtidos

sejam considerados válidos. No cálculo de correlações simples, assume-se

que: (i) existe uma relação linear entre as variáveis; (ii) ambas são

aleatoriamente distribuídas; (iii) possuem homocedasticidade ou igualdade de

variâncias, e (iv) têm distribuições de normalidade bivariada ou multivariada19.

Ora na Tabela 1 é já sugerida a hipótese de violação de normalidade

univariada dos valores do IMC em cada ponto do tempo (ver valores dos

coeficientes de assimetria, sobretudo os do achatamento).

A análise da normalidade univariada, bivariada e multivariada das

distribuições do IMC nos diferentes pontos do tempo e em cada coorte foi

efetuada no STATA 12 (os procedimentos utilizados foram os testes de

Royston para normalidade univariada, Doornik-Hansen para normalidade

bivariada e, na multivariada, os testes de Mardia multivariate kurtosis and

skewness). Os resultados (não incluídos no texto) mostram, claramente a

violação destes pressupostos. Entretanto, o STATA 12 possui uma opção bem

interessante para se ter uma noção precisa sobre a melhor transformação para

normalizar as distribuições em cada um dos pontos do tempo (ladder, ou

somente a representação gráfica das transformações, gladder). Aplicando esta

ferramenta e uma transformação para o inverso do IMC (1/IMC) como sugerido,

a normalidade univariada foi conseguida, mas o problema da violação da

normalidade bivariada e multivariada continuou. Para obviar este problema,

alguns autores recorrem ao coeficiente de correlação por postos de Spearman

(coeficiente menos eficiente que o de Pearson, mas não sensível a problemas

de assimetria nas distribuições nem à presença de outliers19). Contudo, a

nossa escolha foi diferente - optamos por uma análise robusta sugerida por

Hadi20 e implementada no SYSTAT 13, à qual adicionamos a opção de um

método de reamostragem (bootstrap) com 500 amostras de dimensão igual à



75

das amostras de cada uma das coortes para se obter valores de erros-padrão

que permitissem construir intervalos de confiança para os valores de r e, neste

sentido, possibilitasse uma noção mais precisa dos coeficientes de tracking

(ver Tabela 2).

Tabela 2. Autocorrelações e respectivos intervalos de confiança (IC95%) entre as mensurações de IMC ao longo de 3 anos em cada uma das coortes.

Coorte 2

Ano IMC1 IMC2 IMC3 IMC1 1.00 IMC2 0.94 (0.92-0.96) 1.00 IMC3 0.85 (0.79-0.89) 0.93 (0.90-0.95) 1.00

Coorte 3

Ano IMC1 IMC2 IMC3 IMC1 1.00 IMC2 0.95 (0.92-0.96) 1.00 IMC3 0.89 (0.83-0.92) 0.93 (0.90-0.95) 1.00

IMC1: Índice de massa corporal-primeiro ano de avaliação; IMC2: Índice de massa corporal-

segundo ano de avaliação; IMC3: Índice de massa corporal-terceiro ano de avaliação. Valores

de autocorrelações dos coeficientes de Pearson.

Considerando-se a sugestão de Malina 200118 exposta anteriormente,

como as correlações são bem maiores que 0,6, estamos diante de uma forte

estabilidade dos valores de IMC nas meninas dos 12 aos 14 anos e de 14 aos

16 anos. Além disso, a amplitude dos intervalos de confiança é extremamente

reduzida, o que confirma a precisão das estimativas. Pode-se ainda verificar

que em ambas as coortes os valores de autocorrelação são menores entre o

IMC1 e IMC3, o que reflete o maior espaçamento temporal entre as medidas.

Não obstante a simplicidade da interpretação dos valores de r, alguns

autores18,21 chamam a atenção para a necessidade de se considerar alguns

aspectos: (i) a idade da primeira observação (quanto mais baixa a idade da

criança, menores serão os coeficientes de correlação); (ii) as características

individuais face à variação biológica evidente entre sujeitos (timing e tempo

maturacionais); (iii) as alterações ambientais significativas (adoção de



76

comportamentos sedentários nos últimos anos, alteração nos hábitos

alimentares). Ora nem neste estudo, nem na maior parte dos que estão

disponíveis na literatura, é possível ajustar os valores de autocorrelação a este

conjunto de covariáveis. Para fazer isso, teríamos que recorrer a uma

estratégia bem mais complexa, que está para além do âmbito do presente

artigo (ver, por exemplo, as sugestões em da Silva8).

Em resumo, apesar das autocorrelações serem amplamente utilizadas

nos estudos de tracking, e dos valores obtidos para o IMC das duas coortes

serem muito elevados, Rogosa e colaboradores22, bem como Twisk e

colaboradores23 referem alguns problemas metodológicos no seu uso: (i) nem

sempre é reportado ou cumprido o pressuposto de normalidade bivariada e

multivariada, e nem sempre são apresentadas alternativas para solucionar este

problema; (ii) os pontos de corte referidos por Malina18 são arbitrários, não

havendo nenhuma hipótese formal ou substantiva que os suporte; (iii) não

existe um valor único de estabilidade. No nosso exemplo, são reportados 3

autocorrelações, pois temos 3 mensurações repetidas; se tivéssemos 6 pontos

no tempo, teríamos uma matriz de autocorrelações com 15 valores (a fórmula

genérica para calcular o número de autocorrelações é K(K-1)/2, em que

K=número de pontos no tempo). Uma forma rápida de solucionar o problema

de termos 3 autocorrelações e não sabermos qual escolher para expressar a

medida de tracking é a seguinte: primeiro transformamos cada valor de r num

valor z de Fisher; em seguida, somamos os três valores z de Fisher e

calculamos a sua média; finalmente, trasnformamos o valor médio de z de

Fisher para um valor de correlação. Estes passos foram realizados no STATA

12 e os resultados finais do tracking do IMC expressos por um único valor

passaram a ser 0.91 na segunda coorte e 0.93 na terceira coorte – resultados

extremamente elevados de tracking que confirmam a estabilidade do

comportamento do IMC em cada uma das coortes, abrindo um espaço de

grande precisão em termos previsionais num espaço de 3 anos, ou seja,

crianças com IMC alto tendem a continuar com IMC alto nos 3 anos seguintes.



77

O de Foulkes & Davis

O de Foulkes & Davis é uma estatística que examina a probabilidade

de duas trajetórias de mudança não se intersectarem ao longo do tempo,

baseando-se na noção de que quanto maior for o número de pares de

indivíduos que mantém a sua posição relativa dentro de uma distribuição

durante o tempo de estudo, maior é o tracking16. Contudo, uma das primeiras

tarefas a se realizar neste procedimento é determinar a função (de natureza

linear ou não linear) que melhor descreve o comportamento longitudinal das

observações. Na proposta de Foulkes & Davis, o tracking será perfeito quando

duas trajetórias de mudança forem paralelas, mantendo a sua posição relativa

no seio da distribuição16. O só assume valores positivos, variando entre 0 e 1.

Quanto maior o valor de , menor o número de cruzamentos entre as trajetórias

(maior tracking). Nesse sentido, foram propostos valores de referência, sendo

que 0.50 não se verifica tracking; se 0.50<<1.00 verifica-se tracking; e

quando o =1.00, o tracking é perfeito16.

O de Foulkes & Davis tem duas formulações: uma inicial e bem simples

(FD1) e outra mais complexa (FD2)24. A formulação FD1 não exige qualquer

definição a priori sobre a forma da trajetória da mudança (linear ou não linear),

dado ser uma estatística não paramétrica que pressupõe que: 1) quanto mais

simples for a trajetória que descreve o comportamento longitudinal dos dados,

maior será o valor de e 2) o tracking dos extremos é bem mais elevado

comparado ao dos que se situam próximo da trajetória média (pois são menos

prováveis de se cruzarem)9,23,24. No nosso exemplo, optamos por utilizar a

versão FD2, que implica, adicionalmente, num teste formal e sequencial da

melhor função (limitada a um polinômio de 4º grau) que descreve as trajetórias

individuais25,26. Esta análise foi efetuada no programa estatístico Longitudinal

Data Analysis (LDA) desenvolvido por Schneiderman e Kowalski27 em 1993 e,

ao contrário do que aconteceu na análise das autocorrelações optamos, a partir

deste procedimento, em apresentar partes dos outputs dos softwares utilizados

– neste primeiro caso do LDA (Figura 1).



78

O output apresenta, em primeiro lugar, as estatísticas descritivas,

seguidas dos resultados dos testes sequenciais de funções polinomiais de grau

crescente de complexidade para identificar qual descreve melhor o

comportamento dos dados repetidos, i.e., retas ou curvas (estatística F e os

correspondentes valores de prova). No exemplo, a regressão linear foi

adequada. Em seguida, são apresentados os coeficientes de regressão das

trajetórias individuais, sendo que a primeira coluna representa o valor da

ordenada na origem (ou seja, valor de IMC de cada menina no início do estudo,

visto que consideramos o primeiro momento de avaliação como sendo o ponto

zero em termos temporais) e a segunda coluna refere-se ao declive [velocidade

de incremento ou decréscimo (basta ver o sinal do coeficiente) do valor de IMC

ao longo do tempo]. Posteriormente, o output mostra uma matriz de

cruzamentos da trajetória do IMC de cada menina relativamente às trajetórias

das demais (no nosso caso, obtivemos uma matriz 215 por 215). O valor

apresentado expressa o número de interseções da trajetória de cada uma das

meninas com as restantes: quanto mais próximo de 0 for este valor, mais

interceções há, ao passo que quanto mais próximo de 1, menos interceções

ocorrem e, portanto o tracking é maior. Finalmente, o output expressa o valor

de e seu respetivo erro-padrão, bem como o intervalo de confiança em 95%.

Assim, o de Foulkes & Davis das meninas da coorte 2 tem um valor de

0.827±0.006 (IC95%=0.815-0.840) e, na coorte 3, o foi de 0.828±0.008

(IC95%=0.812-0.845). Pode-se concluir que as meninas dos 12 aos 14 anos

bem como as de 14 aos 16 anos apresentam um tracking elevado no

comportamento do IMC ao longo de 3 anos.



79

Figura 1. Exemplo de partes (muito reduzidas, mas importantes) do output do

LDA para o de Foulkes & Davis da coorte 2.



80

Não obstante o de Foulkes & Davis possuir uma estrutura matemático-

estatística bem mais complexa do que a das autocorrelações e exigir um

software especializado para seu cálculo, a sua formulação tem várias

vantagens25,26: 1) os dados coletados não necessitam ser equidistantes no

tempo; 2) não há necessidade de normalidade das distribuições; 3) permite o

estabelecimento prévio da melhor função que descreve os dados e que pode

ser do tipo linear ou não linear; 4) possui uma estatística única de tracking à

qual se associa um intervalo de confiança em 95% e; 5) permite a identificação

dos indivíduos que em suas trajetórias de mudança são mais ou menos

estáveis e, portanto, mais ou menos previsíveis.

Estatística segundo sugestões de David Rogosa

O método proposto por David Rogosa22, sumariamente explicado e

detalhado no software que ele desenvolveu com Ghassan Ghandour

(TIMEPATH)12, baseia-se num texto magistral publicado conjuntamente com

Sanner28, bem como no seu trabalho “clássico” reproduzido em 199529, em que

a modelação de observações longitudinais é pensada em termos de

coeficientes aleatórios (do inglês random coefficients). No contexto do nosso

problema, bem mais simples, o que Rogosa propõe a partir do modo como

elaborou os resultados obtidos no seu software é o seguinte: 1) modelamento

das trajetórias de mudança com resultados individuais e globais; 2) cálculo de

um individual, 3) estimativa populacional a que se associa, naturalmente, o

respetivo erro padrão, o que permite o cálculo de um intervalo de confiança a

95%. Há ainda opções para realizar a técnica de bootstrap bem como outras

possibilidades de análise que não são importantes para o nosso caso. Um

exemplo de partes do output do TIMEPATH, que comentaremos

detalhadamente, está na Figura 2.

A primeira parte do output contém: a informação individual (ID); o valor

do declive (Rate); a variância explicada pelo modelo utilizado – com ajuste de

uma reta (R_sqr) e o aumento do R2 se porventura se utilizasse outra função

mais complexa (D_Rsq), o que aqui não faz sentido dado que só há três pontos

no tempo; finalmente os valores individuais de IMC de cada sujeito em cada um



81

dos pontos do tempo (0, 1, 2). A segunda parte trata das estatísticas sumárias

em cada um dos pontos do tempo: média, desvio-padrão, mínimo e máximo.

Em seguida, observa-se uma informação muito importante, que se refere aos

cinco casos com menor declive, ou seja, as meninas cuja alteração do IMC ao

longo dos 3 anos foi uma redução (o declive é negativo). Isto faz todo o

sentido, porque há jovens que crescem em altura bem mais rápido do que no

peso e, portanto, é de esperar uma mudança negativa do seu IMC. A vantagem

do software é a indicação precisa destes casos. Logo a seguir, observa-se

exatamente o contrário, ou seja, a indicação das cinco jovens cujos valores de

IMC sofreram maiores aumentos no tempo (os seus declives são positivos).

Convém verificar que o valor de R2 para cada uma das retas é muito elevado,

mostrando a elevada qualidade do ajuste.

Como temos um individual e, portanto, 169 na coorte 3, o software

por questão de economia apresenta estatísticas descritivas relevantes (média,

desvio-padrão, mínimo e máximo), bem como os cinco números resumo (do

inglês five-number summary): mínimo, P25 (Quartil 1), mediana (P50), P75

(Quartil 3) e máximo dos declives (Rate), R2 (R_sqr), D_Rsq, média quadrada

dos resíduos (MS residuals) e estatística . Convém lembrar que o individual

proposto por Rogosa se refere à probabilidade de uma trajetória individual

intersectar outras trajetórias. Ora a informação disponibilizada pelo software é

muito importante para se ter uma descrição detalhada do comportamento

modal do IMC, bem como uma visão mais individualizada da estabilidade (dada

pelo ) e da mudança (dada pelo declive). No final do output, temos uma

estimativa populacional do tracking bem como seu respetivo erro padrão.

Como se verifica no output, na coorte 3, o valor do desvio-padrão dos

declives (Rate) foi bem maior do que a média (0.917 para 0.336). Isto mostra

uma enorme variabilidade nas mudanças do IMC ao longo dos três anos. O

valor mais baixo de foi 0.411 – ausência de tracking individual. A partir do P5

o seu valor sobe para 0.613 e, a partir da mediana, 0.839, o que já é elevado.

O índice global é de 0.852±0.008 representando o elevado tracking do IMC

nesta coorte. Na coorte 2, os resultados (não mostrados) foram similares.



82

Figura 2. Exemplo de output do TIMEPATH para o segundo as sugestões de

Rogosa da coorte 3.



83

As sugestões de Rogosa, a versatilidade e riqueza do output do

TIMEPATH são muito importantes para se ter uma visão muito detalhada do

conteúdo do tracking: estabilidade, mudança e previsão, que permitem aos

investigadores um exame exaustivo, em termos modais e individuais, na

trajetória do IMC ao longo dos três anos. É evidente daqui a sinalização de

casos que exijam uma atenção particular em termos de aconselhamento e

intervenção.

Índice de constância de crescimento de Goldstein

O índice de constância de crescimento de Goldstein (do inglês growth

consistency índex), representado como por Furey et al.13, é uma medida de

tracking desenvolvida inicialmente para estudar a estabilidade e variabilidade

das trajetórias individuais durante o período de crescimento físico humano,

sobretudo o crescimento estatural. Segundo Goldstein30, analisar os padrões

das mudanças que ocorrem no crescimento físico de crianças e jovens poderia

auxiliar na deteção de trajetórias estáveis (manutenção das posições relativas

de uma mensuração para a outra) ou instáveis (interseção de trajetórias de

crescimento em uma proporção relativamente elevada) de crescimento,

sobretudo quando se cruzam percentis estabelecidos de uma carta percentílica

de crescimento. A sua importância em termos Auxológicos é bastante evidente

para identificar, atempadamente, crianças ou jovens com instabilidade no seu

processo de crescimento físico. Desta forma Goldstein30 propôs que, numa

amostra aleatória de indivíduos, um sujeito que possui uma curva de

crescimento físico que cruza uma proporção relativamente elevada de outros

sujeitos, seja qualificado como tendo uma curva out of line, i.e. de tracking

reduzido.

Para calcular o , Goldstein propôs o seguinte conjunto de etapas:

primeiramente há a necessidade de padronizar (i.e., estandardizar) os valores

de cada mensuração, transformando-os em valores z (escores estandardizados

obtidos da normal reduzida); ora os valores z e respetivos sinais para cada um

dos indivíduos em cada ponto do tempo dão já uma ideia precisa da mudança

da característica em causa se situar acima ou abaixo da média. Uma vez que



84

temos três pontos no tempo do IMC e, na segunda coorte temos 215 sujeitos,

temos uma matriz de valores z de 215 (linhas) por 3 (colunas). Esta matriz

contém “distâncias” em termos de desvios da média de cada sujeito. A partir

desta matriz, é calculado, para cada sujeito, uma estatística que o autor

designa por D2, que revela a extensão do afastamento de tracking individual,

sendo que um menor valor de D2 se refere a um maior tracking individual.

Goldstein30 propôs duas alternativas para estimar o seu índice

constância de crescimento ou, mais precisamente, uma medida de tracking. Na

sua primeira formulação, temos o seu índice de constância (), bem como um

intervalo de confiança construído a partir de um estimador Jackknife. Na

segunda, utiliza-se a correlação intraclasse obtida da análise de variância

(ANOVA). Estas duas opções podem ser formuladas, como bem salientou

Furey et al. (1994)13, no contexto de dois modelos de ANOVA, tal como é

sugerido por Goldstein30. Assim no modelo I ou II da ANOVA, o problema

reside no modo como se entende o verdadeiro valor de cada indivíduo, sua

estabilidade verdadeira (do inglês steady-state ou “true” value) e sua

interpretação. No modelo I, este valor é considerado uma constante

desconhecida, ao passo que no segundo, uma variável aleatória. A

interpretação no caso da ANOVA I passa a ser a seguinte: as inferências do

tracking só valem para os casos incluídos no estudo; já no modelo II (ANOVA

II), as inferências são efetuadas para a população da qual fazem parte os

indivíduos pertencentes à amostra colhida aleatoriamente. Decorre daqui que

na ANOVA I, a estatística adequada é o , ao passo que na ANOVA II é o

coeficiente de correlação intraclasse. Exemplos de parte do output destas

análises estão na Figura 3.

No output do modelo I, primeiramente aparece a matriz de

autocorrelação dos valores de IMC nos três pontos do tempo. Em seguida, é

descrita a matriz dos valores z, expressão das distâncias de cada sujeito, em

termos de desvios da média, em cada ponto do tempo. Os valores z positivos

referem-se a uma “distância” superior à média do IMC e os valores negativos,

a uma distância inferior, i.e., valores menores do que a média. Na continuação



85

do output, a medida de afastamento de tracking individual é reportada pela

estatística D2 (D squared), na qual valores menores de D2 refletem valores

mais elevados de tracking do IMC de cada menina. Em seguida, observa-se

uma tabela habitual de ANOVA e, finalmente, é calculado o (growth

constance index), cujo valor varia entre 0 e 1, sendo 1 o tracking perfeito. De

acordo com Furey e colaboradores13, este índice pode superestimar a

magnitude da estabilidade e assumir valores positivos mesmo quando não se

evidencia tracking, ou seja, quando as correlações entre sucessivos valores z

são iguais a 0. Neste caso, é necessário considerar o seu valor modificado ou

corrigido (*), que continua com valor máximo de 1, mas que assumirá valor

nulo caso haja correlações iguais a zero em valores sucessivos da distribuição.

A última parte do output mostra as estimativas do intervalo de confiança obtido

pelo método de reamostragem de Jackknife.

No output do modelo II, também são representados a matriz de

autocorrelações entre os diferentes momentos de avaliação do IMC, a matriz

dos valores z, medidas de afastamento de tracking individual (D2) e a tabela da

ANOVA. Contudo, tal como foi mencionado anteriormente, a magnitude do

tracking é expressa, aqui, pelo coeficiente de correlação intraclasse.

Adicionalmente, é calculado o valor do seu intervalo de confiança em 95%13.

No nosso exemplo, recorremos ao modelo I (o nosso objetivo é somente

calcular o tracking das meninas das coortes 2 e 3, sem qualquer propósito de

generalização); os resultados de foram elevados em ambas as coortes,

mostrando uma forte estabilidade dos valores de IMC (c2=0.918 e c3=0.940).

Tal como esperado, nos valores do índice corrigido, a magnitude de tracking

diminuiu minimamente, porém permaneceu elevada (*c2=0.878 e *c3=0.910).

As estimativas Jackknife e os correspondentes IC95% foram 0.916 (0.873,

0.946) e 0.874 (0.809, 0.919) para a coorte 2; 0.939 (0.915, 0.957) e 0.909

(0.873, 0.936) para a coorte 3.

Quanto aos resultados do modelo II (havendo a possibilidade de

inferência dos resultados para outras meninas da mesma população), o

coeficiente de correlação intraclasse e respetivo IC95% foi de 0.878 (0.834,



86

0.912) para as meninas da coorte 2 e 0.910 (0.876, 0.935) para as da coorte 3.

Esses resultados expressam, mais uma vez, a estabilidade dos valores de IMC

de meninas com idades compreendidas entre os 12 e 14 anos, bem como dos

14 aos 16 anos.

Em resumo, o índice de Goldstein foi pensado no contexto dos estudos

de crescimento físico humano, com o intuito de comparar padrões de

crescimento entre medições sucessivas e inspecionar a sua trajetória

relativamente às trajetórias de outras crianças. Contudo, a riqueza de sua

conceção e metodologia podem ser estendidas, sem qualquer problema, a

estudos de tracking de outras variáveis expressas de modo contínuo. Para

além de se obter uma única medida de tracking, de não ser exigido que o

espaçamento das observações seja equidistante, não ser necessaria uma

distribuição gaussiana (uma vez que o procedimento lida somente com

variabilidades relativas), uma das suas enormes vantagens é a identificação de

indivíduos com maior ou menor “distanciamento” relativamente aos valores

médios da distribuição, tornando possível um acompanhamento e intervenção

mais eficiente dos casos sinalizados.



87

Figura 3. Exemplo de partes muito reduzidas, mas importantes, do output do

LDA para o modelo I e II do índice de constância de crescimento de Goldstein

das meninas da coorte 2.



88

CONCLUSÃO

O presente estudo abordou distintos procedimentos estatísticos de

análise do conceito de tracking auxiliando, deste modo, o investigador

principiante nesta matéria. A importância do conceito, sua análise e atribuição

de significado aos resultados obtidos dos diferentes procedimentos estatísticos

são matérias importantes nos territórios da Educação Física e das Ciências do

Desporto, sobretudo quando se lida com informação longitudinal oriunda de

delineamentos observacionais e/ou de intervenção. Apesar da variabilidade da

expressão do tracking em termos estatísticos, da simplicidade das

autocorrelações à complexidade do de Foulkes & Davies e índice de

constância de Goldstein, é importante que o pesquisador conheça bem a

versatilidade de cada procedimento, sua implementação em distintos softwares

e o uso que fará das diferentes estatísticas obtidas.

No exemplo utilizado neste artigo, face à sua curta duração, 3 anos, era

esperado um tracking moderado a elevado qualquer que fosse o procedimento

estatístico utilizado. Ficou demonstrado que as diferenças interindividuais nas

mudanças intraindividuais do IMC são relativamente pequenas e, desta forma,

obtivemos valores elevados nas autocorrelações, de Foulkes & Davies e

índice de constância de Goldstein. Contudo, quando se exploram as

versatilidades dos outputs dos softwares LDA ou TIMEPATH fica bem evidente

uma visão muito mais individualizada de cada sujeito, permitindo sinalizar

jovens que podem exigir atitudes e intervenções bem mais esclarecidas e

eficazes por parte dos professores de Educação Física, por exemplo.



89

REFERÊNCIAS

1. Gonzalez A, Boyle MH, Georgiades K, Duncan L, Atkinson LR,

MacMillan HL. Childhood and family influences on body mass index in early

adulthood: findings from the Ontario Child Health Study. BMC Public Health.

2012;12:755.

2. Bahia L, Coutinho ES, Barufaldi LA, Abreu Gde A, Malhao TA, de Souza

CP, et al. The costs of overweight and obesity-related diseases in the Brazilian

public health system: cross-sectional study. BMC public health. 2012;12:440.

3. Bayer O, Kruger H, von Kries R, Toschke AM. Factors associated with

tracking of BMI: a meta-regression analysis on BMI tracking. Obesity.

2011;19(5):1069-76.

4. Lloyd-Jones D, Adams RJ, Brown TM, Carnethon M, Dai S, De Simone

G, et al. Heart disease and stroke statistics--2010 update: a report from the

American Heart Association. Circulation. 2010;121(7):e46-e215.

5. Guo SS, Chumlea WC. Tracking of body mass index in children in

relation to overweight in adulthood. Am J Clin Nutr. 1999;70(1):145S-8S.

6. Kowalski CJ, Schneiderman ED. Tracking: Concepts, Methods and

Tools. Int J Anthropol. 1992;7(4):33-50.

7. Freitas D, Beunen G, Maia J, Claessens A, Thomis M, Marques A, et al.

Tracking of fatness during childhood, adolescence and young adulthood: a 7-

year follow-up study in Madeira Island, Portugal. Ann Hum Biol. 2012;39(1):59-

67.

8. Da Silva SP, Beunen G, Prista A, Maia J. Short-term tracking of

performance and health-related physical fitness in girls: the Healthy Growth in

Cariri Study. J Sports Sci. 2013;31(1):104-13.

9. Maia J, Garganta R, Seabra A, Lopes VP, Silva S, Meira Júniro C.

Explorando a noção e significado do tracking. Um percurso didático para



90

investigadores. [Periódico on line]. 2007. Disponível em:

<http://www.psicologia.pt/artigos/textos/A0348.pdf> [2013 mar 25].

10. Malina RM. Tracking of physical activity and physical fitness across the

lifespan. Res Q Exerc Sport. 1996;67(3 Suppl):S48-57.

11. Foulkes M, Davies C. An index of tracking for longitudinal data

Biometrics. 1981;37:439-6.

12. Rogosa D, Ghandour G. TIMEPATH: Statistical analysis of individual

trajectories. Stanford University; 1989.

13. Furey A, Kowalski C, Schneiderman E, Willis S. GTRACK: A PC program

for computing Goldstein's growth constancy index and an alternative measure

of tracking. Int J Bio-Med Comput. 1994;36(4):311-8.

14. Malina RM, Katzmarzyk PT. Validity of the body mass index as an

indicator of the risk and presence of overweight in adolescents. Am J Clin Nutr.

1999;70(1):131S-6S.

15. Malina R, Bouchard C, Bar-Or O. Growth, maturation and physical

activity. Champaign: Human Kinetics; 2004.

16. Foulkes MA, Davis LE. An index of tracking for longitudinal data.

Biometrics. 1981;37(3):439-46.

17. Maia J, Silva R, Seabra A, Lopes VP. A importância do estudo do

tracking (estabilidade e previsão) em delineamentos longitudinais: um estudo

aplicado à epidemiologia da actividade física e à performance desportivo-

motora. Rev Port Cien Desp. 2002;2(4):41-56.

18. Malina RM. Adherence to Physical Activity from Childhood to Adulthood:

A Perspective from Tracking Studies. Quest. 2001;53(3):346-55.

19. Pestana M, Gageiro J. Análise de dados para ciências sociais. A

complementaridade do SPSS. Edições Sílabo; 2003.



91

20. Hadi A. A modification of a method for the detection of outliers in

multivariate samples. J R Statist Soc B. 1994;56(2):393-96.

21. Glenmark B, Hedberg G, Jansson E. Prediction of physical activity level

in adulthood by physical characteristics, physical performance and physical

activity in adolescence: an 11-year follow-up study. Eur J Appl Physiol Occup

Physiol. 1994;69(6):530-8.

22. Rogosa D, Floden R, Willet J. Assessing the stability of teacher behavior.

J Educ Psychol. 1984;76(6):1000-27.

23. Twisk JW, Kemper HC, Mellenbergh GJ. Mathematical and analytical

aspects of tracking. Epidemiol Rev. 1994;16(2):165-83.

24. Schneiderman E, Kowalski C, Ten Have T. A GAUSS prgram for

computing an index of tracking from longitudinal observations. Am J Hum Biol.

1990;2(5):475-90.

25. Schneiderman E, Willis S, Kowalski C, Ten Have T. A GAUUS program

for computing the Foulkes-Davis Tracking Index for polynomial growth curves.

Int J Bio-Med Comput. 1993;32(1):35-43.

26. Schneiderman ED, Kowalski CJ. Analysis of longitudinal data in

craniofacial research: some strategies. Crit Rev Oral Biol Med. 1994;5(3-4):187-

202.

27. Schneiderman E, Kowalski C. LDA. Software system for longitudinal data

analysis. Version 3.2. Texas: Baylor College of Dentistry; 1993.

28. Rogosa D, Saner H. Longitudinal data analysis examples with random

coefficient models. J Educ Behav Statist. 1995;20(2):149-70.

29. Rogosa D. Myths and methods: Myths about longitudinal research plus

supplemen-. tal questions. In: Gottman J, editor. The analysis of change. New

Jersey: Lawrence Erlbaum Associates; 1995. p. 3-65.



92

30. Goldstein H. Measuring the stability of individual growth patterns. Ann

Hum Biol. 1981;8(6):549-57.

Estudo III

Modelação multinível e delineamento longitudinal-misto na pesquisa

em Educação Física e Ciências do Esporte.

Michele Caroline de Souza1,2, Cláudia Lúcia de Moraes Forjaz3, Thayse

Natacha Gomes1, Fernanda Karina dos Santos1,2, Joey Eisenmann4, José

António Ribeiro Maia1.

Artigo aceito: Revista Brasileira de Educação Física Esporte (Brasil).

1Universidade do Porto, Faculdade de Desporto. Porto, Portugal.

2Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES),

Brasília-DF, Brasil.

3Universidade de São Paulo, Escola de Educação Física e Esporte. São Paulo-SP,

Brasil.

4Michigan State University. Michigan, Estados Unidos.

Modelação multinível e delineamento longitudinal-misto


95

RESUMO

O grande propósito deste estudo é apresentar o uso da modelação

multinível (MMN) com informação oriunda de um estudo longitudinal-misto

sobre o crescimento, desenvolvimento e saúde de adolescentes portugueses.

A amostra compreende 5155 indivíduos divididos em 4 coortes que abrangem

as faixas etárias dos 10 aos 12, 12 aos 14, 14 aos 16 e 16 aos 18 anos. As

variáveis de estudo foram a força de preensão manual e o percentual de

gordura total (%GTotal). A análise mostrou trajetórias curvilíneas do

desempenho de força de preensão, com maiores incrementos anuais nos

meninos. O %GTtotal apresentou associação positiva com o desempenho da

força estática; constatou-se uma forte variabilidade interindividual. O recurso ao

delineamento longitudinal-misto permitiu a recolha mais célere da informação; e

a metodologia MMN mostrou-se suficientemente flexível e robusta para

acomodar, num modelo único, aspectos da mudança individual e das

diferenças interindividuais do desempenho da força estática condicionados à

ação do tempo.

Palavras-chave: Estudos longitudinais, Modelação hierárquica,

Mudança, Desempenho motor.



97

ABSTRACT

The main aim of this study was to present the use of multilevel modeling

in the data from a mixed longitudinal study concerning growth, development and

health of Portuguese adolescents. The sample comprises 5155 subjects from 4

age cohorts: 10 to 12, 12 to 14, 14 to 16 and 16 to 18 years. Variables chosen

for analysis were handgrip strength and percentage of total body fat. Multilevel

modeling analysis showed a quadratic trajectory of adolescents’ handgrip

strength performance, with higher annual increasing in boys. The percentage of

total body fat was positively associated with the static strength and there were

marked interindividual differences. The use of a mixed longitudinal design

allowed a faster data collection process; in addition, multilevel modeling

analysis was sufficiently flexible and robust to accommodate, in a single model,

aspects of individual and interindividual changes in static strength development

over the time.

Key-words: Longitudinal studies, Hierarchical Modeling, Change, Motor

performance.



99

INTRODUÇÃO

Essencialmente, a pesquisa em Educação Física e Ciências do Esporte

centrada num delineamento longitudinal pretende responder a dois aspetos

importantes de uma característica qualquer condicionada à ação do tempo –

sua mudança e estabilidade. Este delineamento envolve, basicamente, a

monitorização, descrição, análise e interpretação do processo de mudança de

uma variável representada de modo contínuo ou discreto ao longo do tempo1-4.

Para esta análise, exigem-se observações repetidas e ordenadas no tempo,

nem sempre equidistantes e balanceadas, de um indivíduo ou grupo de

indivíduos, cujos intentos são: (i) identificar diretamente a mudança

intraindividual; (ii) marcar as diferenças ou similaridades (heterogeneidade

versus homogeneidade) interindividuais no curso da mudança intraindividual;

(iii) analisar as inter-relações entre classes de comportamentos intraindividuais

observados durante a mudança; (iv) analisar possíveis determinantes/”causas”

da mudança intraindividual, e (v) analisar as possíveis determinantes/”causas”

das diferenças interindividuais na mudança intraindividual1.

O delineamento longitudinal puro (i.e., concebido para registar e analisar

as mesmas variáveis, sempre nos mesmos indivíduos em intervalos de tempo

específicos e equidistantes, por um período de tempo considerado aceitável5-8)

tem um vastíssimo potencial. É habitualmente considerado o mais eficiente

para o estudo de diferentes aspectos do crescimento físico humano e do

desenvolvimento motor e cognitivo5-8. Não obstante a riqueza interpretativa do

enorme manancial de dados que este delineamento gera, contém um conjunto

de problemas que limitam, de algum modo, o seu uso corrente na pesquisa em

Educação Física e Ciências do Esporte, nomeadamente: restrições temporais

(tempo prolongado de recolha da informação que se estende por vários anos);

perda ou drop out amostral, muitas vezes seletivo; custos associados às

medições contínuas e sistemáticas; dificuldade em manter uma equipe de

investigadores/avaliadores por um longo período de tempo; entre outros fatores

reportados na literatura9. Uma alternativa viável a este tipo de delineamento é



100

designando de longitudinal-misto que mantém intactas as virtualidades do

delineamento longitudinal puro e minimiza as suas desvantagens5,9.

O delineamento longitudinal-misto, também designado de recolha

acelerada da informação longitudinal, parece ter sido inicialmente proposto por

Bell (1953)6,7. Caracteriza-se pela informação longitudinal de múltiplas coortes

independentes de sujeitos temporariamente sobrepostas9, ou seja, este

delineamento liga segmentos adjacentes de dados longitudinais de curta

duração provenientes das diferentes coortes. Dentre as suas vantagens

constam: (i) o período relativamente curto de acompanhamento dos sujeitos,

reduzindo os problemas cumulativos de efeito de re-testagem e drop out

amostral; (ii) os resultados da pesquisa podem ser produzidos mais

celeremente; (iii) a utilização de diferentes coortes aumenta a confiança na

generalização dos resultados, e (iv) a possibilidade em estimar, sempre que

necessário, a magnitude dos efeitos da idade, coorte e período de medição na

análise da mudança6,7,9.

A utilidade e versatilidade do delineamento longitudinal-misto na

investigação da mudança intraindividual e das diferenças interindividuais tem

sido bastante fértil em diferentes áreas do desenvolvimento humano - da

Psicologia à Auxologia, da Epidemiologia até à Saúde Pública5,8,9. Não

obstante a sua relevância, o seu uso não parece estar muito difundido no

espaço da lusofonia, principalmente no domínio da pesquisa em Educação

Física e Desporto. Tal como referido por Silva e colaboradores (2013)2, só foi

possível localizar dois estudos realizados em Portugal10,11 e outros dois no

Brasil12,13 que recorreram a este delineamento.

Nunca será demais mencionar os desafios conceituais, metodológicos e

analíticos que enfrentam os pesquisadores da “coisa desenvolvimentista” muito

bem descritos por Collins (2006)14. A sua posição pode ser sumariada em três

etapas sequenciais: (i) o recurso a um modelo teórico bem articulado para

interpretar a mudança, (ii) servido por um delineamento temporal que permita

uma visão clara e detalhada do fenômeno em estudo, a que se associa (iii) um

modelo estatístico suficientemente elegante, flexível, eficiente e robusto para



101

tratar a informação disponível. Tal como bem referem Bryk e Raudenbush15, a

Modelação Multinível (MMN) apresenta-se como forte candidata para

responder aos desafios enunciados por Collins, em 2006, face à sua

versatilidade em permitir analisar e interpretar, de modo sólido e coerente, a

dinâmica da mudança intraindividual e das diferenças interindividuais, bem

como a possibilidade de incluir variáveis mediadoras e preditores fixos e/ou

dinâmicos a que se associa um modo adequado de lidar com os missings by

design gerados pelo delineamento longitudinal-misto3,14,16,17.

Não obstante a divulgação no espaço da língua Portuguesa da MMN em

variados domínios, bem como a existência de vários tutoriais3,17,18, a sua

utilização não é ainda corrente na pesquisa em Educação Física e Ciências do

Esporte, sobretudo a que decorre do uso de delineamentos longitudinais-

mistos. Daqui que o grande propósito deste texto seja o de apresentar um

estudo longitudinal-misto no vasto domínio de confluências entre Educação

Física/Auxologia/Ciências do Esporte/Epidemiologia/Saúde Pública em curso

em Portugal, bem como o uso esclarecido da MMN para analisar a informação

decorrente da sua aplicação. Trata-se, em suma, de uma visita guiada com um

“manual de instruções”.

MÉTODOS

Amostra

Os dados utilizados são provenientes de um estudo longitudinal-misto

em curso na Região do Grande Porto, Portugal, que foi genericamente

desenhado para investigar a interação entre características individuais, fatores

ambientais e estilos de vida no crescimento físico, desempenho motor, estilos

de vida e indicadores da saúde de adolescentes portugueses com idades

compreendidas entre 10 e 18 anos. Esta pesquisa, em fase de conclusão,

pretende analisar adolescentes amostrados aleatoriamente de modo

estratificado, divididos em quatro coortes, avaliados anualmente durante 3 anos

consecutivos. A primeira coorte foi acompanhada dos 10 aos 12 anos; a

segunda dos 12 aos 14 anos; a terceira dos 14 aos 16 anos, e a quarta dos 16

aos 18 anos. A sobreposição temporal das coortes é feita aos 12, 14 e 16 anos



102

de idade (Tabela 1). Para o presente estudo foram considerados os dados

obtidos de um total de 5155 indivíduos (Tabela 2), e as variáveis eleitas em

todas as análises foram a força de preensão manual (avaliada através de um

dinamômetro portátil da marca Takei Physical Fitness Test GRIP-D) seguindo

os critérios da bateria de testes da AAHPER Youth Fitness Test19, e o

percentual de gordura corporal total (avaliado com um aparelho de impedância

bioeléctrica, TANITA BC-418 MA, com precisão de 0,1%). O projeto e os

protocolos de avaliação foram aprovados pelo Conselho Científico da

Faculdade de Desporto da Universidade do Porto, Portugal. As avaliações

foram realizadas somente após a assinatura do consentimento livre e

esclarecido pelos pais e/ou encarregados de educação dos adolescentes.

Tabela 1. Estrutura básica do delineamento longitudinal-misto de acordo com

as quatro coortes de idade.

Coorte 1 10 11 12

Coorte 2 12 13 14

Coorte 3 14 15 16

Coorte 4 16 17 18



103

Tabela 2. Dimensão da amostra em função da idade, coorte (C1 a C4) e sexo.

Coorte Idades Meninos- Meninas Total

C1 10-12 532-533 1065

C2 12-14 806-703 1509

C3 14-16 639-705 1344

C4 16-18 573-664 1237

Total 2550-2605 5155

Controle da qualidade da informação

A eficiência e o alcance dos resultados de uma pesquisa qualquer

repousam, em certa medida, nos distintos processos de controle da qualidade

da informação. No presente estudo este processo foi realizado em diferentes

etapas: (1) treino da equipe de “campo” por avaliadores experientes do

Laboratório de Cineantropometria e Estatística Aplicada da FADE-UP, Portugal;

(2) realização de retestes em subconjuntos aleatórios de sujeitos em cada dia

de avaliação ao longo de todo o processo de coleta dos dados; (3) controle da

entrada informatizada da informação e análise exploratória para identificar

possíveis erros e/ou a presença de outliers; e (4) cálculo de estimativas de

fiabilidade baseado no coeficiente de correlação intraclasse (R), sendo os

valores obtidos: teste de força de preensão manual, R=0,97; percentual de

gordura corporal total, R=0,99.

Procedimentos estatísticos

Tal como referido anteriormente, a análise exploratória (gráfica e

numérica) da informação foi realizada no software SPSS 20.0. A modelação

das mudanças na força de preensão foi efetuada no software HLM 7.0120,

através da técnica da MMN15,21.

A MMN é, simultaneamente, um modo de pensar22 e uma metodologia

elegante, robusta e extremamente flexível na análise de informação com uma

estrutura designada de multinível23. Quando aplicada a dados longitudinais,



104

permite integrar de modo coerente, num modelo estatístico relativamente

complexo, a análise da mudança e variação intraindividual, à estimação da

trajetória média do grupo (de sujeitos), a que se associa a inclusão da análise

de variáveis preditoras ou correlatas (fixas e/ou dinâmicas) das diferenças

interindividuais na mudança da(s) variável(eis) em estudo15. De fato, não há

necessidade de haver uma única variável dependente, bem pelo contrário, é

possível incluir várias em simultâneo. Essencialmente, a estrutura analítica da

MMN encontra-se distribuída por níveis ou estratos organizacionais da

informação. Qualquer número de níveis pode ser apresentado, embora a

utilização mais frequente em delineamentos longitudinais seja de dois níveis –

medidas repetidas e sujeitos (do inglês repeated observations nested within

subjects)15,24,25. No primeiro nível informacional de um delineamento

longitudinal-misto formula-se um modelo para descrever a mudança, linear ou

não, definido por um conjunto de parâmetros que descrevem as trajetórias

individuais (submodelo intraindividual ou de medidas repetidas). No segundo

nível assume-se que as estimativas desses parâmetros individuais variam em

função de um conjunto de preditores dos sujeitos (submodelo

interindividual)15,24,25. Essa interdependência entre os parâmetros do primeiro e

do segundo nível é, precisamente, o coração da estrutura hierárquica, a que se

associa, essencialmente, a estimação com métodos estatísticos robustos de

uma parte fixa e aleatória da MMN24,26.

No submodelo intraindividual, ou de medidas repetidas (1º nível), a

trajetória da mudança pode ser escrita, por exemplo, por uma função polinomial

do tempo:

Yti = β0i + β1iTti + β2iT2ti + … + βpiT

gti + eti (1)

Em que Yti representa a variável dependente para o indivíduo “i” na

ocasião “t”; os βs são coeficientes da função polinomial de grau p (β0i é o valor

no intercept ou baseline – cuja métrica temporal é habitualmente centrada no

início do estudo, e daqui a atribuição de significado ao valor 0; os β1i, β2i, …, βpi

são os parâmetros descritores da trajetória de mudança indivíduo “i”); o eti é o



105

erro aleatório. A variável preditora do nível 1 é o tempo (do inglês time as a

predictor), representado na equação por Tti, podendo, por exemplo, ser descrito

pela idade do indivíduo “i” no tempo “t”. A potência Tgti (onde g=1, 2, …, p)

representa a ordem da função polinomial, especificamente linear, quadrática,

cúbica, ou de maior complexidade. Por exemplo, na trajetória de mudança

intraindividual do sujeito i, descrita por um polinômio de segundo grau, teríamos

3 parâmetros: o valor no baseline (β0i), a velocidade (β1i) e a aceleração

(β2i)15,17,24-26.

Tal como anteriormente referido na equação (1) os valores dos

parâmetros descritores das trajetórias de mudança (i.e. os βs) variam entre os

indivíduos15-17,24-26. Ora no submodelo do 2º nível, há que modelar a

heterogeneidade das trajetórias, sendo que os parâmetros do primeiro nível

passam a ser as variáveis dependentes (do inglês intercepts and slopes as

outcomes):

β0i = γ00 + ս0i

β1i = γ10 + ս1i

⁞ (2)

βpi = γp0 + սpi .

Na equação (2), o valor do baseline (β0i) e os coeficientes de regressão

associados à trajetória do sujeito “i” (β1i, …, βpi) podem ser decompostos em

duas partes: uma que representa a trajetória média da mudança de todos os

indivíduos (a parte de efeitos fixos do modelo – do inglês fixed effect: γ00=

média no baseline, e γ10, …, γp0 representam as componentes da trajetória

média que pode ser o declive ou curva em função da complexidade do

polimônio); a outra parte, designada de aleatória (do inglês random effects: ս0i,

ս1i, …, սpi) expressam variabilidade no baseline, bem como heterogeneidade

no trajeto de mudança, i.e., os desvios dos parâmetros do indivíduo “i”

relativamente à trajetória média.



106

No exemplo que apresentaremos de seguida, descreveremos as etapas

mais importantes do uso da MMN na análise e interpretação dos dados do

nosso delineamento.

Variáveis e problema em estudo

No nosso exemplo, um total de 5155 adolescentes, divididos em quatro

coortes, foram avaliados anualmente, durante três anos consecutivos (2011-

2013) no teste de força estática de preensão manual e percentual de gordura

corporal total (%GTotal). Trata-se de um delineamento relativamente complexo

na sua organização e análise, pois além de descrever o comportamento do

desempenho na prova de preensão manual em função do tempo (i.e. mudança

intraindividual e diferenças interindividuais), também interpreta a influência de

dois tipos de preditores das mudanças observadas na performance dos

adolescentes: (i) um preditor dinâmico no tempo – a informação anualmente

obtida da %GTotal, e (ii) um preditor fixo no tempo – o gênero dos

adolescentes (meninas codificadas com o número 0, meninos com o 1).

Mediante a estrutura organizacional da informação foram colocadas

quatro perguntas que reputamos de relevantes:

1. Será possível modelar a mudança no desempenho da força estática de

preensão manual das 4 coortes de adolescentes seguidas de modo

longitudinal-misto dos 10 aos 18 anos? A resposta positiva implica uma ligação

das coortes numa trajetória típica, refletindo o comportamento médio do

desenvolvimento da força estática dos músculos da preensão manual.

2. Qual o efeito do %GTotal na performance do teste de preensão manual

desses adolescentes, independentemente do seu gênero? Trata-se, aqui, de

modelar o efeito de um preditor dinâmico no desenvolvimento da força.

3. Existem diferenças acentuadas entre gêneros no desempenho da força

estática manual? Se sim, devem ser marcadas por trajetórias médias

diferenciadas ao longo da idade.



107

4. Haverá uma forte variabilidade nas trajetórias de desenvolvimento da força

estática manual nos adolescentes? Se ocorrer, deve ser referido pela

expressão estatisticamente significativa da variância interindividual e

intraindividual.

No sentido de responder às perguntas colocadas, o ajustamento dos

modelos foi realizado no software HLM 7.0120 através da técnica de estimação

de máxima verossimilhança (do inglês full information maximum likelihood),

suficientemente flexível para uso num delineamento longitudinal-misto. O

processo de estimação simultânea de todos os parâmetros dos vários modelos

utiliza toda a informação disponível, assumindo que o padrão de casos omissos

é at random (aleatório), uma consideração muito plausível, mas não tão

exigente quanto a missing completely at random27-29. Para melhor descrever as

trajetórias longitudinais individuais, trajetórias médias e respetivos preditores,

foi adotado um procedimento stepwise. Primeiramente, foi definido o

submodelo do 1º nível, utilizando-se uma função polinomial do tempo com

complexidade crescente. Para ter uma primeira impressão do comportamento

das medidas repetidas da preensão manual, os valores foram inicialmente

representados num spaghetti plot providenciado pelo HLM (ver Figura 1, parte

esquerda). Em seguida, baseado em sugestões da literatura30,31 foram

ajustados numa série de modelos polinomiais até o 3º grau. A decisão final

sobre o melhor modelo foi realizada de acordo com a Deviance (estatística que

expressa a qualidade do modelo) e as correspondentes alterações no valor de

Qui-quadrado; o modelo mais complexo, i.e., com mais parâmetros, será

melhor que o anterior se o valor da Deviance diminuir e esse decréscimo for

estatisticamente significativo. Essa hipótese é testada pela estatística do Qui-

quadrado e seus respetivos graus de liberdade, que são iguais à diferença

entre o número de parâmetros estimados em cada modelo.



108

Figura 1. Representação do desempenho da força de preensão das quatro

coortes de adolescentes em função do tempo (outputs do HLM 7.01). Parte

esquerda: dados originais; parte direita: dados ajustados com uma nova

métrica temporal.

O passo seguinte foi testar a importância da covariável dinâmica no

tempo (%GTotal), que é necessariamente incluída no submodelo do 1º nível.

Finalmente, foi incluído, no submodelo do 2º nível o preditor fixo no tempo

(gênero). Todos os parâmetros foram simultaneamente estimados e foi testada

a sua significância em termos estatísticos. Para facilitar a interpretação dos

resultados, sobretudo da dimensão temporal, é necessário efetuar uma

alteração da métrica temporal. Como cada coorte tem três avaliações no tempo

(C1: avaliação 1, 2 e 3; C2: avaliação 3, 4 e 5; C3: avaliação 5, 6 e 7; C4:

avaliação 7, 8 e 9), com um registro temporal em sobreposição, começamos a

“contar o tempo do desenvolvimento da força estática” no início do estudo, i.e.,

na primeira avaliação da C1=10 anos. Deste modo o momento 0 corresponde

aos 10 anos de idade. A métrica temporal do eixo X passou a ser: 0, 1, 2, 3, 4,

5, 6, 7 e 8, que corresponde aos 10, 11, 12, 13, 14, 15, 16, 17 e 18 anos de

idade.

RESULTADOS

Passamos, agora, a responder à primeira pergunta deste tutorial sobre a

possibilidade de modelar a mudança no desempenho da força estática de

preensão manual das 4 coortes de adolescentes. Na parte direita da Figura 1 e



109

no Modelo 1 da Tabela 3 temos a resposta positiva. Com base na redução

significativa (χ2=53,412, p<0.001) da Deviance verificamos que um polinômio

do 2º grau se ajusta bem às trajetórias individuais. A interpretação dos

resultados é a seguinte: (i) o valor médio do desempenho da força de preensão

manual de todos os adolescentes no Baseline, i.e. aos 10 anos, é

15,660±0,148 kgf; (ii) o incremento médio anual de força estática manual é de

3,358±0,086 kgf/ano; (iii) há uma tendência para a estabilização dos ganhos,

uma vez que a aceleração é negativa (β=-0,089±0,012 kgf/ano2).

A segunda pergunta de estudo procurava esclarecer acerca do efeito do

%GTotal na performance do teste de preensão manual dos adolescentes,

independente do seu gênero. Os resultados deste segundo modelo estão na

Tabela 3, mostrando um efeito negativo do %GTotal no desempenho dos

adolescentes (β=-0,131±0,011 kgf/ano). Isto significa que os adolescentes com

percentual de gordura mais elevada têm, em média, menores incrementos

anuais de força estática manual.

A terceira pergunta de estudo a ser respondida relacionava-se com a

possível presença de diferenças entre gêneros no desempenho da força

estática manual. A resposta está não só na Figura 2, que evidencia trajetórias

médias distintas ao longo das idades, mas também nos resultados do Modelo 3

(ver Tabela 3), no qual se constata que: (i) o valor médio de preensão manual

das meninas no Baseline (i.e., aos 10 anos) é 16,392±0,188 kgf, sendo os

meninos, em média, 2,370±0,252 kgf mais fracos; (ii) a média de velocidade de

ganhos anuais de força das meninas é de 2,563±0.090 kgf/ano; no entanto, os

meninos têm ganhos superiores em 4,680 kgf/ano (2,563+2,117); (iii) parece

haver uma tendência para a estabilização dos incrementos de força estática

manual (β=-0,117±0,011kgf/ano2). Chamamos a atenção do leitor que não

apresentamos um efeito aleatório na aceleração (i.e., diferenças interindividuais

na aceleração) por dois motivos: primeiro porque não há informação na

literatura sobre esta matéria que justifique a sua inclusão (ver Malina et al,

200430); segundo porque a sua inclusão não representava um ganho



110

interpretativo – esta variância não era significativa, o algoritmo precisava de

muitas interações para convergir e a Deviance não era significativa.

Tabela 3. Parâmetros (±erro-padrão) dos modelos ajustados para o

desempenho da força de preensão, com preditores variantes e invariantes no

tempo.

Parâmetros Modelo1

(polinômio de 2ºgrau)

Modelo 2

(Modelo 1 + efeito do

%GTotal)

Modelo 3

(Modelo 2 + efeito do

gênero)

Efeitos Fixos

Baseline 15,660±0,148* 15,585±0,153* 16,392±0,188*

Sexo -2,370±0,252*

Velocidade 3,358±0,086* 3,429±0,086* 2,563±0,090*

Sexo 2,117±0,061*

Aceleração -0,089±0,012* -0,099±0,012* -0,117±0,011*

Efeito do %GTotal -0,131±0,011* 0,025±0,012**

Efeitos Aleatórios

Variância no Baseline 9,511* 12,118* 14,205*

Variância nas velocidades 0,950* 0,820* 0,087*

Variância residual 8,858 8,852 8,883

Número de parâmetros 7 8 10

Deviance 58042,370 57478,232 55897,346

*p<0,001; **p=0,031

Figura 2. Representação das trajetórias médias dos sujeitos dos dois sexos em

função do tempo na parte esquerda da Figura. Na parte direita, temos as

trajetórias em função, também, do Percentil 25 e 75 da %GTotal (output do

HLM 7.01).



111

Finalmente, a quarta pergunta tratava da identificação da forte

variabilidade (i.e., variância estatisticamente significativa) nas trajetórias

intraindividuais e nas diferenças entre sujeitos no desenvolvimento da sua força

estática manual. Nos três modelos a componente aleatória mostra isso mesmo:

variância significativa entre sujeitos (no Baseline e na velocidade), e

intraindividual (variância residual) (Tabela 3).

DISCUSSÃO

Este texto apresenta, na sua essência, um elucidativo ainda que breve

sobre o uso esclarecido da MMN com informação proveniente de um

delineamento longitudinal-misto. Para tanto servimo-nos da prova da força de

preensão manual cujos dados foram colhidos sucessivamente durante 3 anos

em diferentes coortes de adolescentes dos 10 aos 18 anos. O recurso do

delineamento em apreço permitiu a recolha mais célere da informação. Do

mesmo modo, a metodologia impressa na MMN mostrou-se suficientemente

elegante e flexível para acomodar num modelo único, aspetos da mudança

individual e das diferenças interindividuais do desempenho da força estática

condicionado à ação do tempo.

As vantagens e utilidade do delineamento longitudinal-misto estão bem

expressas na literatura internacional5,7-9,25,31,32. Um excelente exemplo do valor

deste delineamento em produzir resultados estatísticos semelhantes ao de um

delineamento longitudinal puro foi apresentado por Duncan e colaboradores em

19968. Os autores compararam as trajetórias de mudança do uso de álcool de

adolescentes dos 12 aos 17 anos, provenientes de dois processos de

delineamentos - longitudinal puro e misto. No estudo longitudinal puro, uma

coorte única de 81 adolescentes foi acompanhada durante 6 avaliações anuais

consecutivas; no delineamento misto, 4 coortes de diferentes sujeitos (n=461)

foram avaliadas anualmente, durante 3 anos. Os modelos não diferiram

significativamente nos resultados nem nas representações gráficas.

Adicionalmente, as análises mostraram efeitos similares das covariáveis

utilizadas para predizer aspectos da mudança intraindividual e diferenças entre

sujeitos. Num outro estudo longitudinal-misto de 4 anos, os mesmos autores32



112

examinaram a mudança nos níveis de atividade física de adolescentes, dos 12

aos 17 anos de idade, condicionados a fatores pessoais, familiares e dos pares

de amigos. Os resultados mostraram um declínio significativo nos níveis de

atividade física; adicionalmente ressaltaram a importância e o valor do

delineamento utilizado para modelar a trajetória dos sujeitos em um menor

espaço de tempo, minimizando algumas desvantagens do delineamento

longitudinal puro.

Tal como referido anteriormente, para além da implementação de um

design temporal que favoreça uma visão detalhada da mudança do fenômeno

em estudo, é indispensável um modelo estatístico que possibilite a análise

multivariada do processo de mudança14. O delineamento longitudinal-misto

permite inúmeras possibilidades de análise de dados. Usualmente, há alguma

tendência para recorrer a métodos analíticos tradicionais de efeitos fixos, como

a regressão múltipla e análise de variância, que são limitados e restritivos no

seu tratamento das medidas repetidas9,16,24, sobretudo por utilizarem somente

informação completa, o que pode limitar o poder estatístico bem como a

generalização das conclusões. A MMN considera, simultaneamente efeitos

fixos e aleatórios, é muito mais versátil, sendo ajustável à estrutura de dados

provenientes de delineamentos longitudinais-mistos9: (i) é suficientemente

flexível para permitir a presença de informação omissa gerada pelo design

misto (missing by design); (ii) os parâmetros estimados pelos modelos testados

são mais precisos, visto que toda a informação disponível é considerada; (iii)

permite o uso de preditores discretos e contínuos para modelar a mudança; (iv)

o espaçamento temporal pode variar entre os sujeitos; (v) permite a estimação

direta da correlação entre mudança e status inicial, e (vi) exibe um elevado

potencial interpretativo da mudança intraindividual e das diferenças

interindividuais associadas à influência de diferentes preditores3,9,15,20,24.

No nosso exemplo, a MMN foi utilizada para ajustar modelos

hierárquicos de natureza expansiva (i.e, com aumento no número de

parâmetros) para modelar a mudança no desempenho de força de preensão

manual. Na Tabela 3, de acordo com as diferenças significativas nas



113

Deviances (χ2=1580,885, p<0.001), fica evidente que cada modelo foi melhor

que o anterior para descrever a complexidade dos dados. Os resultados do

último modelo mostraram que no início do estudo as meninas tinham, em

média, mais força estática que os meninos; no entanto, estes apresentaram

maiores ganhos anuais de desempenho, superando as meninas ao longo do

tempo. Adolescentes de ambos os sexos apresentaram trajetórias

intraindividuais de mudança curvilíneas, havendo uma tendência de

estabilização dos ganhos, uma vez que a aceleração foi negativa. A associação

do %GTotal com a força de preensão foi positiva ao longo de toda a trajetória

de mudança da preensão.

Informações longitudinais sobre o desempenho motor de adolescentes

são em sua maioria datadas; contudo, apresentam descrições e interpretações

importantes acerca da mudança condicionada pelo tempo (i.e., pela idade

cronológica). Tal como salientado no nosso exemplo, Malina e colaboradores30

relatam a existência de diferenças significativas entre sexos no desempenho da

força estática entre os 6 e os 18 anos. Os dados apresentados por estes

autores retratam um aumento linear de força de acordo com a idade até os 13

ou 14 anos nos meninos, momento em que há uma aceleração no

desenvolvimento da força; nas meninas o aumento é linear até cerca dos 16 ou

17 anos, sem evidências claras de um estirão. Embora pequena, a diferença

entre sexos é significativa durante a infância, favorecendo sempre os rapazes.

As diferenças mais expressivas ocorrem sobretudo após o período pubertário,

com a marcada aceleração no desenvolvimento de força dos meninos. Esta

vantagem de desempenho dos meninos não foi observada no baseline do

nosso estudo, podendo estar relacionada com o período pré-pubertário das

meninas, que geralmente começa aos 10 anos30. Nesse mesmo sentido, a

análise cuidadosa da informação recentemente disponibilizada por Silva e

colaboradores31, de crianças e jovens da região norte do Brasil, mostra um

quadro semelhante, meninas com maturação avançada apresentam valores de

preensão manual superiores a meninos com maturação on time, entre

aproximadamente os 10 e 13 anos de idade; as meninas com maturação on

time têm valores semelhantes aos meninos entre os 10 e 12 anos.



114

O %GTtotal foi um preditor dinâmico positivo da força de preensão.

Apesar do valor da estimativa do parâmetro ser muito reduzido (β=0,025±0,012

kgf/ano), é significativo indicando que adolescentes com maior percentual de

gordura têm, em termos absolutos, melhores desempenhos de força de

preensão manual. Mais uma vez, o estudo de Silva e colaboradores31 vai ao

encontro desses resultados, ao referir que a massa gorda corporal (mensurada

pela soma de pregas subcutâneas) é um preditor positivo no desempenho da

força estática manual. Este efeito positivo faz sentido, uma vez que estamos

tratando de valores absolutos de força isométrica, que dependem do tamanho

corporal dos sujeitos, como é bem conhecido na literatura30.

Para além da interpretação dos efeitos fixos, os efeitos aleatórios do

nosso modelo merecem interpretação. O leitor verificou que a variância na

velocidade de ganhos diminuiu do Modelo 1 para o Modelo 3 (ver Tabela 3), o

que permite interpretar o “poder explicativo” do %GTotal e do gênero nas

diferenças de desempenho entre sujeitos. Uma forma de interpretar a

relevância desses preditores é contrastar a magnitude das variâncias. Deste

modo, do modelo não condicionado (i.e, sem preditores) para o modelo

condicionado pelo %Gtotal, temos o seguinte cálculo: [(0,950-

0,820)/0,950]=0,136. Isso significa que o preditor dinâmico explicou 13,6% da

variabilidade nos ganhos de força estática dos adolescentes. Ao inserirmos o

preditor fixo (sexo) no modelo final, temos: [(0,820-0,087)/0,820]=0,894; uma

explicação de 89,4% da variância na velocidade. A diferença entre 89,4% e

13,6% é de 75,8%, e indica, essencialmente, a grande relevância desses dois

preditores na identificação das diferenças de ganhos entre os sujeitos.

De modo contrário, a variância no baseline não diminiu, apesar dos

modelos condicionados serem significativos. Com a inclusão dos preditores

(%GTotal e gênero), os adolescentes se tornaram ainda mais diferentes em

seus valores iniciais. Esse fato, seguramente, reflete a urgência em incluir

outras variáveis correlatas da mudança do desempenho de força estática,

como por exemplo, o status maturacional. Adicionalmente, a presença de

variabilidade residual remanescente reforça a necessidade de maior esforço na



115

modelação das trajetórias para explicar a heterogeneidade intraindividual da

mudança.

Em conclusão, este estudo reforçou a validade e flexibilidade do uso do

delineamento longitudinal-misto em pesquisas com informação repetida no

tempo, sobretudo quando associado a técnicas robustas de análise, como a

MMN. Esta metodologia analítica foi suficientemente flexível e altamente

versátil na interpretação de aspectos da mudança individual e das diferenças

interindividuais do desempenho da força estática ao longo do tempo. É claro

que este é apenas um exemplo da enorme aplicabilidade deste modelo, que

pode e deve ser estendido a diferentes domínios da Educação Física e

Ciências do Esporte.

Agradecimentos: A todos os profissionais de Educação Física e Desporto

envolvidos no estudo; à Fundação para Ciência e Tecnologia (FCT) de Portugal

(financiamento ao projeto de referência PTDC/DES/67569/2006) e à

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – CAPES

(bolsa de Doutorado pleno no exterior). Um agradecimento especial a todos os

adolescentes participantes do estudo.

Conflito de interesses: Os autores do artigo intitulado “Modelação multinível e

delineamento longitudinal-misto na pesquisa em Educação Física e Ciências do

Esporte.”, declaram não ter nenhum potencial de conflito de interesse em

relação ao presente, submetido à Revista Brasileira de Educação Física e

Esporte.



116

REFERÊNCIAS:

1. Baltes P, Nesselroade J. History and rationale of longitudinal research.

In: Nesselroade JB, P, editor. Longitudinal research in the study of behavior and

development. Michigan: Academic Press; 1979.

2. da Silva S, Beunen G, Freitas D, Maia J. Estudos longitudinais sobre o

crescimento somático e desempenho motor: delineamentos, desafios e

necessidades. Rev Bras Cineantropom Desempenho Hum. 2013;15(1):130-43.

3. Maia J, Basso L, Oliveira J, et al. O desafio da informação longitudinal:

um passeio "guiado" sobre modelação hierárquica, "tracking" e informação

omissa com um conjunto de dados do estudo de Muzambinho. Rev Bras Edu

Fís Esporte. 2010;24(3):413-31.

4. Taris TW. A Primer in Longitudinal Data Analysis. London, Thousand

Oaks and New Delhi: SAGE Publications; 2000.

5. Anderson ER. Analyzing change in short-term longitudinal research using

cohort-sequential designs. J Consult Clin Psychol. 1993;61(6):929-40.

6. Bell RQ. Convergence: an accelerated longitudinal approach. Child Dev.

1953;24(2):145-52.

7. Bell RQ. An experimental test of the accelerated longitudinal approach.

Child Dev. 1954;25(4):281-6.

8. Duncan S, Duncan T, Hops H. Analysis of longitudinal data within

accelerated longitudinal designs. Psychol Methods. 1996;1(3):236-48.

9. Duncan S, Duncan T. Accelerated Longitudinal Designs. In: Laursen B,

Litlle T, Card N, editors. Handbook of Developmental Research Methods. New

YorK: The Guilford Press; 2012. p. 31-45.

10. Freitas D, Maia J, Beunen G, et al. Crescimento Somático, Maturação

Biológica, Aptidão Física, Atctividade Física e Estatuto Socioeconómico de



117

Crianças e Adolescentes Madeirenses- O Estudo de Crescimento da Madeira:

SAEFD Universidade da Madeira; 2002.

11. Maia J, Lopes V. Um olhar sobre Criança e Jovens da Região Autónoma

dos Açores. Implicações para Educação Física, Desportos e Saúde. Porto:

FCDEF; 2003.

12. Basso L, Meira C, Oliveira J, et al. Crescimento e desenvolvimento motor

de escolares de Muzambinho: Um estuco com implicações acadêmicas, sociais

e de política interinstitucional. Rev Port Cien do Desp. 2009;9(2-3):247-57.

13. Biassio L, Matsudo S, Matsudo V. Impacto da Menarca nas Variáveis

Antropométricas e Neuromotoras da Aptidão Física, Analisado

Longitudinalmente. RBCM. 2004;12(2):97-101.

14. Collins LM. Analysis of longitudinal data: the integration of theoretical

model, temporal design, and statistical model. Annu Rev Psychol. 2006;57:505-

28.

15. Bryk A, Raudenbush S. Application of Hierarchical Linear Models to

Assessing Change. Psychol Bull. 1987;101(1):147-58.

16. Francis DJ, Fletcher JM, Stuebing KK, Davidson KC, Thompson NM.

Analysis of change: modeling individual growth. J Consult Clin Psychol.

1991;59(1):27-37.

17. Maia J, Garganta R, Seabra A, et al. Dados longitudinais e Modelação

hierárquica. Um tutorial para investigadores das Ciências do Desporto. Rev

Bras Cineantropom Desempenho Hum. 2005;7(2):94-108.

18. Fausto M, Carneiro M, Antunes C, Pinto J, Colosimo E. O modelo de

regressão linear misto para dados longitudinais: uma aplicação na análise de

dados antropométricos desbalanceados. Cad. Saúde Pública. 2008;24(3):513-

24.



118

19. AAHPER. American Alliance for Health Physival Education and

Reacreation. Youth Fitness Test Manual. Washington, DC; 1976.

20. Raudenbush S, Bryk A, Cheong Y, Congdon R, du Toit M. HLM 7.

Hierarchical linear & nonlinear modeling. SSI, Scientific Software International.

Lincolnwood, IL; 2011.

21. Raudenbush S, Bryk A. Hierarchical linear models. Applications and data

analysis methods. 2nd edition ed. Thousand Oaks: Sage Publiations; 2002.

22. Courgeau D. Methodology and epistemology of multilevel analysis.

Approaches from different social sciences. Dordrecht: Kluwer academic

publishers; 2003.

23. Snijders T, Bosker R. Multilevel analysis. An introduction to basic and

advanced multilevel modeling. Los Angeles: Sage; 2012.

24. Hernández-Lloreda M, Colmenares F, Arias R. Application of hierarchical

linear modeling to the study of trajectories of behavioural development. Anim

Behav. 2003;66:607-13.

25. Raudenbush S, Chan W. Growth curve analysis in Accelerated

Longitudinal Designs. J Res Crime Delinq. 1992;29(4):387-411.

26. Hofmann D, Jacobs R, Baratta J. Dynamic Criteria and the Measurement

of Change. J Appl Psychol. 1993;78(2):194-204.

27. Anderson ER. Accelerating and maximizing information from a short-term

longitudinal research. In: Gottman J, editor. The analysis of change. Mahwah,

New Jersey: Lawrence Erlbaum Associates, Publishers; 1995. p. 139-64.

28. Hedeker D, Gibbons R. Longitudinal data analysis. New Jersey: John

Wiley & Sons IH; 2006.

29. Raudenbush S. Hierarchical linear models to study the effects of social

context on development. In: Gottman J, editor. The analysis of change.



119

Mahwah, New Jersey: Lawrence Erlbaum Associates, Publishers; 1995. p. 165-

202.

30. Malina R, Bouchard C, Bar-Or C. Growth, Maturation and Physical

Activity. 2º Edition. Champaign, Illinois: Human Kinetics; 2004.

31. Silva S, Beunen G, Claessens A, et al. Development of strength

parameters during childhood and youth: a longitudinal study from Cariri, Brazil.

In: Katzmarzyk P, Coelho e Silva M, editors. Growth and maturation in human

biology and sports. Festschrift honoring Robert M Malina by fellows and

colleagues. Coimbra: Imprensa da Universidade de Coimbra; 2013. p. 71-86.

32. Duncan SC, Duncan TE, Strycker LA, Chaumeton NR. A cohort-

sequential latent growth model of physical activity from ages 12 to 17 years.

Ann Behav Med. 2007;33(1):80-9.

CAPÍTULO III

Estudos Analíticos

Estudo IV

Short-term tracking of youth physical fitness: The Oporto Growth,

Health and Performance Study

Michele Souza1,2, Joey Eisenmann3, Raquel Chaves4, Daniel Santos1, Sara

Pereira1, Cláudia Forjaz5, José Maia1.

Artigo submetido à Scandinavian Journal of Medicine & Science in Sports

(Dinamarca)

1CIFI2D, Faculty of Sport, University of Porto. Porto- Portugal.

2CAPES Foundation, Ministry of Education of Brazil. DF- Brazil.

3Department of Radiology, Michigan State University. East Lansing- USA.

4Federal University of Technology of Paraná. Curitiba- Brazil.

5Exercise Hemodynamic Laboratory, School of Physical Education and Sport,

University of São Paulo. São Paulo-Brazil.

Short-term tracking of youth physical fitness


125

ABSTRACT

Purpose: This study aimed to investigate short-term tracking of

cardiorespiratory and performance-related physical fitness among adolescents

using distinct approaches.

Methods: Data were obtained from the Oporto Growth, Health and

Performance Study and comprised 1203 adolescents (549 girls) divided into two

age cohorts (10 to 12 and 12 to 14 years) followed for three consecutive years,

with annual assessment. Cardiorespiratory fitness was assessed with 1-mile

run/walk test; 50 yard dash, standing long jump, handgrip and shuttle run test

were used to rate performance-related physical fitness. Tracking was expressed

in three different ways: auto-correlations, multilevel modelling with crude and

adjusted model (for biological maturation, body mass index and physical

activity) and Cohen’s Kappa computed in IBM SPSS 20.0, HLM 7.01 and LDA

software, respectively.

Results: Tracking of physical fitness components was (1) moderate-to-

high when described by auto-correlations; (2) low-to-moderate when crude and

adjusted models were used; and (3) low according to Cohen’s Kappa.

Conclusions: When describing tracking, different methods should be

considered since they provide distinct and more comprehensive views about

physical fitness stability patterns.

Key-words: stability, change, fitness, adolescents.



127

INTRODUCTION

Physical fitness (PF) is a complex and multi-faceted construct integrating

a wide set of bodily functions - morphological, muscular, motor,

cardiorespiratory and metabolic (Bouchard & Shepard, 1994; Malina, 2001;

Ortega et al., 2008). Although there is no universal definition, PF is generally

regarded as the capacity to perform daily physical activities without undue

fatigue (Safrit, 1990; Bouchard & Shepard, 1994; Ortega, 2008; Ortega et al.,

2013; Smith et al., 2014). Further, most of the available test batteries include

components that are interchangeably applied to assess both performance and

health-related PF (Safrit, 1990).

There is a consistent body of evidence relating the favorable effects of

moderate-to-high levels of PF to health-related outcomes, namely adiposity,

cardio-metabolic risk factors, bone, and psychological traits in childhood and

adolescence (Malina, 2001; Ortega, 2008; Moliner-Urdiales et al., 2010; Ortega

et al., 2011; Ortega, 2013; Smith, 2014). The benefits of PF have also been

reported among overweight children and adolescents giving rise to the “fat but

fit” paradigm (Ortega, 2008; Brouwer et al., 2013; Ortega, 2013). Besides health

benefits, one of the major reasons to target PF in children and adolescents

relates to their developmental periods in terms of acquisition of health behaviors

which are believed to persist later in life (Ortega, 2008; Pate et al., 2012;

Ortega, 2013), i.e., they track over time. Further, children and adolescents need

to develop fundamental and specialized motor skills in order to motivate

themselves to participate in sports later in life (Malina et al., 2004). Additionally,

improvements in these PF and motor skills may also make daily physical activity

and exercise easier to perform and hence more enjoyable (Malina, 2004; Smith,

2014).

Tracking studies are most often conducted to describe patterns of growth

or change (Kowalski & Schneiderman, 1992). In epidemiology, tracking is

mainly used to estimate the relative stability of factors related to chronic

diseases (Kowalski & Schneiderman, 1992; Twisk, 2003) and to predict, to



128

some extent, later values (Kowalski & Schneiderman, 1992; Malina, 2001;

Twisk, 2003). Tracking studies on PF generally suggest moderate to moderately

high coefficients from childhood to adolescence (Malina, 2001; Da Silva et al.,

2013; Pahkala et al., 2013) but inter-age auto-correlations can range from low

to moderately high (e.g., 0.24 to 0.71 for muscular strength and 0.30 to 0.61 for

cardiorespiratory fitness)(Malina, 2001).

Despite recommendations about PF levels (Eisenmann et al., 2011; Welk

et al., 2011), there has been an increase in the adoption of sedentary behaviors

among children and adolescents which in turn compromises their PF with a

negative impact on health-outcomes (Pahkala, 2013; Smith, 2014). From a

health promotion perspective, information about the dynamics of short- and

long-term changes in PF during childhood and adolescence provides reliable

knowledge about the stability in PF allowing the early identification of subjects

with an unfit profile, that may be useful in the implementation of preventive

measures (Janz et al., 2000; Malina, 2001; Da Silva, 2013; Ortega, 2013).

Methodologically, there are a wealth of statistical techniques to address

tracking (Kowalski & Schneiderman, 1992; Twisk, 2003), but most PF studies

are based on auto-correlations (Malina, 2001; Da Silva, 2013). Tracking is an

important facet when describing longitudinal changes occurring in a certain

variable, and in order to take full advantage of the available information, it is of

great interest to jointly consider the influence of time-varying and/or time-

invariant covariates (Twisk, 2003; Maia et al., 2010; Da Silva, 2013; Rodrigues

et al., 2013). The combined use of more adequate statistical techniques makes

it possible to explore more challenging issues arising from the notion of

(in)stability of longitudinal data that goes beyond the information provided by

auto-correlations, namely about individual characteristics, dynamics of change

of each subject in relation to his/her group over time, as well as inter-individual

differences in intra-individual changes. Therefore, the aim of this study is to

investigate short-term tracking of cardiorespiratory and performance-related PF

among adolescents using three distinct approaches: (1) auto-correlations, (2)

multilevel modeling based on a statistical approach suggested by Twisk (2003)



129

correcting tracking values for time-varying covariates, and (3) Cohen’s Kappa in

order to identify group and individual tracking as well as individuals whose

trajectories are instable across time. As such, discussing the interpretation of

different ways to describe tracking of PF components will enhance our

understanding about their (in)stability patterns or changes during the transition

from childhood to adolescence. Further, this will provide more reliable

information in targeting children at risk when developing more efficient

interventions programs.

MATERIAL AND METHODS

Sample

Data are from the Oporto Growth, Health and Performance Study

(OGHPS) whose main aim is to investigate, longitudinally, the interaction

among individual characteristics, environmental factors and lifestyle predictors

that affect growth, development and health aspects of Portuguese adolescents.

The OGHPS has a mixed-longitudinal design involving randomly selected

adolescents from 10 to 18 years old divided into four cohorts. The first cohort

was followed annually from 10 to 12 years; the second from 12 to 14 years; the

third from 14 to 16, and the fourth from 16 to 18 years.

For the present study we will only consider adolescents from the first and

second cohorts (10-14 years) given they represent the pubertal period (i.e.,

mean age at peak height velocity 12 in girls and 14 in boys). To make maximum

use of the data, all valid data on each PF test was included. Consequently,

sample sizes vary in each PF test (see Table 2). All measurements were

conducted annually during the same months. Legal authorization was obtained

from school directors, and parents gave their informed consent; the Ethics

Committee of the University of Porto approved the project.

Anthropometry

Anthropometric measurements were made by trained staff following the

International Society for the Advancement of Kinanthropometry (Ross & Ward,

1986) standardized protocols. Height was measured to the nearest 0.1



130

centimeter with a portable stadiometer (Holtain, UK). Body mass (kg) was

measured with a portable bioelectrical impedance scale using the TANITA BC-

418 MA Segmental Body Composition Analyser (Tanita, Corporation, Tokyo,

Japan) with a 0.1 kg precision. Body mass index (BMI) was computed using the

standard formula BMI=[body mass (kg)/height (m)2].



regression procedure proposed by Mirwald et al. (2002) which estimates how

many years a subject is from peak height velocity (PHV). A positive (+) maturity

offset represents the number of years the participant is beyond PHV, whereas a

negative (–) maturity offset represents the number of years the subject is before

from PHV. Estimated age at peak height velocity is determined by chronological

age minus maturity offset.

Physical fitness

Aerobic capacity was assessed via 1-mile run/walk test as described in

the Fitnessgram battery (Fitnessgram, 1994). In brief, all subjects ran/walked a

distance of 1609m in the shortest time possible. Performance-related fitness

was assessed with several items from the AAHPERD youth fitness test

(AAHPER, 1976) and included: (a) Running speed - 50 yard dash test: all

subjects ran this distance in the shortest time possible; (b) Explosive leg power

- standing long jump test: all subjects jumped as far as possible from a standing

position; (c) Static strength - grip strength test: all subjects gripped the

dynamometer (Takei Physical Fitness Test GRIP-D, Japan) with maximum

force during 5 to 10 s; and (d) Agility - shuttle-run test: all subjects ran as fast as

possible from the starting line to a line 9 m away where two small wooden

blocks were placed, picked-up one of the blocks, returned to the starting line,

placed the block on the line, and then repeated route.

Physical activity

Total physical activity (TPA) was estimated with the Baecke

questionnaire (Baecke et al., 1982), a reliable and valid instrument (Miller et al.,



131

1994; Philippaerts et al., 1999) that describes three basic domains of PA,

namely school PA, leisure time PA and sport participation PA. It comprises a

total of 16 questions divided into these domains and each is scored from 1

(minimal PA) to 5 (maximal PA). TPA score is obtained from the unweighted

sum of the three domains, and scores ranged from 3 (lowest) to 15 (highest). All

adolescents answered the questionnaires during their physical education

classes under the supervision of the physical education teachers who were

trained by the research team.


Data quality control was assessed in three different steps: (1) training of

all team members by experienced researchers of the Kinanthropometry

Laboratory of the Sports Faculty, University of Porto, Portugal; (2) conducting

random retests (intra-rater reliability) on each assessment day; (3) reliability

calculations using the ANOVA-based intraclass correlation coefficient (R), as

well as the technical error of the measurement (TEM): TEM=0.1cm for height

and 0.1kg for body mass; for PF tests, R values ranged from 0.88 (shuttle run)

to 0.95 (handgrip); for PA, R=0.75.


All analyses were stratified by gender. Exploratory and descriptive data

analyses were conducted in IBM SPSS 20.0 software to check for the presence

of outliers.

Tracking was expressed in three different ways. Firstly, auto-correlations

(r) were computed in IBM SPSS 20.0 software. Since we have three data points

in each cohort, three auto-correlations are available within each cohort. In order

to have a single auto-correlation within cohort to express tracking, each value

was transformed to a Fisher’s z value; then, the three Fisher’s z values were

added and the mean calculated; finally, the mean Fisher’s z value was

transformed back into an auto-correlation value, labelled as mean r.



132

Secondly, crude and adjusted tracking coefficients were calculated in

HLM 7.01 software following a statistical model suggested by Twisk (2003) and

expressed by the following formula,

𝑌𝑖𝑡 = 𝛽0 + 𝛽1 𝑌𝑖𝑡1 + 𝛽2𝑡 + ∑ 𝛽3𝑗 𝑋𝑖𝑗𝑡

𝐽

𝑗=1

+ 𝜀𝑖𝑡

For the sake of clarity, we will define its components by use of an

example with the handgrip test. 𝑌𝑖𝑡 is the expected handgrip level for subject i at

time t, 𝑌𝑖𝑡1 is the expected handgrip level at baseline for subject i, 𝛽1 is the

regression coefficient used as a tracking coefficient, 𝛽2 is the regression

coefficient for time (in our case a three-year period), 𝑋𝑖𝑗𝑡 is the time-varying

covariate j of individual i (our time-varying variables are BMI, maturity offset,

and PA), β3j is the regression coefficient for each time-varying covariate j, J is

the number of time-varying covariates, and 𝜀𝑖𝑡 is the error for subject i at time-

point t. Based on this model, crude tracking coefficients were first calculated

and the value of the initial measurement at t1 (𝑌𝑖𝑡1) was regressed on the entire

longitudinal data available from t2 to t3. The relationships between the initial

value at t1 and the values from t2 to t3 were simultaneously estimated, resulting

in one single regression coefficient (𝛽1 ). Then, we calculated adjusted tracking

coefficients where 𝑌𝑖𝑡1 value was also used as in crude model, and additionally

the model was corrected for time-varying (𝑋𝑖𝑗𝑡) covariates (BMI, maturity offset

and TPA). In order to account for scale differences, all continuous variables

were transformed into subgroup specific z-scores before entering the model.

The use of standardized variables in the longitudinal analyses makes the

coefficients vary between -1 and +1, but since we assume that correlations

among the repeated observations are positive, these tracking coefficients have

values between 0 and 1, making the tracking coefficients interpretable as a

longitudinal correlation coefficient (Twisk, 2003).

Thirdly, PF tracking was also described following Cohen’s Kappa (κ)

implemented in Longitudinal Data Analysis (LDA) software (Schneiderman &

Kowalski, 1993). This approach is based on the notion that tracking exists if an



133

individual’s successive measurements remain in the same quantile of the

distribution over time(Kowalski & Schneiderman, 1992). This is a descriptive

and nonparametric statistic and following Landis and Koch (1977) (Landis &

Koch, 1977) values of κ>0.75 represent excellent tracking, 0.40≤κ<0.75

moderate stability, and κ<0.40 poor tracking. Tracking expresses the number of

times each subject is within his/her canal, i.e., the greater the number of times,

the higher the κ. In this study we will consider that three distinct longitudinal

canals (tertile division of the distribution at each time point) are possible

trajectories for all subjects given the short duration of the repeated

observations. Given that there are three time points and three canals, 33=27

individual possible trajectory combinations are possible. From the canals, we

identified the percentage of subjects whose trajectories were highly instable in

the extremes (see Figure 1). Positive instability means subjects that at the first

measurement year were in the first canal and then improved their fitness levels

reaching the third canal; these are identified as 123, 113, and 133. Negative

instability refers to subjects that at the first measurement were in the third canal

and with time decreased their fitness levels, cross canals and came down to the

first canal and are identified as 311, 321, and 331.

Figure 1. Examples of all possible trajectories of positive and negative

instability as previously defined.



134

RESULTS

Descriptive statistics are shown in Table 1. In general, girls and boys

show mean improvements in their PF tests over time. The mean BMI is similar

in both sexes. Girls’ maturity offset in cohort 1 was closer to PHV and in cohort

2 values were more similar, except at age 12. Girls’ and boys’ mean TPA values

increased over time, but in cohort 2 mean values were more stable.

Table1. Descriptive statistics for boys and girls of each age cohort.

Cohort 1 Cohort 2

10 years 11 years 12 years 12 years 13years 14 years

mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD)

1-mile

run/walk (min)

♀ 10.98 (1.86) 10.41 (1.78) 10.57 (1.82) 10.75 (1.69) 10.10 (1.58) 10.29 (1.76)

♂ 9.57 (1.94) 8.91 (1.88) 9.04 (1.86) 8.99 (1.76) 8.36 (1.75) 7.95 (1.53)

50-yd dash (s) ♀ 9.26 (0.84) 8.85 (1.0) 8.51 (0.85) 8.76 (0.97) 8.59 (0.87) 8.33 (0.80)

♂ 8.82 (0.90) 8.52 (1.12) 8.01 (0.99) 8.19 (0.82) 7.97 (0.91) 7.30 (0.75)

Standing long

jump (cm)

♀ 126.37 (22.12) 134.67 (22.36) 139.12 (21.71) 135.21 (21.79) 144.54 (23.42) 143.41 (23.67)

♂ 137.01 (22.19) 148.57 (22.36) 158.26 (24.61) 153.93 (23.37) 167.67 (27.80) 182.18 (28.60)

Handgrip

strength (kg)

♀ 17.57 (3.87) 21.20 (4.38) 23.31 (4.14) 22.36 (4.57) 25.15 (4.53) 26.73 (4.49)

♂ 18.29 (4.04) 20.95 (4.60) 25.13 (6.08) 23.34 (5.52) 27.99 (6.68) 32.74 (7.01)

Agility shuttle

run (s)

♀ 12.63 (1.34) 11.87 (1.27) 11.72 (1.22) 12.04 (1.20) 11.61 (1.21) 11.68 (1.24)

♂ 12.04 (1.43) 11.23 (1.21) 11.02 (1.24) 11.29 (1.12) 10.70 (1.24) 10.35 (1.01)

BMI (kg/m2)

♀ 20.08 (3.76) 20.37 (3.90) 20.29 (3.73) 20.56 (3.75) 21.33 (3.71) 21.93 (3.62)

♂ 20.09 (3.73) 20.14 (3.71) 20.15 (3.92) 20.23 (3.65) 20.68 (3.53) 21.29 (3.42)

Maturity offset

(years)

♀ -1.54 (0.57) -0.72 (0.57) 0.05 (0.51) -0.26 (0.59) 0.53 (0.54) 1.17 (0.49)

♂ -2.24 (0.58) -1.40 (0.66) -0.52 (0.77) -0.92 (0.74) 0.11 (0.82) 1.07 (0.85)

Total Physical

Activity

♀ 7.05 (1.09) 7.56 (1.11) 8.33 (1.18) 7.45 (1.33) 7.63 (1.20) 7.60 (1.21)

♂ 7.75 (1.22) 8.31 (1.19) 9.00 (1.21) 8.56 (1.38) 8.55 (1.32) 8.54 (1.22)

SD= standard deviation; min= minutes; s= seconds; cm=centimetres; kg= kilograms; m= meters

Table 2 shows the results for tracking. Following Malina (2001) cut

points, auto-correlations show moderate-to-high tracking across cohorts

(0.39<rm<0.79). Static strength had the highest stability in both cohorts and

sexes (rm=0.70-0.79). On the other hand, cardiorespiratory fitness had the

lowest stability in girls from cohort 2 (rm=0.39).

In the second approach multilevel modelling was used to calculate crude

and adjusted stability coefficients, which are, in fact, longitudinal correlations.



135

Using Malina’s cut-points, crude coefficients show moderate-to-high tracking

and static strength showed more stability over time in boys and girls from both

cohorts (β=0.61-0.72). However, when tracking was adjusted for dynamic

changes in BMI, maturity offset and TPA, β values were lower. In cohort 1, low

tracking is evident for cardiorespiratory fitness in both sexes (β=0.33 and 0.36

for girls and boys, respectively), and also in boys’ agility (β=0.30). Speed,

explosive leg power and static strength show slightly higher β values. In cohort

2, cardiorespiratory fitness was less stable in girls (β=0.31), and speed in boys

(β=0.34). Both sexes showed “moderate” tracking in the other components.

Cohen’s Kappa showed the lowest PF tracking estimates. Following

Landis and Koch (Landis & Koch, 1977), κ was poor for all PF components

across the cohorts, except for static strength in both cohorts (0.41<κ<0.51).

Further, the percentage of positive instability, as previously defined, ranged

from 1.4% (girls’ velocity in cohort 2) to 7.2% (girls’ cardiorespiratory fitness in

cohort 1); negative instability ranged from 0.9% (boys’ static strength in cohort

2) to 6.0% (girls’ cardiorespiratory fitness and boys’ agility both from cohort 1).



136

Table 2. Mean auto-correlations, estimated population tracking coefficients (β), and Cohen’s kappa (κ) for each PF test in

each cohort separately for boys and girls.

Autocorrelation Multilevel modelling Cohen’s Kappa

Cohort 1 n Mean r

(rm)

Crude β 95% CI Adjusted β 95% CI

Κ 95% CI

Instability +

(%)

Instability –

(%)

1-mile run/walk ♀ 252 0.53 0.46 0.37; 0.55 0.33 0.24; 0.42 0.29 0.24; 0.34 7.2 6.0

♂ 257 0.62 0.54 0.45; 0.63 0.36 0.27; 0.45 0.37 0.32; 0.42 2.4 2.0

50-yd dash ♀ 240 0.64 0.60 0.52; 0.68 0.49 0.40; 0.58 0.40 0.35; 0.46 2.9 2.5

♂ 255 0.57 0.61 0.53; 0.69 0.46 0.38; 0.54 0.41 0.35; 0.46 3.2 2.0

Standing long jump ♀ 253 0.66 0.58 0.50; 0.66 0.49 0.41; 0.57 0.35 0.30; 0.40 3.2 2.8

♂ 270 0.68 0.63 0.55; 0.71 0.48 0.40; 0.56 0.37 0.32; 0.42 2.5 3.4

Handgrip strength ♀ 291 0.73 0.61 0.55; 0.67 0.48 0.42; 0.54 0.42 0.37; 0.47 1.6 2.0

♂ 295 0.74 0.71 0.64; 0.78 0.48 0.40; 0.56 0.42 0.37; 0.47 5.4 3.0

Agility shuttle run ♀ 258 0.53 0.51 0.42; 0.60 0.44 0.35; 0.53 0.33 0.28; 0.38 5.4 5.8

♂ 266 0.48 0.37 0.28; 0.46 0.30 0.21; 0.39 0.30 0.25; 0.35 5.7 6.0

Cohort 2

1-mile run/walk ♀ 258 0.39 0.39 0.30; 0.48 0.31 0.22; 0.40 0.22 0.17; 0.27 4.3 5.0

♂ 359 0.53 0.54 0.47; 0.61 0.43 0.36; 0.50 0.32 0.27; 0.36 2.5 3.6

50-yd dash ♀ 216 0.63 0.61 0.51; 0.71 0.49 0.40; 0.58 0.36 0.31; 0.42 1.4 3.2

♂ 321 0.53 0.46 0.39; 0.53 0.34 0.26; 0.42 0.31 0.27; 0.36 3.8 3.8

Standing long jump ♀ 249 0.61 0.60 0.52; 0.68 0.54 0.46; 0.62 0.31 0.25; 0.36 2.0 3.6

♂ 348 0.63 0.60 0.53; 0.67 0.51 0.44; 0.58 0.44 0.39; 0.48 2.6 2.5

Handgrip strength ♀ 246 0.70 0.69 0.62; 0.76 0.57 0.48; 0.66 0.41 0.36; 0.46 2.4 1.6

♂ 344 0.79 0.72 0.67; 0.78 0.48 0.42; 0.54 0.51 0.46; 0.55 1.5 0.9

Agility shuttle run ♀ 228 0.44 0.48 0.39; 0.57 0.43 0.34; 0.52 0.27 0.21; 0.32 3.1 3.9

♂ 327 0.54 0.49 0.41; 0.57 0.43 0.35; 0.51 0.31 0.34; 0.45 3.0 3.9



137

DISCUSSION

This study used three different approaches to study short-term tracking in

adolescents’ cardiorespiratory and performance-related PF. If a regular

behavior (pattern) is kept over time, then prediction is possible (Kowalski &

Schneiderman, 1992; Malina, 2001; Twisk, 2003). As such, tracking

encapsulates two main ideas: stability and predictability (Kowalski &

Schneiderman, 1992). Stability is a very embracing concept, such that available

statistical techniques to quantify tracking vary and depend on the assumptions

linked to the stability-instability concept which may lead to different conclusions,

eventually causing confusion (Kowalski & Schneiderman, 1992). For example,

in boys’ cardiorespiratory fitness of cohort 1 a moderate auto-correlation

(rm=0.62) was found. When using the multilevel approach adjusted for time-

varying covariates, the stability dramatically decreased (β=0.36), and remained

poor when determined by Cohen’s Kappa (κ=0.37).

Most of the available results concerning PA and PF tracking are based

on auto-correlations (Malina, 2001). This is a quite simple statistic to calculate

and relatively easy to interpret but has known limitations (Twisk et al., 1994;

Malina, 2001; Twisk, 2003). Our results revealed a moderate-to-high PF

tracking in the two cohorts. Previous studies reported different autocorrelation

values, ranging from low to moderately high for health and performance-related

PF. For example, the Muscatine Study (Janz, 2000) followed children and

adolescents from 10 to 15 years and results were very similar to our findings

with stability ranging from 0.39 to 0.44 in cardiorespiratory fitness and from 0.62

to 0.75 in static strength. On the contrary, the Ellisras Longitudinal Study

(Monyeki et al., 2007) investigated one-year tracking in 228 boys and 189 girls

aged from 11-15 years and reported poor stability for agility (r<0.07), low

stability for cardiorespiratory fitness (0.29<r<0.36), and moderate for explosive

leg power (0.53<r<0.57). More recently, 294 Brazilian girls from four age

cohorts (8, 10, 12, and 14 years) were followed for three consecutive years (Da

Silva, 2013), and compared to our tracking coefficients were similar in

cardiorespiratory fitness (0.39<r<0.50) and agility (0.46<r<0.59), but slightly



138

higher for static strength (r=0.87), and explosive leg power (0.70<r<0.73).

Methodological and biological factors may account for some discrepancy in PF

tracking (Malina, 2001). Further, the auto-correlational approach does not

provide a single tracking value if more than two time points are available [the

number of possible auto-correlations is given by k(k-1)/2; for example, using 4

time points we have 4(4-1)2=6 auto-correlations]. To resolve this problem, we

calculated a mean r, but previous studies only reported correlations between

the follow-up and preceding years (Janz, 2000; Monyeki, 2007) or a weighted

mean r (Da Silva, 2013). This, of course, may partly explain the disparity in

auto-correlations. Additionally, the likelihood of obtaining higher stability values

is very high with shorter follow-up periods (Malina, 2001). Moreover, tracking is

likely to be low with younger subjects at baseline (Malina, 2001). However, our

results did not provide this evidence. The lower stability in cohort 2, mainly in

girls’ cardiorespiratory fitness, can be partially explained by the fact that, on

average, they have already started the adolescent spurt and are closer to their

PHV as compared to those from cohort 1. During this period, variability in timing

and tempo of the growth spurt associated to maturation-related changes in body

mass are likely to affect performance by increasing inter-individual variation in

PF development which potentially influence tracking (Malina, 2001).

The multilevel modeling tracking approach as suggested by Twisk (2003)

is far more informative than auto-correlations. It also has more potential (Twisk

et al., 2000; Twisk, 2003) given that (1) all available longitudinal data is used to

estimate stability coefficients; (2) it is suitable for designs with unequally spaced

time intervals; (3) it enables the study of inter-individual differences in intra-

individual changes; and (4) the initial value of the outcome variable is

incorporated as an independent predictor variable, and (5) relevant time-varying

and/or invariant covariates are incorporated as confounder variables into the

tracking analysis. As such, the resulting stability coefficient can be interpreted

as a longitudinal (partial) correlation coefficient (Twisk, 2000; Twisk, 2003;

Kristensen et al., 2008). Crude coefficients were moderate-to-high; however,

when tracking was adjusted for dynamic covariates systematic decreases in all

fitness components stabilities were found. It is somewhat difficult to compare



139

our results with previous publications because they are mostly analysed with

auto-correlations and never include the effects of dynamic covariates in their

reports. As reported, the calculation of a tracking index based only on the

longitudinal development of a PF component, without considering confounding

variables, can highly influence tracking estimates (Twisk, 2000), and may affect

predictability of future values. PF is part genetically determined (Bouchard et al.,

1997), however it has been shown that several other factors can also influence

performance during childhood and adolescence, namely biological maturation

(generally, positive association) (Malina, 2001; Freitas et al., 2002; Malina,

2004; Da Silva, 2013), BMI (negative association in motor tasks linked to

jumping, running and lifting, but positive association with strength tasks)

(Malina, 2004), and PA (positive association, although in lower magnitude and

varying from study to study) (Malina, 2001; Malina, 2004; Parikh & Stratton,

2011; Da Silva, 2013). After controlling for time-varying covariates, boys’

cardiorespiratory fitness and static strength had a greater reduction in their

stability. This may be due to the fact that variation in performance associated to

maturation is more noticeable in boys than girls (Malina, 2004). Early maturing

boys tend to perform systematically better, especially in motor tasks

emphasizing strength, power, velocity and aerobic capacity as they are usually

taller, heavier, stronger, and consequently they have higher absolute heart and

muscle volumes (Malina, 2004). Additionally, they are more motivated to excel

in physical exercises/sports as compared to less maturing boys (Malina, 2004).

Low-to-moderate tracking in the others fitness components suggests that, even

during this short-term follow-up period, PF is not as stable as reported by auto-

correlations (see Figure 2).



140

Figure 2. Example of trajectories of 30 random girls (left) and boys (right) from cohort 2 in the 1-mile run/walk, 50-yard dash, standing long jump, handgrip strength and agility shuttle run.



141

Compared to the other statistical methods to determine tracking, Cohen's

Kappa provides a distinct view. More specifically, Cohen’s Kappa allows to

examine the notion of growth canals (or channels), widely used in auxology to

better describe and monitor children and adolescents’ growth and development

processes (Kuczmarski et al., 2000). The results showed the lowest stability

estimates of the three tracking methodologies. Static strength was the only

component with moderate tracking in both cohorts. These results indicate that

change in almost all PF components does not occur in specific canals over the

time, reflecting a strong instability of individual trajectories in these cohorts, and

affecting the accuracy of the predictability for future values.

In this sense, it is possible to suggest that adolescents with a fit profile

can remain with these high performance levels or decrease their fitness over a

short-term time period. From a health perspective, it is very important to follow

not only those children/adolescents who have stable PF across time, but mainly

those who are highly unstable (Twisk, 2003). Our approach to extreme PF

pattern changes indicated that the percentage of positive instability was higher

in girls’ cardiorespiratory fitness in cohort 1 (7.2%); and negative instability was

higher for girls’ cardiorespiratory fitness, as well as boys’ agility (6.0%), both

from cohort 1. Overall, these result from Cohen's Kappa suggest that: (1) girls

from cohort 1 (10-12 years) were more susceptible to positive and negative

short-term changes in cardiorespiratory fitness, and this extreme instability

could be related to timing and tempo in their maturation process (Malina, 2004),

and (2) some boys tended to decrease their performance more in agility

compared to other fitness components over time, maybe because agility is a

complex fitness task that combines speed, balance, power and coordination

(Ortega, 2008).

Regardless of the statistical approach used to describe tracking, static

strength was the most stable PF component across the cohorts for both sexes.

This may be due to the linear increase in strength that occurs during adolescent

growth and mainly because handgrip is a quite simple test that does not require

some level of motor skills like the other fitness components (Malina, 2004),



142

namely agility. On the other hand, aerobic capacity was the fitness component

with lower tracking coefficients, mostly in girls. This instability indicates that

aerobic component is not firmly rooted yet, which can be related to several

factors, such as age, body size and maturity status (Malina, 2004).

There are potential limitations in the present study. First, it would be

appropriate to use direct laboratory measures to assess cardiorespiratory

fitness. However, this would be very difficult to implement in large field studies

not only for financial and technical reasons, but also for practicality. Second, PA

estimates were based on a questionnaire which is prone to errors. However, all

children and adolescents completed all questions in highly standardized

conditions; further, high reliability estimates have been reported with this

questionnaire in Portuguese children and adolescents from different

geographical regions (Vasconcelos & Maia, 2001; Ferreira et al., 2002). Third,

there was some difficulty of comparisons of present data with other studies due

to the distinct approach to quantify tracking, as well as the shortage of available

longitudinal data about adolescents’ physical fitness. Despite these limitations,

the study has several strengths. First, short-term PF tracking was described in

differential terms using distinct statistical approaches. Second, the use of a

novel approach allowed for the effects of time-varying covariates. Third, the

identification of individual tracking and unstable trajectories was also presented.

Fourth, the PF reliability estimates of this study demonstrate the quality control

of data collection. Fifth, the size of the sample and its representativeness in age

and sex is warranted. Sixth, the age cohorts represent important transition

periods from childhood to adolescence.

In conclusion, PF was shown to have a moderate-to-high tracking when

auto-correlations were used. However, when tracking was described by

multilevel modelling and Cohen’s Kappa, tracking coefficients were low-to-

moderate (see Figure 2). These results demonstrated that (1) PF tracking was

influenced by confounders, namely biological maturation, BMI, and PA; (2) there

was instability of individual trajectories and also inter-individual differences in

PF intra-individual changes; (3) different methods should be considered when



143

describing tracking since they provide distinct and more comprehensive views

about PF stability patterns that goes beyond the information provided by auto-

correlations.

PERSPECTIVES

This study demonstrated that multilevel modelling and Cohen’s Kappa

were better suited than auto-correlations to investigate tracking of PF

components, and further showed that short-term tracking was low-to-moderate.

Static strength is relatively stable during adolescence and tends to follow this

pattern at later ages. On the contrary, cardiorespiratory fitness has a low

tracking indicating that intervention opportunities should target behaviours not

firmly entrenched yet that may positively enhance this PF component given its

well-known associations to health.

Furthermore, multilevel modelling demonstrated that the stability of

several PF components was influenced by biological maturation, BMI and TPA.

These covariates, among others, should be considered to provide a better

understanding about distinct trajectories in order to provide more accurate

information when developing efficient interventions programs at school and/or in

sports clubs. Cohen’s kappa and its performance canals showed the existence

of PF inter-individual instability that requires a diversified approach when

designing pedagogical practices within the school system. This is of utmost

importance to assist in the challenging task of promoting more efficient physical

education classes, training or interventions, evidence based, that ensure PF

improvements in all children and youth, regardless of their level of motor

readiness.



144

REFERENCES

AAHPER. Youth Fitness Test Manual. Washington, DC: AAHPER 1976.

Baecke J, Burema J, Frijters J. A short questionnaire for the measurenment of

habitual physical activity in epidemiological studies. . Am J Clin Nutr. 1982: 36:

936-942.

Bouchard C, Malina R, Pérusse L. Genetics of fitness and physical

performance. Champaign: Human Kinetics 1997.

Bouchard C, Shepard K. Physical activity, fitness and health. The model and

the key concepts. In: Bouchard C, Shepard K, Stephens T, eds. Physical

activity, fitness and health- International proceedings and consensus statement.

Champain, IL: Human Kinetics, 1994:77-78.

Brouwer SI, Stolk RP, Liem ET, Lemmink KA, Corpeleijn E. The role of fitness

in the association between fatness and cardiometabolic risk from childhood to

adolescence. Pediatr Diabetes. 2013: 14: 57-65.

Da Silva SP, Beunen G, Prista A, Maia J. Short-term tracking of performance

and health-related physical fitness in girls: the Healthy Growth in Cariri Study. J

Sports Sci. 2013: 31: 104-113.

Eisenmann JC, Laurson KR, Welk GJ. Aerobic fitness percentiles for U.S.

adolescents. American journal of preventive medicine. 2011: 41: S106-110.

Ferreira J, Marques A, Maia J. Physical fitness, physical activity and health in

young population from Viseu- A study in children and youngsters of both gender

from 10 to 18 years old. Viseu: Departamento Cultural - Instituto Superior

Politécnico de Viseu 2002.

Fitnessgram. The Prudencial Fitnessgram Test Administration Manual. Dallas,

Texas U.S.A: he Cooper Institute for Aerobics Research 1994.

Freitas D, Maia J, Beunen G, Lefevre J, Claessens A, Marques A, Rodrigues A,

Silva C, Crespo M. Crescimento Somático, Maturação Biológica, Aptidão



145

Física, Atctividade Física e Estatuto Socioeconómico de Crianças e

Adolescentes Madeirenses- O Estudo de Crescimento da Madeira: SAEFD

Universidade da Madeira 2002.

Janz KF, Dawson JD, Mahoney LT. Tracking physical fitness and physical

activity from childhood to adolescence: the muscatine study. Medicine and

science in sports and exercise. 2000: 32: 1250-1257.

Kowalski CJ, Schneiderman ED. Tracking: Concepts, Methods and Tools. Int J

Anthropol. 1992: 7: 33-50.

Kristensen PL, Moller NC, Korsholm L, Wedderkopp N, Andersen LB, Froberg

K. Tracking of objectively measured physical activity from childhood to

adolescence: the European youth heart study. Scandinavian journal of medicine

& science in sports. 2008: 18: 171-178.

Kuczmarski R, Ogden C, Grummer-Strawn L, Flegal K, Guo S, Wei R, Mei Z,

Cutin L, Roche A, Johnson C. CDC growth charts: United States 2000.

Landis J, Koch G. The measurement of observer agreement for categorical

data. Biometrics. 1977: 33: 159-174.

Maia JA, Lefevre J, Claessens AL, Thomis MA, Peeters MW, Beunen GP. A

growth curve to model changes in sport participation in adolescent boys.

Scandinavian journal of medicine & science in sports. 2010: 20: 679-685.

Malina R, Bouchard C, Bar-Or C. Growth, Maturation and Physical Activity. 2º

Edition. Champaign, Illinois: Human Kinetics 2004.

Malina RM. Physical activity and fitness: pathways from childhood to adulthood.

American journal of human biology : the official journal of the Human Biology

Council. 2001: 13: 162-172.

Miller DJ, Freedson PS, Kline GM. Comparison of activity levels using the

Caltrac accelerometer and five questionnaires. Medicine and science in sports

and exercise. 1994: 26: 376-382.



146

Mirwald RL, Baxter-Jones AD, Bailey DA, Beunen GP. An assessment of

maturity from anthropometric measurements. Medicine and science in sports

and exercise. 2002: 34: 689-694.

Moliner-Urdiales D, Ruiz JR, Ortega FB, Jimenez-Pavon D, Vicente-Rodriguez

G, Rey-Lopez JP, Martinez-Gomez D, Casajus JA, Mesana MI, Marcos A,

Noriega-Borge MJ, Sjostrom M, Castillo MJ, Moreno LA, Avena, Groups HS.

Secular trends in health-related physical fitness in Spanish adolescents: the

AVENA and HELENA studies. J Sci Med Sport. 2010: 13: 584-588.

Monyeki MA, Koppes LL, Monyeki KD, Kemper HC, Twisk JW. Longitudinal

relationships between nutritional status, body composition, and physical fitness

in rural children of South Africa: The Ellisras longitudinal study. American

journal of human biology : the official journal of the Human Biology Council.

2007: 19: 551-558.

Ortega FB, Artero EG, Ruiz JR, Espana-Romero V, Jimenez-Pavon D, Vicente-

Rodriguez G, Moreno LA, Manios Y, Beghin L, Ottevaere C, Ciarapica D, Sarri

K, Dietrich S, Blair SN, Kersting M, Molnar D, Gonzalez-Gross M, Gutierrez A,

Sjostrom M, Castillo MJ, study H. Physical fitness levels among European

adolescents: the HELENA study. Br J Sports Med. 2011: 45: 20-29.

Ortega FB, Ruiz JR, Castillo MJ. [Physical activity, physical fitness, and

overweight in children and adolescents: evidence from epidemiologic studies].

Endocrinol Nutr. 2013: 60: 458-469.

Ortega FB, Ruiz JR, Castillo MJ, Sjostrom M. Physical fitness in childhood and

adolescence: a powerful marker of health. Int J Obes (Lond). 2008: 32: 1-11.

Pahkala K, Hernelahti M, Heinonen OJ, Raittinen P, Hakanen M, Lagstrom H,

Viikari JS, Ronnemaa T, Raitakari OT, Simell O. Body mass index, fitness and

physical activity from childhood through adolescence. Br J Sports Med. 2013:

47: 71-77.



147

Parikh T, Stratton G. Influence of intensity of physical activity on adiposity and

cardiorespiratory fitness in 5-18 year olds. Sports medicine. 2011: 41: 477-488.

Pate R, Oria M, Pillsbury L. Fitness measures and health outcomes in youth.

Whasington: The National Academic Press 2012.

Philippaerts RM, Westerterp KR, Lefevre J. Doubly labelled water validation of

three physical activity questionnaires. International journal of sports medicine.

1999: 20: 284-289.

Rodrigues LP, Leitao R, Lopes VP. Physical fitness predicts adiposity

longitudinal changes over childhood and adolescence. J Sci Med Sport. 2013:

16: 118-123.

Ross D, Ward R. Scaling Anthropometric Data for Size and Proportionality. In:

Reilly T, Watkins J, Borms J, eds. inanthropometry III Commonwealth and

International Conference on Sport, Physical Education, Dance, Recreation and

Health. New York: E&FN Spon, 1986.

Safrit MJ. Introduction to measurement in physical education and exercise.

Boston: Times Mirror/Mosby CollegePublishing 1990.

Schneiderman E, Kowalski C. LDA. Software system for longitudinal data

analysis. Version 3.2. . Texas: Baylor College of Dentistry 1993.

Smith JJ, Eather N, Morgan PJ, Plotnikoff RC, Faigenbaum AD, Lubans DR.

The Health Benefits of Muscular Fitness for Children and Adolescents: A

Systematic Review and Meta-Analysis. Sports medicine. 2014.

Twisk JW. Applied longitudinal data analysis for epidemiology. London:

Cambridge University Press 2003.

Twisk JW. Tracking. In: Twisk JW, ed. Applied longitudinal data analysis for

epidemiology. London: Cambridge University Press, 2003:225-240.



148

Twisk JW, Kemper HC, Mellenbergh GJ. Mathematical and analytical aspects of

tracking. Epidemiologic reviews. 1994: 16: 165-183.

Twisk JW, Kemper HC, van Mechelen W. Tracking of activity and fitness and

the relationship with cardiovascular disease risk factors. Medicine and science

in sports and exercise. 2000: 32: 1455-1461.

Vasconcelos M, Maia J. Is there a decline in physical activity? A cross-sectional

study in children and youngsters of both gender from 10 to 19 years old.

Portuguese Journal Sports Science. 2001: 1: 44-52.

Welk GJ, Going SB, Morrow JR, Jr., Meredith MD. Development of new

criterion-referenced fitness standards in the FITNESSGRAM(R) program:

rationale and conceptual overview. American journal of preventive medicine.

2011: 41: S63-67.

Estudo V

Modeling the dynamics of BMI changes during adolescence. The

Oporto Growth, Health and Performance Study

Michele Souza1,2, Joey Eisenmann3, Daniel Santos1, Raquel Chaves4,

Cláudia Forjaz5, José Maia1.

Artigo submetido à International Journal of Obesity (EUA)




4Federal University of Technology of Paraná. Curitiba- Brazil.



Modeling the dynamics of BMI changes


151

ABSTRACT

Objectives: The aims of this study were twofold: (1) to model changes in

body mass index (BMI) of 10 to 18 years old adolescents, and (2) to investigate

the effects of total physical activity (TPA), physical fitness (PF), sleep duration

and fruits/vegetables consumption in BMI trajectories across time.

Methods: Data were obtained from the Oporto Growth, Health and

Performance Study and comprised 6894 adolescents (3418 girls) divided into

four age cohorts (10, 12, 14 and 16 years) measured annually for three years.

BMI was computed using the standard formula (kg/m2); TPA was estimated with

the Baecke questionnaire; PF measures included 1-mile run/walk, 50 yard dash

(50YD), standing long jump (SLJ), handgrip strength (HGr) and agility shuttle

run. Longitudinal changes in BMI were analyzed using the multilevel modelling

approach.

Results: The average BMI at age of peak height velocity was 20.7±0.07

kg/m2 for girls (p<0.001), and 20.58±0.06 kg/m2 for boys (p<0.001). The annual

increment in BMI was 1.36±0.04 kg/m2, p<0.001 and 1.23±0.03 kg/m2, p<0.001

for girls and boys, respectively. PF were related to BMI trajectories in both

sexes (Girls: β1mile=0.12±0.02, p<0.001; βSLJ=-0.01±0.00, p<0.001;

β50YD=0.28±0.05, p<0.001; βHGr=-8.91±0.54, p<0.001; Boys: β1mile=0.18±0.02,

p<0.001; βSLJ=-0.01±0.00, p<0.001; β50YD=0.26±0.04, p<0.001; and βHGr=-

8.15±0.45, p<0.001). TPA only showed significant, but positive, association with

girls’ BMI trajectories (β=0.10±0.03, p=0.001). Sleep duration and

fruits/vegetables intake did not show any significant association with BMI

trajectories either sex.

Conclusions: BMI increased linearly with age in both gender. Better PF

levels reduced BMI across time in both boys and girls. Therefore, promotion of

PF in the adolescent years seems to be effective in the early prevention of

obesity.

Key-words: longitudinal changes, body mass index, physical fitness,

lifestyle behaviors, youth.



153

INTRODUCTION

Childhood and adolescent obesity is a worldwide public health issue due

to its increasing prevalence1, adverse immediate and long-term health

consequences2 and elevated economic costs2. In Portugal, recent studies3,4 on

nationally representative samples of 10 to 18 years old subjects showed that 17

to 33% were overweight or obese. These estimates are among the highest in

the world and parallel those from United States, Canada, Greece, Spain, Italy

and Malta youth5.

Adolescence is a highly plastic and dynamic life period, often viewed as a

“critical window” for the development of overweight and obesity6. There is a

consistent evidence showing that excess weight in youth tends to track into

adulthood6,7 leading to lifelong health problems and pathological conditions2. It

is widely acknowledged that the effectiveness of weight management programs

in youth depends on the identification of risk factors. However, the development

of overweight and obesity during the adolescent years is a complex process,

with many interrelated contributing factors2,8. Apart from hereditary and other

biological aspects8, a wide range of modifiable factors play significant roles in

weight status2. For example, physical activity (PA), physical fitness (PF), sleep

duration and dietary intake2.

Although it is generally accepted that there is an inverse relationship

between PA and overweight/obesity in youth, some cross-sectional studies

show mixed results2,9,10. Few longitudinal reports have examined the role that

PA plays in the rate of change in body mass index (BMI) during adolescence

with some showing a substantial association9,11, while others have found no

significant links10,12. Regarding the influence of PF levels on BMI changes,

longitudinal data is scarce13. Yet, cross-sectional data shows consistent

negative correlations between PF and BMI14,15; generally, adolescents who

have low PF levels are overweight or obese. This is more evident on PF tests

requiring the propulsion or lifting of body mass15-17.



154

There is growing attention and evidence that short sleep duration may

also contribute to the rise in adolescent overweight and obesity2. In fact, the risk

for obesity is nearly three times higher for those who sleep less than eight hours

per night2. Furthermore, less sleep was more strongly associated with

longitudinal increases in BMI18. Adolescents are also prone to modify their food

choices from healthy foods, such as fruits and vegetables, to energy-dense and

refined foods including fast-foods2,19. This pattern may result in nutritional

problems2 given that fruits and vegetables consumption can help prevent

obesity19.

Although several studies have examined the independent associations of

PA, PF, sleep duration, and nutrition with BMI, very few studies have examined

the joint effect of these risk factors on longitudinal changes in BMI. As

adolescent overweight and obesity involves multiple interactions, there is a

need to investigate these relationships among its potential determinants using a

multilevel approach. This comprehensive approach, using a sophisticated

statistical analysis, makes it possible to explore more challenging issues about

BMI growth trends; thus, enhancing our understanding about how obesity-

related factors unfold independently and when interacting with each other to

influence obesity. Therefore, this study aims to: (1) model changes in BMI of 10

to 18 years old adolescents, and (2) investigate the effects of PA, PF, sleep

duration and fruits/vegetables consumption in BMI trajectories across time.

MATERIALS AND METHODS

Sample

The sample was selected from the Oporto Growth, Health and

Performance Study (OGHPS) for which the overall aim is to investigate,

longitudinally, the interaction among individual characteristics, environmental

factors and lifestyle predictors that affect growth, development and health

aspects of Portuguese adolescents. The OGHPS was a mixed-longitudinal

design involving randomly selected adolescents from four age cohorts: 10, 12,

14 and 16 years at baseline. For the present study, we considered data

obtained from a total of 6894 subjects (Table 1). All measurements were



155

conducted annually during the same months (November to April) to avoid

seasonal variations. The OGHPS protocols were approved by the Ethics

Committee of the University of Porto; legal authorization was obtained from

school directors and parents gave their informed consent. All information

concerning the dataset can be requested from the corresponding author.

Table 1. Sample size by age, cohorts and sex.

Cohort Ages (yrs) Girls Boys Total

C1 10-12 1093 1152 2245

C2 12-14 967 1066 2033

C3 14-16 852 805 1657

C4 16-18 506 453 959

Total 3418 3476 6894

Anthropometry

Standard anthropometric procedures as described by Lohman et al.

(1988)20 were used in the study. Height was measured to the nearest 0.1

centimeter with a portable stadiometer (Holtain, UK). Body mass (kg) was

measured with a portable bioelectrical impedance scale (TANITA BC-418 MA

Segmental Body Composition Analyser; Tanita, Corporation, Tokyo, Japan) with

a 0.1 kg precision. BMI was computed using the standard formula BMI=[body

mass (kg)/height (m)2].



regression procedure proposed by Mirwald et al. (2002)21 which estimates how




from PHV.



156

Physical fitness

Several indicators of PF were measured. Cardiorespiratory fitness was

estimated from the 1-mile run/walk test of Fitnessgram battery22, where subjects

ran/walked a distance of 1609m in the shortest time possible. The other PF

components were assessed with several items from the 1988 AAHPERD youth

fitness test23: (a) speed - 50 yard dash test: run this distance in the shortest time

possible; (b) explosive leg power - standing long jump test: jump as far as

possible from a standing position; (c) agility - shuttle-run test: run as fast as

possible from the starting line to a line 9 m away where two small wooden

blocks were placed, pick-up one of the blocks, return to the starting line, place

the block on the line, and then repeat route; and (d) static strength - handgrip

strength test: grip the dynamometer (Takei Physical Fitness Test GRIP-D,

Japan) with maximum force during 5 to 10s with dominant hand. Static strength

(kg) was expressed relative to body mass (kg) given the high dependency of

hang grip strength to body size24 (i.e., weight).

Physical activity


questionnaire25, a reliable and valid instrument26,27 that describes three basic

domains of PA, namely school PA, leisure time PA and sport participation. It

comprises a total of 16 questions divided into these domains and each is scored

from 1 (minimal PA) to 5 (maximal PA). TPA score is obtained from the

unweighted sum of the three domains, and scores ranged from 3 (lowest) to 15

(highest). All adolescents answered the questionnaires during their physical

education classes under the supervision of the physical education teachers who

were trained by the research team.

Sleep Habits

All participants answered a questionnaire concerning their sleeping

habits, namely how many hours they usually slept in each of 7 days of the

week. For this paper, sleep duration was estimated from the average weekly

time (expressed in hours).



157

Dietary habits

A questionnaire about dietary habits was answered by the student. This

questionnaire was adapted from the food frequency questionnaire used in the

International Study of Childhood Obesity, Lifestyle and Environment study

(ISCOLE) 28 and The Health Behaviour in School -Aged Children Study

(HBSC)29; it consists of a set of questions about the different types of foods (23

types) consumed in a typical week, as well as the consumption of snacks when

watching television. There is also an additional set of questions concerning the

frequency of breakfast intake. For this paper, only the information related to

fruits and vegetables was considered and adolescents’ responses were divided

in two groups - those who consumed fruits and vegetables every day of the

week and those who did not.


Given the amount of data collected and the number of technicians, we

employed robust quality control measures for data collection. This was assured

in three different steps: (1) training of all team members by experienced

researchers of the Kinanthropometry Laboratory of the Sports Faculty,

University of Porto, Portugal; (2) conducting random retests (intra-rater

reliability) on each assessment day; (3) reliability calculations using the

ANOVA-based intraclass correlation coefficient (R), as well as the technical

error of the measurement (TEM): TEM=0.1cm for height and 0.1kg for body

mass; for PF tests, R values ranged from 0.88 (shuttle-run) to 0.94 (handgrip

and standing long jump); for PA, R=0.82.


All analyses were stratified by gender given their age differences in

maturity offset. Exploratory and descriptive data analyses were conducted in

IBM SPSS 20.0 software to check for the presence of outliers. Modelling

changes in BMI was performed in HLM 6.0 software within the framework of the

multilevel approach30 using maximum likelihood estimation procedures31. In

HLM analysis, the numbers and spacing of measurement observations may



158

vary across subjects and it can also accommodate data from mixed-longitudinal

designs with missing data, under the assumption that missing is at random32. In

order to best describe individual longitudinal trajectories, average trajectories

and respective predictors, a series of hierarchical nested models were fitted by

using a stepwise approach. To facilitate interpretation of model parameters

describing change, maturity offset was used as the metric of time. Thus, time 0

corresponds to age at peak height velocities in girls (on average around 12

years of age) and boys (on average around 14 years); negative values at X-axis

represents the number of years before PHV and positive values represents the

number of years after PHV. In the first step, a null model (M0) was fitted to

define the level-1 sub-model, i.e., a model describing BMI change. In the next

step, we fitted a new model (M1) that used dynamic covariates, namely all PF

tests. In the final model (M2), dynamic correlates associated with lifestyle

characteristics, namely TPA, sleep habits and fruits/vegetables intake were

fitted. To facilitate the interpretation, all predictors but fruits/vegetables intake

(those who did not consumed fruits and vegetables every day=0 and those who

did=1) were centred around the grand mean as previously advocated33.

Deviance statistic was use as a measure of global fit. Differences in deviances

are distributed as an approximate Chi-square (χ2) distribution with degrees of

freedom determined by the difference in the number of estimated parameters

between the models. It is expected that as model increases in complexity (i.e.,

adding parameters) a statistical significant decrease in deviance is expected

showing a better fit to the data.

RESULTS

Descriptive statistics for girls and boys at each annual time point (10 to

18 years of age) are in Table 2. Both sexes had an average increase in BMI

until 17 years of age, and then BMI tended to stabilize. On average, girls’

maturity offset was closer to PHV at age 12, while in boys it approximated 13

years. Girls’ and boys’ TPA mean values increased until age 13, and then

stabilized/declined. Boys showed systematic mean improvements in all PF tests

across time, except for the shuttle run test at age 18. Girls showed considerable



159

fluctuations in mean values for cardiorespiratory fitness (CRF), explosive leg

power, agility and speed tests. Both sexes showed a decrease in average

weekly sleep time over the adolescence years.

Results of the multilevel modelling analysis are presented in Table 3. In

the null model (M0), the average BMI at PHV was 20.76±0.06 kg/m2 for girls,

and 20.68±0.06 kg/m2 for boys. The annual increment in BMI was 0.94±0.02

kg/m2 and 0.62±0.01 kg/m2 for girls and boys, respectively. There are

noteworthy inter-individual differences at the intercept and slope (random

effects) as expressed by the statistically significant variances: 9.49, 0.27, for

girls and 10.35, 0.09 for boys, respectively.

In model 1 (M1), a series of PF components were added as time-varying

predictors of changes in BMI. Conditional on the predictors, the intercept (β0)

and slope (β1) values for girls are β0=20.60±0.05, β1=1.22±0.03 and for boys

are β0=20.46±0.05; β1=1.16±0.02. Over time, all PF tests, except the shuttle

run, were related to BMI trajectories; PF improvements significantly reduced

BMI change across time for both sexes (Girls: β1mile=0.11±0.01; βSLJ=-

0.01±0.00; β50YD=0.24±0.04; βHGr=-8.03±0.42; Boys: β1mile=0.16±0.02; βSLJ=-

0.01±0.00; β50YD=0.26±0.03; and βHGr=-7.92±0.34). Note that the greater the

time to cover the 1-mile run the worse the CRF, and that those who need more

time to run the 50 YD the slower the running speed.

Model 2 (M2) proved the best fitting model and included the addition of

lifestyle characteristics, namely TPA, sleep habits and fruits/vegetables intake.

Conditional on the new set of predictors, the intercept and slope values were

β0=20.75±0.07 and β1=1.36±0.04 for girls and β0=20.58±0.06 and β1=1.23±0.03

for boys. Consistent with M1, PF were related to BMI trajectories in both sexes

(Girls: β1mile=0.12±0.02; βSLJ=-0.01±0.00; β50YD=0.28±0.05; βHGr=-8.91±0.54;

Boys: β1mile=0.18±0.02; βSLJ=-0.01±0.00; β50YD=0.26±0.04; and βHGr=-

8.15±0.45). TPA only showed significant, but positive, association with girls’

BMI trajectories (β=0.10±0.03). Sleep habits and fruits/vegetables intake did not

show any significant association with either girls’ and boys’ BMI trajectories.



160

Table 2. Descriptive statistics for girls and boys in each annual time point (10 to 18 years of age).

10 yrs 11 yrs 12 yrs 13 yrs 14 yrs 15 yrs 16 yrs 17 yrs 18 yrs

mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD)

Height (cm) ♀ 145.30 (7.28) 148.40 (7.69) 153.40 (7.91) 157.92 (5.99) 159.63 (5.83) 160.29 (5.84) 160.64 (5.97) 161.18 (5.85) 161.02 (6.21)

♂ 144.51 (7.32) 147.88 (7.99) 153.48 (9.45) 161.73 (9.19) 166.82 (8.02) 170.98 (6.58) 172.82 (6.77) 173.91 (6.97) 173.29 (6.70)

Weight (kg) ♀ 41.70 (9.89) 44.10 (10.70) 48.80 (11.03) 53.46 (10.39) 56.06 (9.97) 58.03 (10.14) 59.41 (10.26) 59.57 (10.49) 58.85 (9.06)

♂ 41.62 (10.31) 44.32 (11.04) 48.61 (12.08) 54.88 (12.43) 59.70 (12.15) 63.01 (10.85) 66.82 (11.71) 68.65 (11.80) 68.36 (12.32)

BMI ♀ 19.58 (3.65) 19.78 (3.59) 20.63 (3.69) 21.33 (3.58) 21.93 (3.45) 22.50 (3.47) 22.98 (3.58) 22.90 (3.67) 22.66 (3.33)

♂ 19.70 (3.69) 20.06 (3.75) 20.42 (3.78) 20.81 (3.66) 21.32 (3.51) 21.83 (3.30) 22.26 (3.29) 22.69 (3.42) 22.67 (3.25)

Maturity offset

(years)

♀ -1.49 (0.63) -1.05 (0.75) -0.30 (0.86) 0.70 (0.60) 1.29 (0.52) 1.80 (0.50) 2.47 (0.52) 2.92 (0.47) 3.31 (0.49)

♂ -2.15 (0.64) -1.64 (0.77) -0.85 (1.01) 0.40 (0.94) 1.33 (0.88) 2.33 (0.75) 3.18 (0.83) 3.82 (0.76) 4.24 (0.75)

TPA (units) ♀ 7.67 (1.23) 7.73 (1.31) 7.66 (1.29) 7.70 (1.22) 7.61 (1.29) 7.52 (1.33) 7.44 (1.21) 7.24 (1.05) 7.17 (1.23)

♂ 8.28 (1.33) 8.49 (1.33) 8.53 (1.35) 8.56 (1.32) 8.42 (1.32) 8.19 (1.31) 8.11 (1.35) 8.13 (1.29) 7.71 (1.36)

Physical Fitness

1-mile run (min) ♀ 11.22 (1.85) 10.44 (1.85) 10.87 (2.00) 10.03 (1.84) 10.58 (2.18) 10.28 (1.95) 11.02 (2.31) 10.72 (2.22) 9.65 (1.65)

♂ 9.84 (2.02) 9.31 (1.95) 9.28 (2.06) 8.25 (1.73) 8.28 (1.79) 7.68 (1.75) 8.17 (1.84) 7.53 (1.36) 7.40 (1.71)

SLJ (cm) ♀ 127.76 (21.40) 131.06 (21.87) 135.15 (22.50) 143.41 (25.23) 142.40 (25.31) 140.45 (24.95) 142.34 (23.09) 141.31 (22.16) 147.28 (23.52)

♂ 137.62 (23.66) 143.22 (23.25) 153.16 (25.75) 170.26 (28.28) 173.33 (28.80) 192.95 (26.92) 195.96 (29.22) 204.18 (24.50) 206.15 (23.69)

SHR (s) ♀ 12.72 (1.31) 12.20 (1.55) 12.14 (1.47) 11.77 (1.25) 11.93 (1.50) 11.98 (1.25) 12.36 (1.78) 12.21 (1.60) 12.37 (1.34)

♂ 12.10 (1.50) 11.66 (1.44) 11.38 (1.36) 10.41 (1.32) 10.72 (1.22) 10.31 (1.03) 10.50 (1.18) 10.24 (1.04) 11.23 (3.09)

50YD (s) ♀ 9.28 (0.85) 9.03 (0.97) 8.76 (0.97) 8.45 (0.84) 8.45 (0.97) 8.35 (0.80) 8.55 (0.88) 8.52 (0.73) 8.30 (0.66)

♂ 8.89 (0.89) 8.69 (1.01) 8.30 (1.04) 7.72 (0.91) 7.43 (0.84) 7.06 (0.74) 7.06 (0.79) 6.88 (0.64) 6.78 (0.55)

HGr (kg·kg-1

body

mass)

♀ 0.48 (0.10) 0.47 (0.10) 0.46 (0.09) 0.48 (0.09) 0.48 (0.85) 0.47 (0.08) 0.47 (0.09) 0.47 (0.09) 0.49 (0.09)

♂ 0.46 (0.10) 0.47 (0.10) 0.50 (0.11) 0.54 (0.10) 0.56 (0.10) 0.59 (0.11) 0.60 (0.11) 0.61 (0.11) 0.63 (0.11)

Average weekly

sleep time (h)

♀ 9.02 (1.10) 8.79 (1.09) 8.69 (1.16) 8.47 (0.93) 8.23 (0.95) 8.17 (0.95) 7.98 (0.92) 7.94 (0.75) 8.09 (1.04)

♂ 8.88 (1.23) 8.65 (1.10) 8.61 (1.10) 8.39 (1.06) 8.32 (1.04) 8.08 (1.10) 8.02 (0.96) 7.93 (0.92) 7.84 (0.85)

Yrs= years; BMI= body mass index; TPA= total physical activity; SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr=relative handgrip; h= hour



161

Table 3. Results summary for the three nested models of girls and boys.

Girls Boys

Null Model (M0) Model I (M1) Model II (M2) Null Model (M0) Model I (M1) Model II (M2)

Regression coefficients

(fixed effects)

Intercept at PHV 20.761 (0.056)* 20.597 (0.052)* 20.753 (0.070)* 20.681 (0.057)* 20.456 (0.048)* 20.579 (0.064)*

Slope 0.945 (0.022)* 1.225 (0.026)* 1.363 (0.038)* 0.621 (0.015)* 1.158 (0.024)* 1.231 (0.034)*

1-mile run (min) 0.114 (0.015)* 0.122 (0.021)* 0.161 (0.016)* 0.183 (0.024)*

SLJ (cm) -0.006 (0.001)* -0.008 (0.002)* -0.010 (0.001)* -0.013 (0.002)*

SHR (s) 0.027 (0.019) § 0.040 (0.026)§ 0.014 (0.019)§ 0.037 (0.024)§

50YD (s) 0.239 (0.036)* 0.278 (0.052)* 0.257 (0.032)* 0.256 (0.045)*

HGr (kg·kg-1

body mass) -8.032 (0.417)* -8.911 (0.545)* -7.925 (0.343)* -8.149 (0.451)*

TPA 0.096 (0.028)** 0.036 (0.026)§

Average sleep (hours) 0.035 (0.029)§ -0.037 (0.024)§

Fruits/vegetables -0.044 (0.074)§ -0.056 (0.084)§

Variance components

(random effects)

Baseline 9.490* 6.566* 6.576* 10.347* 6.177* 6.106*

Slope 0.267* 0.149* 0.123* 0.094* 0.038* 0.024**

Residual 0.719 0.704 0.728 0.781 0.686 0.758

Model summary

Deviance statistic 28281.448* 18519.622* 10798.594* 29353.190* 19490.062* 11467.860*

Number of estimated parameters 6 11 14 6 11 14

Parameter estimates and standard errors listed in parentheses

*p<0.001; **p<0.05; §=non-significant

SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr= relative handgrip strength TPA= total physical activity;



162

DISCUSSION

A series of multilevel nested models were sequentially fitted in order to

model longitudinal changes in BMI of Portuguese youth, as well as to

investigate the effects of PF, TPA, sleep duration, and fruits/vegetables

consumption in average and individual BMI trajectories across time. Given the

slight differences in the intercepts and slopes among models (M0 to M2), the

present discussion will focus on the best fitting model (M2).

In the present study, we chose a linear trend to depict changes in BMI

following centile growth reference charts of Centers for Disease Control and

Prevention (CDC)34 and World Health Organization (WHO)35, i.e., during

adolescence BMI 50th centile increases almost linearly with age in both sexes.

However, at PHV Portuguese youth tended to be heavier for their height than

CDC or WHO 50th centile. Similar trends were found when BMI median values

of children and adolescents from Vouzela, a city in central Portugal, were

compared to the 50th centile of these reference charts (Study In press)36. This

high BMI of these two Portuguese youth sample should not be simply

interpreted as increases in adiposity, but also as changes in fat free mass that

are associated with growth24.

Physical fitness tests, as time-varying predictors, were longitudinally

related to BMI trajectories suggesting that positive changes in PF, with the

exception of the shuttle run, predicted annual decrease in inter-individual BMI

values for both girls and boys. There is a wealth of cross-sectional data14-16,37

showing the inverse associations between PF tests and BMI. This relationship

is particularly marked in tests in which the body is projected or moved through

space, i.e., jumping and running (endurance and velocity), probably because fat

represents an excess of weight that has to be moved during these tasks, as well

as the lack of experience in such weight-bearing tests14,16,24. We were able to

find only one prospective study17 investigating the influence of PF performance

in BMI changes during childhood or adolescence. This study examined two

cohorts of 5-13 yr old children and adolescents and combined them into a single



163

analytic cohort at only 1-year of follow-up. It was shown that among five PF

domains, only CRF and upper body strength were inversely associated with the

risk of becoming overweigh in both boys and girls; and after adjusting for

baseline BMI, CRF remained a significant predictor of incidence of overweight

only in girls. Further, it was reported that a 1-year of follow-up may have been

too short an interval to examine the effects of PF on overweight changes.

Similarly, our results provide relevant information indicating that consistent PF

improvements, namely in CRF, speed, explosive power and static strength,

during adolescence may play an important role in favorable BMI development

across age in boys and girls.

Among the lifestyle factors predicting BMI changes addressed in this

manuscript, only TPA was associated with BMI trajectories, but only in girls. The

finding that longitudinal changes in TPA have positive association in girls’ BMI

trajectories was not expected. The main reason for this unexpected result may

be sought in the fact that (1) PA was self-reported and girls with higher BMI

values could have overestimated their PA behaviors38; or (2) adolescent girls

with higher BMI, as age increases, become more concerned about their body

image, therefore tend to increase their total daily PA levels39, which does not

mean that the important part of is of moderate-to-high intensity levels. The role

of PA in attenuating BMI increases is not clearly understood given the

controversial results found in the literature9-12. This is largely due to issues

related to PA assessment, because measures vary with the activity specificity -

mode, frequency, amount and intensity9-12. As such, some have suggested that

intensity (vigorous PA) rather than the amount (TPA) may be more important in

preventing overweight/obesity in children and adolescents40,41.

Shortened sleep patterns have been associated with adolescent

overweight and obesity2, but our results do not support this suggestion. This

finding is consistent with a previous longitudinal study42 of 13,568 US

adolescents, aged 12 to 18 years, which showed no significant association

between short sleep duration (< 6 hours) and obesity, defined as BMI > 95th



164

percentile for age. Despite the indication that short sleep duration may increase

adolescents’ BMI as a consequence of fatigue and change in hormones that

regulate energy intake (ghrelin and leptin)18,42, it has been recently suggested,

from cross sectional data43,44, that late bedtimes and wake up times (sleep

timing behavior) are associated with factors (poorer diet quality or reduced PA

level) that place adolescents at a greater risk of being overweight or obese,

independent of sleep duration.

In the Oporto study fruit and vegetables intake was not associated with

BMI trajectory during adolescence. This may occur because of fruits and

vegetables have different characteristics; many fruits contain a higher amount of

sugar than vegetables, and should probably be analyzed separately as relevant

factors for weight management19,45. A report from the Amsterdam Growth and

Health Longitudinal Study45 assessed whether fruit and vegetable intake were

associated with changes in BMI and fat mass during adolescence and into

adulthood and results demonstrated beneficial effects of vegetable

consumption, but not fruit, in BMI and fat mass changes over time in females.

Although there are many benefits in maintaining a rich diet composed of fruits

and vegetables19 during adolescence, it is not yet clear why this type of diet

would prevent excessive weight gain46.

There are some potential limitations in the present study. First, the

present sample is from only one Portuguese region (North of Portugal).

Although it is not expected that adolescents from Porto differ from those of other

areas of Portugal generalization of results should be made with caution. Subtle

differences in lifestyle, physical and built environments as well as other factors

may influence growth, development and health in varied ways. Second, lifestyle

factors (PA, sleep duration and fruits/vegetables intake) were estimated via

questionnaires that can be prone to error. However, we used an individualized

approach within PE classes where students completed all questionnaires; and

regarding PA, there is consistent evidence about the reliability of the Baecke

questionnaire with Portuguese children and adolescents from different



165

geographical regions47,48. Further, given the sample size we could not think of

any other feasible approach. Third, the use of BMI as a surrogate of adiposity

rather than other body composition indicator, such as skinfold thickness or

percentage of body fat, may be considered another limitation. However, BMI

has been the most commonly used index to determine weight status,

specifically overweight and obesity13. Further, BMI has shown high correlations

with more direct measures of adiposity in children and adolescents12 and it has

been recognized as a valid indicator of risk for overweight in adolescents49.

Notwithstanding these limitations, the study has also several important

strengths. First, the mixed-longitudinal approach provides a better

understanding of the dynamics of changes in all variables. Second, we used a

highly flexible statistical procedure to fit BMI trajectories in both boys and girls.

Third, the use of a set of time varying predictors of BMI, such as PF, PA, sleep

duration and fruit/vegetables intake, which were considered together in the

model. Fourth, the size of our sample may be considered representative in

terms of both age and sex of the all adolescent period, an important life period

in terms of acquisition and development of lifestyle behaviors that may track into

adulthood.

In conclusion, girls and boys had similar mean values for BMI at the age

at PHV, and BMI increased linearly with age in both genders. Higher PF levels

reduced BMI across time in both boys and girls; TPA showed positive

association with girls’ BMI trajectories; and sleep habits as well as

fruits/vegetables intake did not predict BMI longitudinal trajectories, regardless

of sex. Given that PF is also related with different health outcomes (namely

cardio-metabolic risk), these results reinforce its importance as a very important

health marker. It also provides further support to the promotion of moderate-to-

vigorous physical activity and exercise programs designed to improve all PF

components during childhood and adolescence. Additional longitudinal studies

are required to more fully understand the effect of sleep time behaviour and

duration, as well as fruits/vegetables intake in the weight maintenance over the

adolescent years.



166

REFERENCES

1. Ng M, Fleming T, Robinson M, et al. Global, regional, and national


a systematic analysis for the Global Burden of Disease Study 2013. Lancet.

2014 Aug 30;384(9945):766-81.

2. Spruijt MR. Etiology, Treatment and Prevention of Obesity in Childhood

and Adolescence: A Decade in Review. J Res Adolesc. 2012;21(1):129-52.

3. Marques A, Gaspar De Matos M. Trends and correlates of overweight

and Obesity among adolescents from 2002 to 2010: A three-cohort study based

on a representative sample of Portuguese adolescents. Am J Hum Biol. 2014

Aug 30.

4. Sardinha LB, Santos R, Vale S, et al. Prevalence of overweight and

obesity among Portuguese youth: a study in a representative sample of 10-18-

year-old children and adolescents. Int J Pediatr Obes. 2011 Jun;6(2-2):e124-8.

5. Janssen I, Katzmarzyk PT, Boyce WF, et al. Comparison of overweight

and obesity prevalence in school-aged youth from 34 countries and their

relationships with physical activity and dietary patterns. Obes Rev. 2005

May;6(2):123-32.

6. Dietz WH. Critical periods in childhood for the development of obesity.

Am J Clin Nutr. 1994 May;59(5):955-9.

7. Singh AS, Mulder C, Twisk JW, van Mechelen W, Chinapaw MJ.

Tracking of childhood overweight into adulthood: a systematic review of the

literature. Obes Rev. 2008 Sep;9(5):474-88.

8. Chaput JP, Perusse L, Despres JP, Tremblay A, Bouchard C. Findings

from the Quebec Family Study on the Etiology of Obesity: Genetics and

Environmental Highlights. Curr Obes Rep. 2014;3:54-66.



167

9. Kimm SY, Glynn NW, Obarzanek E, et al. Relation between the changes

in physical activity and body-mass index during adolescence: a multicentre

longitudinal study. Lancet. 2005 Jul 23-29;366(9482):301-7.

10. Must A, Bandini LG, Tybor DJ, et al. Activity, inactivity, and screen time

in relation to weight and fatness over adolescence in girls. Obesity (Silver

Spring). 2007 Jul;15(7):1774-81.

11. Elgar FJ, Roberts C, Moore L, Tudor-Smith C. Sedentary behaviour,

physical activity and weight problems in adolescents in Wales. Public Health.

2005 Jun;119(6):518-24.

12. Kemper HC, Post GB, Twisk JW, van Mechelen W. Lifestyle and obesity

in adolescence and young adulthood: results from the Amsterdam Growth And

Health Longitudinal Study (AGAHLS). Int J Obes Relat Metab Disord. 1999

Apr;23 Suppl 3:S34-40.

13. Malina RM. Top 10 research questions related to growth and maturation

of relevance to physical activity, performance, and fitness. Res Q Exerc Sport.

2014 Jun;85(2):157-73.

14. Gulias-Gonzáles R, Martinez-Vizcaíno V, García-Pietro J, et al. Excess

of weight, but not underweight, is associated with poor physical fitness in

children and adolescents from Castilla-La Mancha, Spain. Eur J Pediatr.

2014;173:727-35.

15. Huang YC, Malina RM. Body mass index and individual physical fitness

tests in Taiwanese youth aged 9-18 years. Int J Pediatr Obes. 2010

Oct;5(5):404-11.

16. Deforche B, Lefevre J, De Bourdeaudhuij I, et al. Physical fitness and

physical activity in obese and nonobese Flemish youth. Obes Res. 2003

Mar;11(3):434-41.



168

17. Kim J, Must A, Fitzmaurice GM, et al. Relationship of physical fitness to

prevalence and incidence of overweight among schoolchildren. Obes Res. 2005

Jul;13(7):1246-54.

18. Mitchell JA, Rodriguez D, Schmitz KH, Audrain-McGovern J. Sleep

duration and adolescent obesity. Pediatrics. 2013 May;131(5):e1428-34.

19. Ham E, Kim HJ. Evaluation of fruit intake and its relation to body mass

index of adolescents. Clin Nutr Res. 2014 Jul;3(2):126-33.

20. Lohman TG, Roche AF, Martorell R. Antropometric standardization

reference manual: Champaign; 1988.

21. Mirwald RL, Baxter-Jones AD, Bailey DA, Beunen GP. An assessment of

maturity from anthropometric measurements. Med Sci Sports Exerc. 2002

Apr;34(4):689-94.

22. Fitnessgram. The Prudencial Fitnessgram Test Administration Manual.

Dallas, Texas U.S.A: he Cooper Institute for Aerobics Research; 1994.

23. (AAHPER) AAfHPEaR. Youth Fitness Test Manual. Washington, DC:

AAHPER; 1976.



25. Baecke J, Burema J, Frijters J. A short questionnaire for the


Clin Nutr. 1982;36(5):936-42.

26. Miller DJ, Freedson PS, Kline GM. Comparison of activity levels using

the Caltrac accelerometer and five questionnaires. Med Sci Sports Exerc. 1994

Mar;26(3):376-82.

27. Philippaerts RM, Westerterp KR, Lefevre J. Doubly labelled water

validation of three physical activity questionnaires. Int J Sports Med. 1999

Jul;20(5):284-9.



169

28. Katzmarzyk PT, Barreira TV, Broyles ST, et al. The International Study of

Childhood Obesity, Lifestyle and the Environment (ISCOLE): design and

methods. BMC Public Health. 2013;13:900.

29. Currie C, Zanotti C, Morgan A, et al. Social determinants of health and

well-being among young people. Health Behaviour in School-Aged Children

(HBSC) study: international report from the 2009/2010 survey. Health Police for

Children and Adolescents. Copenhagen: WHO Regional Office for Europe;

2012.


Assessing Change. Psychological Bulletin. 1987;101(1):147-58.



Lincolnwood, IL.2011.




202.

33. Hox J. Multilevel analysis: technics and applications. East Sussix:

Routledge; 2010.

34. Kuczmarski R, Ogden C, Grummer-Strawn L, et al. CDC growth charts:

United States: Adv Data; 2000.

35. de Onis M, Onyyango A, Borghi E, et al. Development of a WHO growth

reference for school-aged children and adolescents. Organ BWH, editor: Bull.

Word Health Organ; 2007.

36. Chaves R, Baxter-Jones AD, Souza M, Santos D, Maia J. Growth, body

composition and waist circumference centile charts of rural Portuguese children

and adolescents (In press). 2014.



170

37. Heroux M, Onywera V, Tremblay MS, et al. The Relation between

Aerobic Fitness, Muscular Fitness, and Obesity in Children from Three

Countries at Different Stages of the Physical Activity Transition. ISRN Obes.

2013;2013:134835.

38. Elliott SA, Davidson ZE, Davies PS, Truby H. Accuracy of Parent-

Reported Energy Intake and Physical Activity Levels in Boys With Duchenne

Muscular Dystrophy. Nutr Clin Pract. 2014 Sep 8.

39. Dyremyhr AE, Diaz E, Meland E. How adolescent subjective health and

satisfaction with weight and body shape are related to participation in sports. J

Environ Public Health. 2014;2014:851932.

40. Rizzo NS, Ruiz JR, Hurtig-Wennlof A, Ortega FB, Sjostrom M.

Relationship of physical activity, fitness, and fatness with clustered metabolic

risk in children and adolescents: the European youth heart study. J Pediatr.

2007 Apr;150(4):388-94.

41. Ruiz JR, Rizzo NS, Hurtig-Wennlof A, et al. Relations of total physical

activity and intensity to fitness and fatness in children: the European Youth

Heart Study. Am J Clin Nutr. 2006 Aug;84(2):299-303.

42. Calamaro CJ, Park S, Mason TB, et al. Shortened sleep duration does

not predict obesity in adolescents. J Sleep Res. 2010 Dec;19(4):559-66.

43. Golley RK, Maher CA, Matricciani L, Olds TS. Sleep duration or bedtime?

Exploring the association between sleep timing behaviour, diet and BMI in

children and adolescents. Int J Obes (Lond). 2013 Apr;37(4):546-51.

44. Olds TS, Maher CA, Matricciani L. Sleep duration or bedtime? Exploring

the relationship between sleep habits and weight status and activity patterns.

Sleep. 2011 Oct;34(10):1299-307.

45. te Velde SJ, Twisk JW, Brug J. Tracking of fruit and vegetable

consumption from adolescence into adulthood and its longitudinal association

with overweight. Br J Nutr. 2007 Aug;98(2):431-8.



171

46. Field AE, Gillman MW, Rosner B, Rockett HR, Colditz GA. Association

between fruit and vegetable intake and change in body mass index among a

large sample of children and adolescents in the United States. Int J Obes Relat

Metab Disord. 2003 Jul;27(7):821-6.

47. Ferreira J, Marques A, Maia J. Physical fitness, physical activity and

health in young population from Viseu- A study in children and youngsters of

both gender from 10 to 18 years old. Viseu: Departamento Cultural - Instituto

Superior Politécnico de Viseu; 2002.

48. Vasconcelos M, Maia J. Is there a decline in physical activity? A cross-

sectional study in children and youngsters of both gender from 10 to 19 years

old. Portuguese Journal Sports Science. 2001;1:44-52.

49. Malina RM, Katzmarzyk PT. Validity of the body mass index as an

indicator of the risk and presence of overweight in adolescents. Am J Clin Nutr.

1999 Jul;70(1):131S-6S.

Estudo VI

Modeling longitudinal changes in hypertensive and waist phenotype.

The Oporto Growth, Health and Performance Study.

Michele Souza1,2, Joey Eisenmann3, Fernanda Santos1,2, Thayse Gomes1,

Sara Pereira1, Cláudia Forjaz4, José Maia1.

Artigo submetido à Journal of Adolescent Health (EUA)






Modeling longitudinal changes in hypertensive and waist phenotype


175

ABSTRACT

Objectives: This study aimed: (1) to model changes in hypertensive and

waist phenotype (HWP) in youth, and (2) to investigate the effects of sex,

biological maturation, total physical activity (TPA) and physical fitness (PF) in

HWP trajectories.

Methods: Data was obtained from the Oporto Growth, Health and

Performance Study and comprised 5549 adolescents (2732 girls) divided into

four age cohorts (10, 12, 14 and 16 years) measured annually for three years.

The HWP was computed as the sum of the standardized score of waist

circumference and mean arterial pressure. Biological maturation was indirectly

assessed by the maturity offset procedure; TPA was estimated with the Baecke

questionnaire; PF measures included 1-mile run/walk, 50 yard dash (50YD),

standing long jump (SLJ), handgrip strength (HGr) and agility shuttle run.

Longitudinal changes in HWP were analysed using multilevel modelling

approach.

Results: HWP increased across time with a non-linear trend in girls and

boys. However, when conditional on the set of predictors the trend reversed:

girls and boys had a significant annual decrease on HWP of -0.202±0.032 and -

0.147±0.032, respectively. Maturity offset was positively associated with HWP

changes (β=0.913±0.023); TPA has a negative association (β=-0.027±0.011);

and PF tests improvements significantly reduced HWP across time

(β1mile=0.081±0.009; βSLJ=-0.003±0.00; β50YD=0.106±0.020; and βHGr=-

3.335±0.196).

Conclusions: Boys showed higher HWP values compared to girls from

10 to 18 years of age. Adolescents who were more mature had a more adverse

HWP. Longitudinal increases in TPA and PF provided a consistent protective

effect in the development of HWP across the adolescence years.

Key-words: longitudinal changes, cardio-metabolic risk, physical activity,

physical fitness, youth.



177

INTRODUCTION

The contemporary lifestyle behaviours of poor diet, high amounts of

screen time, and low levels of physical activity (PA) and physical fitness (PF)

observed in developed countries are important factors contributing to the

current epidemic of child and adolescent overweight and obesity worldwide1,2.

This phenomenon is of utmost clinical interest due to its association with the

development of cardio-metabolic risk factors in youth, such as hyperglycemia,

dyslipidemia and elevated blood pressure, that may increase the risk for adult

cardiovascular disease2.

In addition to the overall adiposity level, it has been shown that

abdominal obesity, assessed by waist circumference (WC), has increased at a

higher rate than total body obesity in children over the last two decades3,4, and

it tends to track into adolescence5,6 and adulthood7,8. Furthermore, it is well

recognized that increasing abdominal adipose tissue has a unique role in the

pathogenesis of cardio-metabolic diseases9, such as elevated blood pressure,

independent of weight status10,11. Thus, it is not surprising that the prevalence of

high BP has also increased in youth12. Indeed, children and adolescents with

elevated WC have a five- to six-fold increased odds of having high BP13,14,

which persists into adulthood15.

WC is considered one of the best anthropometric measures in clinical

and large-scale screening of cardio-metabolic risk factors in children and

adults11,13,16, and its combined use with mean arterial pressure (MAP)18, as a

cardio-metabolic risk marker, is highly useful to evaluate and prevent future

cardio-metabolic health problems11,13. However, the dichotomous classification

of BP and WC may be restrictive because their original values are continuously

distributed and positively correlated with other cardio-metabolic risks across a

wide range of values12,17. Additionally, as MAP and WC are correlated with each

other in terms of their level and rate of change over time, it may be of interest to

have a suitable sum of both represented by a continuous score17, i.e., a

hypertensive and waist phenotype (HWP). The HWP represents a feasible

cardio-metabolic proxy measurement to epidemiological research in school



178

context, in terms of staff training and access to the equipment, compared to

blood chemistry markers assessment; so it can figure as an effective primary

prevention measure.

The growth-related changes in WC and BP during childhood and

adolescence are manifested by biological, environment, genetic and lifestyle

factors2. Regarding biological factors, puberty has an impact on fat distribution,

generally with an android pattern for boys and gynoid for girls18. Systolic BP

increases during pubertal growth with greater increments for boys due to the

effect of gonadal hormones (testosterone)19. Furthermore, puberty is associated

with a temporary decrease in insulin sensitivity, which can have a transitory

effect on appetite regulation and obesity-related hypertension2,12.

Compared to lifestyle factors, physical and built environment and genetic

effects are very difficult to overcome. PA and PF are examples of modifiable

factors that have been inversely associated with clustering of cardio-metabolic

risk factors in youth20,21, i.e., moderate-to-high levels of PA and PF are

protective factors of cardio-metabolic risk20-24. Despite the increasing number of

studies investigating these associations between PA and/or PF with cardio-

metabolic risk factors in youth, there are some issues that are not well-

elucidated. For example, (i) almost all previous studies are cross-sectional,

which limits the ability to draw causal inferences as well as the ability to provide

a robust understanding about the dynamic of change in cardio-metabolic risk

through the effect of time- invariant and variant correlates; (ii) the inverse

association between PA and cardio-metabolic risk still needs to be investigated

in longitudinal studies, since cross-sectional studies are inconclusive20,21; and

(iii) typically when studies report the association between PF and cardio-

metabolic risk, the term ‘fitness’ almost exclusively refers to cardiorespiratory

fitness (CRF) and does not address other PF components, namely muscular,

morphological, motor and metabolic25 in addition to CRF in the analysis. Indeed,

PF is not a unitary but rather a multi-factorial construct.

Given the above mentioned gaps and limitations in the literature,

especially that no recent longitudinal studies has described the dynamics of



179

change in cardio-metabolic risk factors, this study aims to: (1) longitudinally

model changes of the HWP in adolescents, and (2) investigate the effects of

time-invariant (sex), and time-varying correlates (biological maturation, PA and

PF) in HWP trajectories across time.

METHODS

Sample

Data are from the Oporto Growth, Health and Performance Study

(OGHPS) whose overall aim is to investigate the interaction among individual

characteristics, environmental and lifestyle factors that affect growth,

development and health aspects of Portuguese adolescents. The OGHPS has a

mixed-longitudinal design involving randomly selected adolescents from 10 to

18 years old divided into four cohorts. The first cohort was followed annually

from 10 to 12 years; the second from 12 to 14 years; the third from 14 to 16

years, and the fourth from 16 to 18 years. For the present study, we considered

data obtained from a total of 5549 subjects. Sex and age specific sample size

information is given in Table 1. All measurements were conducted annually

during the same months (November to April) to avoid seasonal variations. The

OGHPS protocols were approved by the Ethics Committee of the University of

Porto; legal authorization was obtained from school directors, and parents gave

their informed consent.

Table 1. Sample size by age, sex, and cohort.

Cohort Ages (yrs) Girls Boys Total

C1 10-12 1008 1042 2050

C2 12-14 795 890 1685

C3 14-16 648 619 1267

C4 16-18 281 266 547

Total 2732 2817 5549



180



regression procedure proposed by Mirwald et al. (2002)26 which estimates how




from PHV.

Physical activity


questionnaire27, a reliable and valid instrument28,29 that describes three basic

domains of PA (school PA, leisure time PA and sport participation PA). It

comprises a total of 16 questions divided into these three domains and each is

scored from 1 (minimal PA) to 5 (maximal PA). TPA score is obtained from the

unweighted sum of the three domains, and scores ranged from 3 (lowest) to 15

(highest). All adolescents answered the questionnaires during their physical

education classes under the supervision of the teachers who were trained by

the research team.

Physical fitness

CRF was estimated from the 1-mile run/walk test of Fitnessgram

battery30, where all subjects ran/walked a distance of 1609m in the shortest time

possible. The other fitness components were assessed with several items from

the 1988 AAHPERD youth fitness test31: (a) speed - 50 yard dash: all subjects

ran this distance in the shortest time possible; (b) explosive leg power -

standing long jump: all subjects jumped as far as possible from a standing

position; (c) agility - shuttle-run: all subjects ran as fast as possible from the

starting line to a line 9 m away where two small wooden blocks were placed,

picked-up one of the blocks, returned to the starting line, placed the block on

the line, and then repeated route; and (d) static strength - handgrip strength: all

subjects gripped the dynamometer (Takei Physical Fitness Test GRIP-D,

Japan) with maximum force during 5 to 10 s. Static strength (kg) was expressed



181

relative to body mass (kg) given the high dependency of hang grip strength to

body size32 (i.e., weight).

Hypertensive and waist phenotype

The HWP included two of the more feasibly measured variables used to

mark the metabolic syndrome: WC and BP. WC was anatomically identified as

the smallest circumference between the lowest rib and the superior border of

the iliac crest and measured to the nearest 1cm with non-elastic tape (Sanny,

American Medical of Brazil, São Paulo, Brazil). BP was measured with an

automated device (Omrom M6 hem-7001-E, Omron Healthcare) previously

validated by The International Protocol of the European Society of

Hypertension33. Three different cuff sizes were available and appropriate cuff

size was determined according to the best fit to participant’s arm circumference.

All adolescents rested five minutes prior to the first BP measurement. They

remained seated with the back relaxed against the chair, legs uncrossed and

feet flat on the floor. The right upper limb was positioned with support at the

heart level and palm of the hand turned upwards. Three consecutive measures

with at least two minutes interval were obtained. For the present study the

average values of systolic and diastolic BP were used to compute MAP.

Subjects’ MAP values (in mmHg) were calculated using the following formula:

MAP=DBP+1/3(SBP-DBP). To compute the HWP, MAP and WC results were

transformed into z-scores and then summed; increasing positive z-values are

indicative of less favourable cardio-metabolic score.


Data quality control was assured in three different steps: (1) training of all

team members by experienced researchers of the Kinanthropometry Laboratory

of the Sports Faculty, University of Porto, Portugal; (2) conducting random

retests (intra-rater reliability) on each assessment day; (3) reliability calculations

using the ANOVA-based intraclass correlation coefficient (R), as well as the

technical error of the measurement (TEM): TEM=0.1cm for WC; for PF tests, R



182

values ranged from 0.93 (1-mile run/walk) to 0.97 (handgrip); and for PA,

R=0.80.


Exploratory and descriptive data analyses were conducted in IBM SPSS

20.0 software to check for the presence of outliers. Modelling changes in HWP

was done in HLM 6.0 software within the framework of the multilevel approach34

using maximum likelihood estimation procedures35. In HLM analysis, the

numbers and spacing of measurement observations may vary across subjects

and it can also accommodate data from mixed-longitudinal designs with missing

data, under the assumption that missing is at random 36. In order to best

describe individual longitudinal trajectories, average trajectories and respective

predictors, a series of hierarchical nested models were fitted by using a

stepwise fashion. To facilitate interpretation of model parameters describing

change, the time metric was centered at baseline, i.e., the first measurement of

cohort 1. Thus the time 0 corresponds to 10 years of age, and the temporal

metric of X-axis has become 0, 1, 2, 3, 4, 5, 6, 7 and 8, which corresponds to

10, 11, 12, 13, 14, 15, 16, 17 and 18 years of age. In the first step a null model

(M0) was ran to define the level-1 sub model using up to a 2rd degree polynomial

of time. So a series of hierarchically nested level-1 models were fitted, with

increasing patterns of HWP change (linear and quadratic), and it was also

tested the effect of gender (level-2 variable). The next step was to run a model

(M1) that used time-varying covariates, namely maturity offset and TPA (level-

1). On the subsequent model (M2), PF-tests were also included. To facilitate the

interpretation, all predictors but sex (female=0 and males=1) were centred

around the grand mean as previously advocated37. Deviance statistics were

used as a measure of global fit. Differences in Deviances are distributed as an

approximate Chi-square (χ2) distribution with degrees of freedom determined by

the difference in the number of estimated parameters between the models. It is

expected that as model increases in complexity (i.e., adding parameters) a

statistical significant decrease in Deviance is expected.



183

RESULTS

Descriptive statistics for girls and boys at each annual time point (T0-T8)

are in Table 2. Both sexes had an average increase in the HWP from 10 to 18

years of age. On average, girls’ maturity offset was closer to PHV at age 12

years, while in boys was at age 13 years. Girls’ and boys’ TPA mean values

increased until age 13 (T3), and then declined. Boys showed systematic mean

improvements in all PF tests over time, except for CRF. Girls showed

considerable variation in their mean values for CRF, explosive leg power, agility

and speed tests; and a slight mean improvement in static strength over the time

(T0-T8).

Multilevel modelling results are presented in Table 3. A non-linear trend

was the best HWP fitting trajectory across time. On average, 10 years old girls

had a low HWP at baseline (β=-1.012±0.051), and no significant differences

were found compared to boys (β=0.026±0.066) as shown in Figure 1. However,

there are sex differences with increasing age. Specifically, girls increased HWP

at the rate of 0.364 z-scores/year, while boys did so at a higher rate (0.497 z-

scores/year). There was a tendency for a stabilization in metabolic risk, since

the acceleration was negative for both boys and girls (β=-0.022±0.003). There

is noteworthy interindividual variation at baseline and the trend as expressed by

the statistically significant variances.

Figure 1. Average trajectories of HWP as function of time (time 0=10 years, time 1=11 years, …, time 8=18 years) and sex (no other covariates are included in the model that produced these mean trajectories).



184

In model 1, a biological marker (maturity offset) and a lifestyle behavior

(TPA) were included as time-varying predictors for HWP trajectories. Sex

differences were present at baseline. On average, the HWP of 10 years old girls

was 0.437 (±0.063), and for boys was 0.820 z-scores higher. It should be noted

that the trend is negative, with HWP decreasing at the rate of -0.284 (±0.029)

per year in girls, and -0.352 (±0.029)/year in boys. The non-linear trend is still

evident (β=-0.015±0.003). The more mature youth have higher HWP values

(β=0.883±0.022), whereas the higher the TPA the lower the HWP (β=-

0.053±0.010). Although interindividual differences are less pronounced given

the reductions of baseline and slope variances, they are still statistically

significant.

In the final and best fitting model (M2), a series of PF components were

added. Sex differences are evident at baseline, but girls show a more

favourable HWP trend (β=-0.025±0.063) than boys (β=0.954±0.067).

Conditional on the new set of predictors, girls and boys showed a significant

annual decrease in HWP of -0.202±0.032 and -0.147±0.032, respectively. The

non-linear trend is still present (β=-0.023±0.004) in both sexes. Consistent with

M1, maturity offset has a positive longitudinal association with HWP changes

(β=0.913±0.023) and TPA has a negative association (β=-0.027±0.011). With

the exception of the shuttle run, improvements in PF significantly reduces HWP

values across time (β1mile=0.081±0.009; βSLJ=-0.003±0.001; β50YD=0.106±0.020;

and βHGr=-3.335±0.196). Note that the higher times for 1-mile run and 50 YD

were related to poorer cardiorespiratory fitness and running speed, respectively.



185

Table 2. Descriptive statistics for girls and boys in each annual time point (T0-T8).

T0 (10 yrs) T1 (11 yrs) T2 (12 yrs) T3 (13 yrs) T4 (14 yrs) T5 (15 yrs) T6 (16 yrs) T7 (17 yrs) T8 (18 yrs)

mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD) mean (SD)

HWP ♀ -0.85 (1.56) -0.90 (1.54) -0.34 (1.57) -0.20 (1.48) 0.14 (1.45) 0.18 (1.44) 0.50 (1.46) 0.64 (1.31) 0.46 (1.25)

♂ -0.69 (1.69) -0.68 (1.58) -0.18 (1.65) 0.17 (1.59) 0.74 (1.54) 1.02 (1.49) 1.40 (1.56) 1.55 (1.55) 1.26 (1.51)

Maturity offset

(years)

♀ -1.50 (0.62) -1.08 (0.75) -0.34 (0.88) 0.70 (0.61) 1.27 (0.51) 1.85 (0.51) 2.43 (0.54) 2.83 (0.50) 3.33 (0.52)

♂ -2.18 (0.61) -1.69 (0.76) -0.89 (1.03) 0.25 (0.72) 1.31 (0.88) 2.29 (0.72) 3.15 (0.85) 3.69 (0.78) 4.26 (0.82)

TPA (units) ♀ 7.69 (1.21) 7.75 (1.32) 7.70 (1.30) 7.83 (1.23) 7.67 (1.33) 7.71 (1.38) 7.48 (1.25) 7.25 (1.32) 7.25 (1.17)

♂ 8.29 (1.32) 8.51 (1.35) 8.55 (1.35) 8.59 (1.37) 8.45 (1.34) 8.27 (1.38) 8.16 (1.36) 8.21 (1.54) 7.93 (1.21)

Physical Fitness

1-mile run

(min)

♀ 11.19 (1.84) 10.47 (1.83) 10.92 (1.99) 10.01 (1.92) 10.96 (2.25) 10.48 (2.22) 11.98 (2.66) 12.00 (1.99) 13.21 (3.32)

♂ 9.86 (2.02) 9.39 (2.04) 9.40 (2.09) 8.29 (1.80) 8.56 (1.84) 8.00 (2.05) 9.08 (2.43) 8.42 (1.32) 9.40 (4.38)

SLJ (cm) ♀ 127.59 (21.40) 130.28 (21.76) 134.39 (22.65) 142.20 (25.35) 140.71 (25.05) 139.39 (24.78) 138.16 (23.24) 140.55 (27.36) 138.75 (18.22)

♂ 137.15 (23.41) 142.50 (22.97) 152.34 (25.89) 170.09 (28.20) 178.20 (28.72) 189.00 (28.50) 189.72 (31.03) 202.77 (22.74) 202.00 (34.39)

SHR (s) ♀ 12.76 (1.40) 12.24 (1.58) 12.10 (1.33) 11.75 (1.33) 11.88 (1.28) 11.91 (1.33) 12.26 (1.23) 12.09 (1.41) 12.40 (1.34)

♂ 12.02 (1.61) 11.69 (1.47) 11.35 (1.31) 10.69 (1.36) 10.69 (1.18) 10.22 (1.02) 10.64 (1.23) 10.00 (0.90) 10.27 (0.13)

50YD (s) ♀ 9.29 (0.85) 9.05 (0.99) 8.78 (1.03) 8.45 (0.90) 8.40 (0.99) 8.34 (0.79) 8.50 (0.95) 8.44 (1.22) 9.15 (0.92)

♂ 8.90 (0.91) 8.73 (1.03) 8.32 (1.05) 7.71 (0.99) 7.43 (0.94) 7.10 (0.92) 7.06 (0.87) 6.59 (0.47) 7.00 (0.25)

HGr (kg·kg-1

body mass)

♀ 0.44 (0.09) 0.46 (0.09) 0.46 (0.09) 0.48 (0.09) 0.47 (0.09) 0.48 (0.08) 0.46 (0.09) 0.48 (0.09) 0.50 (0.08)

♂ 0.46 (0.10) 0.47 (0.10) 0.50 (0.10) 0.54 (0.10) 0.56 (0.10) 0.59 (0.11) 0.59 (0.12) 0.61 (0.11) 0.62 (0.11)

T=time; HWP =hypertensive waist phenotype; TPA= total physical activity; SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr= relative

handgrip



186

Table 3. Results summary for the three nested models.

Null Model (M0) Model I (M1) Model II (M2)

Regression coefficients (fixed effects)

Baseline (10 years) -1.012 (0.051)* 0.437 (0.063)* -0.025 (0.063)§

Sex 0.026 (0.066)§ 0.820 (0.067)* 0.979 (0.067)*

Linear Slope 0.364 (0.022)* -0.284 (0.029)* -0.202 (0.032)*

Sex 0.133 (0.016)* -0.068 (0.019)* 0.055 (0.020)*

Quadratic Slope -0.022 (0.003)* -0.015 (0.003)* -0.023 (0.004)*

Maturity Offset 0.883 (0.022)* 0.913 (0.023)*

TPA (units) -0.053 (0.010)* -0.027 (0.011)**

1-mile run (min) 0.081 (0.009)*

SLJ (cm) -0.003 (0.001)*

SHR (s) 0.007 (0.012)§

50YD (s) 0.106 (0.020)*

HGr (kg·kg-1

body mass) -3.335 (0.196)*

Variance components (random effects)

Baseline 2.540* 1.470* 0.916*

Slope 0.027* 0.004* 0.003**

Residual 0.459 0.480 0.489

Model summary

Deviance statistic 33839.333* 24122.208* 17648.352*

Number of estimated parameters 9 11 16

Parameter estimate standard errors listed in parentheses

*p<0.001; **p<0.05; §=non-significant

TPA= total physical activity; SLJ= standing long jump; SHR= shuttle run; 50YD= 50 yard dash; HGr=

relative handgrip strength

DISCUSSION

This study shows a series of multilevel nested models that were

sequentially fitted in order to provide a better understanding of the longitudinal

changes in the HWP of Portuguese youth, as well as to investigate the effects

of sex, biological maturation, TPA and PF in HWP trajectories. As such, we will

discuss each model in a stepwise fashion from model M0 (predictors: time and

sex) to model M2 (best fitting model, predictors: time, sex, and time-varying

biological maturation, TPA and PF).

Overall, M0 findings showed that HWP values increased across time with

a non-linear trend in both girls and boys. Furthermore, boys showed a more

unfavourable HWP trend. In the present study, HWP included only two key



187

markers of metabolic syndrome, namely WC and BP, compared to other studies

that incorporate blood chemistry markers such as glucose or insulin and blood

lipid parameters (total cholesterol, high-density lipoprotein cholesterol,

triglycerides). Unfortunately due to feasibility and cost, these blood markers

were only included in a small sub-sample of this study. During adolescence and

puberty, these indicators present distinct developmental changes in both sexes,

although comparable in pattern. Until the growth spurt, both boys and girls tend

to accumulate more adiposity in the trunk than in the limbs32. However, it is well

recognized a tendency of a centralized fat deposition in boys after the pubertal

period 1,18,32. Similarly, systolic BP increases from childhood to adolescence, but

boys tend to have greater mean values than girls, especially after the pubertal

period19. These general growth-related trends were confirmed in M0.

Furthermore, previous data showed that males tend to have higher prevalences

on a wide range of cardio-metabolic risk factors including not only WC and BP,

but also hyperglycemia and dyslipidemia 1,21,38. Although boys tend to show a

decrease in their percentage of total body fat when contrasted to girls during

adolescence, longitudinal data38 reported that adverse changes in insulin

resistance, systolic BP and abdominal fat may possibly play a role in the greater

cardio-metabolic risk in post-pubertal boys.

The best fitting model (M2), which was conditional on a series of

predictors, showed that boys have higher risk already at the onset of

adolescence as compared to girls. This result may be counterintuitive since

timing and tempo of the adolescent growth spurt generally occurs earlier in girls.

As such, at 10 years of age, it would be reasonable that boys would be more

“protected” than girls. Although we do not have a clear explanation why this

higher risk appears earlier in males, it is possible that female sex hormones,

namely estrogen, via multiple mechanisms reduces the cardio-metabolic risk in

girls, and this effect first becomes apparent at the beginning of the adolescent

growth spurt38.

There was a positive relationship between maturity offset and HWP

suggesting that those ahead in their biological maturation have a more adverse



188

HWP. More specifically, a 1-unit change (i.e., 1 year) in the maturity offset was

associated with a 0.913 z-score unit increase in the HWP. This unfavorable

effect was anticipated due to weight gain18 and obesity-related hypertension2,12,

as well as other adverse health outcomes such as elevated concentrations of

triglycerides, low high-density lipoprotein cholesterol concentrations and

temporary decreases in insulin sensitivity18. Indeed, pubertal timing is an

independent predictor of adult cardio-metabolic risk as shown in a large

prospective birth cohort study39, where earlier puberty was related with higher

adult body mass index, waist and hip circumference, fasting insulin, diastolic

BP, and decreased HDL cholesterol in both males and females.

PA and PF, as time-varying predictors, were longitudinally associated

with HWP suggesting that positive changes in TPA and PF (with the exception

of the shuttle run) predicted annual decreases in HWP. The interpretation of

coefficients of the predictors gives a clear indication of the amount of change in

the HWP. For example, improving 1 TPA unit decreases HWP by -0.027 z-

score units; increasing 1 second on 50 YD (those who do worst in the test)

increases HWP by 0.106 z-score units; and, with every minute increase in the

1-mile run there was an increase in the HWP of 0.081 z-score units. These are

important findings that highlight the preventive additive effect of higher PA and

PF levels on the longitudinal development of cardio-metabolic risk factors during

youth.

There is a wealth of cross-sectional data23,40-43 showing the association

between PA and cardio-metabolic risk factors in youth, but the results are

inconsistent20,21. For example, Bailey et al.23 found no significant correlations

between objectively measures of PA (accelerometer) with cardio-metabolic risk

score (WC, diastolic BP, fasting blood glucose and triglycerides, and total

cholesterol/HDL cholesterol ratio) in 100 10 to 14 year olds. On the other hand,

a study41 of 417 Azorean adolescents aged 15 to 18 years indicated that those

who were more active (measured by pedometers; steps per day) had lower

odds for having one or more adverse cardio-metabolic risk factors. Some

authors suggest that the inconsistent results can be linked to the method used



189

to assess PA21 (objective versus self-reported), and also to the sample used in

terms of diversity and sample size20. Compared to cross-sectional studies, very

few longitudinal investigations have been conducted on this topic. When

considering longitudinal studies, the Muscatine Study24 did not find any

significant association between self-reported PA changes from 10 to 13 years of

age and cardio-metabolic health outcomes at 14 year. In contrast, results from

the Amsterdam Growth and Health Study44 spanning from adolescence into

young adulthood (12 to 27 years) demonstrated that the relationship between

PA (assessed with a structured interview) and a clustering score of metabolic

risk was present during the entire longitudinal period. Despite the difference in

age, our results substantiate the longitudinal protective effect of higher TPA

levels on cardio-metabolic risk factors.

With regards to PF, several cross-sectional reports23,40,42,45-47 have

shown an inverse association between PF and cardio-metabolic risk factors;

however, direct comparison between studies is difficult due to methodological

differences and because most studies mostly focus on CRF. However, recent

studies have recognized the role of muscular fitness in the prevention of cardio-

metabolic risk factors among children and adolescents22,41,48,49 concluding that

those who have greater muscular fitness have lower cardio-metabolic score

(including WC, BP, triglycerides, HDL-cholesterol and insulin resistance)

independent of CRF. To our knowledge, the Muscatine Study24 was the only

longitudinal report that examined the association between PF (marked by CRF

and static strength) and cardio-metabolic health outcomes. Similarly to the

present study, their results indicated that maintaining high levels of CRF and

muscular strength from 10 to 13 years of age were associated with low levels of

WC and more favorable systolic BP at 14 years. Since no recent longitudinal

study has investigated the influence of other PF components on cardio-

metabolic risk factors trajectories, the current study provides relevant

information indicating that being physically fit and consistently improving speed,

explosive leg power and static strength during adolescence may confer

additional benefits to cardio-metabolic health beyond those attributed to CRF.



190

There are at least three limitations that should be recognized in the present

study. First, the HWP is limited to BP and WC due to feasibility and financial

restrictions. However, it is important to note that the WC-BP phenotype has

great potential and utility for school-based screenings. Second, PA was

estimated via questionnaire. However, the Baecke questionnaire is widely used

in large-scale studies50,51. To minimize the well-known limitations with self-

report PA, we used an individualized approach within PE classes where

students completed all questionnaires. There is also consistent evidence about

the Baecke questionnaire is reliability with Portuguese children and adolescents

from different geographical regions52,53. Third, we had difficulty comparing our

results to other research due to the absence of longitudinal studies concerning

cardio-metabolic risk factors changes during childhood and adolescence.

Despite these limitations, the study has strengths that should be considered.

First, the mixed-longitudinal approach provides a better understanding of the

dynamics of changes in all variables. Second, we used a highly flexible

statistical procedure to fit the complexities of HWP trajectories. Third, the

sample size was large (n=5500) and spanned ages 10 to 18 years. Fourth, the

age cohorts represent an important life period in terms of acquisition and

development of lifestyle behaviors that are linked to health outcomes in

adulthood.

In conclusion, our major finding was that longitudinal improvements in

TPA and PF provided a consistent protective effect in the development of the

HWP across the adolescence years. From a public health perspective, these

results support the importance of early recognition and treatment of cardio-

metabolic risk factors. In this sense, school-based health examinations should

incorporate WC and BP as simple and effective primary prevention measures,

since they are two important predictors in large-scale screening of cardio-

metabolic disorders in children and adolescents. Furthermore, it is important to

address the relevance of school context and youth varsity sports programs to

promote and encourage children and adolescents in a regular engagement in

moderate-to-vigorous physical activities/physical exercises that ensure



191

improvements in all PF components. In turn this will help to prevent cardio-

metabolic disorders associated with obesity and sedentary lifestyle later in life.



192

REFERENCES

1. Tailor AM, Peeters PH, Norat T, Vineis P, Romaguera D. An update on

the prevalence of the metabolic syndrome in children and adolescents. Int J

Pediatr Obes. 2010 May 3;5(3):202-13.

2. Weiss R, Bremer AA, Lustig RH. What is metabolic syndrome, and why

are children getting it? Ann N Y Acad Sci. 2013 Apr;1281:123-40.

3. Garnett SP, Baur LA, Cowell CT. The prevalence of increased central

adiposity in Australian school children 1985 to 2007. Obes Rev. 2011

Nov;12(11):887-96.

4. McCarthy HD, Ellis SM, Cole TJ. Central overweight and obesity in

British youth aged 11-16 years: cross sectional surveys of waist circumference.

BMJ. 2003 Mar 22;326(7390):624.

5. Chrzanowska M, Suder A, Kruszelnicki P. Tracking and risk of abdominal

obesity in the adolescence period in children aged 7-15. The Cracow

Longitudinal Growth Study. Am J Hum Biol. 2012 Jan-Feb;24(1):62-7.

6. Psarra G, Nassis GP, Sidossis LS. Short-term predictors of abdominal

obesity in children. Eur J Public Health. 2006 Oct;16(5):520-5.

7. Eisenmann JC, Welk GJ, Wickel EE, Blair SN, Aerobics Center

Longitudinal S. Stability of variables associated with the metabolic syndrome

from adolescence to adulthood: the Aerobics Center Longitudinal Study. Am J

Hum Biol. 2004 Nov-Dec;16(6):690-6.

8. Freitas D, Beunen G, Maia J, et al. Tracking of fatness during childhood,

adolescence and young adulthood: a 7-year follow-up study in Madeira Island,

Portugal. Ann Hum Biol. 2012 Jan;39(1):59-67.

9. Zimmet P, Alberti KG, Kaufman F, et al. The metabolic syndrome in

children and adolescents - an IDF consensus report. Pediatr Diabetes. 2007

Oct;8(5):299-306.

10. Mokha JS, Srinivasan SR, Dasmahapatra P, et al. Utility of waist-to-

height ratio in assessing the status of central obesity and related

cardiometabolic risk profile among normal weight and overweight/obese

children: the Bogalusa Heart Study. BMC Pediatr. 2010;10:73.

11. Schroder H, Ribas L, Koebnick C, et al. Prevalence of abdominal obesity

in spanish children and adolescents. Do we need waist circumference

measurements in pediatric practice? PLoS One. 2014;9(1):e87549.



193

12. Sorof J, Daniels S. Obesity hypertension in children: a problem of

epidemic proportions. Hypertension. 2002 Oct;40(4):441-7.

13. Choy CS, Chan WY, Chen TL, et al. Waist circumference and risk of

elevated blood pressure in children: a cross-sectional study. BMC Public

Health. 2011;11:613.

14. Zhang YX, Wang SR. The relationship of waist circumference distribution

to blood pressure levels among children and adolescents in Shandong, China.

Int J Cardiol. 2013 Sep 30;168(2):1516-20.

15. Chen X, Wang Y. Tracking of blood pressure from childhood to

adulthood: a systematic review and meta-regression analysis. Circulation. 2008

Jun 24;117(25):3171-80.

16. Moreno LA, Pineda I, Rodriguez G, et al. Waist circumference for the

screening of the metabolic syndrome in children. Acta Paediatr.

2002;91(12):1307-12.

17. Eisenmann JC. On the use of a continuous metabolic syndrome score in

pediatric research. Cardiovasc Diabetol. 2008;7:17.

18. Ekelund U, Anderssen S, Andersen LB, et al. Prevalence and correlates

of the metabolic syndrome in a population-based sample of European youth.

Am J Clin Nutr. 2009 Jan;89(1):90-6.

19. Shankar RR, Eckert GJ, Saha C, Tu W, Pratt JH. The change in blood

pressure during pubertal growth. J Clin Endocrinol Metab. 2005 Jan;90(1):163-

7.

20. Froberg K, Andersen LB. Mini review: physical activity and fitness and its

relations to cardiovascular disease risk factors in children. Int J Obes (Lond).

2005 Sep;29 Suppl 2:S34-9.

21. Steele RM, Brage S, Corder K, Wareham NJ, Ekelund U. Physical

activity, cardiorespiratory fitness, and the metabolic syndrome in youth. J Appl

Physiol (1985). 2008 Jul;105(1):342-51.

22. Artero EG, Ruiz JR, Ortega FB, et al. Muscular and cardiorespiratory

fitness are independently associated with metabolic risk in adolescents: the

HELENA study. Pediatr Diabetes. 2011 Dec;12(8):704-12.

23. Bailey DP, Boddy LM, Savory LA, Denton SJ, Kerr CJ. Associations

between cardiorespiratory fitness, physical activity and clustered



194

cardiometabolic risk in children and adolescents: the HAPPY study. Eur J

Pediatr. 2012 Sep;171(9):1317-23.

24. Janz KF, Dawson JD, Mahoney LT. Increases in physical fitness during

childhood improve cardiovascular health during adolescence: the Muscatine

Study. Int J Sports Med. 2002 May;23 Suppl 1:S15-21.

25. Bouchard C, Shepard K. Physical activity, fitness and health. The model

and the key concepts. In: Bouchard C, Shepard K, Stephens T, editors.

Physical activity, fitness and health- International proceedings and consensus

statement. Champain, IL: Human Kinetics; 1994. p. 77-8.

26. Mirwald RL, Baxter-Jones AD, Bailey DA, Beunen GP. An assessment of

maturity from anthropometric measurements. Med Sci Sports Exerc. 2002

Apr;34(4):689-94.

27. Baecke J, Burema J, Frijters J. A short questionnaire for the


Clin Nutr. 1982;36(5):936-42.

28. Miller DJ, Freedson PS, Kline GM. Comparison of activity levels using

the Caltrac accelerometer and five questionnaires. Med Sci Sports Exerc. 1994

Mar;26(3):376-82.

29. Philippaerts RM, Westerterp KR, Lefevre J. Doubly labelled water

validation of three physical activity questionnaires. Int J Sports Med. 1999

Jul;20(5):284-9.

30. Fitnessgram. The Prudencial Fitnessgram Test Administration Manual.

Dallas, Texas U.S.A: he Cooper Institute for Aerobics Research; 1994.

31. (AAHPER) AAfHPEaR. Youth Fitness Test Manual. Washington, DC:

AAHPER; 1976.



33. Topouchian JA, El Assaad MA, Orobinskaia LV, El Feghali RN, Asmar

RG. Validation of two automatic devices for self-measurement of blood pressure

according to the International Protocol of the European Society of Hypertension:

the Omron M6 (HEM-7001-E) and the Omron R7 (HEM 637-IT). Blood Press

Monit. 2006 Jun;11(3):165-71.


Assessing Change. Psychological Bulletin. 1987;101(1):147-58.



195



Lincolnwood, IL.2011.




202.

37. Hox J. Multilevel analysis: technics and applications. East Sussix:

Routledge; 2010.

38. Moran A, Jacobs DR, Jr., Steinberger J, et al. Changes in insulin

resistance and cardiovascular risk during adolescence: establishment of

differential risk in males and females. Circulation. 2008 May 6;117(18):2361-8.

39. Widen E, Silventoinen K, Sovio U, et al. Pubertal timing and growth

influences cardiometabolic risk factors in adult males and females. Diabetes

Care. 2012 Apr;35(4):850-6.

40. Ekelund U, Anderssen SA, Froberg K, et al. Independent associations of

physical activity and cardiorespiratory fitness with metabolic risk factors in

children: the European youth heart study. Diabetologia. 2007 Sep;50(9):1832-

40.

41. Moreira C, Santos R, de Farias Junior JC, et al. Metabolic risk factors,

physical activity and physical fitness in Azorean adolescents: a cross-sectional

study. BMC Public Health. 2011;11:214.

42. Rizzo NS, Ruiz JR, Hurtig-Wennlof A, Ortega FB, Sjostrom M.

Relationship of physical activity, fitness, and fatness with clustered metabolic

risk in children and adolescents: the European youth heart study. J Pediatr.

2007 Apr;150(4):388-94.

43. Ekelund U, Luan J, Sherar LB, et al. Moderate to vigorous physical

activity and sedentary time and cardiometabolic risk factors in children and

adolescents. JAMA. 2012 Feb 15;307(7):704-12.

44. Twisk JW, Kemper HC, Van Mechelen W, Post GB. Clustering of risk

factors for coronary heart disease. the longitudinal relationship with lifestyle.

Ann Epidemiol. 2001 Apr;11(3):157-65.

45. Anderssen SA, Cooper AR, Riddoch C, et al. Low cardiorespiratory

fitness is a strong predictor for clustering of cardiovascular disease risk factors



196

in children independent of country, age and sex. Eur J Cardiovasc Prev

Rehabil. 2007 Aug;14(4):526-31.

46. Machado-Rodrigues AM, Leite N, Coelho-e-Silva MJ, et al. Independent

association of clustered metabolic risk factors with cardiorespiratory fitness in

youth aged 11-17 years. Ann Hum Biol. 2014 May-Jun;41(3):271-6.

47. Ogunleye AA, Sandercock GR, Voss C, Eisenmann JC, Reed K.

Prevalence of elevated mean arterial pressure and how fitness moderates its

association with BMI in youth. Public Health Nutr. 2013 Nov;16(11):2046-54.

48. Magnussen CG, Schmidt MD, Dwyer T, Venn A. Muscular fitness and

clustered cardiovascular disease risk in Australian youth. Eur J Appl Physiol.

2012 Aug;112(8):3167-71.

49. Steene-Johannessen J, Anderssen SA, Kolle E, Andersen LB. Low

muscle fitness is associated with metabolic risk in youth. Med Sci Sports Exerc.

2009 Jul;41(7):1361-7.

50. Wijnstok NJ, Hoekstra T, van Mechelen W, Kemper HC, Twisk JW.

Cohort profile: the Amsterdam Growth and Health Longitudinal Study. Int J

Epidemiol. 2013 Apr;42(2):422-9.

51. Matton L, Duvigneaud N, Wijndaele K, et al. Secular trends in

anthropometric characteristics, physical fitness, physical activity, and biological

maturation in Flemish adolescents between 1969 and 2005. Am J Hum Biol.

2007 May-Jun;19(3):345-57.

52. Ferreira J, Marques A, Maia J. Physical fitness, physical activity and

health in young population from Viseu- A study in children and youngsters of

both gender from 10 to 18 years old. Viseu: Departamento Cultural - Instituto

Superior Politécnico de Viseu; 2002.

53. Vasconcelos M, Maia J. Is there a decline in physical activity? A cross-

sectional study in children and youngsters of both gender from 10 to 19 years

old. Portuguese Journal Sports Science. 2001;1:44-52.

CAPÍTULO IV

Síntese Final

Síntese Final


199

CONCLUSÕES FINAIS

Crescimento e desenvolvimento de crianças e adolescentes ocorrem em

tempo real, com um elevado dinamismo interacional e governado pela

complexidade relacional de fatores genéticos e ambientais. O efeito desta

“anatomia” sistêmica em movimento é por demais evidente, também, na

expressão da saúde dos jovens. Crescimento, desenvolvimento e saúde são

marcados, de modo aberto, a partir de um conjunto variado de indicadores que

expressam, também, elevada plasticidade em resposta a um conjunto variado

de estímulos de natureza ambiental. Este complexo processo exprime-se, à

escala individual, numa variedade de respostas entre sujeitos, fruto inequívoco

das suas diferenças.

Essencialmente, a rota desta tese foi percorrer, longitudinalmente, as

redes de inter-relações que se instituem entre características individuais,

fatores de natureza ambiental, e fatias do estilo de vida que afetam a

estabilidade e o dinamismo da mudança nas trajetórias do crescimento físico,

desempenho motor e saúde de adolescentes portugueses. A largura da leitura

pretendida obrigou a “lançar mão” de modos de pensar e agir próprios de

alguns domínios das Ciências do Desporto, da Epidemiologia e da Auxologia.

O OGHPS, desenvolvido durante o Programa Doutoral, adotou uma perspetiva

multivariada, em termos dos principais marcadores dos domínios em estudo,

localizada, também, num modo de pensar que liga, classicamente, biologia e

ambiente (Baltes & Nesselroade, 1979; Sallis & Owen, 1997). O seu

delineamento longitudinal-misto permitiu, num período relativamente curto de

tempo, investigar detalhadamente o “coração” da mudança intraindividual e das

diferenças interindividuais (Bell, 1954).

Como é óbvio, esta tese não esgota a extensão informacional do

OGHPS. No tempo possível condicionado pelos constrangimentos legais,

elaboramos seis artigos científicos originais – a “partitura” da presente

dissertação. De seguida são apresentadas as principais conclusões de cada

um.

Síntese Final


200

O primeiro estudo apresenta as principais ideias, linhas de força e os

grandes domínios do OGHPS. Adicionalmente refere, sumariamente, os

resultados do primeiro ano da pesquisa relativamente às diferenças entre

sexos no crescimento, aptidão física e aspectos do estilo de vida. Os principais

resultados estão na Tabela 1.

Tabela 1: Resumo das principais conclusões do estudo I.

Estudo I

The Oporto mixed-longitudinal growth, health and performance study.

Design, methods and baseline results.

- O OGHPS adotou uma abordagem multidisciplinar e inovadora, devido ao seu

delineamento longitudinal-misto, bem como à vasta gama de informação considerada:

biológica, ambiental e do estilo de vida que influenciam o processo de crescimento,

desenvolvimento e saúde dos adolescentes.

- Os resultados do primeiro ano de estudo mostram o esperado em termos estatuto-

ponderal: em média, os meninos são mais altos e mais pesados.

- Aproximadamente 30% dos adolescentes têm sobrepeso ou obesidade.

- Em média, os meninos são mais aptos fisicamente; contudo, as taxas de sucesso

nas provas de aptidão física foram relativamente baixas para ambos os sexos.

- Apenas 10% dos adolescentes cumprem as recomendações da quantidade mínima

diária de horas de sono.

- As meninas comem, com maior frequência, frutas e vegetais todos os dias da

semana.

- Cerca de 76 a 85% dos adolescentes cumprem as recomendações de 60 minutos

de atividade física moderada-a-vigorosa diária.

O OGHPS apresenta um delineamento multivariado e robusto, com

abrangência temática, coincidente com conceitos e metodologias de estudos

internacionais (Basso, Meira et al., 2009; Ahrens, Bammann et al., 2011;

Katzmarzyk, Barreira et al., 2013). Os problemas e a sua íntima relação com o

processo metodológico permitem destacar, desde já, três dos seus vetores

Síntese Final


201

fundacionais: (i) o que se refere ao delineamento utilizado, (ii) a flexibilidade e

diversidade de procedimentos estatístico empregues, (iii) a leitura e

interpretação mais largas do quadro relacional entre crescimento físico,

desempenho motor e marcadores de saúde.

De um modo geral os resultados do primeiro ano corroboram as

tendências contemporâneas à escala global, i.e., valores elevados das

prevalências de sobrepeso e obesidade, diminuição dos níveis de aptidão

física, adoção de hábitos alimentares não saudáveis, bem como diminuição no

tempo de sono (Alberga, Sigal et al., 2012; Spruijt, 2012). As teias relacionais

formadas por estes fatores de risco induzem um impacto nefasto na expressão

da saúde individual e populacional (Spruijt, 2012) e reforçam a necessidade,

sempre constante, de investigações similares ao OGHPS de modo a identificar

crianças e adolescentes em risco, bem como momentos mais oportunos para

intervenções adequadas e mais eficientes.

O segundo e terceiro estudos, de cariz metodológico, tratam de

aspectos técnicos e aplicados da noção de tracking e do uso da modelação

multinível (MMN) na pesquisa da estabilidade e mudança do IMC e força

estática. Este exercício, também de cariz didático, procura salientar a riqueza

do delineamento longitudinal-misto. As principais conclusões estão na Tabela

2.

Tabela 2. Resumo das principais conclusões dos estudos II e III.

Estudo II

A noção de tracking e sua aplicação à Educação Física e ao Esporte.

- São abordados distintos procedimentos estatísticos de análise do tracking: auto-

correlações, γ de Foulkes & Davis e índice de constância de Goldstein.

- O tracking do IMC é moderado a elevado em meninas com idades entre os 12 e 14

anos (coorte 2) e entre os 14 e os 16 anos (coorte 3)

- Face à reduzida dimensão temporal e à variável em causa, as diferenças

interindividuais na mudança intraindividual são reduzidas.

- A versatilidade e a riqueza dos outputs dos softwares LDA ou TIMEPATH são de

Síntese Final


202

grande importância para o investigador.

Estudo III

Modelação multinível e delineamento longitudinal-misto na pesquisa em

Educação Física e Ciências do Esporte.

- Aos 10 anos as meninas têm, em média, mais força estática; no entanto, os meninos

apresentam maiores ganhos anuais.

- A %GTtotal é um preditor dinâmico positivo ao longo de toda a trajetória de

mudança da força estática.

- Há forte variabilidade nas trajetórias intraindividuais, bem como diferenças entre

sujeitos no desenvolvimento da força estática manual.

- O recurso ao delineamento longitudinal-misto permite a recolha mais célere da

informação. A metodologia da MMN é suficientemente flexível para acomodar dados

com diferentes estruturas temporais e elegante no seu processo de estimação de

parâmetros.

A análise da informação longitudinal representa um desafio constante ao

investigador que pretende explorar, de forma mais esclarecida e adequada, a

riqueza do conteúdo informacional contida nas séries de dados. Daqui que o

estudo do tracking, bem como o uso da MMN, sejam muito pertinentes quando

se pretende descrever, interpretar e atribuir significado à mudança

intraindividual e às diferenças interindividuais no desenvolvimento (Twisk,

2003).

O segundo estudo constitui um exemplo didático na investigação do

tracking e sua aplicação na análise do desenvolvimento do IMC durante a

adolescência. Os resultados apresentados são duplamente importantes. Por

um lado salientam a estabilidade dos perfis de crescimento do IMC de meninas

entre os 12 e 16 anos, permitindo predizer, de modo fiável, estados ponderais

futuros, sobretudo, identificar atempadamente jovens com risco de sobrepeso e

obesidade. Por outro evidenciam a pluralidade e versatilidade do estudo do

tracking, principalmente quando analisado por técnicas mais flexíveis como o γ

de Foulkes e Davies e Índice de Constância de Goldstein. Essas estatísticas

Síntese Final


203

robustas oferecem leituras mais extensas e diversificadas do fenômeno do

tracking, com implicações no contexto pedagógico e no desenvolvimento de

intervenções, dado viabilizarem uma visão mais individualizada das

necessidades de cada sujeito.

O terceiro estudo reforçou a flexibilidade e elegância do delineamento

longitudinal-misto, dado permitir a modelação das trajetórias de força estática

dos adolescentes num menor espaço de tempo, minimizando desvantagens do

delineamento longitudinal puro. A associação entre este delineamento temporal

e a técnica de anáilse da MMN autorizou o teste a um corpo variado de

hipóteses, hierarquicamente imbricadas, para o mesmo conjunto de dados,

considerando, em simultâneo, a interpretação de efeitos fixos e aleatórios. No

que concerne à análise dos efeitos fixos, constatou-se (1) tendência de

dimorfismo sexual na força estática (com marcada vantagem dos meninos)

sobejamente demonstrada na literatura (Malina, Bouchard et al., 2004); (2) a

associação positiva entre a gordura corporal e o desenvolvimento da força, de

certo modo expectável, pois sujeitos com sobrepeso ou obesidade apresentam

geralmente maior tamanho corporal (Malina, Bouchard et al., 2004). A

interpretação dos efeitos aleatórios reforça a necessidade de maior esforço na

modelação das trajetórias de força estática para interpretar, melhor, parâmetros

da mudança individual e das diferenças interindividuais. A partir do exemplo

proposto, a elegância da MMN é colocada à prova para extrair da grande

massa de dados peças importantes para interpretar aspetos do “puzzle” do

desenvolvimento da força, sobretudo na grande janela que é a adolescência.

O quarto estudo centra seu olhar na análise do tracking da aptidão

física dos adolescentes. Por questões de substância e de metodologia,

abordamos este texto a partir de três procedimentos estatísticos: auto-

correlações, modelação multinível e κ de Cohen. As principais conclusões

estão na Tabela 3.

Síntese Final


204

Tabela 3. Resumo das principais conclusões do estudo IV.

Estudo IV

Short-term tracking of youth physical fitness: The Oporto Growth, Health

and Performance Study

- A análise das auto-correlações mostra tracking moderado a elevado da aptidão

física nas quatro coortes (0.39<r<0.79).

- O recurso à modelação hierárquica ou multinível permitiu estimar coeficientes brutos

e ajustados às covariáveis dinâmicas (maturação biológica, IMC e atividade física

total); nesta situação o tracking é baixo a moderado.

- O γ de Cohen mostra valor de tracking muito baixo em todas as componentes da

aptidão física, exceto para a força estática, em ambas as coortes.

O estudo do tracking da aptidão física, através da combinação de

diferentes procedimentos estatísticos, permite um exame exaustivo das

trajetórias individuais e modais do desempenho, através de olhares mais claros

e vastos acerca da variabilidade intra e interindividual. O seu significado e

implicações podem ser aludidos em dois planos: epidemiológico e pedagógico.

No plano epidemiológico, a aptidão física é já considerada um barômetro

importante do estado de saúde individual (Ortega, Ruiz et al., 2008), dada a

sua relação estreita com marcadores de adiposidade e outras co-morbilidades

(Ortega, Ruiz et al., 2008; Ortega, Ruiz et al., 2013; Smith, Eather et al., 2014).

Daqui que a monitorização e conhecimento acerca dos distintos padrões de

estabilidade/instabilidade das suas componentes, durante o período de

transição da infância para a adolescência, seja de extrema relevância em

termos de Saúde Pública no sentido de identificar crianças e jovens com níveis

insatisfatórios de aptidão, bem como prever comportamentos e estados futuros.

No contexto pedagógico, os estudos do tracking da aptidão física trazem à luz

a necessidade, sempre presente, em determinar, mais eficazmente, níveis de

prontidão motora dos alunos atribuindo significado à sua variabilidade intra e

interindividual. Cabe à escola e, sobretudo, aos professores de Educação

Física, estruturar práticas pedagógicas diversificadas que atinjam e motivem,

Síntese Final


205

de modo duradouro, crianças e jovens com trajetórias diferenciadas de

desenvolvimento.

O quinto estudo abraça uma leitura mais “transversal” e integrada das

mudanças no IMC ao longo da adolescência. Para tal, dedica a sua atenção

aos efeitos de um conjunto de preditores dinâmicos - atividade física, aptidão

física, tempo de sono e consumo de frutas e vegetais. As principais conclusões

estão na Tabela 4.

Tabela 4. Resumo das principais conclusões do estudo V.

Estudo V

Modeling the dynamics of BMI changes during adolescence. The Oporto

Growth, Health and Performance Study

- O IMC aumenta linearmente com a idade em meninos e meninas.

- Há uma associação negativa, em termos longitudinais, dos níveis de aptidão física

na mudança do IMC ao longo da idade.

- Ao contrário do esperado, nas meninas, a atividade física total tem uma associação

positiva com as trajetórias do IMC.

- O tempo de sono, bem como o consumo de frutas e vegetais não são preditores de

mudança do IMC de meninos e meninas.

Este estudo sugere que mudanças longitudinais positivas em diversos

componentes da aptidão física têm efeitos benéficos no desenvolvimento

saudável do IMC dos adolescentes. O que aqui se destaca é a importância da

aptidão cardiorespiratória, muscular e motora que podem atuar como medidas

de prevenção primária do sobrepeso e obesidade (Ng, Fleming et al., 2014). A

pertinência deste resultado em termos educativos é evidente, destacando o

forte papel da escola e dos clubes desportivos na implementação de vivências

motoras e desportivas mais consistentes e plenas de sentido, que estejam

associadas ao desenvolvimento dos diferentes componentes da aptidão física.

Muito embora este estudo não tenha replicado as evidências da associação

Síntese Final


206

negativa entre hábitos do estilo de vida (atividade física total, tempo de sono e

consumo de frutas e vegetais) e o desenvolvimento saudável do IMC (Spruijt,

2012), os espaços de ensino escolar e clubes desportivos também devem ser

locais de educação para a saúde, através de um forte envolvimento na

promoção e adoção de estilos de vida mais saudáveis que perdurem para além

da adolescência.

O sexto estudo analisa o desenvolvimento de uma característica

complexa – adição da tensão arterial com o perímetro da cintura. Ao mesmo

tempo investiga os efeitos de preditores fixos (sexo) e dinâmicos (maturação

biológica, atividade física e aptidão física) nas mudanças deste fenótipo ao

longo da adolescência. As principais conclusões estão na Tabela 5.

Tabela 5. Resumo das principais conclusões do estudo VI.

Estudo VI

Modeling longitudinal changes in hypertensive and waist phenotype. The

Oporto growth, health and performance study.

- Os valores do fenótipo conjunto de tensão arterial e perímetro da cintura aumentam

de modo não-linear ao longo do tempo.

- Os rapazes têm valores mais elevados nesta característica complexa ao longo da

sua adolescência.

- Adolescentes avançados no seu processo maturacional têm um maior score de

risco.

- Quanto maiores forem as mudanças na atividade física e aptidão física menores são

as “chances” de ter valores elevados nesta característica.

Os resultados apresentados sugerem que apesar do valor do fenótipo

conjunto de tensão arterial e perímetro da cintura aumentar ao longo da

adolescência (e este incremento ser mais acentuado nos meninos, bem como

nos adolescentes avançados maturacionalmente), a atividade física e aptidão

física desempenham um papel protetor no desenvolvimento longitudinal do

Síntese Final


207

risco cardiometabólico. A relação inversa entre atividade física e o

desenvolvimento de desordens cardiometabólicas durante a infância e

adolescência não é consensual (Froberg & Andersen, 2005; Steele, Brage et

al., 2008). Não obstante a inconsistência de resultados e a carência de

informação longitudinal, este estudo realça a importância da atividade física na

atenuação do contínuo cardiometabólico. No que refere-se à aptidão física, os

resultados, embora maioritariamente transversais, são mais marcados e em

consonância com os do presente estudo sobrelevando a sua importância na

saúde cardiometabólica (Steele, Brage et al., 2008; Steene-Johannessen,

Anderssen et al., 2009; Artero, Ruiz et al., 2011).

As implicações destes resultados situam-se na importância do

reconhecimento atempado dos marcadores de risco cardiometabólico. Neste

sentido, informações simples como o perímetro da cintura e tensão arterial,

poderiam ser incorporadas nas avaliações escolares, em adição às tradicionais

medidas de peso e altura. No contexto epidemiológico é essencial identificar e

atribuir significado à dinâmica das relações etiológicas entre estas variáveis de

modo a adotar estratégias mais eficientes de intervenção na redução da

incidência de doenças associadas ao risco cardiometabólico na adolescência

(van Mechelen & Mellenbergh, 1997; Kemper, 1999; Weiss, Bremer et al.,

2013).

Síntese Final


208

LIMITAÇÕES DO ESTUDO

Não obstante todo o labor conceitual, operacional e analítico esta

pesquisa tem limitações. Conseguimos descortinar algumas que organizamos

em quatro domínios: (1) metodológico e temporal, (2) financeiro e logístico, (3)

generalização dos resultados.

1. Metodológico e temporal

A pesquisa presente foi realizada durante 3 anos consecutivos com

frequência anual de amostragem. É bem provável que o acréscimo de pelo

menos mais dois anos de avaliações possibilitassem uma compreensão mais

extensa da mudança intraindividual e das diferenças interindividuais. Não que

alterassemos a substância dos procedimentos de análise, mas teríamos mais

segurança, por exemplo, no estudo extenso de cada coorte. Contudo, o tempo

do programa doutoral é finito, e a escassez de recursos limita tal opção.

2. Financeiro e logístico

Este projeto não teve financiamento direto de nenhuma agência. Tão-

pouco teve à sua disposição uma equipa devidamente asalariada que pudesse

estar envolvida no projeto durante os três anos consecutivos. Se as condições

tivessem sido outras com certeza que a riqueza informacional seria de outra

magnitude. Comvém lembrar que dada a dimensão amostral, não foi possível

realizar medições mais objetivas sobre a atividade física dos 8000 sujeitos bem

como avaliar os seus fatores de risco cardiometabólico. Isto só foi possível

numa sub-amostra em que recorremos a uma abordagem multimodal da

atividade física (pedômetros e acelerômetros) e análise sanguínea de

indicadores cardiometabólicos.

3. Generalização dos resultados:

Este é um problema recorrente em qualquer tese de doutoramento – a

inferência ou generalização dos resultados em termos populacionais. A

amostra do OGHPS considera apenas a região do Grande Porto, o que limita,

Síntese Final


209

de algum modo, o poder de generalização a outras áreas de Portugal. Embora,

não seja esperado que os adolescentes participantes do OGHPS tenham

características díspares comparativamente aos de outras regiões, a inferência

dos resultados deve ser realizada com alguma cautela. Diferenças nos hábitos

e estilos de vida, fatores ambientais (físico e construído), entre outros, podem

influenciar o crescimento, desenvolvimento e saúde dos adolescentes.

DESAFIOS FUTUROS

O projeto OGHPS não se esgota nesta tese, tão-pouco tudo quanto era

possível de ser analisado e escrito o foi. Tenho uma consciência clara acerca

do que não foi feito, embora as grandes linhas de problemas da tese tenham

abarcado o essencial. Para “memória futura” passo a listar um novo conjunto

de “projetos” (apresentados às vezes na forma de perguntas) que o tempo e o

engenho ajudarão a trazer à luz do dia, e que situo nos seguintes domínios:

auxológico, desempenho motor e epidemiologia da atividade física.

Domínio auxológico

Construção de cartas centílicas locais (valores de referência) de

diferentes marcadores do crescimento físico. Do mesmo modo,

haverá uma preocupação essencial pela identificação e

interpretação de diferenças interpopulacionais.

Haverá estabilidade nos indicadores da composição corporal e

padrão de adiposidade ao longo da adolescência? Quais são os

efeitos do sexo, maturação biológica, níveis de atividade física e

hábitos alimentares no tracking da composição corporal? Será

possível identificar grupos de risco e saber da manutenção do seu

estado durante a adolescência?

Síntese Final


210

Qual a distribuição do somatótipo dos adolescentes em cada coorte

etária? Como migram no tempo? Que relações se estabelecem entre

o somatótipo e o fatores de risco cardiometabólico?

Domínio do desempenho motor

Construção de cartas centílicas (valores de referência) do

desempenho motor e exploração das diferenças interpopulacionais.

Quais são os efeitos dos níveis diferenciados de atividade física,

maturação biológica e estatuto socioeconômico no desempenho

motor no decurso da adolescência?

Quais são as características (físicas, maturacionais,

cardiometabólicas e comportamentais) dos adolescentes cujo

tracking da atividade física e aptidão física são elevados

comparados aos que têm tracking baixo? Quais são os

determinantes da sua estabilidade ou instabilidade?

Domínio da epidemiologia da atividade física

Haverá estabilidade ou mudanças significativas nos indicadores de

risco cardiometabólico (perímetro da cintura, tensão arterial, níveis

de glicose, triglicerídeos e HDL-Colesterol) ao longo da

adolescência? Qual a influência dos níveis de atividade física e

aptidão física na estabilidade/instabilidade desses componentes?

Qual é o efeito dos aspectos gestacionais, sobretudo o peso ao

nascer, na saúde cardiometabólica dos adolescentes? Como é que a

atividade física e aptidão física interferem nessa relação?

Qual é o “impacto” do estatuto socioeconômico e do ambiente

construído nos níveis de atividade física e composição corporal? E

quais são as suas repercussões nos indicadores de risco

cardiometabólico?

Síntese Final


211

Quais são os hábitos nutricionais dos adolescentes das distintas

coortes etárias? Esses hábitos são estáveis durante o curso da

adolescência? Que relações se estabelecem com as categorias

ponderais, níveis de atividade física e estatuto socioeconômico?

Qual é o impacto do comportamento sedentário (tempo de ecrã) nas

mudanças de natureza ponderal, bem como nos indicadores de risco

cardiometabólico? As relações estabelecidas são independentes dos

níveis de atividade física?

Será possível identificar perfis de adolescentes em risco em função

de indicadores biológicos e comportamentais?

Síntese Final


212

REFERÊNCIAS

Ahrens, W., K. Bammann, A. Siani, et al. (2011). "The IDEFICS cohort: design,

characteristics and participation in the baseline survey." Int J Obes (Lond) 35

Suppl 1: S3-15.

Alberga, A. S., R. J. Sigal, G. Goldfield, D. Prud'homme and G. P. Kenny

(2012). "Overweight and obese teenagers: why is adolescence a critical

period?" Pediatr Obes 7(4): 261-273.

Artero, E. G., J. R. Ruiz, F. B. Ortega, et al. (2011). "Muscular and

cardiorespiratory fitness are independently associated with metabolic risk in

adolescents: the HELENA study." Pediatr Diabetes 12(8): 704-712.

Bailey, D. P., L. M. Boddy, L. A. Savory, S. J. Denton and C. J. Kerr (2012).

"Associations between cardiorespiratory fitness, physical activity and clustered

cardiometabolic risk in children and adolescents: the HAPPY study." Eur J

Pediatr 171(9): 1317-1323.

Baltes, P. and J. Nesselroade (1979). History and rationale of longitudinal

research. Longitudinal research in the study of behavior and development. J. B.

Nesselroade, P. Michigan, Academic Press.

Basso, L., C. Meira, J. Oliveira, et al. (2009). "Crescimento e desenvolvimento

motor de escolares de Muzambinho: Um estuco com implicações acadêmicas,

sociais e de política interinstitucional." revista Portuguesa de Ciências do

Desporto 9(2-3): 247-257.

Bell, R. Q. (1954). "An experimental test of the accelerated longitudinal

approach." Child Dev 25(4): 281-286.

Ekelund, U., S. A. Anderssen, K. Froberg, et al. (2007). "Independent

associations of physical activity and cardiorespiratory fitness with metabolic risk

factors in children: the European youth heart study." Diabetologia 50(9): 1832-

1840.

Síntese Final


213

Froberg, K. and L. B. Andersen (2005). "Mini review: physical activity and

fitness and its relations to cardiovascular disease risk factors in children." Int J

Obes (Lond) 29 Suppl 2: S34-39.

Katzmarzyk, P. T., T. V. Barreira, S. T. Broyles, et al. (2013). "The International

Study of Childhood Obesity, Lifestyle and the Environment (ISCOLE): design

and methods." BMC Public Health 13: 900.

Kemper, H. (1999). "Longitudinal research: It is magic!" Int J. Sports Med 18:

S139.

Malina, R., C. Bouchard and C. Bar-Or (2004). Growth, Maturation and Physical

Activity. 2º Edition. Champaign, Illinois, Human Kinetics.

Ng, M., T. Fleming, M. Robinson, et al. (2014). "Global, regional, and national


a systematic analysis for the Global Burden of Disease Study 2013." Lancet

384(9945): 766-781.

Ortega, F. B., J. R. Ruiz and M. J. Castillo (2013). "[Physical activity, physical

fitness, and overweight in children and adolescents: evidence from

epidemiologic studies]." Endocrinol Nutr 60(8): 458-469.

Ortega, F. B., J. R. Ruiz, M. J. Castillo and M. Sjostrom (2008). "Physical fitness

in childhood and adolescence: a powerful marker of health." Int J Obes (Lond)

32(1): 1-11.

Sallis, J. D. and N. Owen (1997). Ecological models. Health behavior and health

education: Theory, research, and practice. K. Glanz, M. Lewis and K. Rimer.

San Francisco, Jossey-Bass: 403–424.

Smith, J. J., N. Eather, P. J. Morgan, et al. (2014). "The Health Benefits of

Muscular Fitness for Children and Adolescents: A Systematic Review and Meta-

Analysis." Sports Med.

Síntese Final


214

Spruijt, M. R. (2012). "Etiology, Treatment and Prevention of Obesity in

Childhood and Adolescence: A Decade in Review." J Res Adolesc 21(1): 129-

152.

Steele, R. M., S. Brage, K. Corder, N. J. Wareham and U. Ekelund (2008).

"Physical activity, cardiorespiratory fitness, and the metabolic syndrome in

youth." J Appl Physiol 105(1): 342-351.

Steene-Johannessen, J., S. A. Anderssen, E. Kolle and L. B. Andersen (2009).

"Low muscle fitness is associated with metabolic risk in youth." Med Sci Sports

Exerc 41(7): 1361-1367.

Twisk, J. W. (2003). Tracking. Applied longitudinal data analysis for

epidemiology. J. W. Twisk. London, Cambridge University Press: 225-240.

van Mechelen, W. and G. Mellenbergh (1997). "Problems and solutions in

longitudinal research: From theory to practice." Int J. Sports Med 18: S238-

S245.

Weiss, R., A. A. Bremer and R. H. Lustig (2013). "What is metabolic syndrome,

and why are children getting it?" Ann N Y Acad Sci 1281: 123-140.

Estabilidade e dinâmica do crescimento físico ... · Todas as minhas conquistas são fruto do...

Documents

Transcript of Estabilidade e dinâmica do crescimento físico ... · Todas as minhas conquistas são fruto do...