Tradução e validação para Portugal do Patient Activation Measure 13 : em pessoas com Diabetes Mellitus tipo 2

RESUMO - Introdução: A Diabetes Mellitus Tipo 2 (DM2) tem uma elevada prevalência em todo o mundo, com impacto significativo a nível de Saúde Pública, na vida dos doentes e nos custos que lhe são associados. O Patiente Activation Measure 13 (PAM13) é um questionário que possibilita a avaliação das crenças, conhecimentos, motivação e capacidades de uma pessoa em relação à sua saúde; pelo que a sua utilização na DM2 é pertinente. Objetivos: Traduzir o PAM 13, versão curta, para Português de Portugal; Estabelecer as propriedades psicométricas da versão Portuguesa do PAM 13 (PAM13-P); Validar a PAM 13-P num grupo de pessoas com DM2. Material e métodos: O processo de tradução e adaptação cultural do questionário foi composto pelas fases: 1-Tradução, 2-Reconciliação e síntese, 3-Back translation, 4-Rever e sintetizar a Back translation, 5-Harmonização, 6-Revisão do comité de peritos, 7-Cognitive debriefing e 8-Avaliação final. Para validar o PAM13-P realizou-se um estudo observacional transversal analítico com uma amostra de conveniência, de pessoas com DM2, seguidas na Associação Protectora dos Diabéticos de Portugal. O questionário foi de autopreenchimento e foi consultado o processo clínico para obtenção da HbA1c. O tratamento estatístico foi realizado através do SPSS 21® e Winsteps v3.8.1®. Resultados e discussão: O processo de tradução e adaptação cultural foi realizado de acordo com as guidelines. Foram realizados 3 painéis de e-Delphi, com 21 participantes de áreas distintas, tendo-se obtido bons níveis de concordância. As principais modificações realizadas ao questionário foram a simplificação da linguagem e dos itens, obtendo-se as equivalências necessárias. O PAM13-P foi aplicado a 201 pessoas, sendo que a taxa de resposta foi de 83%. Na amostra analisada 57.3% eram homens. Obtiveram-se as médias de idade 67.1 anos e de duração de diabetes 17.3 anos. A média do score do PAM foi 58.5±10.1(41.8-90.5) pontos e 49,7% da amostra estava no nível 3 de ativação. Relativamente aos itens verificou-se que os itens mais difíceis foram o 13(56.1) e o 8(55.4) e o com menor dificuldade foi 4(38.5). As categorias de resposta tiveram um bom ajuste ao Modelo de Rasch. O ajustamento dos itens foi infit entre 0.779-1.177 e outfit entre 0.794-1.315. A fiabilidade dos indivíduos variou entre 0.77(real) e 0.83(modelo) e dos itens foi de 0.97 (real e modelo). O Alfa de Cronbach foi bom (α=0.82). Estas estatísticas foram semelhantes aos da validação do PAM13. Existiu uma relação entre o score do PAM e os itens de validação em 51%. Das variáveis analisadas, existia um relação do nível de ativação com a idade e com a HbA1c. Conclusões: O PAM13-P foi traduzido e adaptado culturalmente para Português e foi validado em pessoas com DM2, sendo as propriedades psicométricas boas.

Mapping the Pasture Steppe in Bayankhongor, Mongolia: comparison of classification methods, using Landsat-8 and geophysical data

Grasslands in semi-arid regions, like Mongolian steppes, are facing desertification and degradation processes, due to climate change. Mongolia’s main economic activity consists on an extensive livestock production and, therefore, it is a concerning matter for the decision makers. Remote sensing and Geographic Information Systems provide the tools for advanced ecosystem management and have been widely used for monitoring and management of pasture resources. This study investigates which is the higher thematic detail that is possible to achieve through remote sensing, to map the steppe vegetation, using medium resolution earth observation imagery in three districts (soums) of Mongolia: Dzag, Buutsagaan and Khureemaral. After considering different thematic levels of detail for classifying the steppe vegetation, the existent pasture types within the steppe were chosen to be mapped. In order to investigate which combination of data sets yields the best results and which classification algorithm is more suitable for incorporating these data sets, a comparison between different classification methods were tested for the study area. Sixteen classifications were performed using different combinations of estimators, Landsat-8 (spectral bands and Landsat-8 NDVI-derived) and geophysical data (elevation, mean annual precipitation and mean annual temperature) using two classification algorithms, maximum likelihood and decision tree. Results showed that the best performing model was the one that incorporated Landsat-8 bands with mean annual precipitation and mean annual temperature (Model 13), using the decision tree. For maximum likelihood, the model that incorporated Landsat-8 bands with mean annual precipitation (Model 5) and the one that incorporated Landsat-8 bands with mean annual precipitation and mean annual temperature (Model 13), achieved the higher accuracies for this algorithm. The decision tree models consistently outperformed the maximum likelihood ones.