BIOESTATÍSTICA E ESTATÍSTICA VITAL

Prévia do material em texto

Bioestatística e Estatística Vital 
Bioestatística e Estatística Vital para 
Enfermagem do Trabalho
A bioestatística e a estatística vital constituem ferramentas fundamentais para a prática da enfermagem do 
trabalho, fornecendo métodos sistemáticos para coletar, analisar e interpretar dados relacionados à saúde 
ocupacional. Estes conhecimentos permitem ao enfermeiro do trabalho identificar padrões de adoecimento, 
avaliar riscos ocupacionais e implementar medidas preventivas baseadas em evidências científicas.
Na prática da enfermagem do trabalho, a aplicação dos conceitos estatísticos possibilita a avaliação objetiva 
de programas de saúde ocupacional, o monitoramento de indicadores de acidentes e doenças relacionadas ao 
trabalho, além de fundamentar pesquisas que contribuem para o avanço da saúde do trabalhador. O domínio 
destas ferramentas torna-se essencial para a tomada de decisões estratégicas e para comunicação efetiva com 
outros profissionais da equipe de saúde ocupacional.
Este material aborda desde conceitos básicos de estatística até aplicações avançadas em estudos 
epidemiológicos ocupacionais, fornecendo ao enfermeiro do trabalho um conjunto abrangente de 
conhecimentos para atuar com excelência na proteção e promoção da saúde dos trabalhadores.
Sumário
Fundamentos da Estatística Vital1.
Conceitos Básicos de Estatística2.
Medidas de Tendência Central3.
Medidas de Dispersão4.
Distribuições de Probabilidade5.
Amostragem em Pesquisas de Saúde Ocupacional6.
Estatísticas de Morbidade Ocupacional7.
Indicadores de Acidentes de Trabalho8.
Testes de Hipóteses9.
Análise de Correlação e Regressão10.
Estudos Epidemiológicos em Saúde Ocupacional11.
Medidas de Associação em Epidemiologia Ocupacional12.
Análise de Dados Categóricos13.
Análise de Sobrevida em Saúde Ocupacional14.
Bioestatística não Paramétrica15.
Intervalo de Confiança e Seu Uso em Estudos Ocupacionais16.
Tamanho da Amostra e Poder Estatístico17.
Meta-análise em Estudos Ocupacionais18.
Análise de Regressão Múltipla em Saúde Ocupacional19.
Análise de Séries Temporais em Vigilância Ocupacional20.
Indicadores de Mortalidade em Saúde Ocupacional21.
Estudo de Eficácia de Programas de Saúde Ocupacional22.
Análise de Dados Longitudinais em Saúde do Trabalhador23.
Métodos de Vigilância Epidemiológica em Saúde Ocupacional24.
Análise Estratificada e Controle de Confundimento25.
Indicadores Compostos em Saúde Ocupacional26.
Análise de Custo-efetividade em Programas de Saúde Ocupacional27.
Aplicações de Big Data e Mineração de Dados em Saúde Ocupacional28.
Referências Bibliográficas29.
Fundamentos da Estatística Vital
A Estatística Vital constitui um campo fundamental para a enfermagem do trabalho, fornecendo um conjunto 
de métodos e técnicas para a coleta, organização, análise e interpretação de dados relacionados a eventos 
vitais nas populações trabalhadoras. Sua aplicação permite a quantificação de fenômenos relacionados à 
saúde e doença em grupos ocupacionais específicos, possibilitando a identificação de padrões, tendências e 
fatores de risco relevantes para a saúde do trabalhador.
Os dados de Estatística Vital abrangem indicadores essenciais como taxas de mortalidade, morbidade, 
incidência e prevalência de doenças ocupacionais, além de outros indicadores demográficos relacionados à 
população trabalhadora. Estes indicadores possibilitam o monitoramento sistemático das condições de saúde 
dos trabalhadores, permitindo a detecção precoce de problemas e a avaliação da eficácia de programas de 
promoção e proteção à saúde implementados nos ambientes laborais.
Indicadores 
Demográficos
Compreendem dados 
sobre composição, 
distribuição e dinâmica das 
populações trabalhadoras, 
incluindo características 
como idade, sexo, 
escolaridade e ocupação.
Indicadores de 
Morbidade
Referem-se à ocorrência 
de doenças e agravos à 
saúde na população 
trabalhadora, incluindo 
incidência, prevalência e 
duração das enfermidades 
ocupacionais.
Indicadores de 
Mortalidade
Descrevem os padrões de 
mortalidade relacionados 
ao trabalho, permitindo 
identificar riscos 
ocupacionais específicos e 
avaliar o impacto de 
intervenções preventivas.
A correta interpretação desses indicadores é fundamental para o planejamento de ações em saúde 
ocupacional, dimensionamento adequado de serviços e recursos, além de fornecer subsídios para a 
elaboração de políticas públicas direcionadas à proteção da saúde dos trabalhadores. Na enfermagem do 
trabalho, a Estatística Vital constitui um pilar para a prática baseada em evidências, possibilitando 
intervenções mais precisas e efetivas nos diferentes contextos laborais.
Conceitos Básicos de Estatística
A compreensão dos conceitos fundamentais da estatística constitui a base essencial para o desenvolvimento 
de competências analíticas avançadas em saúde ocupacional. Estes princípios capacitam o enfermeiro do 
trabalho a interpretar dados quantitativos com precisão e aplicá-los eficazmente na tomada de decisões 
baseadas em evidências científicas.
População e Amostra
A população engloba todos os elementos ou 
indivíduos que compartilham características 
específicas relevantes para um estudo, como todos 
os trabalhadores de determinada indústria. Devido 
a restrições práticas e operacionais, normalmente 
estudamos apenas uma parcela representativa 
dessa população, denominada amostra. A validade e 
confiabilidade das inferências estatísticas 
dependem crucialmente da representatividade da 
amostra em relação à população original.
Variáveis e Dados
Variáveis representam características ou atributos 
que podem assumir diferentes valores entre os 
elementos de uma população. Na enfermagem do 
trabalho, exemplos significativos incluem nível de 
exposição a riscos ocupacionais, duração de 
afastamento por doença, ou manifestação de 
sintomas específicos. As variáveis classificam-se 
quanto à sua natureza em qualitativas (expressas 
por categorias) ou quantitativas (expressas 
numericamente), determinando assim os métodos 
estatísticos mais apropriados para sua análise.
Os dados constituem os valores observados para as variáveis em estudo. A organização e categorização 
adequada desses dados é determinante para a seleção dos métodos estatísticos mais pertinentes. Na 
bioestatística, os dados são tipicamente classificados em:
Dados nominais: categorias sem hierarquia ou ordenação (ex.: tipos de acidentes de trabalho, setores 
industriais);
Dados ordinais: categorias com ordem hierárquica definida (ex.: graus de exposição a um risco, níveis de 
gravidade de lesões);
Dados intervalares: valores numéricos com intervalos equidistantes, porém sem zero absoluto (ex.: 
temperatura, escalas de avaliação psicométrica);
Dados de razão: valores numéricos com zero absoluto (ex.: tempo de afastamento do trabalho, número de 
ocorrências).
A estatística descritiva proporciona metodologias para organizar, sintetizar e apresentar dados de forma clara 
e compreensível, através de tabelas, representações gráficas e medidas de síntese. Já a estatística inferencial 
permite extrapolar conclusões obtidas da amostra para a população de origem, quantificando precisamente o 
grau de incerteza associado a essas inferências. O domínio destes conceitos fundamentais é imprescindível 
para que o enfermeiro do trabalho desenvolva competência crítica na análise de informações quantitativas, 
transformando-as em recursos valiosos para a prática em saúde ocupacional.
Medidas de Tendência Central
As medidas de tendência central são estatísticas descritivas fundamentais que fornecem informações sobre o 
valor típico ou central de um conjunto de dados. Na prática da enfermagem do trabalho, estas medidas são 
amplamente utilizadas para caracterizar variáveis relacionadas à saúde ocupacional, como níveis de exposição 
a agentes nocivos, tempo de afastamento por acidentes ou doenças relacionadas ao trabalho, e indicadoresocupacional, 
índices de capacidade para 
o trabalho, ou medidas 
fisiológicas como pressão 
arterial ou frequência 
cardíaca. Por exemplo, 
pode-se modelar o índice 
de capacidade para o 
trabalho em função de 
idade, tempo na função, 
demandas físicas, latitude 
decisória e suporte social, 
identificando o peso 
relativo de cada fator e 
intervenções 
potencialmente mais 
efetivas.
Análise de Variáveis 
Mediadoras e 
Moderadoras
Através de modelos de 
regressão sequenciais e 
termos de interação, é 
possível investigar 
variáveis que medeiam 
(explicam o mecanismo) ou 
moderam (alteram a força 
ou direção) a relação entre 
exposições ocupacionais e 
desfechos de saúde. Por 
exemplo, pode-se 
investigar se o suporte 
social modifica o impacto 
das altas demandas de 
trabalho sobre o risco de 
burnout, ou se a satisfação 
no trabalho media a 
relação entre autonomia e 
intenção de permanecer na 
empresa.
Desenvolvimento de 
Modelos Preditivos
A regressão múltipla 
permite desenvolver 
modelos para prever riscos 
individuais ou identificar 
trabalhadores que 
poderiam beneficiar-se de 
intervenções preventivas 
específicas. Por exemplo, 
pode-se desenvolver um 
modelo para prever a 
probabilidade de retorno 
ao trabalho após 
afastamento por 
transtorno mental, 
considerando fatores como 
duração do afastamento, 
características do trabalho 
e suporte disponível.
Extensões e Variações da Regressão Múltipla
Quando a variável dependente não é contínua ou as premissas da regressão linear não são satisfeitas, 
modelos alternativos são necessários:
Tipo de Modelo Aplicação Exemplo em Saúde 
Ocupacional
Regressão Logística Variável dependente binária 
(sim/não)
Modelar fatores associados à 
ocorrência de acidentes de 
trabalho
Regressão Logística 
Multinomial
Variável dependente categórica 
com múltiplas categorias
Analisar determinantes da 
categoria de aptidão em 
exames ocupacionais
Regressão de Poisson Variável dependente de 
contagem
Modelar número de dias de 
afastamento por motivos de 
saúde
Regressão de Cox Análise de sobrevida (tempo 
até evento)
Identificar fatores associados 
ao tempo até o retorno ao 
trabalho
Considerações Metodológicas na Aplicação da Regressão Múltipla
Seleção de variáveis: A inclusão de variáveis no modelo deve ser guiada por considerações teóricas e 
conhecimento prévio do fenômeno, não apenas por critérios estatísticos. A seleção puramente estatística 
(stepwise) pode levar a modelos instáveis e difíceis de replicar.
1.
Tamanho amostral: Como regra geral, são necessárias pelo menos 10-15 observações por variável no 
modelo para estimativas estáveis, embora este número possa variar dependendo da distribuição das 
variáveis e da força das associações.
2.
Multicolinearidade: Correlações muito fortes entre preditores podem comprometer a estimação dos 
coeficientes. O fator de inflação da variância (VIF) ou a tolerância são utilizados para detectar este 
problema.
3.
Verificação de premissas: A validação do modelo requer verificação de premissas como linearidade, 
normalidade dos resíduos, homocedasticidade e independência das observações, geralmente através de 
análise de resíduos.
4.
Na enfermagem do trabalho, a utilização adequada da regressão múltipla permite uma compreensão mais 
refinada das relações complexas entre fatores ocupacionais e desfechos de saúde, fundamentando 
intervenções mais precisas e efetivas para a proteção e promoção da saúde dos trabalhadores.
Análise de Séries Temporais em Vigilância 
Ocupacional
A análise de séries temporais compreende um conjunto de métodos estatísticos desenvolvidos para examinar 
dados coletados sequencialmente ao longo do tempo, identificando padrões, tendências e flutuações. Na 
vigilância em saúde ocupacional, estas técnicas são particularmente valiosas para monitorar indicadores de 
saúde e segurança do trabalho, detectar alterações significativas em padrões de ocorrência de agravos, avaliar 
o impacto de intervenções e prever tendências futuras. O enfermeiro do trabalho que domina estes métodos 
pode contribuir de forma mais efetiva para a tomada de decisões baseadas em evidências e para o 
aprimoramento contínuo dos programas de proteção à saúde dos trabalhadores.
Componentes de Séries Temporais
Uma série temporal típica pode ser decomposta em quatro componentes principais:
Tendência
Representa o movimento persistente de longo 
prazo nos dados, como aumento ou diminuição 
gradual ao longo de um período extenso. Em 
saúde ocupacional, exemplos incluem a redução 
gradual nas taxas de acidentes após 
implementação de programas sistemáticos de 
segurança, ou o aumento na prevalência de 
transtornos mentais relacionados ao trabalho ao 
longo dos anos.
Sazonalidade
Refere-se a padrões regulares e previsíveis que 
se repetem em intervalos fixos dentro de um ano. 
Na saúde ocupacional, a sazonalidade pode 
manifestar-se, por exemplo, no aumento de 
acidentes em períodos de maior produção, 
variações nos níveis de estresse conforme ciclos 
de avaliação de desempenho, ou incremento nas 
doenças respiratórias em determinadas estações 
do ano.
Ciclos
São flutuações com duração superior a um ano, 
frequentemente relacionadas a ciclos 
econômicos ou organizacionais. Em vigilância 
ocupacional, podem ser observados, por 
exemplo, em variações na incidência de doenças 
ocupacionais associadas a ciclos econômicos que 
afetam o ritmo de produção e, 
consequentemente, a exposição a fatores de 
risco.
Componente Irregular
Corresponde às variações aleatórias ou não 
sistemáticas após a remoção dos componentes 
anteriores. Embora aparentemente caóticas, a 
análise destas variações pode revelar eventos 
significativos não capturados pelos outros 
componentes, como surtos de doenças 
ocupacionais específicas ou impactos pontuais 
de mudanças organizacionais.
Principais Métodos de Análise de Séries Temporais
Métodos de Decomposição: Separam a série em seus componentes estruturais (tendência, sazonalidade, 
ciclos e irregularidade), permitindo análise individual de cada aspecto. São úteis para compreender a 
dinâmica subjacente aos dados e podem ser aditivos (componentes somados) ou multiplicativos 
(componentes multiplicados).
Análise de Tendência: Utiliza técnicas como regressão linear, médias móveis ou suavização exponencial 
para identificar e quantificar tendências de longo prazo nos indicadores de saúde ocupacional, permitindo 
avaliação objetiva de progressos ou deterioração nas condições de saúde e segurança.
Modelos ARIMA (Autoregressive Integrated Moving Average): Desenvolvidos por Box e Jenkins, 
modelam a autocorrelação em séries temporais e são particularmente úteis para previsão. Incorporam 
termos autorregressivos (AR), diferenciação para estacionariedade (I) e médias móveis (MA).
Análise Espectral: Decompõe a série temporal em componentes de diferentes frequências, sendo útil para 
identificar ciclicidades não evidentes na análise visual, como padrões semanais ou mensais em indicadores 
ocupacionais.
Aplicações em Vigilância Ocupacional
Detecção de Surtos e Alterações de 
Padrão
Métodos como gráficos de controle estatístico de 
processos (SPC) e algoritmos de detecção de pontos 
de mudança (change-point detection) permitem 
identificar variações significativas além da 
variabilidade esperada em indicadores como taxas 
de acidentes, afastamentos por doenças específicas 
ou notificações de agravos ocupacionais. Esta 
detecção precoce é fundamental para a 
investigação oportuna de causas e implementação 
de medidas corretivas.
Avaliação de Intervenções
Técnicas como análise de intervenção, modelos de 
regressão segmentada e séries temporais 
interrompidas (interrupted time series) permitem 
avaliar objetivamente o impacto de programas, 
políticas ou mudanças organizacionais nos 
indicadores de saúde ocupacional. Estes métodos 
são particularmentevaliosos por considerarem 
tendências pré-existentes e padrões sazonais, 
fornecendo estimativas mais confiáveis do efeito 
real da intervenção.
A previsão de valores futuros em indicadores ocupacionais, utilizando métodos como suavização exponencial, 
ARIMA ou modelos mais avançados como GARCH (para séries com volatilidade variável) ou modelos 
bayesianos, permite o planejamento proativo de recursos e intervenções. Por exemplo, a previsão de períodos 
de maior incidência de determinados agravos pode orientar a intensificação temporária de medidas 
preventivas específicas.
Na vigilância em saúde ocupacional, a análise de séries temporais deve considerar desafios específicos como 
subnotificação variável ao longo do tempo, mudanças em critérios diagnósticos ou de registro, e efeitos de 
políticas externas ao ambiente organizacional. A integração destes métodos quantitativos com abordagens 
qualitativas e conhecimento contextual é essencial para interpretações válidas e intervenções efetivas. O 
enfermeiro do trabalho capacitado em análise de séries temporais contribui significativamente para sistemas 
de vigilância mais sensíveis e responsivos, fundamentais para a proteção contínua e aprimorada da saúde dos 
trabalhadores.
Indicadores de Mortalidade em Saúde 
Ocupacional
Os indicadores de mortalidade representam instrumentos fundamentais para a mensuração, monitoramento 
e análise dos óbitos relacionados ao trabalho. Na enfermagem do trabalho, estes indicadores fornecem 
subsídios essenciais para a avaliação dos riscos laborais mais severos, o desenvolvimento de programas 
preventivos prioritários e a análise da efetividade de intervenções direcionadas à redução de fatalidades no 
ambiente ocupacional. Apesar dos desafios inerentes à sua construção e interpretação, os indicadores de 
mortalidade ocupacional constituem elementos críticos dos sistemas de vigilância em saúde do trabalhador.
Principais Indicadores de Mortalidade Ocupacional
Taxa de Mortalidade 
Específica por 
Acidentes de Trabalho
Este indicador expressa a 
frequência de óbitos 
decorrentes de acidentes 
laborais em relação à 
população trabalhadora 
exposta ao risco, geralmente 
calculada como:
Taxa de Mortalidade por 
Acidentes = (Nº de óbitos 
por acidentes de trabalho 
no período / População 
trabalhadora exposta ao 
risco no período) × 
100.000
A constante multiplicadora 
(100.000) permite expressar o 
resultado como "número de 
óbitos por 100.000 
trabalhadores-ano". Este 
indicador possibilita 
comparações entre diferentes 
setores econômicos, regiões 
ou períodos, subsidiando a 
identificação de áreas com 
maior risco letal e a 
priorização de intervenções.
Taxa de Letalidade
A letalidade mede a 
proporção de casos fatais 
entre o total de casos de uma 
determinada condição, 
calculada como:
Taxa de Letalidade = (Nº 
de óbitos por determinada 
causa / Nº total de casos 
da mesma causa) × 100
Em saúde ocupacional, pode-
se calcular, por exemplo, a 
letalidade de acidentes 
específicos (quedas de altura, 
choques elétricos) ou de 
determinadas doenças 
ocupacionais. Este indicador 
reflete a gravidade intrínseca 
da condição e a efetividade da 
assistência prestada após sua 
ocorrência.
Anos Potenciais de 
Vida Perdidos (APVP)
Este indicador incorpora a 
dimensão da morte 
prematura, dando maior peso 
a óbitos que ocorrem em 
idades mais jovens. Calculado 
como a soma dos anos que as 
pessoas falecidas deixaram de 
viver em relação a uma idade 
de referência (geralmente a 
expectativa de vida ou idade 
de aposentadoria), o APVP é 
particularmente valioso para 
evidenciar o impacto social de 
mortes relacionadas ao 
trabalho, que frequentemente 
afetam indivíduos em idade 
produtiva.
Além destes indicadores primários, outras métricas relevantes incluem a razão de mortalidade padronizada 
(que compara a mortalidade observada em uma população trabalhadora com a esperada com base em taxas 
de referência), o risco atribuível (excesso de mortalidade que pode ser atribuído à exposição ocupacional 
específica), e a vida média de trabalho perdida (quantificando o impacto econômico das mortes relacionadas 
ao trabalho).
Fontes de Dados e Desafios Metodológicos
No Brasil, os dados para construção destes indicadores provêm principalmente de:
Sistema de Informações sobre Mortalidade (SIM): Gerido pelo Ministério da Saúde, registra todos os 
óbitos com suas causas, baseado nas Declarações de Óbito. O campo "acidente de trabalho" permite 
identificar algumas mortes ocupacionais, embora com significativa subnotificação.
Comunicações de Acidentes de Trabalho (CAT): Registradas pela Previdência Social, documentam 
acidentes fatais entre trabalhadores formais. Excluem, porém, servidores públicos estatutários, militares, 
autônomos e informais.
Sistemas de Vigilância em Saúde do Trabalhador: Como o SINAN (Sistema de Informação de Agravos de 
Notificação), que inclui o registro de acidentes de trabalho graves e fatais.
Os principais desafios metodológicos na construção e interpretação destes indicadores incluem:
Subnotificação
Estima-se que apenas uma 
fração dos óbitos 
relacionados ao trabalho 
seja corretamente 
identificada como tal nos 
sistemas oficiais, 
especialmente em setores 
informais, rurais ou em 
mortes por doenças 
ocupacionais de longa 
latência.
Estabelecimento do 
Nexo Causal
A determinação da relação 
causal entre trabalho e 
óbito é frequentemente 
complexa, especialmente 
para doenças crônicas com 
múltiplos fatores de risco 
ou condições com longo 
período de latência entre 
exposição e desfecho.
Denominadores 
Adequados
A identificação precisa da 
população trabalhadora 
exposta ao risco 
(denominador) é 
desafiadora, especialmente 
em setores com alta 
informalidade ou 
rotatividade, 
comprometendo a acurácia 
das taxas calculadas.
Apesar destas limitações, os indicadores de mortalidade ocupacional fornecem informações insubstituíveis 
para a compreensão dos riscos mais graves no ambiente de trabalho. O enfermeiro do trabalho deve 
considerar estas métricas em conjunto com outros indicadores (morbidade, incapacidade) e abordagens 
qualitativas para uma visão abrangente dos determinantes da saúde e segurança ocupacional. A análise 
criteriosa destes indicadores, reconhecendo suas limitações intrínsecas, fundamenta intervenções mais 
efetivas para a eliminação de mortes evitáveis relacionadas ao trabalho, contribuindo para o objetivo 
fundamental da saúde ocupacional: garantir que todos os trabalhadores retornem com segurança para suas 
famílias ao final de cada jornada.
Estudo de Eficácia de Programas de Saúde 
Ocupacional
A avaliação sistemática da eficácia de programas de saúde ocupacional constitui um elemento fundamental 
para a prática baseada em evidências neste campo. Através de métodos bioestatísticos rigorosos, é possível 
determinar se as intervenções implementadas efetivamente atingem seus objetivos de proteção e promoção 
da saúde dos trabalhadores, justificando o investimento de recursos e orientando aprimoramentos contínuos. 
Para o enfermeiro do trabalho, compreender os princípios metodológicos desta avaliação é essencial para 
planejar, implementar e analisar criticamente programas ocupacionais, contribuindo para políticas 
institucionais fundamentadas em resultados objetivos.
Desenhos de Estudo para Avaliação de Eficácia
Estudos Experimentais
Os ensaios clínicos randomizados representam o 
padrão-ouro para avaliação de eficácia, 
minimizando vieses através da alocação aleatória 
dos participantes aos grupos de intervenção e 
controle. Em saúde ocupacional, podem ser 
implementados como ensaios de campo, 
randomizando trabalhadores, departamentos ou 
mesmo unidades inteiras para receber determinada 
intervenção. Por exemplo, ao avaliar um programa 
de treinamento ergonômico, trabalhadores podem 
ser randomizados para receber o treinamentoimediatamente ou após período de espera (grupo 
controle), comparando-se posteriormente a 
incidência de distúrbios musculoesqueléticos entre 
os grupos.
Estes estudos, embora robustos, enfrentam 
desafios práticos e éticos significativos em 
ambientes ocupacionais, como resistência à 
randomização, contaminação entre grupos e 
impossibilidade de negar intervenções 
potencialmente benéficas aos grupos controle, 
especialmente em situações de risco reconhecido.
Estudos Quase-experimentais
Frequentemente mais viáveis em contextos 
ocupacionais reais, estes desenhos incluem estudos 
antes-depois, séries temporais interrompidas e 
desenhos de coorte com grupo controle não 
randomizado. Por exemplo, um estudo de séries 
temporais interrompidas pode analisar taxas 
mensais de acidentes por vários anos antes e após a 
implementação de um programa de segurança, 
verificando se houve mudança significativa na 
tendência ou nível da série após a intervenção.
Embora mais susceptíveis a vieses que os 
experimentos randomizados, os estudos quase-
experimentais bem desenhados podem fornecer 
evidências robustas quando incorporam estratégias 
como múltiplas medidas pré e pós-intervenção, 
grupos controle comparáveis e controle estatístico 
de potenciais confundidores.
Indicadores de Eficácia
A escolha adequada de indicadores de resultado é crucial para uma avaliação válida. Estes podem incluir:
Indicadores de Saúde
Abrangem medidas diretas 
de saúde como 
incidência/prevalência de 
doenças e agravos 
ocupacionais, parâmetros 
fisiológicos e 
biomarcadores específicos, 
ou resultados reportados 
pelos pacientes como 
qualidade de vida, 
capacidade funcional e 
sintomas auto-relatados. A 
escolha entre estes 
indicadores depende dos 
objetivos específicos do 
programa e da factibilidade 
de sua mensuração no 
ambiente ocupacional.
Indicadores 
Comportamentais
Avaliam mudanças em 
práticas e comportamentos 
relacionados à saúde e 
segurança, como adesão a 
protocolos de segurança, 
utilização correta de 
equipamentos de proteção, 
postura adequada, 
participação em atividades 
preventivas ou adoção de 
estilos de vida saudáveis. 
Estes indicadores são 
especialmente relevantes 
para programas educativos 
e de mudança 
comportamental.
Indicadores 
Organizacionais e 
Econômicos
Incluem métricas como 
absenteísmo por doença, 
presenteísmo, 
rotatividade, 
produtividade, custos 
diretos com assistência 
médica e indenizações, e 
análises de custo-
efetividade ou retorno 
sobre investimento. Estes 
indicadores 
frequentemente têm maior 
ressonância junto à gestão 
organizacional, justificando 
recursos para programas 
de saúde ocupacional.
Análise Estatística na Avaliação de Eficácia
Método Estatístico Aplicação em Avaliação de Programas
Testes de comparação entre grupos (t de Student, 
Mann-Whitney, ANOVA)
Comparar desfechos entre grupo intervenção e 
controle ou entre diferentes modalidades de 
intervenção
Testes para amostras pareadas (t pareado, 
Wilcoxon)
Comparar medidas antes-depois da intervenção 
nos mesmos indivíduos
Análise de séries temporais interrompidas Avaliar impacto da intervenção na tendência 
temporal de indicadores contínuos
Regressão segmentada Quantificar mudanças imediatas e graduais após 
implementação do programa
Modelos de regressão múltipla Controlar para potenciais confundidores na 
avaliação do efeito da intervenção
Análise de sobrevida Comparar tempo até ocorrência de evento (ex.: 
lesão, retorno ao trabalho) entre grupos
Análise de custo-efetividade Determinar relação entre custos do programa e 
benefícios obtidos em saúde
Os desafios específicos na avaliação de programas ocupacionais incluem a complexidade das intervenções 
(frequentemente multicomponentes), efeitos de longo prazo que excedem períodos típicos de seguimento, 
dificuldades de isolamento do efeito específico da intervenção em sistemas organizacionais complexos, e 
fatores contextuais que afetam a implementação e os resultados. A análise por intenção de tratar (incluindo 
todos os participantes originalmente alocados, independentemente da adesão) e a análise de processo 
(avaliando aspectos qualitativos da implementação) são abordagens valiosas para enfrentar estes desafios.
A combinação de métodos quantitativos robustos com abordagens qualitativas complementares permite uma 
compreensão mais profunda não apenas se o programa foi eficaz, mas também como, por que e em quais 
contextos, informações essenciais para o refinamento contínuo das intervenções e sua adaptação a diferentes 
ambientes ocupacionais. O enfermeiro do trabalho que domina estes métodos de avaliação contribui 
significativamente para a evolução da prática baseada em evidências na saúde ocupacional, promovendo 
programas mais efetivos e eficientes.
Análise de Dados Longitudinais em Saúde 
do Trabalhador
A análise de dados longitudinais constitui uma abordagem metodológica essencial para compreender a 
dinâmica temporal dos processos de saúde-doença no ambiente ocupacional. Diferentemente dos estudos 
transversais, que fornecem apenas um retrato momentâneo, os estudos longitudinais acompanham os 
mesmos indivíduos ao longo do tempo, permitindo investigar trajetórias de saúde, fatores que influenciam 
mudanças, efeitos cumulativos de exposições e relações temporais entre variáveis. Para o enfermeiro do 
trabalho, o domínio destas técnicas analíticas é fundamental para o planejamento e avaliação de programas de 
vigilância em saúde ocupacional e para a compreensão dos determinantes temporais da saúde dos 
trabalhadores.
Características dos Dados Longitudinais em Saúde Ocupacional
Os dados longitudinais em saúde do trabalhador apresentam características específicas que exigem métodos 
estatísticos apropriados:
Medidas repetidas: Múltiplas observações são realizadas no mesmo indivíduo em diferentes momentos, 
gerando dependência entre as observações que viola a premissa de independência de muitos métodos 
estatísticos convencionais.
Dados desbalanceados: Frequentemente, nem todos os indivíduos são avaliados nos mesmos momentos, 
e alguns podem apresentar dados faltantes devido a perdas de seguimento, rotatividade no emprego ou 
outras razões.
Estrutura hierárquica: As observações se organizam em níveis aninhados (medidas dentro de indivíduos, 
indivíduos dentro de equipes/setores, setores dentro de empresas), criando complexidade adicional.
Efeitos temporais diversos: Além das tendências individuais, os dados podem apresentar efeitos de idade, 
período (influências contemporâneas que afetam todos os participantes) e coorte (efeitos específicos de 
grupos nascidos em momentos diferentes).
Métodos de Análise para Dados Longitudinais
Modelos de Efeitos Mistos (Mixed 
Effects Models)
Também conhecidos como modelos multinível ou 
hierárquicos, estes modelos incorporam tanto 
efeitos fixos (parâmetros populacionais comuns a 
todos os indivíduos) quanto efeitos aleatórios 
(parâmetros que variam entre indivíduos). Esta 
abordagem é particularmente valiosa por:
Acomodar naturalmente dados desbalanceados 
e observações em momentos irregulares;
Permitir a modelagem da estrutura de 
correlação entre medidas repetidas;
Possibilitar a análise simultânea de preditores 
que variam com o tempo (ex.: exposições 
ocupacionais) e estáveis (ex.: sexo, 
escolaridade);
Incorporar a heterogeneidade entre indivíduos 
nas trajetórias temporais (diferentes taxas de 
mudança).
Em saúde ocupacional, estes modelos são úteis, por 
exemplo, para avaliar como parâmetros fisiológicos 
ou escores de capacidade para o trabalho evoluem 
ao longo do tempo em função de exposições 
ocupacionais variáveis.
Equações de Estimação Generalizadas 
(GEE)
Este método fornece uma abordagem populacional, 
estimando a resposta média da população em 
função de covariáveis, considerando a correlação 
entre medidas repetidas. As GEE são 
particularmenteúteis quando o interesse primário 
está nos efeitos populacionais médios, não nas 
trajetórias individuais específicas. Características 
relevantes incluem:
Robustez mesmo quando a estrutura de 
correlação é incorretamente especificada;
Aplicabilidade a desfechos de diferentes 
naturezas (binários, contagens, contínuos) 
através de funções de ligação apropriadas;
Ênfase em estimativas marginais (não 
condicionais a efeitos aleatórios).
Em vigilância ocupacional, as GEE podem ser 
aplicadas, por exemplo, para avaliar como a 
probabilidade de acidentes ou afastamentos varia 
ao longo do tempo em função de mudanças 
organizacionais ou programas preventivos.
Análise de Sobrevida com Eventos Recorrentes
Muitos desfechos em saúde ocupacional podem ocorrer múltiplas vezes no mesmo indivíduo, como acidentes 
de trabalho, episódios de afastamento ou exacerbações de sintomas. Métodos específicos para análise de 
eventos recorrentes incluem:
Modelo de 
Anderson-Gill
Extensão do modelo de 
riscos proporcionais de 
Cox para eventos 
recorrentes, tratando cada 
episódio como um 
processo independente, 
mas considerando a 
dependência entre eventos 
no mesmo indivíduo 
através de estimadores 
robustos de variância.
Modelo de 
Fragilidade
Incorpora um termo de 
fragilidade (frailty) 
compartilhado que 
representa a 
susceptibilidade individual 
ao desfecho, modelando 
assim a heterogeneidade 
não observada entre 
trabalhadores.
Modelos de 
Contagem
Abordagens como 
regressão de Poisson ou 
binomial negativa para 
modelar o número de 
eventos por unidade de 
tempo, incorporando a 
possibilidade de 
superdispersão (variância 
maior que a média).
Análise de Trajetórias e Métodos de Classificação
Em saúde ocupacional, frequentemente existe interesse em identificar padrões de evolução temporal que 
definem subgrupos de trabalhadores com trajetórias distintivas. Métodos relevantes incluem:
Modelagem de crescimento baseada em grupos (Group-based trajectory modeling): Identifica clusters 
de indivíduos que seguem trajetórias similares ao longo do tempo, permitindo caracterizar fatores 
associados a diferentes padrões evolutivos.
Análise de transição latente: Modela mudanças entre estados latentes (não diretamente observáveis) ao 
longo do tempo, útil para compreender transições entre diferentes condições de saúde ocupacional.
Análise de sequências: Examina padrões temporais de estados sequenciais, como trajetórias profissionais 
ou sequências de exposições ocupacionais, identificando padrões típicos e seus determinantes.
A implementação adequada destes métodos requer consideração cuidadosa de aspectos como tratamento de 
dados faltantes, modelagem da estrutura de correlação temporal, seleção de covariáveis variantes e 
invariantes no tempo, e interpretação apropriada dos parâmetros estimados. O enfermeiro do trabalho que 
domina estas técnicas analíticas pode extrair informações mais completas e precisas dos dados longitudinais 
coletados em programas de vigilância ocupacional, contribuindo para intervenções mais efetivas baseadas na 
compreensão das trajetórias temporais e determinantes longitudinais da saúde dos trabalhadores.
Métodos de Vigilância Epidemiológica em 
Saúde Ocupacional
A vigilância epidemiológica em saúde ocupacional compreende o processo sistemático e contínuo de coleta, 
análise, interpretação e disseminação de dados sobre eventos relacionados à saúde dos trabalhadores, 
visando o planejamento, implementação e avaliação de intervenções preventivas. Para o enfermeiro do 
trabalho, o domínio dos métodos de vigilância é fundamental para a detecção precoce de problemas 
emergentes, o monitoramento de tendências em doenças e agravos ocupacionais, e a avaliação da efetividade 
de programas preventivos. A bioestatística fornece as ferramentas metodológicas para transformar dados 
brutos em informações acionáveis que fundamentam a tomada de decisões em saúde ocupacional.
Componentes Essenciais de um Sistema de Vigilância
Definição de Caso e 
Eventos sob Vigilância
A precisão e clareza na 
definição dos eventos 
monitorados é crítica para a 
qualidade dos dados. Estas 
definições devem equilibrar 
sensibilidade (capacidade de 
captar casos verdadeiros) e 
especificidade (minimização 
de falsos positivos), além de 
considerar a factibilidade de 
aplicação no contexto 
ocupacional. Em doenças com 
manifestações clínicas 
heterogêneas, 
frequentemente utilizam-se 
definições em níveis (suspeito, 
provável, confirmado) para 
diferentes propósitos da 
vigilância.
Métodos de Coleta de 
Dados
Os sistemas de vigilância 
podem ser passivos (baseados 
em notificação voluntária ou 
compulsória por profissionais 
de saúde) ou ativos (baseados 
em busca sistemática de casos 
pelos responsáveis pela 
vigilância). Embora sistemas 
passivos sejam menos 
onerosos, frequentemente 
sofrem com subnotificação 
significativa. Sistemas ativos, 
como busca em prontuários 
ou monitoramento direto de 
trabalhadores, tendem a ser 
mais completos, porém mais 
custosos. Abordagens 
complementares incluem 
vigilância sentinela 
(monitoramento intensivo em 
pontos selecionados) e 
vigilância baseada em eventos 
(análise de indicadores 
indiretos).
Integração de Múltiplas 
Fontes de Dados
A vigilância efetiva 
frequentemente requer a 
triangulação de informações 
de diversas fontes, como 
registros de atendimentos em 
serviços de saúde 
ocupacional, notificações de 
agravos, resultados de exames 
periódicos, registros de 
afastamentos, dados de 
monitoramento ambiental e 
informações de prontuários 
médicos. Técnicas de 
vinculação de bancos de 
dados (record linkage) 
permitem integrar 
informações sobre os mesmos 
indivíduos provenientes de 
diferentes registros, 
enriquecendo a vigilância.
Métodos de Análise em Vigilância Epidemiológica Ocupacional
Análise Descritiva e Cálculo de Taxas
A vigilância ocupacional fundamenta-se 
primariamente na análise descritiva dos dados, 
caracterizando os eventos por pessoa (idade, sexo, 
ocupação, tempo na função), lugar (setor, unidade, 
região) e tempo (tendências, sazonalidade, 
periodicidade). O cálculo de taxas específicas (por 
exemplo, incidência de acidentes por setor ou 
prevalência de sintomas respiratórios por categoria 
profissional) permite identificar grupos e 
circunstâncias de maior risco, direcionando 
intervenções preventivas.
Métodos gráficos como diagramas de controle 
estatístico de processos (SPC) são particularmente 
úteis para monitorar indicadores ao longo do 
tempo, estabelecendo limites estatísticos que 
sinalizam variações além da flutuação aleatória 
esperada. Estas ferramentas permitem a detecção 
precoce de tendências preocupantes ou de 
melhorias significativas associadas a intervenções.
Métodos de Detecção de Surtos e 
Clusters
A identificação de agregados espaço-temporais de 
eventos relacionados à saúde (clusters) é uma 
função crítica da vigilância. Técnicas estatísticas 
como a estatística scan de Kulldorff, que utiliza 
janelas circulares ou elípticas de diferentes 
tamanhos para identificar áreas com incidência 
anormalmente elevada, podem ser aplicadas para 
detectar clusters de doenças ou acidentes 
ocupacionais em grandes ambientes laborais ou 
entre diferentes unidades de uma empresa.
Para a detecção de surtos temporais, algoritmos de 
detecção de pontos de mudança (change-point 
detection) e métodos baseados em séries temporais 
permitem identificar alterações significativas na 
incidência que excedem a variabilidade esperada. 
Estas ferramentas são essenciais para a resposta 
rápida a problemas emergentes, como surtos de 
doenças infecciosas no ambiente de trabalho ou 
aumentos súbitos em determinados tipos de 
acidentes.
Análise de Dados de Vigilância para Identificação de Fatores de Risco
Estudos Caso-
Controle Aninhados
Utilizando a base 
populacional da vigilância,estes estudos selecionam 
casos de interesse e 
controles apropriados 
dentro da população 
monitorada, coletando 
informações adicionais 
sobre exposições para 
identificar fatores de risco. 
Esta abordagem é 
particularmente valiosa 
para investigar 
determinantes de eventos 
raros ou com longo período 
de latência.
Coortes 
Ocupacionais de 
Vigilância
O seguimento sistemático 
de grupos de trabalhadores 
expostos a determinados 
fatores de risco permite 
calcular taxas de incidência 
e comparar diferentes 
níveis de exposição, 
fundamentando a 
identificação de relações 
dose-resposta e a avaliação 
da efetividade de medidas 
preventivas ao longo do 
tempo.
Análise de Séries 
Temporais e Estudos 
Ecológicos
Correlacionando 
temporalmente níveis de 
exposição (ex.: 
concentrações ambientais 
de contaminantes) com 
indicadores de saúde, estas 
abordagens permitem 
gerar hipóteses sobre 
associações causais e 
avaliar o impacto de 
intervenções em nível 
populacional.
A avaliação permanente da qualidade dos sistemas de vigilância é essencial para sua efetividade. Atributos 
como sensibilidade, especificidade, representatividade, oportunidade, simplicidade, flexibilidade e 
aceitabilidade devem ser periodicamente avaliados. A análise de captura-recaptura, comparando casos 
identificados por diferentes componentes do sistema, permite estimar a completude da vigilância e 
quantificar a subnotificação.
Na era digital, métodos emergentes incluem vigilância sindômica (baseada em conjuntos de sinais e sintomas, 
não em diagnósticos finais), mineração de texto em registros eletrônicos e vigilância participativa envolvendo 
ativamente os trabalhadores através de plataformas móveis. O enfermeiro do trabalho deve estar atualizado 
sobre estas inovações metodológicas, integrando-as apropriadamente aos sistemas tradicionais para 
fortalecer a capacidade de detecção, análise e resposta a problemas de saúde ocupacional emergentes ou 
persistentes.
Análise Estratificada e Controle de 
Confundimento
A análise estratificada e o controle de confundimento constituem abordagens metodológicas essenciais para a 
interpretação adequada das associações entre exposições ocupacionais e desfechos de saúde. Na prática da 
enfermagem do trabalho, estas técnicas são fundamentais para distinguir associações causais genuínas de 
relações espúrias decorrentes da influência de fatores externos, possibilitando intervenções direcionadas aos 
verdadeiros determinantes dos problemas de saúde dos trabalhadores.
Confundimento em Saúde Ocupacional
O confundimento ocorre quando a relação entre uma exposição (E) e um desfecho (D) é distorcida pela 
presença de um terceiro fator – o confundidor (C) – que está associado tanto à exposição quanto ao desfecho, 
sem fazer parte da cadeia causal entre eles. Em saúde ocupacional, os confundidores são particularmente 
relevantes, pois exposições e desfechos laborais frequentemente relacionam-se com múltiplos fatores 
simultâneos.
Para que uma variável seja considerada um confundidor potencial, três critérios devem ser satisfeitos:
Estar associada à exposição em estudo na população fonte (não apenas na amostra);1.
Ser um fator de risco independente para o desfecho, mesmo na ausência da exposição;2.
Não fazer parte da cadeia causal entre exposição e desfecho (não ser um mediador).3.
Exemplos clássicos de confundimento em saúde ocupacional incluem a idade (que pode confundir a relação 
entre tempo de serviço e doenças crônicas), o sexo (frequentemente associado tanto a determinadas 
exposições ocupacionais quanto a desfechos específicos) e o tabagismo (que pode confundir a relação entre 
exposições respiratórias ocupacionais e doenças pulmonares).
Análise Estratificada
Princípios e Procedimentos
A análise estratificada envolve a divisão da 
população em subgrupos (estratos) de acordo com 
os níveis do possível confundidor, avaliando-se a 
associação entre exposição e desfecho 
separadamente em cada estrato. Esta abordagem 
permite:
Avaliar se a medida de associação difere entre 
os estratos (modificação de efeito ou interação);
Calcular medidas de associação ajustadas para o 
confundidor, combinando informações dos 
diferentes estratos;
Comparar as medidas brutas e ajustadas para 
quantificar o impacto do confundimento.
Por exemplo, ao investigar a associação entre 
exposição a ruído ocupacional e hipertensão 
arterial, podemos estratificar por idade (um 
potencial confundidor) e analisar a associação 
separadamente em trabalhadores jovens, de meia-
idade e idosos.
Técnicas de Combinação de Estratos
Quando não há evidência de modificação de efeito 
(a associação é consistente entre os estratos), as 
estimativas específicas por estrato podem ser 
combinadas para produzir uma medida de 
associação ajustada. Os principais métodos para 
esta combinação incluem:
Método de Mantel-Haenszel: Fornece uma 
média ponderada das razões de chances, riscos 
relativos ou diferenças de riscos dos estratos, 
considerando o tamanho e precisão de cada 
estrato. É particularmente útil para variáveis 
categóricas.
Padronização Direta: Aplica as taxas específicas 
por estrato de cada grupo de exposição a uma 
população padrão, calculando taxas 
padronizadas que podem ser comparadas. É útil 
quando os estratos têm distribuições muito 
diferentes entre os grupos comparados.
Padronização Indireta: Aplica taxas de 
referência específicas por estrato à distribuição 
da população estudada, calculando razões de 
mortalidade/morbidade padronizadas 
(SMR/SMbR). É útil quando há estratos com 
poucos eventos.
Métodos Multivariados para Controle de Confundimento
Embora a estratificação seja conceptualmente clara e facilite a visualização do efeito do confundidor, torna-se 
impraticável quando múltiplos confundidores precisam ser controlados simultaneamente (problema da 
dimensionalidade). Nestes casos, os métodos multivariados são mais apropriados:
Regressão Múltipla
Incorpora múltiplas 
variáveis independentes 
em um único modelo 
matemático, estimando o 
efeito da exposição de 
interesse ajustado para 
todos os confundidores 
incluídos no modelo. 
Dependendo da natureza 
do desfecho, diferentes 
tipos de regressão são 
aplicáveis: linear para 
desfechos contínuos, 
logística para desfechos 
binários, Poisson para 
dados de contagem e Cox 
para análise de sobrevida.
Escores de 
Propensão
Técnica de balanceamento 
que calcula, para cada 
participante, a 
probabilidade de exposição 
condicionada aos 
confundidores, usando 
este escore para ajuste 
através de pareamento, 
estratificação, ponderação 
ou ajuste como covariável. 
Esta abordagem é 
particularmente útil 
quando há muitos 
confundidores e poucos 
eventos, situação em que 
os modelos de regressão 
convencionais podem ser 
instáveis.
Variáveis 
Instrumentais
Método que utiliza uma 
variável fortemente 
associada à exposição, mas 
não associada ao desfecho 
exceto através da 
exposição, para estimar o 
efeito causal na presença 
de confundimento não 
medido. Embora 
conceitualmente poderosa, 
a aplicação é limitada pela 
dificuldade em identificar 
instrumentos válidos em 
saúde ocupacional.
Considerações Práticas na Análise Estratificada
Seleção de confundidores: Deve basear-se em conhecimento teórico prévio sobre as relações causais, não 
apenas em significância estatística. Diagramas acíclicos direcionados (DAGs) são ferramentas úteis para 
visualizar relações causais e identificar confundidores.
Escassez de dados: Quando a estratificação resulta em células com contagens muito baixas ou zeros, 
técnicas como correção de continuidade ou métodos exatos podem ser necessárias.
Multicolinearidade: Em métodos multivariados, correlações muito altas entre preditores podem 
comprometer a estabilidade das estimativas, exigindo técnicas específicas como análise de componentes 
principais ou seleção criteriosade variáveis.
Confundimento residual: Mesmo após ajuste, pode persistir confundimento devido a categorização 
grosseira de confundidores, erros de medição ou confundidores não medidos. A análise de sensibilidade 
pode estimar o potencial impacto deste confundimento residual.
Na prática da enfermagem do trabalho, a aplicação adequada destas técnicas é fundamental para a 
identificação precisa dos determinantes modificáveis da saúde dos trabalhadores. A análise estratificada, 
além de controlar confundimento, frequentemente revela padrões de modificação de efeito que podem 
orientar intervenções mais específicas e efetivas para subgrupos particulares da população trabalhadora.
Indicadores Compostos em Saúde 
Ocupacional
Os indicadores compostos ou índices sintéticos representam ferramentas estatísticas que combinam 
múltiplos indicadores individuais em uma única medida, visando sintetizar fenômenos multidimensionais 
complexos em um valor representativo. Na saúde ocupacional, estes indicadores são particularmente valiosos 
para capturar conceitos abrangentes como qualidade do ambiente de trabalho, nível de risco global, 
capacidade para o trabalho ou efetividade de programas preventivos. Para o enfermeiro do trabalho, 
compreender a construção, interpretação e limitações destes indicadores é fundamental para sua utilização 
adequada no monitoramento das condições de saúde dos trabalhadores e na fundamentação de políticas 
institucionais.
Princípios para Construção de Indicadores Compostos
A elaboração de um indicador composto robusto e útil envolve um processo metodológico estruturado com 
etapas essenciais:
Desenvolvimento do Modelo Teórico
Definição clara do conceito multidimensional a ser mensurado, identificando componentes e 
suas inter-relações. Por exemplo, um índice de salubridade ocupacional pode incorporar 
dimensões como riscos físicos, químicos, biológicos, ergonômicos e psicossociais, baseado em 
modelos teóricos sobre determinantes da saúde no trabalho.
Seleção de Indicadores Individuais
Escolha de variáveis que representem adequadamente cada dimensão, considerando 
relevância teórica, qualidade dos dados disponíveis, cobertura populacional e temporal, e 
sensibilidade a intervenções. Os indicadores devem ser validados tanto conceitualmente 
quanto estatisticamente.
3
Normalização e Padronização
Transformação dos indicadores para escalas comparáveis, neutralizando diferenças de 
unidades de medida e distribuições. Métodos comuns incluem z-scores, min-max 
(escalonamento para intervalo específico) e distância a um referencial (percentual do valor 
ideal ou alvo).
Ponderação e Agregação
Atribuição de pesos aos diferentes componentes segundo sua importância relativa e 
combinação em um índice único. A ponderação pode basear-se em fundamentação teórica, 
métodos estatísticos (análise fatorial, componentes principais) ou processos participativos 
envolvendo especialistas e partes interessadas.
Exemplos de Indicadores Compostos em Saúde Ocupacional
Índice de Capacidade para o Trabalho 
(ICT)
Desenvolvido pelo Instituto Finlandês de Saúde 
Ocupacional, este indicador avalia a capacidade 
laboral percebida, considerando dimensões como 
capacidade atual autopercebida, capacidade em 
relação às exigências do trabalho, número de 
doenças diagnosticadas, limitações funcionais, 
absenteísmo por doença, prognóstico e recursos 
psicológicos. Cada dimensão recebe uma pontuação 
específica, resultando em um escore total que 
classifica a capacidade para o trabalho como baixa, 
moderada, boa ou excelente.
O ICT demonstra boa validade preditiva para 
incapacidade futura e aposentadoria precoce, sendo 
amplamente utilizado na prática da enfermagem do 
trabalho como instrumento de triagem para 
identificar trabalhadores que necessitam de 
medidas de apoio específicas.
Índice de Risco Ergonômico (IR)
Combina avaliações de diferentes aspectos da carga 
física do trabalho, como postura, força, 
repetitividade, duração e fatores agravantes, em um 
único valor que representa o nível global de risco 
ergonômico. Métodos como RULA, REBA, OWAS e 
OCRA produzem indicadores compostos 
específicos, cada um com sua própria metodologia 
de ponderação e agregação.
Estes índices permitem priorizar postos de trabalho 
para intervenções ergonômicas, monitorar a 
evolução dos riscos ao longo do tempo e avaliar o 
impacto de modificações ergonômicas. Na prática, o 
enfermeiro do trabalho pode utilizar estes 
indicadores para fundamentar recomendações 
específicas de adequação dos ambientes laborais.
Outros exemplos relevantes incluem o Índice de Segurança e Saúde Ocupacional (que integra indicadores de 
acidentes, doenças, conformidade legal e cultura de segurança), o Índice de Estresse Ocupacional 
(combinando diferentes dimensões de estressores e manifestações de estresse) e o Índice de Qualidade de 
Vida no Trabalho (agregando satisfação, autonomia, desenvolvimento profissional e equilíbrio trabalho-vida).
Desafios Metodológicos e Limitações
Subjetividade nas 
Escolhas 
Metodológicas
Cada etapa da construção 
de um indicador composto 
envolve decisões 
subjetivas que podem 
influenciar 
significativamente o 
resultado final. Diferentes 
métodos de normalização, 
ponderação ou agregação 
podem produzir 
classificações muito 
distintas, mesmo a partir 
dos mesmos dados 
primários. Análises de 
sensibilidade devem ser 
conduzidas para avaliar a 
robustez do índice frente a 
diferentes escolhas 
metodológicas.
Perda de Informação
A agregação 
inevitavelmente resulta em 
perda de informação sobre 
comportamentos 
específicos de 
componentes individuais. 
Um índice sintético com 
valor mediano pode 
resultar tanto de 
desempenho médio em 
todos os componentes 
quanto de desempenho 
excelente em alguns 
compensado por 
desempenho péssimo em 
outros. Por isso, 
indicadores compostos 
devem ser acompanhados 
de análises desagregadas 
para intervenções 
específicas.
Viés de Seleção e 
Compensabilidade
A omissão de dimensões 
relevantes por falta de 
dados ou outros motivos 
pode distorcer a 
representação do conceito. 
Ademais, métodos aditivos 
de agregação permitem 
que bom desempenho em 
um componente compense 
totalmente mau 
desempenho em outro, o 
que nem sempre é 
conceitualmente adequado 
para fenômenos em saúde 
ocupacional, onde 
determinados riscos 
podem ter caráter não 
compensável.
Na prática da enfermagem do trabalho, os indicadores compostos devem ser utilizados como ferramentas 
complementares, não substitutivas, da análise detalhada de indicadores individuais. A transparência 
metodológica é essencial: o profissional deve compreender e comunicar claramente como o índice foi 
construído, suas limitações e o significado prático de diferentes valores. Idealmente, análises de sensibilidade 
e intervalos de confiança devem acompanhar o valor pontual, explicitando a incerteza associada à medida.
Quando adequadamente construídos e interpretados, os indicadores compostos oferecem vantagens 
significativas: facilitam a comunicação com gestores e trabalhadores, permitem comparações entre setores ou 
unidades, simplificam o monitoramento temporal de fenômenos complexos e ajudam a traduzir conceitos 
teóricos em métricas operacionais que podem fundamentar intervenções concretas para a melhoria da saúde 
e segurança no ambiente laboral.
Análise de Custo-efetividade em 
Programas de Saúde Ocupacional
A análise de custo-efetividade (ACE) constitui uma ferramenta metodológica fundamental para avaliar a 
relação entre recursos investidos e resultados obtidos em programas de saúde ocupacional. Em um contexto 
de recursos limitados e crescente pressão por accountability, esta abordagem permite comparar diferentes 
intervenções ou estratégias em termos de seus custos relativos para produzir determinados benefícios em 
saúde. Para o enfermeiro do trabalho, o domínio desta metodologiaé essencial para fundamentar decisões 
sobre alocação de recursos, justificar investimentos em programas preventivos e otimizar o impacto das 
intervenções sobre a saúde dos trabalhadores.
Conceitos Fundamentais em Análise de Custo-efetividade
Razão de Custo-
efetividade
A métrica central da ACE é a 
razão de custo-efetividade 
(RCE), calculada como a 
diferença nos custos entre 
duas alternativas dividida pela 
diferença em seus efeitos:
RCE = (Custo_A - Custo_B) 
/ (Efeito_A - Efeito_B)
Esta razão representa o custo 
adicional necessário para 
obter uma unidade adicional 
de efeito, utilizando a 
intervenção A em vez da B. 
Por exemplo, o custo adicional 
por lesão musculoesquelética 
evitada ao implementar um 
programa ergonômico 
abrangente em comparação 
com medidas básicas.
Perspectiva da Análise
A perspectiva adotada 
determina quais custos e 
consequências serão 
considerados. Em saúde 
ocupacional, perspectivas 
comuns incluem:
Perspectiva do 
empregador: Considera 
custos diretos como 
implementação do 
programa, compensações 
por acidentes e doenças, e 
custos indiretos como 
perda de produtividade;
Perspectiva do sistema de 
saúde: Foca em custos 
médico-assistenciais 
decorrentes de agravos 
ocupacionais;
Perspectiva da sociedade: 
A mais abrangente, inclui 
todos os custos e 
benefícios relevantes, 
independentemente de 
quem os incorre ou 
recebe, incluindo 
impactos sociais e custos 
intangíveis.
Horizonte Temporal e 
Taxas de Desconto
Muitas intervenções 
ocupacionais têm custos 
imediatos e benefícios de 
longo prazo, exigindo 
consideração de uma janela 
temporal adequada. Para 
comparar custos e efeitos que 
ocorrem em diferentes 
momentos, aplica-se uma taxa 
de desconto (geralmente 3-
5% ao ano), refletindo a 
preferência temporal e o 
custo de oportunidade dos 
recursos.
Componentes da Análise de Custo-efetividade em Saúde Ocupacional
Mensuração de Custos
A identificação e valoração precisa dos custos é 
essencial para a validade da análise. Em programas 
ocupacionais, custos relevantes tipicamente 
incluem:
Custos diretos da intervenção: Equipamentos, 
materiais, treinamento, pessoal, consultoria 
técnica;
Custos indiretos da intervenção: Tempo dos 
trabalhadores para participar em atividades 
preventivas, adaptação a novos processos;
Custos evitados: Redução em despesas 
médicas, indenizações, prêmios de seguros e 
custos de substituição de pessoal;
Ganhos de produtividade: Redução de 
absenteísmo e presenteísmo, melhoria na 
qualidade do trabalho.
A valoração monetária destes custos deve 
considerar o custo de oportunidade real dos 
recursos utilizados, não apenas despesas 
financeiras explícitas.
Mensuração de Efetividade
Dependendo dos objetivos do programa e da 
disponibilidade de dados, diferentes desfechos 
podem ser utilizados como medidas de efetividade:
Desfechos clínicos específicos: Número de 
lesões ou doenças evitadas, redução em níveis 
de exposição, melhoria em parâmetros 
fisiológicos;
Indicadores de funcionalidade: Dias de trabalho 
recuperados, melhoria no Índice de Capacidade 
para o Trabalho;
Medidas de qualidade de vida: Anos de vida 
ajustados pela qualidade (QALYs), que 
combinam duração e qualidade de vida;
Medidas compostas: Índices que agregam 
múltiplos desfechos em uma única métrica.
A escolha do desfecho deve refletir os objetivos 
primários do programa e permitir comparações 
relevantes entre alternativas.
Técnicas Específicas em Análise de Custo-efetividade
Análise de custo-benefício (ACB): Converte todos os efeitos em termos monetários, permitindo calcular 
um retorno sobre investimento (ROI) ou benefício líquido. Embora intuitiva para gestores, apresenta 
desafios éticos e metodológicos na valoração monetária de desfechos como saúde ou vida.
Análise de custo-utilidade (ACU): Utiliza medidas de utilidade como QALYs, incorporando preferências 
por diferentes estados de saúde. É particularmente valiosa quando a qualidade de vida é um aspecto 
importante do programa.
Análise de sensibilidade: Avalia como resultados variam frente a mudanças em parâmetros incertos, 
identificando variáveis críticas e testando a robustez das conclusões. Pode ser univariada (um parâmetro 
por vez), multivariada (múltiplos parâmetros simultaneamente) ou probabilística (utilizando distribuições 
para cada parâmetro).
Modelagem de decisão: Utiliza modelos como árvores de decisão ou Markov para simular trajetórias 
clínicas e econômicas de diferentes estratégias ao longo do tempo, especialmente útil quando dados 
empíricos diretos são limitados.
Na implementação prática da ACE em saúde ocupacional, desafios específicos incluem a dificuldade em isolar 
efeitos da intervenção de outras mudanças contemporâneas, a mensuração adequada de custos e benefícios 
indiretos, a atribuição de valor a consequências intangíveis, e a transferibilidade de resultados entre 
diferentes contextos organizacionais.
O enfermeiro do trabalho deve reconhecer que, embora a ACE forneça informações valiosas para a tomada de 
decisão, outros fatores como equidade, considerações éticas, aceitabilidade das intervenções e compromissos 
organizacionais de longo prazo também são fundamentais na definição de políticas de saúde ocupacional. A 
análise de custo-efetividade deve ser vista como uma ferramenta complementar, não substitutiva, ao 
julgamento profissional e às considerações contextuais específicas de cada ambiente laboral.
Aplicações de Big Data e Mineração de 
Dados em Saúde Ocupacional
O advento do Big Data e das técnicas de mineração de dados tem revolucionado as possibilidades analíticas 
em diversos campos, incluindo a saúde ocupacional. Estas abordagens permitem explorar volumes massivos 
de dados provenientes de múltiplas fontes para identificar padrões, associações e tendências que podem não 
ser evidentes através de métodos estatísticos tradicionais. Para o enfermeiro do trabalho, compreender estas 
metodologias emergentes é fundamental para aproveitar o potencial dos dados disponíveis e desenvolver 
estratégias preventivas e assistenciais mais precisas e personalizadas.
Big Data em Saúde Ocupacional: Conceitos e Fontes
O termo Big Data refere-se a conjuntos de dados caracterizados por grande volume, velocidade (geração 
rápida e contínua), variedade (dados estruturados e não estruturados de diversas fontes) e veracidade 
(qualidade e confiabilidade variáveis). No contexto da saúde ocupacional, potenciais fontes de Big Data 
incluem:
Registros Eletrônicos de Saúde 
Ocupacional
Exames admissionais, periódicos e 
demissionais, atendimentos ambulatoriais, 
registros de acidentes e afastamentos, 
avaliações ergonômicas e psicossociais, 
gerando dados longitudinais sobre a saúde 
dos trabalhadores.
Monitoramento Ambiental e 
Individual
Sensores para avaliação contínua de 
exposições (ruído, temperatura, agentes 
químicos), dispositivos vestíveis (wearables) 
monitorando parâmetros fisiológicos e 
biomecânicos em tempo real, e equipamentos 
de proteção conectados gerando dados sobre 
uso e efetividade.
Dados Administrativos e 
Operacionais
Registros de recursos humanos, escalas de 
trabalho, produtividade, absenteísmo, 
rotatividade e informações sobre processos 
produtivos que podem ser correlacionados 
com desfechos de saúde.
Dados Externos e Contextuais
Informações epidemiológicas regionais, dados 
climáticos, indicadores socioeconômicos e 
tendências de mercado que podem influenciar 
a saúde ocupacional indiretamente.
Técnicas de Mineração de Dados e Suas Aplicações
Métodos Supervisionados
Utilizam dados rotulados para treinar modelos que 
possam fazer previsões ou classificações de novos 
casos. Em saúde ocupacional, aplicações relevantes 
incluem:
Modelos Preditivos de Risco: Algoritmos como 
regressão logística, árvores de decisão, random 
forests e redes neurais podem identificar 
trabalhadores com maiorprobabilidade de 
desenvolver determinadas condições ou sofrer 
acidentes, permitindo intervenções preventivas 
direcionadas.
Classificação de Exposição: Técnicas como 
support vector machines (SVM) e 
classificadores bayesianos podem categorizar 
padrões de exposição ocupacional a partir de 
múltiplas variáveis, auxiliando na identificação 
de grupos prioritários para monitoramento.
Previsão de Absenteísmo: Modelos de séries 
temporais e aprendizado de máquina podem 
prever tendências de ausências por motivos de 
saúde, possibilitando planejamento proativo de 
recursos e intervenções preventivas.
Métodos Não Supervisionados
Exploram estruturas e padrões intrínsecos nos 
dados sem categorias predefinidas. Aplicações em 
saúde ocupacional incluem:
Análise de Agrupamentos (Clustering): 
Algoritmos como K-means, DBSCAN e 
agrupamento hierárquico podem identificar 
subgrupos naturais de trabalhadores com perfis 
similares de exposição, sintomas ou resposta a 
intervenções, possibilitando abordagens mais 
personalizadas.
Detecção de Anomalias: Técnicas que 
identificam observações que diferem 
significativamente do padrão comum, úteis para 
detectar surtos, exposições incomuns ou 
irregularidades em indicadores de saúde que 
merecem investigação prioritária.
Análise de Associação: Algoritmos como 
Apriori identificam regras do tipo "se-então" 
entre variáveis, revelando combinações de 
fatores frequentemente associados a 
determinados desfechos ocupacionais.
Processamento de Linguagem Natural e Análise de Texto
Uma proporção significativa dos dados em saúde ocupacional existe em formato de texto não estruturado: 
anotações clínicas, relatos de acidentes, queixas de trabalhadores e descrições de atividades. Técnicas de 
processamento de linguagem natural (PLN) permitem extrair informações valiosas destes dados:
Extração de Entidades e Conceitos: Identificação automática de diagnósticos, sintomas, exposições, 
medicamentos e procedimentos em textos clínicos;
Análise de Sentimento: Avaliação da carga emocional e atitudes em relatos de trabalhadores, útil para 
monitorar clima organizacional e estresse;
Classificação de Documentos: Categorização automática de relatos de incidentes ou queixas, facilitando 
análises epidemiológicas e identificação de tendências;
Mineração de Tópicos: Descoberta de temas recorrentes em comunicações relacionadas à saúde e 
segurança, revelando preocupações emergentes.
Desafios e Considerações Éticas
A aplicação de Big Data e mineração de dados em saúde ocupacional enfrenta desafios significativos que o 
enfermeiro do trabalho deve considerar:
Qualidade e Integração de Dados
Dados de fontes heterogêneas frequentemente 
apresentam problemas de completude, precisão, 
consistência e compatibilidade. Técnicas de 
limpeza, padronização e integração de dados são 
pré-requisitos essenciais para análises válidas.
Privacidade e Confidencialidade
O uso de dados individualizados de saúde exige 
rigorosa conformidade com legislações de 
proteção de dados como LGPD, HIPAA ou GDPR. 
Técnicas como anonimização, pseudonimização e 
controle de acesso são fundamentais para 
proteger informações sensíveis.
Interpretabilidade e Aplicabilidade
Modelos complexos como redes neurais 
profundas podem oferecer alta acurácia 
preditiva, mas baixa interpretabilidade ("caixas-
pretas"). Em saúde ocupacional, a compreensão 
dos mecanismos subjacentes às associações é 
crucial para intervenções efetivas e aceitação 
por stakeholders.
Vieses Algorítmicos
Algoritmos treinados com dados históricos 
podem perpetuar ou amplificar vieses 
preexistentes, por exemplo, subestimando riscos 
em grupos sub-representados. Técnicas de 
debiasing e validação cruzada em diferentes 
subpopulações são essenciais para modelos 
equitativos.
Para maximizar o valor do Big Data em saúde ocupacional, abordagens multidisciplinares são necessárias, 
integrando expertise em enfermagem do trabalho, estatística, ciência de dados, epidemiologia e 
conhecimento específico do setor produtivo. Os resultados de análises avançadas devem ser vistos como 
complementares, não substitutivos, ao julgamento clínico profissional e ao conhecimento contextual. Quando 
implementadas com rigor metodológico e considerações éticas apropriadas, estas técnicas podem 
transformar dados brutos em conhecimento acionável, fundamentando intervenções mais precisas, 
personalizadas e custo-efetivas para a proteção e promoção da saúde dos trabalhadores.
Referências Bibliográficas
Livros e Manuais Técnicos
AMBEKAR, A.; SHARMA, R. Bioestatística para ciências da saúde. 2. ed. São Paulo: Editora Manole, 2021.
AQUINO, E. M. L.; BARRETO, S. M. Epidemiologia e saúde do trabalhador no Brasil: desafios para 
intervenção. 3. ed. Rio de Janeiro: Fiocruz, 2021.
BRASIL, Ministério da Saúde. Manual de procedimentos para os serviços de saúde: doenças relacionadas 
ao trabalho. Brasília: Ministério da Saúde, 2019.
CALLEGARI-JACQUES, S. M. Bioestatística: princípios e aplicações. 3. ed. Porto Alegre: Artmed, 2023.
CORDEIRO, R.; ALVES, D. S. Métodos quantitativos em saúde do trabalhador. 2. ed. São Paulo: Hucitec, 
2020.
MARTINEZ, M. C.; LATORRE, M. R. D. O. Bioestatística em saúde ocupacional. São Paulo: Roca, 2022.
MEDRONHO, R. A.; BLOCH, K. V.; LUIZ, R. R.; WERNECK, G. L. Epidemiologia. 3. ed. São Paulo: Atheneu, 
2021.
MOTTA, V. T.; WAGNER, M. B. Bioestatística. 3. ed. Rio de Janeiro: Guanabara Koogan, 2020.
VIEIRA, S. Introdução à bioestatística. 6. ed. Rio de Janeiro: Elsevier, 2021.
Artigos Científicos
ASSUNÇÃO, A. A.; PIMENTA, A. M. Effectiveness of interventions to promote health and prevent disease 
in health care workers: a systematic review. Revista de Saúde Pública, v. 55, p. 87, 2021.
BASTOS, L. S. et al. Utilização de métodos estatísticos em publicações da área de saúde do trabalhador no 
Brasil: uma revisão sistemática. Revista Brasileira de Epidemiologia, v. 24, e210012, 2021.
CARDOSO, G. C. P. et al. O uso de big data em saúde do trabalhador: revisão sistemática e análise crítica. 
Cadernos de Saúde Pública, v. 37, n. 10, e00071221, 2021.
CARVALHO, D. B. et al. Aplicação de análises de sobrevida em estudos sobre retorno ao trabalho após 
afastamento por transtornos mentais. Ciência & Saúde Coletiva, v. 25, n. 3, p. 975-986, 2020.
CORDEIRO, R. et al. Property conflicts between epidemiological study design and statistical analysis: the 
case of non-collapsibility. Cadernos de Saúde Pública, v. 36, n. 10, e00196119, 2020.
FARIAS, M. D. et al. Aplicação de modelos multiníveis em estudos de coorte ocupacionais: vantagens, 
limitações e aspectos metodológicos. Revista Brasileira de Saúde Ocupacional, v. 46, e19, 2021.
MOURA, A. G. G. et al. Métodos estatísticos não paramétricos em estudos de perfil de saúde em 
populações trabalhadoras. Revista Brasileira de Medicina do Trabalho, v. 19, n. 1, p. 111-120, 2021.
RAMOS, P. L. et al. Uma abordagem bayesiana para análise de riscos ocupacionais: aplicações em setores 
industriais brasileiros. Revista Brasileira de Epidemiologia, v. 24, e210025, 2021.
SILVA, J. S. et al. Estratégias de análise de dados longitudinais em estudos de intervenções ergonômicas. 
Revista Brasileira de Saúde Ocupacional, v. 45, e5, 2020.
SOUZA, K. et al. Análise de custo-efetividade em programas de retorno ao trabalho após afastamento por 
problemas de saúde mental: uma revisão sistemática. Ciência & Saúde Coletiva, v. 26, n. 5, p. 1841-1856, 
2021.
Dissertações e Teses
ALMEIDA, P. C. A. Métodos estatísticos para análise de dados longitudinais em saúde ocupacional: uma 
aplicação no estudo de capacidade para o trabalho em profissionais de enfermagem. 2022. Tese 
(Doutorado em Saúde Coletiva) - Universidade Federal do Ceará, Fortaleza, 2022.
ARAÚJO, T. M. Aplicação de modelos de equações estruturais para estudo da associação entre fatores 
psicossociais do trabalho e distúrbios musculoesqueléticos. 2020. Tese (Doutoradoem Saúde Pública) - 
Universidade Federal da Bahia, Salvador, 2020.
SANTOS, C. M. Análise de custo-efetividade de programa de prevenção de lombalgia ocupacional em 
trabalhadores da indústria. 2021. Dissertação (Mestrado em Ciências da Reabilitação) - Universidade de 
São Paulo, São Paulo, 2021.
Recursos Digitais
BRASIL. Ministério da Saúde. Observatório Digital de Saúde e Segurança do Trabalho. Disponível em: 
https://observatoriosst.mpt.mp.br/. Acesso em: 20 mar. 2023.
FUNDACENTRO. Repositório Institucional da Fundacentro. Disponível em: 
https://repositorio.fundacentro.gov.br/. Acesso em: 18 mar. 2023.
UNIVERSIDADE DE SÃO PAULO. Biblioteca Virtual em Saúde - Saúde do Trabalhador. Disponível em: 
https://bvsms.saude.gov.br/bvs/trabalhador/. Acesso em: 22 mar. 2023.fisiológicos dos trabalhadores.
Média Aritmética
A média aritmética é obtida pela soma de todos os 
valores observados dividida pelo número total de 
observações. Matematicamente, é representada 
pela equação:
μ = Σx/n
Onde μ representa a média populacional, Σx é a 
soma de todos os valores e n é o número total de 
observações. A média é sensível a valores extremos 
(outliers), o que pode ser tanto uma vantagem 
quanto uma limitação, dependendo do contexto de 
análise. Em enfermagem do trabalho, a média é 
frequentemente utilizada para monitorar 
indicadores como idade média dos trabalhadores, 
média de afastamentos mensais ou níveis médios de 
exposição a agentes físicos, químicos ou biológicos.
Mediana
A mediana representa o valor central de um 
conjunto de dados ordenados, dividindo-o em duas 
partes iguais. Para um número ímpar de 
observações, a mediana corresponde exatamente 
ao valor central. Para um número par, é calculada 
como a média dos dois valores centrais. Uma 
característica importante da mediana é sua 
robustez à presença de valores extremos, o que a 
torna particularmente útil em distribuições 
assimétricas. Na análise de variáveis como tempo 
de afastamento do trabalho por motivos de saúde 
ou número de acidentes ocupacionais, a mediana 
frequentemente oferece uma representação mais 
fidedigna da tendência central que a média.
A moda representa o valor que ocorre com maior frequência em um conjunto de dados. Um conjunto pode 
apresentar uma única moda (unimodal), duas modas (bimodal) ou múltiplas modas (multimodal). Em saúde 
ocupacional, a moda é útil para identificar os tipos mais comuns de acidentes de trabalho, os sintomas mais 
frequentemente relatados pelos trabalhadores ou os setores com maior incidência de problemas de saúde 
específicos.
A escolha da medida de tendência central mais apropriada depende da natureza dos dados e dos objetivos da 
análise. Para variáveis com distribuição aproximadamente normal, a média, mediana e moda tendem a 
apresentar valores próximos. Em distribuições assimétricas, no entanto, estas medidas podem diferir 
significativamente. O enfermeiro do trabalho deve compreender as propriedades e limitações de cada medida 
para utilizá-las adequadamente na caracterização dos dados relacionados à saúde dos trabalhadores, 
fornecendo bases sólidas para o planejamento de intervenções e a avaliação de programas de saúde 
ocupacional.
Medidas de Dispersão
As medidas de dispersão complementam as medidas de tendência central ao fornecerem informações sobre a 
variabilidade ou heterogeneidade dos dados. Enquanto as medidas de tendência central indicam valores 
típicos, as de dispersão mostram o grau de afastamento dos valores individuais em relação a esses pontos 
centrais. Em enfermagem do trabalho, compreender a dispersão dos dados é fundamental para avaliar a 
homogeneidade dos grupos de trabalhadores, a consistência das exposições ocupacionais e a variabilidade 
dos indicadores de saúde.
Amplitude
A amplitude representa a diferença entre o maior e 
o menor valor observado em um conjunto de dados. 
Embora seja uma medida simples e intuitiva, sua 
principal limitação está no fato de considerar 
apenas os valores extremos, ignorando a 
distribuição intermediária dos dados. Na prática, a 
amplitude pode ser útil para uma avaliação inicial da 
variabilidade de parâmetros como níveis de 
exposição a agentes de risco ou tempo de 
permanência em determinada função.
Variância e Desvio Padrão
A variância é calculada como a média dos quadrados 
dos desvios em relação à média aritmética. O desvio 
padrão, por sua vez, corresponde à raiz quadrada da 
variância, expressando a dispersão na mesma 
unidade da variável original. Matematicamente, a 
variância populacional é representada por:
σ² = Σ(x - μ)²/n
E o desvio padrão populacional por:
σ = √σ²
O coeficiente de variação (CV) é uma medida relativa de dispersão, calculada como a razão entre o desvio 
padrão e a média, multiplicada por 100 para expressão em porcentagem. O CV permite comparar a 
variabilidade de diferentes variáveis, independentemente de suas unidades de medida, o que é 
particularmente útil para contrastar a dispersão de diferentes indicadores de saúde ocupacional.
A variância interquartil corresponde à diferença entre o terceiro e o primeiro quartil (Q3 - Q1), 
representando a amplitude do intervalo que contém os 50% centrais dos dados. Esta medida é menos sensível 
a valores extremos que o desvio padrão, sendo especialmente útil para distribuições assimétricas ou na 
presença de outliers.
Na enfermagem do trabalho, as medidas de dispersão são essenciais para a interpretação adequada dos dados 
de saúde ocupacional. Por exemplo, ao analisar os níveis de exposição a um determinado agente químico, uma 
média dentro dos limites de tolerância acompanhada de grande dispersão pode indicar que, embora o valor 
médio seja aceitável, uma parcela significativa dos trabalhadores está exposta a níveis superiores aos 
recomendados. De modo similar, ao avaliar a eficácia de um programa de ginástica laboral, a redução na 
dispersão dos indicadores de capacidade funcional pode ser tão relevante quanto a melhoria nos valores 
médios, indicando benefícios mais homogêneos entre os participantes.
Distribuições de Probabilidade
As distribuições de probabilidade são modelos matemáticos que descrevem o comportamento aleatório de 
variáveis, fornecendo a probabilidade de ocorrência de cada valor possível. Na enfermagem do trabalho, o 
conhecimento dessas distribuições permite quantificar incertezas, estimar riscos ocupacionais e realizar 
inferências estatísticas fundamentadas. As distribuições de probabilidade dividem-se em discretas e 
contínuas, dependendo da natureza da variável que representam.
Distribuições Discretas
Aplicam-se a variáveis que assumem valores isolados, geralmente resultantes de contagens. No contexto da 
saúde ocupacional, algumas das distribuições discretas mais relevantes incluem:
Distribuição Binomial
Modela o número de sucessos em um número 
fixo de ensaios independentes, cada um com a 
mesma probabilidade de sucesso. É aplicável 
em situações como a contagem de 
trabalhadores que desenvolvem determinada 
condição após exposição a um agente 
específico, ou na análise da eficácia de 
equipamentos de proteção individual. A 
função de probabilidade binomial é dada por:
P(X = k) = (n!/(k!(n-k)!)) × p^k × (1-p)^(n-k)
Onde n é o número de ensaios independentes, 
k é o número de sucessos, e p é a 
probabilidade de sucesso em cada ensaio.
Distribuição de Poisson
Modela o número de ocorrências de um 
evento em um intervalo fixo de tempo ou 
espaço, quando estas ocorrências são raras e 
independentes. Em saúde ocupacional, é 
utilizada para analisar eventos como 
acidentes de trabalho, casos de doenças 
ocupacionais raras ou falhas em 
equipamentos de segurança. A função de 
probabilidade de Poisson é expressa por:
P(X = k) = (e^-λ × λ^k)/k!
Onde λ representa a taxa média de 
ocorrências no intervalo, e k é o número de 
ocorrências.
Distribuições Contínuas
A Distribuição Normal ou Gaussiana é a distribuição contínua mais importante em estatística, caracterizada 
por sua curva simétrica em forma de sino. Muitas variáveis biológicas tendem a seguir aproximadamente esta 
distribuição, como pressão arterial, níveis de glicemia e diversos indicadores antropométricos. Na 
enfermagem do trabalho, a distribuição normal fundamenta numerosos testes estatísticos e é essencial para a 
interpretação de dados como níveis de exposição a agentes físicos e químicos, parâmetros fisiológicos dos 
trabalhadores e resultados de exames periódicos.
Outras distribuições contínuas relevantes incluem a distribuição t de Student (utilizada para inferências com 
amostras pequenas), a distribuição qui-quadrado (fundamental para testes de associação) e a distribuição F 
(aplicada em análise de variância).O domínio dessas distribuições permite ao enfermeiro do trabalho realizar 
análises estatísticas robustas, contribuindo para decisões mais fundamentadas no âmbito da saúde 
ocupacional.
Amostragem em Pesquisas de Saúde 
Ocupacional
A amostragem constitui um processo fundamental em pesquisas em saúde ocupacional, permitindo inferir 
características de uma população a partir do estudo de uma parcela representativa de seus elementos. Para o 
enfermeiro do trabalho, o domínio das técnicas de amostragem é essencial tanto para o planejamento de 
pesquisas quanto para a interpretação crítica da literatura científica da área. Os métodos de amostragem 
adequados garantem que os resultados obtidos reflitam com precisão a realidade da população trabalhadora 
em estudo.
Amostragem Probabilística
Os métodos de amostragem probabilística 
caracterizam-se por atribuir a cada elemento da 
população uma probabilidade conhecida e não-nula 
de seleção. Estes métodos permitem estimar o erro 
amostral e generalizar os resultados com maior 
confiabilidade, sendo particularmente valiosos em 
estudos epidemiológicos ocupacionais.
Amostragem Aleatória Simples: Cada elemento 
da população tem igual probabilidade de ser 
selecionado. Em saúde ocupacional, pode ser 
aplicada, por exemplo, na seleção de 
trabalhadores para monitoramento biológico de 
exposição a agentes químicos.
1.
Amostragem Sistemática: Seleciona-se um 
elemento a cada intervalo fixo, após um início 
aleatório. É frequentemente utilizada em 
avaliações ambientais e ergonômicas de postos 
de trabalho sequenciais.
2.
Amostragem Estratificada: A população é 
dividida em estratos homogêneos (ex.: por setor, 
cargo ou grau de exposição), realizando-se 
amostragem em cada estrato. Esta técnica é 
valiosa para garantir representatividade em 
populações trabalhadoras heterogêneas.
3.
Amostragem por Conglomerados: Seleciona-se 
aleatoriamente grupos naturais (ex.: equipes, 
turnos ou unidades), estudando-se todos seus 
elementos. Este método é especialmente útil 
quando a lista completa de trabalhadores não 
está disponível, mas pode-se identificar 
facilmente os conglomerados.
4.
Amostragem Não-Probabilística
Embora não permitam generalização estatística 
rigorosa, os métodos não-probabilísticos podem ser 
úteis em determinados contextos de saúde 
ocupacional, especialmente em estudos 
exploratórios ou qualitativos.
Amostragem por Conveniência: Seleciona 
elementos mais acessíveis. Embora limitada em 
termos de representatividade, pode ser útil em 
estudos piloto ou para gerar hipóteses iniciais 
sobre riscos ocupacionais emergentes.
Amostragem Intencional: Seleciona casos 
típicos ou de interesse particular, baseados no 
julgamento do pesquisador. É aplicável em 
estudos de caso sobre acidentes de trabalho 
graves ou doenças ocupacionais raras.
Amostragem por Quotas: Estabelece quotas 
para características específicas, garantindo 
proporcionalidade similar à da população. Pode 
ser utilizada para estudos rápidos sobre 
percepção de riscos ou satisfação com 
programas de saúde ocupacional.
O dimensionamento amostral é um aspecto crucial do processo, determinando o número mínimo de 
participantes necessário para obter resultados confiáveis. Este cálculo deve considerar fatores como o tipo de 
estudo, a prevalência esperada do fenômeno, a precisão desejada e o poder estatístico requerido. Em 
enfermagem do trabalho, amostras subdimensionadas podem falhar em detectar riscos ocupacionais 
significativos, enquanto amostras excessivamente grandes podem representar desperdício de recursos e 
exposição desnecessária de trabalhadores a procedimentos de pesquisa.
A representatividade da amostra é fundamental para a validade das inferências. O enfermeiro do trabalho 
deve estar atento a possíveis vieses de seleção, que podem comprometer a generalização dos resultados. 
Estratégias como randomização, estratificação adequada e alto percentual de resposta são essenciais para 
minimizar estes vieses e garantir que as conclusões do estudo sejam aplicáveis à população trabalhadora de 
interesse.
Estatísticas de Morbidade Ocupacional
As estatísticas de morbidade ocupacional constituem instrumentos fundamentais para a mensuração, 
monitoramento e análise da ocorrência de doenças e agravos relacionados ao trabalho. Para o enfermeiro do 
trabalho, o domínio destes indicadores é essencial para o planejamento de ações preventivas, a avaliação de 
programas de saúde ocupacional e a fundamentação de políticas de proteção à saúde dos trabalhadores.
Principais Indicadores de Morbidade Ocupacional
Taxas de Incidência
Mensuram a ocorrência de 
casos novos de uma doença 
ou agravo em uma população 
trabalhadora durante um 
período específico. São 
calculadas pela fórmula:
Taxa de Incidência = (Nº de 
casos novos no período / 
População exposta ao 
risco no período) × 
Constante
A constante geralmente 
utilizada é 100.000 
trabalhadores-ano. Estas 
taxas são particularmente 
úteis para avaliar riscos em 
diferentes grupos 
ocupacionais e monitorar 
tendências temporais de 
doenças relacionadas ao 
trabalho.
Taxas de Prevalência
Medem a proporção de 
trabalhadores afetados por 
determinada condição em um 
momento ou período 
específico. São calculadas 
como:
Taxa de Prevalência = (Nº 
total de casos existentes / 
População total) × 
Constante
A prevalência é influenciada 
tanto pela incidência quanto 
pela duração da condição, 
sendo um indicador 
importante para o 
dimensionamento de serviços 
assistenciais e programas de 
reabilitação ocupacional.
Indicadores de 
Gravidade
Avaliam a severidade dos 
agravos, incluindo métricas 
como tempo médio de 
afastamento, taxa de 
letalidade e proporção de 
sequelas permanentes. Estes 
indicadores são essenciais 
para mensurar o impacto real 
dos problemas de saúde sobre 
a capacidade laboral e a 
qualidade de vida dos 
trabalhadores.
A análise estratificada desses indicadores, considerando variáveis como idade, sexo, ocupação, setor 
econômico e tipo de exposição, permite identificar grupos de maior vulnerabilidade e fatores de risco 
específicos. Esta abordagem fundamenta a implementação de intervenções direcionadas e mais efetivas para 
a proteção da saúde dos trabalhadores.
Os sistemas de vigilância epidemiológica ocupacional baseiam-se extensivamente nestas estatísticas para 
monitorar tendências, detectar precocemente surtos e avaliar o impacto de mudanças tecnológicas ou 
organizacionais sobre a saúde dos trabalhadores. No Brasil, sistemas como o SINAN (Sistema de Informação 
de Agravos de Notificação) e o SIST (Sistema de Informações em Saúde do Trabalhador) fornecem dados 
valiosos para a construção desses indicadores, embora a subnotificação ainda represente um desafio 
significativo.
É fundamental que o enfermeiro do trabalho compreenda as limitações das estatísticas de morbidade 
ocupacional, como o efeito do trabalhador sadio, os desafios no estabelecimento do nexo causal entre 
trabalho e doença, e as inconsistências nos critérios diagnósticos. A interpretação crítica desses indicadores, 
considerando tais limitações, é essencial para sua aplicação adequada no contexto da saúde ocupacional.
Indicadores de Acidentes de Trabalho
Os indicadores de acidentes de trabalho representam instrumentos essenciais para a quantificação, análise e 
monitoramento dos eventos acidentários no ambiente laboral. Na enfermagem do trabalho, esses indicadores 
fundamentam o planejamento de intervenções preventivas, a avaliação da eficácia de programas de segurança 
e a identificação de setores ou atividades que demandam atenção prioritária. A análise sistemática desses 
dados permite uma abordagem baseada em evidências para a gestão dos riscos ocupacionais.
Taxa de Frequência
Este indicador mensura o número de acidentes 
ocorridos em relação ao tempo de exposição dos 
trabalhadores ao risco. No Brasil,a Norma 
Brasileira ABNT NBR 14280 estabelece seu cálculo 
como:
TF = (N × 1.000.000) / H
Onde N representa o número de acidentes com 
afastamento e H corresponde ao número de horas-
homem de exposição ao risco no período 
considerado. A constante 1.000.000 representa 
1.000 trabalhadores expostos durante 1.000 horas, 
permitindo a expressão do indicador como "número 
de acidentes por milhão de horas-homem 
trabalhadas". A taxa de frequência pode ser 
calculada para diferentes tipos de acidentes (com 
afastamento, sem afastamento, fatais) e para 
diferentes períodos (mensal, trimestral, anual), 
possibilitando análises comparativas e de 
tendências.
Taxa de Gravidade
Este indicador avalia a severidade dos acidentes, 
considerando o tempo perdido devido a 
afastamentos. Seu cálculo, conforme a ABNT NBR 
14280, segue a fórmula:
TG = (T × 1.000.000) / H
Onde T representa o tempo computado (dias 
perdidos mais dias debitados) e H corresponde ao 
número de horas-homem de exposição ao risco. Os 
dias debitados são atribuídos segundo uma tabela 
padronizada que considera lesões permanentes e 
fatalidades. A taxa de gravidade é expressa em "dias 
perdidos por milhão de horas-homem trabalhadas" 
e oferece uma dimensão do impacto dos acidentes 
em termos de perda de tempo produtivo e 
severidade das lesões.
Outros indicadores relevantes incluem a taxa de incidência acumulada (número de acidentes por grupo de 
trabalhadores em determinado período), o índice de acidentalidade (relação percentual entre o número de 
acidentados e o número médio anual de empregados) e a duração média das incapacidades (tempo médio de 
afastamento por acidente). Estes indicadores complementares fornecem diferentes perspectivas sobre o 
fenômeno acidentário no ambiente de trabalho.
A análise estratificada dos indicadores por variáveis como setor, função, turno, idade, tempo na função e tipo 
de acidente é fundamental para identificar padrões e fatores de risco específicos. Em muitas situações, um 
pequeno número de fatores responde por uma grande proporção dos acidentes, seguindo o princípio de 
Pareto. A identificação destes fatores críticos permite a priorização de intervenções com maior potencial de 
impacto na redução da acidentalidade.
É essencial que o enfermeiro do trabalho considere as limitações destes indicadores, como a subnotificação de 
acidentes leves, as diferenças nos critérios de registro entre empresas e setores, e as variações na estrutura e 
composição da força de trabalho. A interpretação criteriosa, considerando o contexto específico e 
complementando a análise quantitativa com abordagens qualitativas, é fundamental para a utilização efetiva 
desses indicadores na gestão da segurança e saúde ocupacional.
Testes de Hipóteses
Os testes de hipóteses constituem ferramentas estatísticas fundamentais para a tomada de decisões 
baseadas em evidências no campo da saúde ocupacional. Estes procedimentos permitem ao enfermeiro do 
trabalho analisar dados amostrais para avaliar afirmações sobre parâmetros populacionais, quantificando a 
probabilidade de que os resultados observados possam ser atribuídos ao acaso. O domínio desta metodologia 
é essencial para a avaliação crítica da literatura científica e para a condução de pesquisas em enfermagem do 
trabalho.
Conceitos Fundamentais em Testes de Hipóteses
Hipóteses Estatísticas
O teste de hipóteses parte da 
formulação de duas 
afirmações concorrentes: a 
hipótese nula (H ) e a hipótese 
alternativa (H¡). A hipótese 
nula geralmente representa a 
afirmação de ausência de 
efeito ou diferença, enquanto 
a hipótese alternativa 
corresponde à afirmação que 
o pesquisador busca 
evidenciar. Por exemplo, ao 
avaliar a eficácia de um 
programa de ginástica laboral, 
H  poderia afirmar que "não 
há diferença na incidência de 
distúrbios 
musculoesqueléticos antes e 
após o programa", enquanto 
H¡ afirmaria que "o programa 
reduz a incidência destes 
distúrbios".
Erros Tipo I e Tipo II
No processo de decisão 
estatística, dois tipos de erros 
podem ocorrer: o Erro Tipo I 
(³) consiste em rejeitar a 
hipótese nula quando ela é 
verdadeira, enquanto o Erro 
Tipo II (´) consiste em não 
rejeitar a hipótese nula 
quando ela é falsa. O nível de 
significância (³) representa a 
probabilidade máxima 
aceitável para o Erro Tipo I, 
geralmente fixada em 0,05 ou 
0,01. O poder estatístico (1-´) 
indica a capacidade do teste 
de detectar um efeito quando 
ele realmente existe.
Valor p e Tomada de 
Decisão
O valor p (p-value) representa 
a probabilidade de obter um 
resultado tão ou mais 
extremo que o observado, 
assumindo que a hipótese 
nula seja verdadeira. Um valor 
p inferior ao nível de 
significância pré-estabelecido 
(³) leva à rejeição da hipótese 
nula. É fundamental 
compreender que o valor p 
não indica a probabilidade de 
que H  seja verdadeira, mas 
sim a probabilidade de 
observar os dados obtidos (ou 
dados mais extremos) se H  
for verdadeira.
Principais Testes Estatísticos em Saúde Ocupacional
Teste Aplicação Exemplo em Saúde 
Ocupacional
Teste t de Student Comparação de médias entre 
dois grupos ou em relação a um 
valor de referência
Comparar níveis médios de 
estresse entre trabalhadores 
de turnos diurno e noturno
ANOVA Comparação de médias entre 
três ou mais grupos
Analisar diferenças nos 
indicadores de capacidade 
funcional entre trabalhadores 
de diferentes setores
Qui-quadrado Análise de associação entre 
variáveis categóricas
Verificar associação entre tipo 
de atividade laboral e 
ocorrência de lombalgia
Teste de Mann-Whitney Comparação de distribuições 
entre dois grupos 
independentes (não 
paramétrico)
Comparar tempos de 
afastamento por acidente entre 
trabalhadores treinados e não 
treinados
Teste de Wilcoxon Comparação de dois grupos 
pareados (não paramétrico)
Avaliar mudanças nos escores 
de qualidade de vida antes e 
após intervenção ergonômica
A interpretação adequada dos resultados de testes de hipóteses é fundamental para a prática baseada em 
evidências. O enfermeiro do trabalho deve considerar não apenas a significância estatística, mas também a 
relevância clínica ou prática dos achados. Estudos com amostras muito grandes podem identificar diferenças 
estatisticamente significativas que têm pouca importância prática, enquanto achados não significativos em 
estudos subdimensionados podem refletir mais a falta de poder estatístico do que a ausência real de efeito.
Análise de Correlação e Regressão
A análise de correlação e regressão compreende um conjunto de técnicas estatísticas que investigam a 
relação entre variáveis, aspecto fundamental para a compreensão de fenômenos complexos em saúde 
ocupacional. Estas ferramentas permitem ao enfermeiro do trabalho identificar fatores associados a 
desfechos de saúde, quantificar a força dessas associações e desenvolver modelos preditivos que 
fundamentem intervenções preventivas e de promoção à saúde no ambiente laboral.
Correlação
A análise de correlação avalia a força e a direção da associação linear entre duas variáveis quantitativas. O 
coeficiente de correlação de Pearson (r) é a medida mais utilizada, variando de -1 a +1. Valores próximos a +1 
indicam forte correlação positiva (ambas variáveis aumentam ou diminuem conjuntamente), valores próximos 
a -1 indicam forte correlação negativa (quando uma variável aumenta, a outra diminui), e valores próximos a 
zero sugerem ausência de correlação linear.
r = Σ[(x - μx)(y - μy)] / [√Σ(x - μx)² × √Σ(y - μy)²]
Para variáveis que não seguem distribuição normal ou para dados ordinais, utiliza-se o coeficiente de 
correlação de Spearman (rs). Em saúde ocupacional, a análise de correlação pode ser aplicada, por exemplo, 
para investigar a relação entre tempo de exposição a determinado agente químico e alterações em 
biomarcadores, ou entre escores de satisfação no trabalho e indicadores deprodutividade.
É fundamental compreender que correlação não implica causalidade. A existência de correlação significativa 
entre duas variáveis pode decorrer de: relação causal direta, relação causal reversa, variáveis confundidoras, 
ou coincidência. A interpretação causal requer análise crítica baseada em plausibilidade biológica, 
temporalidade, coerência com conhecimento científico prévio e controle adequado de fatores confundidores.
Regressão
A análise de regressão vai além da correlação, permitindo modelar a relação funcional entre uma variável 
dependente (desfecho) e uma ou mais variáveis independentes (preditoras). A regressão linear simples modela 
a relação entre uma variável dependente contínua (Y) e uma única variável independente (X), através da 
equação:
Y = β  + β¡X + ε
Onde β  representa o intercepto (valor de Y quando X = 0), β¡ é o coeficiente de regressão (mudança em Y 
para cada unidade de mudança em X), e ε é o termo de erro aleatório. O método dos mínimos quadrados é 
utilizado para estimar estes parâmetros, minimizando a soma dos quadrados das diferenças entre os valores 
observados e os preditos pelo modelo.
A regressão linear múltipla amplia este conceito para múltiplas variáveis independentes:
Y = β  + β¡X¡ + β¢X¢ + ... + βₚXₚ + ε
Esta abordagem permite avaliar o efeito independente de cada preditor, controlando para os demais. Em 
enfermagem do trabalho, a regressão múltipla pode ser utilizada, por exemplo, para identificar fatores 
independentemente associados ao absenteísmo por doenças ou para desenvolver modelos preditivos de 
capacidade para o trabalho considerando variáveis sociodemográficas, ocupacionais e de saúde.
Para desfechos categóricos (ex.: presença/ausência de doença ocupacional), utiliza-se a regressão logística, 
que modela a probabilidade do evento em função das variáveis preditoras. Outros modelos importantes 
incluem a regressão de Poisson (para dados de contagem) e a regressão de Cox (para análise de sobrevida). A 
escolha do modelo adequado depende da natureza da variável dependente e das premissas sobre a 
distribuição dos dados.
Estudos Epidemiológicos em Saúde 
Ocupacional
Os estudos epidemiológicos constituem o arcabouço metodológico para a investigação sistemática dos 
determinantes da saúde e doença nas populações trabalhadoras. Na enfermagem do trabalho, o 
conhecimento dos desenhos de estudo epidemiológicos é fundamental tanto para o planejamento e execução 
de pesquisas quanto para a avaliação crítica da literatura científica que fundamenta a prática baseada em 
evidências. Cada desenho de estudo possui características, vantagens e limitações específicas, sendo a 
escolha determinada pelos objetivos da investigação, pela natureza do problema de pesquisa e pelos recursos 
disponíveis.
Estudos Descritivos
Os estudos descritivos caracterizam a ocorrência e distribuição dos problemas de saúde nas populações 
trabalhadoras, geralmente sem testar hipóteses específicas. Incluem:
Relatos de Caso e 
Séries de Casos
Descrevem ocorrências 
inusitadas ou ilustrativas, 
como casos de doenças 
ocupacionais raras ou 
apresentações atípicas de 
condições conhecidas. 
Embora limitados em 
termos de generalização, 
estes estudos são valiosos 
para a geração de 
hipóteses e o 
reconhecimento de novos 
riscos ocupacionais.
Estudos Transversais
Avaliam simultaneamente 
a exposição e o desfecho 
em um momento 
específico, permitindo 
estimar prevalências e 
identificar associações. São 
frequentemente utilizados 
para caracterizar o perfil 
de saúde de grupos 
ocupacionais e para 
investigar fatores 
associados a condições 
crônicas relacionadas ao 
trabalho.
Estudos Ecológicos
Analisam correlações entre 
indicadores de exposição e 
desfechos em nível 
populacional, sem medidas 
individuais. São úteis para 
investigar o impacto de 
fatores macroeconômicos 
e políticas públicas sobre a 
saúde dos trabalhadores 
em diferentes regiões ou 
setores.
Estudos Analíticos
Os estudos analíticos buscam estabelecer relações causais entre exposições ocupacionais e desfechos de 
saúde, testando hipóteses específicas. Os principais desenhos incluem:
Estudos de Coorte
Acompanham grupos de indivíduos ao longo do 
tempo, comparando a incidência de desfechos entre 
expostos e não expostos a determinado fator. A 
direção temporal (da exposição para o desfecho) 
fortalece inferências causais. Em saúde ocupacional, 
as coortes podem ser prospectivas 
(acompanhamento a partir do presente) ou 
retrospectivas (utilizando registros históricos). 
Exemplos incluem o acompanhamento de 
trabalhadores expostos a agentes cancerígenos 
para avaliar o desenvolvimento de neoplasias, ou o 
monitoramento de indicadores de saúde antes e 
após mudanças organizacionais.
Estudos Caso-Controle
Comparam a história de exposição entre indivíduos 
com o desfecho de interesse (casos) e indivíduos 
sem o desfecho (controles). São particularmente 
úteis para investigar doenças raras ou com longo 
período de latência. Em saúde ocupacional, podem 
ser aplicados, por exemplo, na investigação de 
fatores de risco para doenças relacionadas ao 
trabalho com baixa prevalência, como 
determinados tipos de câncer ocupacional ou 
doenças neurológicas específicas.
Estudos de Intervenção
Os ensaios clínicos randomizados representam o padrão-ouro para avaliar a eficácia de intervenções. Em 
saúde ocupacional, são utilizados para testar programas preventivos, medidas ergonômicas, estratégias 
educativas ou protocolos assistenciais. A randomização equilibra fatores confundidores conhecidos e 
desconhecidos entre os grupos, isolando o efeito da intervenção. Desafios éticos e práticos, no entanto, 
podem limitar sua aplicabilidade em determinados contextos ocupacionais.
A validade interna (grau em que os resultados refletem verdadeira associação na população estudada) e a 
validade externa (possibilidade de generalização para outras populações) são aspectos críticos a serem 
considerados na avaliação de qualquer estudo epidemiológico. O enfermeiro do trabalho deve estar atento a 
potenciais vieses, como viés de seleção, viés de informação e confundimento, que podem comprometer a 
validade dos achados e levar a conclusões equivocadas sobre relações causais em saúde ocupacional.
Medidas de Associação em Epidemiologia 
Ocupacional
As medidas de associação são instrumentos fundamentais em epidemiologia ocupacional, permitindo 
quantificar a relação entre exposições no ambiente de trabalho e desfechos de saúde. Para o enfermeiro do 
trabalho, o domínio destas medidas é essencial para a interpretação adequada de estudos epidemiológicos e 
para a avaliação objetiva de riscos ocupacionais. Estas métricas traduzem conceitos abstratos em valores 
numéricos que facilitam comparações, priorização de intervenções e comunicação de riscos aos trabalhadores 
e gestores.
Medidas de Associação em Estudos Transversais e Caso-Controle
Razão de Chances (Odds Ratio - OR)
A razão de chances compara a odds de exposição 
entre casos e controles, ou a odds de doença entre 
expostos e não expostos. É calculada como:
OR = (a × d) / (b × c)
Onde, em uma tabela 2×2:
a = número de casos expostos
b = número de controles expostos
c = número de casos não expostos
d = número de controles não expostos
Um OR igual a 1 indica ausência de associação, 
valores maiores que 1 sugerem associação positiva 
(exposição como possível fator de risco), e valores 
menores que 1 sugerem associação negativa 
(exposição como possível fator protetor). Por 
exemplo, um OR de 3,5 para a relação entre 
manipulação manual de cargas e lombalgia indicaria 
que trabalhadores que manipulam cargas têm 3,5 
vezes mais chances de desenvolver lombalgia 
comparados aos que não realizam esta atividade.
Razão de Prevalências (RP)
Em estudos transversais, a razão de prevalências 
compara diretamente a prevalência do desfecho 
entre expostos enão expostos:
RP = Prevalência nos expostos / Prevalência nos 
não expostos
Esta medida é mais intuitiva que o OR em estudos 
transversais, especialmente quando a prevalência 
do desfecho é alta (>10%), situação em que o OR 
tende a superestimar a magnitude da associação. 
Em saúde ocupacional, a RP pode ser utilizada, por 
exemplo, para comparar a prevalência de sintomas 
respiratórios entre trabalhadores expostos e não 
expostos a poeiras minerais.
Medidas de Associação em Estudos de Coorte
Risco Relativo (RR)
O risco relativo compara a incidência do desfecho 
entre expostos e não expostos:
RR = Incidência nos expostos / Incidência nos 
não expostos
Um RR maior que 1 indica que a exposição está 
associada a maior risco de desenvolver o desfecho. 
Por exemplo, um RR de 2,5 para a relação entre 
exposição ocupacional a solventes e doenças 
neurológicas indicaria que trabalhadores expostos 
têm 2,5 vezes mais risco de desenvolver estas 
condições comparados aos não expostos.
Razão de Taxas de Incidência (IRR)
Quando o tempo de seguimento difere entre os 
grupos ou quando há perdas significativas durante o 
acompanhamento, a razão de taxas de incidência é 
mais apropriada:
IRR = Taxa de incidência nos expostos / Taxa de 
incidência nos não expostos
Esta medida considera o tempo-pessoa de 
observação, sendo especialmente útil em estudos 
ocupacionais com acompanhamento prolongado e 
rotatividade significativa da força de trabalho.
Medidas de Impacto Potencial
Risco Atribuível (RA): Diferença absoluta na incidência entre expostos e não expostos, representando o 
excesso de risco atribuível à exposição.
Fração Atribuível entre Expostos (FAE): Proporção da doença entre os expostos que pode ser atribuída à 
exposição, calculada como (RR-1)/RR.
Fração Atribuível Populacional (FAP): Proporção da doença na população total que pode ser atribuída à 
exposição, considerando tanto a força da associação quanto a prevalência da exposição.
Estas medidas de impacto são particularmente valiosas para o planejamento de intervenções preventivas, 
permitindo estimar o benefício potencial da eliminação ou redução de determinada exposição ocupacional. 
Por exemplo, uma FAP de 30% para a relação entre movimentos repetitivos e síndrome do túnel do carpo 
indicaria que aproximadamente 30% dos casos desta condição na população trabalhadora poderiam ser 
prevenidos pela eliminação desta exposição.
A interpretação adequada destas medidas requer consideração cuidadosa de potenciais vieses, fatores 
confundidores e precisão das estimativas (geralmente expressa por intervalos de confiança). O enfermeiro do 
trabalho deve compreender que associações estatisticamente significativas não necessariamente implicam 
causalidade, sendo fundamental integrar estes achados quantitativos com conhecimentos sobre mecanismos 
biológicos, temporalidade e coerência com a literatura científica para fundamentar intervenções em saúde 
ocupacional.
Análise de Dados Categóricos
A análise de dados categóricos constitui um componente essencial da bioestatística aplicada à saúde 
ocupacional, uma vez que muitas variáveis relevantes neste campo são expressas em categorias, como tipo de 
ocupação, presença ou ausência de sintomas, níveis de exposição a riscos ou graus de satisfação no trabalho. 
Esta abordagem analítica permite investigar relações entre variáveis não numéricas, fundamentando 
intervenções e políticas de saúde ocupacional baseadas em evidências.
Tabelas de Contingência
As tabelas de contingência (ou tabelas cruzadas) são a ferramenta básica para a análise bivariada de dados 
categóricos, organizando a distribuição conjunta de duas ou mais variáveis. Para duas variáveis dicotômicas, 
utiliza-se a tabela 2×2, como exemplificado abaixo para a análise da relação entre exposição a ruído 
ocupacional e perda auditiva:
Perda Auditiva 
Presente
Perda Auditiva 
Ausente
Total
Exposição a Ruído a b a+b
Sem Exposição a 
Ruído
c d c+d
Total a+c b+d n
A partir desta tabela, podem ser calculadas medidas de associação como razão de prevalências, razão de 
chances (odds ratio), e várias outras estatísticas que quantificam a relação entre as variáveis. Para variáveis 
com mais categorias, utilizam-se tabelas de dimensão apropriada (ex.: 2×3, 3×4, etc.).
Teste Qui-Quadrado de Independência
O teste qui-quadrado (Ȳ) de independência é o método mais comum para avaliar a associação estatística 
entre variáveis categóricas. Este teste compara as frequências observadas na tabela de contingência com as 
frequências esperadas sob a hipótese de independência (ausência de associação). A estatística do teste é 
calculada como:
Ȳ = Σ [(O - E)² / E]
Onde O representa as frequências observadas e E as frequências esperadas. Um valor p abaixo do nível de 
significância pré-estabelecido (geralmente 0,05) leva à rejeição da hipótese nula de independência, sugerindo 
associação estatisticamente significativa entre as variáveis.
Em amostras pequenas ou quando as frequências esperadas são baixas (tipicamente, quando mais de 20% das 
células têm frequência esperada menor que 5 ou qualquer célula tem frequência esperada menor que 1), o 
teste exato de Fisher é uma alternativa mais adequada, especialmente para tabelas 2×2.
Medidas de Associação para Dados Categóricos
Coeficiente Phi (Ç)
Utilizado para tabelas 2×2, 
varia de -1 a +1, com 0 
indicando ausência de 
associação. É calculado 
como:
Ç = √(Ȳ / n)
Onde n é o número total de 
observações.
V de Cramér
Extensão do coeficiente 
phi para tabelas maiores 
que 2×2, variando de 0 a 1.
V = √[Ȳ / (n × min(r-1, 
c-1))]
Onde r é o número de 
linhas e c o número de 
colunas da tabela.
Coeficiente de 
Contingência (C)
Varia de 0 a um máximo 
que depende do tamanho 
da tabela, aproximando-se 
de 1 para forte associação.
C = √[Ȳ / (Ȳ + n)]
Para variáveis ordinais (com categorias ordenadas), medidas adicionais incluem o coeficiente de correlação de 
Spearman, o tau-b de Kendall e o coeficiente gama, que consideram não apenas a associação, mas também a 
direção (concordância ou discordância) da relação.
A análise multivariada de dados categóricos, incluindo técnicas como regressão logística, regressão log-linear 
e análise de correspondência, permite investigar relações complexas envolvendo múltiplas variáveis 
categóricas simultaneamente. Estas abordagens são particularmente valiosas em saúde ocupacional, onde 
diversas variáveis interagem na determinação dos desfechos de saúde, possibilitando o controle de fatores 
confundidores e a identificação de interações significativas.
Na enfermagem do trabalho, a análise de dados categóricos fundamenta diversos aspectos da prática baseada 
em evidências, desde a investigação de fatores associados a acidentes e doenças ocupacionais até a avaliação 
da eficácia de programas preventivos, contribuindo para intervenções mais precisas e efetivas na proteção da 
saúde dos trabalhadores.
Análise de Sobrevida em Saúde 
Ocupacional
A análise de sobrevida, também conhecida como análise de tempo até o evento, constitui um conjunto de 
métodos estatísticos especificamente desenvolvidos para analisar dados em que a variável de interesse é o 
tempo até a ocorrência de um evento específico. Na saúde ocupacional, estes métodos são aplicáveis a 
diversos contextos, como o estudo do tempo até o primeiro episódio de doença ocupacional, o período até o 
retorno ao trabalho após afastamento, a duração da capacidade laboral em diferentes condições de trabalho, 
ou o tempo até a aposentadoria em diferentes grupos ocupacionais.
Uma característica distintiva da análise de sobrevida é o tratamento adequado de dados censurados, que são 
observações incompletas. A censura ocorre quando o acompanhamento do indivíduo termina antes da 
ocorrência do evento de interesse, seja por perda de seguimento, término do estudo ou ocorrência de evento 
competitivo. Ignorar ou tratar inadequadamentedados censurados pode levar a estimativas enviesadas e 
conclusões equivocadas, daí a importância de métodos específicos para esta situação.
Principais Métodos em Análise de Sobrevida
Método de Kaplan-
Meier
O estimador de Kaplan-Meier 
permite calcular a 
probabilidade de sobrevida 
(ou, de modo mais geral, a 
probabilidade de não 
ocorrência do evento) em 
função do tempo, 
considerando 
apropriadamente os dados 
censurados. Este método não 
paramétrico produz uma 
curva de sobrevida em 
formato de escada, onde cada 
degrau representa a 
ocorrência de um ou mais 
eventos no tempo 
correspondente. A fórmula do 
estimador é:
S(t) = Π [1 - (d_i / n_i)]
Onde t representa o tempo, 
d_i o número de eventos no 
tempo t_i, e n_i o número de 
indivíduos em risco 
imediatamente antes de t_i. 
Em saúde ocupacional, o 
método de Kaplan-Meier 
pode ser utilizado, por 
exemplo, para comparar o 
tempo de permanência no 
trabalho após diagnóstico de 
doença crônica entre grupos 
com diferentes características 
ergonômicas ou 
organizacionais.
Teste de Log-Rank
Este teste não paramétrico 
permite comparar as curvas 
de sobrevida de dois ou mais 
grupos, avaliando a hipótese 
nula de que não há diferença 
entre as curvas. Baseia-se na 
comparação entre o número 
observado e o número 
esperado de eventos em cada 
grupo, em cada ponto do 
tempo, sob a hipótese de 
igualdade. Na enfermagem do 
trabalho, o teste de log-rank 
pode ser aplicado para 
verificar se há diferença 
significativa no tempo até o 
desenvolvimento de lesões 
osteomusculares entre 
trabalhadores que receberam 
e que não receberam 
treinamento ergonômico, ou 
entre diferentes setores 
produtivos.
Modelo de Riscos 
Proporcionais de Cox
Este modelo semiparamétrico 
permite avaliar o efeito de 
múltiplas variáveis 
explanatórias sobre o tempo 
até o evento, sem assumir 
uma distribuição específica 
para o tempo de sobrevida. A 
premissa central é que o risco 
relativo entre dois indivíduos 
com diferentes características 
permanece constante ao 
longo do tempo 
(proporcionalidade dos 
riscos). O modelo é expresso 
como:
h(t) = h (t) × exp(β¡x¡ + 
β¢x¢ + ... + βₚxₚ)
Onde h(t) é a função de risco 
no tempo t, h (t) é a função de 
risco basal (não especificada), 
e os termos βᵢxᵢ representam 
as variáveis preditoras e seus 
coeficientes. Os coeficientes 
são interpretados como 
logaritmos de razões de riscos 
(hazard ratios). Este modelo é 
particularmente valioso em 
saúde ocupacional por 
permitir o controle 
simultâneo de múltiplos 
fatores confundidores e a 
identificação do efeito 
independente de cada fator 
sobre o desfecho temporal de 
interesse.
As aplicações da análise de sobrevida em saúde ocupacional são diversas e relevantes para a prática do 
enfermeiro do trabalho. Além dos exemplos já mencionados, estes métodos podem ser utilizados para analisar 
fatores associados à adesão a programas preventivos, duração do efeito de intervenções educativas, tempo 
até a reincidência de acidentes, ou intervalos entre episódios recorrentes de afastamento por motivos de 
saúde. A incorporação adequada da dimensão temporal na análise de dados ocupacionais permite uma 
compreensão mais profunda da dinâmica dos processos de saúde-doença no trabalho, fundamentando 
intervenções mais efetivas e temporalmente apropriadas.
Bioestatística não Paramétrica
A bioestatística não paramétrica compreende um conjunto de métodos que não dependem de pressupostos 
sobre a distribuição dos dados, oferecendo alternativas robustas quando as premissas dos testes 
paramétricos não são atendidas. Na saúde ocupacional, estes métodos são particularmente valiosos devido à 
frequente presença de distribuições assimétricas, amostras pequenas e dados ordinais ou que não seguem 
distribuição normal. O enfermeiro do trabalho deve dominar estes métodos para realizar análises válidas em 
diversas situações encontradas na prática profissional.
Quando Utilizar Métodos Não Paramétricos
Os métodos não paramétricos são especialmente indicados nas seguintes situações:
Quando os dados não seguem distribuição normal, apresentando assimetria ou curtose significativas;
Em amostras de tamanho reduzido (geralmente nsão atendidas. 
Contudo, quando as premissas são violadas, os métodos não paramétricos oferecem maior robustez e 
conclusões mais confiáveis. O enfermeiro do trabalho deve avaliar criteriosamente as características dos 
dados disponíveis para selecionar a abordagem estatística mais adequada em cada situação específica, 
garantindo a validade das conclusões que fundamentarão as intervenções em saúde ocupacional.
Intervalo de Confiança e Seu Uso em 
Estudos Ocupacionais
O intervalo de confiança (IC) é uma ferramenta estatística fundamental que expressa a precisão ou incerteza 
associada a uma estimativa amostral. Na saúde ocupacional, o uso adequado de intervalos de confiança 
permite quantificar a variabilidade amostral e inferir, com determinado grau de confiança, a faixa de valores 
dentro da qual o verdadeiro parâmetro populacional provavelmente se encontra. Esta abordagem vai além da 
dicotomia simplista do teste de hipóteses (significativo/não significativo), fornecendo informações sobre a 
magnitude do efeito e a precisão da estimativa, aspectos essenciais para a tomada de decisões baseadas em 
evidências.
Conceito e Interpretação
Um intervalo de confiança de 95% para um parâmetro significa que, se o estudo fosse repetido múltiplas vezes 
com amostras diferentes da mesma população, aproximadamente 95% dos intervalos calculados conteriam o 
verdadeiro valor do parâmetro populacional. Tecnicamente, o intervalo não indica a probabilidade de que o 
parâmetro esteja dentro do intervalo (uma interpretação frequentemente equivocada), mas sim a 
confiabilidade do método utilizado para construir o intervalo.
Para uma média amostral, o intervalo de confiança de 95% é calculado como:
IC 95% = Média ± (1,96 × Erro Padrão)
Onde o erro padrão é estimado como σ/√n (desvio padrão dividido pela raiz quadrada do tamanho amostral). 
Para proporções, razões de chances (odds ratios), riscos relativos e outros parâmetros, existem fórmulas 
específicas.
A amplitude do intervalo de confiança é influenciada por três fatores principais:
Nível de confiança: Intervalos com maior nível de confiança (ex.: 99% vs. 95%) são mais amplos;
Variabilidade dos dados: Maior heterogeneidade (desvio padrão) resulta em intervalos mais amplos;
Tamanho amostral: Amostras maiores produzem intervalos mais estreitos (mais precisos).
Aplicações em Saúde Ocupacional
Prevalência de 
Condições 
Ocupacionais
Ao estimar a prevalência 
de distúrbios 
musculoesqueléticos em 
uma categoria profissional, 
o enfermeiro do trabalho 
pode reportar, por 
exemplo, "uma prevalência 
de lombalgia de 35% (IC 
95%: 28%-42%)", indicando 
que o verdadeiro valor 
populacional 
provavelmente está entre 
28% e 42%. Esta 
informação é mais 
informativa que 
simplesmente reportar o 
valor pontual de 35%, pois 
permite avaliar a precisão 
da estimativa.
Medidas de 
Associação
Ao relatar associações 
entre exposições 
ocupacionais e desfechos 
de saúde, os intervalos de 
confiança para razões de 
chances, riscos relativos ou 
diferenças de médias são 
essenciais. Por exemplo: 
"Trabalhadores expostos a 
vibrações apresentaram 
um risco relativo de 2,3 (IC 
95%: 1,5-3,5) para 
desenvolver síndrome de 
Raynaud comparados aos 
não expostos", indicando 
que o risco pode ser tão 
baixo quanto 1,5 vezes ou 
tão alto quanto 3,5 vezes, 
com 95% de confiança.
Avaliação de 
Intervenções
Na avaliação da eficácia de 
um programa de ginástica 
laboral, o intervalo de 
confiança para a diferença 
média nos escores de dor 
antes e após a intervenção 
fornece não apenas 
informação sobre a 
significância estatística (se 
o intervalo inclui ou não o 
valor zero), mas também 
sobre a magnitude 
clinicamente relevante do 
efeito.
Vantagens do Uso de Intervalos de Confiança
Superação da dicotomia do valor p: Enquanto o valor p indica apenas se um resultado é estatisticamente 
significativo, o intervalo de confiança fornece informação sobre a magnitude e a precisão do efeito 
observado.
1.
Avaliação da relevância clínica: Um intervalo de confiança permite avaliar se os efeitos potenciais são 
clinicamente ou ocupacionalmente relevantes, mesmo quando estatisticamente significativos.
2.
Comparação entre estudos: Os intervalos facilitam a comparação entre diferentes estudos, permitindo 
avaliar a consistência dos resultados e a precisão relativa das estimativas.
3.
Planejamento amostral: A análise de intervalos de confiança de estudos anteriores ajuda no 
dimensionamento adequado de novos estudos, estimando o tamanho amostral necessário para obter a 
precisão desejada.
4.
Na interpretação de intervalos de confiança em saúde ocupacional, o enfermeiro do trabalho deve considerar 
não apenas a significância estatística (se o intervalo inclui ou não o valor nulo), mas também a amplitude do 
intervalo (indicando a precisão da estimativa) e os limites superior e inferior (avaliando o menor e o maior 
efeito compatível com os dados). Esta abordagem mais completa fundamenta decisões mais informadas sobre 
intervenções preventivas, alocação de recursos e políticas de proteção à saúde dos trabalhadores.
Tamanho da Amostra e Poder Estatístico
O dimensionamento adequado da amostra é um aspecto crucial no planejamento de estudos em saúde 
ocupacional, impactando diretamente na validade, precisão e custo-efetividade da pesquisa. Um tamanho 
amostral insuficiente pode resultar em falta de poder estatístico para detectar associações ou efeitos 
verdadeiramente existentes, enquanto uma amostra excessivamente grande pode representar desperdício de 
recursos e exposição desnecessária de participantes a procedimentos de pesquisa. Para o enfermeiro do 
trabalho, compreender os princípios do cálculo amostral é fundamental tanto para o planejamento de estudos 
próprios quanto para a avaliação crítica da literatura científica.
Conceitos Fundamentais
Poder Estatístico
O poder estatístico (1-´) representa a 
probabilidade de detectar um efeito ou associação 
que realmente existe, ou seja, a capacidade de 
rejeitar corretamente a hipótese nula quando ela é 
falsa. Convencionalmente, busca-se um poder de 
pelo menos 80%, significando que se o efeito 
investigado realmente existir com a magnitude 
especificada, o estudo terá 80% de chance de 
detectá-lo como estatisticamente significativo.
O poder é influenciado por múltiplos fatores:
Tamanho da amostra (n): Relação diretamente 
proporcional;
1.
Magnitude do efeito: Efeitos maiores são mais 
facilmente detectáveis;
2.
Variabilidade dos dados: Maior 
heterogeneidade reduz o poder;
3.
Nível de significância (³): Critérios mais 
rigorosos (ex.: ³ = 0,01 vs. 0,05) reduzem o 
poder;
4.
Desenho do estudo e método estatístico: Alguns 
desenhos e testes são intrinsecamente mais 
poderosos.
5.
Erro Tipo II e sua Relação com o Poder
O Erro Tipo II (´) consiste em não rejeitar a 
hipótese nula quando ela é falsa, ou seja, falhar em 
detectar um efeito que realmente existe. O poder 
estatístico é o complemento deste erro (1-´). Em 
saúde ocupacional, erros Tipo II podem ter 
consequências sérias, como falhar em identificar 
associações entre exposições ocupacionais e 
desfechos de saúde, potencialmente deixando 
trabalhadores expostos a riscos não reconhecidos.
A relação entre tamanho amostral e poder é 
fundamental: aumentar o tamanho da amostra é a 
maneira mais direta de incrementar o poder 
estatístico, embora ajustes no desenho do estudo, 
refinamento das medidas para reduzir a 
variabilidade, e foco em subgrupos de maior risco 
também possam contribuir para este objetivo.
Cálculo do Tamanho Amostral para Diferentes Desenhos de Estudo
Estimação de 
Proporções
Para estimar a prevalência de 
uma condição com precisão 
especificada:
n = [z²³/2 × p × (1-p)] / d²
Onde z³/2 é o valor z 
correspondente ao nível de 
confiança (1,96 para 95%), p é 
a prevalência esperada, e d é a 
margem de erro aceitável.
Comparaçãode Médias
Para detectar uma diferença δ 
entre médias de dois grupos 
independentes:
n = 2 × [(z³/2 + z´)² × σ²] / 
δ²
Onde z´ é o valor z 
correspondente ao poder 
desejado, σ é o desvio padrão 
da variável, e δ é a diferença 
mínima considerada 
clinicamente relevante.
Comparação de 
Proporções
Para detectar uma diferença 
entre duas proporções:
n = [(z³/2 × √[2 × p̄ × (1-p̄)] 
+ z´ × √[p¡ × (1-p¡) + p¢ × 
(1-p¢)])² / (p¡ - p¢)²
Onde p̄ é a média das 
proporções p¡ e p¢.
Na prática da enfermagem do trabalho, o cálculo adequado do tamanho amostral garante que os recursos 
disponíveis sejam utilizados eficientemente e que as conclusões dos estudos sejam confiáveis. 
Subdimencionamento amostral pode levar a conclusões falsamente negativas sobre riscos ocupacionais ou 
eficácia de intervenções, enquanto o superdimencionamento pode representar desperdício de recursos já 
escassos na área de saúde ocupacional. Softwares como G*Power, OpenEpi e pacotes estatísticos como R, 
STATA e SPSS oferecem funcionalidades para cálculo amostral adequado às diferentes necessidades de 
pesquisa em saúde ocupacional.
Meta-análise em Estudos Ocupacionais
A meta-análise representa uma metodologia estatística avançada que permite combinar e sintetizar 
quantitativamente resultados de múltiplos estudos independentes sobre uma mesma questão de pesquisa. Na 
saúde ocupacional, esta abordagem tem se tornado cada vez mais relevante como ferramenta para integrar a 
crescente e por vezes conflitante literatura científica sobre riscos ocupacionais, eficácia de intervenções 
preventivas e associações entre condições de trabalho e desfechos de saúde. Para o enfermeiro do trabalho, 
compreender os princípios e limitações da meta-análise é fundamental para a avaliação crítica de revisões 
sistemáticas e para a implementação de práticas baseadas nas melhores evidências disponíveis.
Princípios e Etapas da Meta-análise
Definição da 
Questão
Formulação clara da 
pergunta de pesquisa, 
identificando 
população, 
exposição/intervençã
o, comparação e 
desfechos (PECO).
Busca 
Sistemática
Identificação 
abrangente e 
sistemática dos 
estudos relevantes, 
usando estratégias 
explícitas de busca em 
múltiplas bases de 
dados.
Seleção de 
Estudos
Aplicação de critérios 
de elegibilidade 
predefinidos, 
geralmente por 
revisores 
independentes, com 
resolução de 
discordâncias.
4
Análise 
Estatística
Combinação 
quantitativa dos 
resultados, avaliação 
de heterogeneidade e 
potenciais vieses.
A técnica central da meta-análise envolve o cálculo de uma medida de efeito sumária, ponderando os 
resultados dos estudos individuais geralmente pelo inverso de sua variância, de modo que estudos mais 
precisos (tipicamente os maiores) contribuem mais para a estimativa combinada. As medidas de efeito 
comumente utilizadas incluem razão de chances (odds ratio), risco relativo, diferença de médias e coeficientes 
de correlação, dependendo da natureza dos desfechos estudados.
Modelos Estatísticos em Meta-análise
Modelo de Efeitos Fixos
Este modelo assume que existe um único efeito 
verdadeiro subjacente a todos os estudos, e que as 
diferenças observadas entre eles resultam apenas 
de erro amostral. A estimativa combinada 
representa a melhor aproximação deste efeito 
verdadeiro único. A premissa central é que, se todos 
os estudos fossem infinitamente grandes, todos 
produziriam exatamente o mesmo resultado.
O modelo de efeitos fixos é apropriado quando há 
baixa heterogeneidade entre os estudos, ou seja, 
quando os resultados são relativamente 
consistentes. No entanto, esta premissa raramente 
é completamente satisfeita em meta-análises em 
saúde ocupacional, dada a diversidade de 
populações, contextos laborais, definições 
operacionais e metodologias empregadas.
Modelo de Efeitos Aleatórios
Este modelo reconhece que o efeito verdadeiro 
pode variar entre os estudos, assumindo que os 
efeitos observados representam uma amostra 
aleatória de uma distribuição de efeitos possíveis. A 
estimativa combinada representa a média desta 
distribuição de efeitos, não um efeito único.
O modelo de efeitos aleatórios é geralmente mais 
apropriado em saúde ocupacional, onde fatores 
como diferenças entre populações trabalhadoras, 
setores econômicos, tecnologias e legislações 
podem influenciar legitimamente a magnitude dos 
efeitos. Este modelo produz intervalos de confiança 
mais amplos que o de efeitos fixos quando há 
heterogeneidade, refletindo a incerteza adicional 
decorrente da variabilidade entre estudos.
Avaliação da Heterogeneidade e Viés de Publicação
Heterogeneidade estatística: Avaliada pelo teste Q de Cochran e, mais informativamente, pela estatística 
I² que quantifica a proporção da variância total atribuível a diferenças reais entre estudos (não ao acaso). 
Valores de I² acima de 50% sugerem heterogeneidade substancial.
Análises de subgrupos e meta-regressão: Permitem explorar fontes específicas de heterogeneidade, 
como características dos participantes, aspectos metodológicos ou variações nas exposições ocupacionais.
Viés de publicação: Avaliado por gráficos de funil (funnel plots) e testes formais como o teste de Egger. O 
viés ocorre quando estudos com resultados "negativos" ou não significativos têm menor probabilidade de 
serem publicados, distorcendo a estimativa combinada.
A meta-análise em saúde ocupacional enfrenta desafios específicos, como a heterogeneidade das definições 
de exposição, a variabilidade nos métodos de avaliação dos desfechos, e a presença de múltiplos fatores 
confundidores raramente controlados de maneira uniforme entre os estudos. Apesar destas limitações, 
quando conduzida adequadamente, a meta-análise representa a síntese mais objetiva e estatisticamente 
robusta da evidência disponível, fornecendo estimativas mais precisas que estudos individuais e permitindo a 
exploração sistemática de fontes de variabilidade nos resultados, contribuindo significativamente para 
práticas mais fundamentadas em evidências na enfermagem do trabalho.
Análise de Regressão Múltipla em Saúde 
Ocupacional
A análise de regressão múltipla constitui uma ferramenta estatística poderosa para investigar relações 
complexas entre múltiplas variáveis em saúde ocupacional. Esta técnica permite modelar a influência 
simultânea de diversos fatores sobre um desfecho de interesse, identificando o efeito independente de cada 
preditor e controlando potenciais confundidores. Para o enfermeiro do trabalho, dominar os princípios da 
regressão múltipla é fundamental para a compreensão dos determinantes multifatoriais dos processos de 
saúde-doença no ambiente laboral e para o desenvolvimento de intervenções baseadas em evidências.
Conceitos Fundamentais da Regressão Múltipla
A regressão múltipla linear modela a relação entre uma variável dependente contínua (Y) e múltiplas variáveis 
independentes ou preditoras (X¡, X¢, ..., Xₚ). O modelo geral é expresso pela equação:
Y = β  + β¡X¡ + β¢X¢ + ... + βₚXₚ + ε
Onde β  representa o intercepto (valor esperado de Y quando todos os preditores são zero), βᵢ são os 
coeficientes de regressão parcial (mudança esperada em Y para cada unidade de mudança em Xᵢ, mantendo 
constantes os demais preditores), e ε é o termo de erro aleatório.
Os coeficientes são estimados pelo método dos mínimos quadrados, que minimiza a soma dos quadrados das 
diferenças entre os valores observados e os preditos pelo modelo. A significância estatística de cada 
coeficiente é avaliada pelo teste t, enquanto a adequação global do modelo é avaliada pelo teste F e pelo 
coeficiente de determinação (R²), que representa a proporção da variância na variável dependente explicada 
pelos preditores.
Aplicações em Saúde Ocupacional
Modelagem de 
Desfechos Contínuos
A regressão linear múltipla 
é aplicável quando a 
variável dependente é 
contínua, como escores de 
qualidade de vida, níveis de 
estresse