Patterns of behaviors related to modifiable health risk factors among Brazilian older adults: Data from the 2013 and 2019 National Health Surveys

Mariana Sousa de Abreu Menezes; Zayanna Christine Lopes Lindôso; Ana Karina Teixeira da Cunha França; Poliana Cristina de Almeida Fonseca Viola; Bruno Luciano Carneiro Alves de Oliveira

doi:10.1590/1980-549720260042

. 2026 Aug 17;29:e260042. doi: 10.1590/1980-549720260042

View full-text in Portuguese

Patterns of behaviors related to modifiable health risk factors among Brazilian older adults: Data from the 2013 and 2019 National Health Surveys

Mariana Sousa de Abreu Menezes ^I, Zayanna Christine Lopes Lindôso ^II, Ana Karina Teixeira da Cunha França ^I, Poliana Cristina de Almeida Fonseca Viola ^I, Bruno Luciano Carneiro Alves de Oliveira ^I

PMCID: PMC13480969 PMID: 42615703

ABSTRACT

Objective:

To analyze patterns of modifiable health risk behaviors among Brazilian older adults (≥60 years) using data from the 2013 and 2019 National Health Surveys.

Methods:

A cross-sectional study was conducted based on secondary data from the 2013 and 2019 National Health Surveys. Behavior patterns were defined using Latent Class Analysis according to four main domains: smoking, alcohol consumption, physical activity, and diet. Relative frequencies and their 95% confidence intervals (95%CI) were calculated for lifestyle variables, as well as for independent variables associated with socioeconomic and demographic factors.

Results:

Five behavior patterns were identified for each year. In 2013, patterns related to unhealthy habits (smoking), physical inactivity, and dietary patterns (including bean, vegetable, legume, and fish consumption) were identified. In 2019, the findings also involved the same patterns found in 2013, with the difference that fish consumption showed greater relevance in differentiating between classes, although its population prevalence decreased over the period. Physical inactivity was associated with harmful habits, including inadequate diet, smoking, and alcohol consumption. Age, sex, education level, and race significantly influenced these patterns.

Conclusion:

In Brazil, unhealthy aging overlaps with multiple modifiable risk factors. Understanding these patterns and their determinants enables the development of strategies to reduce health inequalities and promote quality of life and well-being among older adults. A combined approach to risk factors contributes to more effective public policies.

Keywords: Aged, Healthy aging, Social determinants of health, Latent class analysis, Combined risk behaviors

INTRODUCTION

In 2022, Brazil had approximately 32 million individuals aged 60 years old or older, representing 15.8% of the total population¹. Projections indicate that by 2030, the number of older adults in the country will exceed that of children and adolescents². However, in 2023, a substantial proportion of this population reported engaging in health-risk behaviors: 56% had a sedentary lifestyle; 14% reported excessive alcohol consumption; 12% smoked; and only 18% reported adequate consumption (fruits and vegetables)^1–4.

Such behaviors are associated with noncommunicable diseases (NCDs), the leading causes of morbidity and mortality worldwide, which disproportionately affect older adults. The prevalence of NCDs is influenced by a range of modifiable health-risk factors^5,6. However, health-risk behaviors are often examined in isolation, overlooking their interdependence, co-occurrence, and overlap in shaping distinct health patterns^7,8. Clusters of health-risk behaviors amplify their detrimental effects by acting synergistically to compromise quality of life, deteriorate overall health status, reduce the likelihood of longevity, and increase the risk of premature mortality^9,10.

Older adults often exhibit complex patterns of health-risk behaviors shaped by the social determinants of health¹¹. These combined behavioral patterns reflect healthy and unhealthy habits adopted throughout the life course, which typically co-occur and are more difficult to modify individually.

Therefore, monitoring health-risk behaviors and their socioeconomic, geographic, and racial determinants can contribute to a better understanding of the effects of lifestyle, NCD management, and the quality of multidisciplinary interventions among older adults. Consequently, nationwide health surveys, such as the 2013 and 2019 National Health Surveys (Pesquisa Nacional de Saúde – PNS), provide an opportunity to conduct these analyses within the Brazilian context¹².

Given this context, this study aimed to analyze patterns of modifiable health-risk behaviors among older Brazilian adults in 2013 and 2019.

METHODS

Study type and location

This cross-sectional study was based on secondary data from the 2013 and 2019 PNS. PNS is a population-based, nationally representative household survey conducted jointly by the Brazilian Institute of Geography and Statistics (Instituto Brasileiro de Geografia e Estatística – IBGE) and the Brazilian Ministry of Health (MoH).

Context

PNS aims to present results that are representative of the Brazilian population. To this end, it employs a complex sampling design¹³, organized by clusters, involving three stages of selection: census tracts (primary units), households (secondary units), and adult residents aged 18 years old or older (tertiary units). However, in 2019, at the third stage, the selected resident was aged 15 years old or older^14,15.

The 2013 PNS employed a sampling design involving interviews conducted in 6,062 primary sampling units (PSUs) and 64,348 households¹², whereas the 2019 PNS covered 8,031 PSUs and 94,114 households. For the present study, responses from the individual questionnaire completed by older adults (≥60 years of age) were analyzed. The final analytical sample comprised 11,177 older adults from the 2013 PNS and 22,728 from the 2019 PNS.

Variables

Lifestyle-related variables were organized into four domains: smoking, alcohol consumption, physical activity, and diet, which were identified in Module P of the selected resident's questionnaire.

Dietary intake was assessed based on the weekly consumption of beans, fruits, vegetables, and fish, measured by frequency of consumption per week. These variables were dichotomized according to national and international guideline recommendations; adequate consumption was defined as ≥5 times per week for beans, fruits, and vegetables, and ≥2 times per week for fish. Alcohol consumption was defined based on the number of drinks consumed on a single occasion within the previous 30 days and categorized as excessive consumption when ≥5 drinks for men or ≥4 drinks for women.

Regarding leisure-time physical activity, individuals were classified as physically active if they achieved at least 150 minutes of moderate-intensity activity or 75 minutes of vigorous-intensity activity per week, in accordance with the recommendations of the World Health Organization (WHO). Smoking status was defined by classifying individuals who reported current daily or occasional use of tobacco products as smokers.

The independent variables included sex, age (years), color or race, living with a partner, religion, education, income, and area of residence.

Statistical analysis

In the descriptive analysis, relative frequencies and their 95% confidence intervals (95% CIs) were calculated for health behaviors and socioeconomic and demographic variables.

To define behavioral patterns, Latent Class Analysis (LCA) was performed, a statistical method that identifies distinct groups based on response patterns observed in categorical variables¹⁶. LCA was used to identify behavioral patterns related to modifiable risk factors based on categorical lifestyle variables, with estimates calculated separately for 2013 and 2019. During the construction of the latent variable, models with varying numbers of latent classes were developed and evaluated to determine the most appropriate model. Model selection was guided by the Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), Adjusted Bayesian Information Criterion (aBIC), and log-likelihood, favoring models with lower values for these criteria compared with previous models¹⁶; the highest entropy value was also considered. The final decision regarding the number of classes considered the interpretability and coherence of the identified patterns.

To test the association between latent classes and independent socioeconomic and demographic variables, adjusted multinomial logistic regression models were estimated. The effect measure used was the odds ratio (OR), with corresponding 95% confidence intervals (95%CIs) and a significance level of p < 0.05. The complex sample design, including strata and PSUs, was accounted for in the statistical analyses. Analyses were performed using RStudio software (version 2023.9.0.463), and the "poLCA" package was used for latent class analysis.

The 2013 and 2019 PNS editions were approved by the National Research Ethics Commission of the Ministry of Health. For the 2013 edition, the approval number was 328,159, and for the 2019 edition, it was 3,529,376.

Data availability statement:

The entire dataset supporting the results of this study is available from the corresponding author upon request. The dataset is not publicly available due to the integration of databases performed by the authors.

RESULTS

The study included 11,177 individuals aged 60 years old or older from the 2013 PNS and 22,728 from the 2019 PNS.

Table 1 presents the socioeconomic and demographic characteristics of the study population in 2013 and 2019. No significant changes were observed in the sex distribution. Women constituted the majority in both 2013 (56.94%; 95%CI 54.8–58.0) and 2019 (56.7%; 95%CI 55.6–57.8). The proportion of White individuals decreased between the two survey years (2013: 53.8%; 95%CI 51.9–55.6; 2019: 50.5%; 95%CI 49.3–51.8; p=0.02). A significant change was observed in educational attainment: the proportion of individuals with incomplete elementary education decreased from 70.7% (95%CI 68.9–72.4) to 63.3% (95%CI 62.0–64.5), whereas the proportion with a completed higher education degree increased from 9.4% (95%CI 8.1–10.7) to 11.3% (95%CI 10.5–12.1; p<0.001). Income distribution also changed, with an increase in the proportion of individuals in the first income quintile (2013: 20.6%; 95%CI 19.2–22.0; 2019: 24.4%; 95%CI 23.4–25.4; p<0.001). Urban areas predominated in both survey years, with no significant changes in the distribution of the area of residence.

Table 1. Socioeconomic and demographic characteristics of older adults interviewed in the National Health Survey, 2013 and 2019, Brazil.

Characteristics		95%CI
Characteristics		2013 (n=11,177)	2019 (n=22,728)	p-value
Sex
	Male	43.6 (42.0–45.2)	43.3 (42.2–44.4)	0.76
	Female	56.4 (54.8–58.0)	>56.7 (55.6–57.8)	0.76
Age range
	60 to 64	32.0 (30.5–33.5)	31.1 (30.0–32.1)	0.72
	65 to 69	24.6 (23.3–25.9)	>25.2 (24.3–26.1)
	70 to 74	18.3 (17.0–19.5)	>18.1 (17.3–18.9)
	75 or older	25.2 (23.8–26.5)	>25.6 (24.6–26.5)
Race/skin color
	White	53.8 (51.9–55.6)	50.5 (49.3–51.8)	0.02
	Black	9.2 (8.2–10.2)	>10.3 (9.6–11.0)
	Brown	35.6 (33.9–37.2)	>37.4 (36.2–38.5)
	Others	1.4 (1.1–1.8)	>1.8 (1.5–2.1)
Marital status
	With spouse/partner	53.5 (51.9–55.1)	50.7 (49.5–51.8)	0.004
	Without spouse/partner	46.5 (44.9–48.1)	>49.3 (48.2–50.5)	0.004
Education
	Up to incomplete primary education or equivalent	70.7 (68.9–72.4)	63.3 (62.0–64.5)	0.001
	Incomplete secondary education or equivalent	8.1 (7.2–9.0)	>9.5 (8.9–10.2)
	Incomplete higher education or equivalent	11.8 (10.8–12.9)	>15.9 (15.0–16.8)
	Complete higher education	9.4 (8.1–10.7)	>11.3 (10.5–12.1)
Income
	1^st Quintile	20.6 (19.2–22.0)	24.4 (23.4–25.4)	0.001
	2^nd Quintile	22.7 (21.3–24.1)	>17.4 (16.6–18.2)
	3^rd Quintile	16.6 (15.3–18.0)	>16.1 (15.2–16.9)
	4^th Quintile	21.3 (19.9–22.7)	>21.8 (20.8–22.7)
	5^th Quintile	18.7 (17.1–20.2)	>20.4 (19.3–21.5)
Religion
	Yes	50.1 (48.3–51.8)	48.5 (47.4–49.7)	0.15
	No	49.9 (48.2–51.7)	>51.5 (50.3–52.6)	0.15
Area of residence
	Urban	85.2 (83.7–86.6)	85.5 (84.6–86.3)	0.76
	Rural	14.8 (13.4–16.3)	>14.5 (13.7–15.4)	0.76

Open in a new tab

Source: Brazil, PNS 2013 and 2019.

The prevalence of modifiable health-risk factors was estimated for both survey years (data not shown). No statistically significant changes were observed in the prevalence of smoking (2013: 12.2%; 95%CI 11.1–13.2; 2019: 11.1%; 95%CI 10.5–11.8) or bean consumption (2013: 71.4%; 95%CI 69.9–72.9; 2019: 70.2%; 95%CI 69.1–71.2; p>0.05). Excessive alcohol consumption increased from 4.2% (95%CI 3.6–4.9) to 5.8% (95%CI 5.2–6.3; p<0.001). The prevalence of leisure-time physical activity also increased significantly, from 13.4% (95%CI 12.3–14.5) to 19.4% (95%CI 18.5–20.4; p<0.001). Likewise, the prevalence of vegetable consumption increased from 38.1% (95%CI 36.3–39.9) to 63.4% (95%CI 62.3–64.5; p<0.001), and that of fruit consumption increased from 55.0% (95%CI 53.3–56.7) to 59.2% (95%CI 58.1–60.3; p<0.001). Conversely, fish consumption decreased from 58.2% (95%CI 56.3–60.1) to 50.0% (95%CI 48.8–51.2; p<0.001).

Table 2 presents the fit statistics used to determine the optimal number of latent classes. The selection of the number of classes was based on statistical criteria (AIC, BIC, aBIC, log-likelihood, and entropy) as well as the substantive interpretability of the classes. AIC, BIC, and aBIC values decreased through the five-class model and remained relatively stable in subsequent models. The final model was selected based on the balance among statistical fit, parsimony, and entropy, while prioritizing solutions that were both interpretable and theoretically plausible.

Table 2. Criteria for selecting the number of latent classes formed by older adults in the National Health Survey for the years 2013 and 2019.

Classes	2013							2019
Classes	Log-likelihood	Residual df	AIC	BIC	aBIC	cAIC	Entropy	Log-likelihood	Residual df	AIC	BIC	aBIC	cAIC	Entropy
2	-39340.91	112	78535.31	78821.65	78773.98	78836.65	0.405	-83557.24	112	167144.5	167264.9	167217.3	167279.9	0.478
3	-39242.70	104	78535.31	78699.80	78626.71	78722.80	0.494	-83296.85	104	166639.7	166824.4	166751.3	166847.4	0.432
4	-39165.64	96	78393.29	78620.26	78521.75	78651.26	0.501	-83190.60	96	166443.2	166692.2	166593.7	166723.2	0.403
5	-39140.54	88	78357.52	78644.63	78520.69	78683.63	0.625	-83130.20	88	166338.4	166651.6	166527.7	166690.6	0.47
6	-39123.83	80	78341.67	78685.79	78536.43	78732.79	0.491	-83109.40	80	166312.8	166690.3	166540.9	166800.0	0.417
7	-39116.85	72	78342.05	78746.39	78571.61	78801.39	0.483	-83096.63	72	166303.3	166745.0	166570.2	166800.0	0.395
8	-39111.47	64	78345.77	78810.21	78610.00	78873.21	0.508	-83096.63	72	166298.7	166745.0	166604.4	166867.6	0.422

Open in a new tab

AIC: Akaike Information Criterion; BIC: Bayesian Information Criterion; aBIC: Adjusted Bayesian Information Criterion; cAIC: Consistent Akaike Information Criterion.

The selected number of classes is shown in bold.

Source: Brazil, PNS 2013 an 2019.

The latent classes identified in 2013 and 2019 were named according to the item-response probabilities, using a conditional probability of ≥0.4 as the criterion for characterizing each class, as detailed in Figure 1. In 2013, five latent classes were identified: Smoking, Inactivity, and Poor Diet (smokers, no excessive alcohol consumption, physically inactive, and poor dietary intake, characterized by no consumption of legumes, vegetables, fruits, or fish, but consumption of beans); Inactivity and Poor Diet with Bean Consumption (non-smokers, no excessive alcohol consumption, physically inactive, and poor dietary intake characterized by no consumption of legumes, vegetables, fruits, or fish, but consumption of beans); Alcohol, Inactivity, and Healthy Diet without Vegetable and Legume Consumption (non-smokers, excessive alcohol consumption, physically inactive, and no consumption of vegetables or legumes; the diet included fruits, fish, and beans); Inactivity and Healthy Diet (non-smokers, no excessive alcohol consumption, physically inactive, and a diet including legumes, vegetables, fruits, fish, and beans); and Inactivity and Poor Diet with Fish Consumption (non-smokers, no excessive alcohol consumption, physically inactive, and no consumption of legumes, vegetables, fruits, or beans, but consumption of fish).

In 2019, five latent classes were also identified: Smoking, Alcohol Consumption, Physical Inactivity, and Unhealthy Diet (smokers, consume alcohol, do not consume vegetables, legumes, or fish, but consume beans); Physical Inactivity and Unhealthy Diet with Bean Consumption (non-smokers, do not consume alcohol, do not consume vegetables, legumes, fruits, or fish, but consume beans); Physical Inactivity and Healthy Diet (non-smokers, do not consume alcohol, physically inactive, and follow a healthy diet including vegetables, legumes, fruits, beans, and fish); Physical Inactivity and Healthy Diet Without Fish Consumption (non-smokers, do not consume alcohol, physically inactive, consume vegetables, legumes, fruits, and beans, but not fish); and Physical Inactivity and Unhealthy Diet with Fish Consumption (non-smokers, do not consume alcohol, physically inactive, do not consume vegetables, legumes, fruits, or beans, but consume fish).

Chart 1 presents the distribution of older adults across latent classes estimated separately for 2013 and 2019. In 2013, Class 1, "Smoking, Inactivity, and Poor Diet," accounted for 10.2% (95%CI, 9.2–11.2), whereas in 2019, a class with similar characteristics had a prevalence of 14.1% (95%CI, 13.4–14.8). Class 2, "Inactivity and Poor Diet with Bean Consumption," the most prevalent class in 2013, accounted for 40.2% (95%CI, 38.6–41.8), while in 2019, a class with a similar profile showed a lower proportion (27.4%; 95%CI, 26.4–28.4).

Chart 1. Distribution of older adults by latent classes in the National Health Survey for the years 2013 and 2019, with estimates of proportions and confidence intervals.

Class	PNS 2013		PNS 2019
Class	Class name	% (95%CI)	Class name	% (95%CI)
1	Smoking, physical inactivity, and inadequate diet	10.2 (9.2–11.2)	Smoking, alcohol consumption, physical inactivity, and inadequate diet	14.1 (13.4–14.8)
2	Physical inactivity and inadequate diet with bean consumption	40.2 (38.6–41.8)	Physical inactivity and inadequate diet with bean consumption	27.4 (26.4–28.4)
3	Alcohol consumption, physical inactivity, and healthy diet without vegetable and legume consumption	1.2 (0.90–1.6)	Physical inactivity and healthy diet	3.3 (2.9–3.7)
4	Physical inactivity and healthy diet	31.2 (29.6–32.8)	Physical inactivity and healthy diet without fish consumption	33.4 (32.3–34.5)
5	Physical inactivity and inadequate diet with fish consumption	17.2 (16.1–18.3)	Physical inactivity and inadequate diet with fish consumption	21.8 (20.9–22.8)

Open in a new tab

PNS: National Health Survey (Pesquisa Nacional de Saúde); CI: confidence interval.

Source: Brazil, PNS 2013 and 2019.

Class 3 showed more substantial changes: in 2013, it was characterized by "Alcohol, Inactivity, and Healthy Diet without Vegetable and Legume Consumption" (1.2%; 95%CI: 0.9–1.6), whereas in 2019, a class with a distinct configuration (Inactivity and Healthy Diet) emerged, with a prevalence of 3.3% (95%CI 2.9–3.7). Similarly, Class 4 maintained a predominance of a healthy diet associated with physical inactivity; however, in 2019, it did not include fish consumption, showing a prevalence of 33.4% (95%CI 32.3–34.5), compared with 31.2% (95%CI 29.6–32.8) in 2013. Finally, Class 5, "Inactivity and Poor Diet with Fish Consumption," increased from 17.2% (95%CI 16.1–18.3) in 2013 to 21.8% (95%CI 20.9–22.8) in 2019 (Chart 1).

The 2013 multinomial regression indicated an association between socioeconomic and demographic variables and the latent classes identified in the two PNS waves. In 2013, the reference class was Class 1 (Smoking, Inactivity, and Poor Diet). For Class 2 (Inactivity and Poor Diet with Bean Consumption), Black and Brown individuals showed lower odds of belonging to this class compared with White individuals (OR 0.62; 95%CI 0.49–0.77 and OR 0.77; 95%CI 0.66–0.90, respectively). Conversely, women had significantly higher odds (OR 2.59; 95%CI 2.23–3.00; p<0.0001), as did older adults aged ≥65 years, particularly those aged ≥75 years (OR 2.91; 95%CI 2.38–3.56). Individuals without a spouse showed lower odds of belonging to this class compared with the reference class (OR 0.66; 95%CI 0.57–0.76). For Class 3 (Alcohol, Inactivity, and Healthy Diet excluding Vegetables and Legumes), Black individuals showed higher odds (OR 2.23; 95%CI 1.26–3.94), whereas women were less likely to belong to this class (OR 0.61; 95%CI 0.39–0.95). High school education (OR 3.99; 95%CI 2.30–6.92) and higher education (OR 5.83; 95%CI 3.14–10.83) were also associated with this class. Class 4 (Inactivity and Healthy Diet) was associated with female sex (OR 4.24; 95%CI 3.61–4.97) and older age groups compared with the reference class, whereas individuals without a spouse (OR 0.69; 95%CI 0.59–0.80) had lower odds compared with those with a spouse. Regarding Class 5 (Inactivity and Poor Diet with Fish Consumption), women were also more likely to belong to this class (OR 3.29; 95%CI 2.80–3.86), whereas Black race was negatively associated with this class (OR 0.72; 95%CI 0.56–0.93) (Table 3).

Table 3. Multinomial logistic regression of the association between latent classes and socioeconomic and demographic variables among older adults in the National Health Survey for the years 2013 and 2019.

Characteristic		2013				2019
Characteristic		Class 2 OR (95%CI)	Class 3 OR (95%CI)	Class 4 OR (95%CI)	Class 5 OR (95%CI)	Class 2 OR (95%CI)	Class 3 OR (95%CI)	Class 4 OR (95%CI)	Class 5 OR (95%CI)
Race/skin color
	White	ref	ref	ref	ref	ref	ref	ref	ref
	Black	0.62 (0.49–0.77)^*	2.23 (1.26–3.94)^*	0.59 (0.46–0.76)^*	0.72 (0.56–0.93)	0.80 (0.62–1.01)	0.51 (0.40–0.66)^*	0.49 (0.38–0.62)^*	0.72 (0.56–0.92)^*
	Brown	0.77 (0.66–0.90)^*	1.43 (0.95–2.17)	0.64 (0.55–0.76)^*	0.86 (0.73–1.02)	0.89 (0.75–1.05)	0.62 (0.52–0.74)^*	0.56 (0.47–0.66)^*	0.93 (0.78–1.11)
	Others	0.43 (0.24–0.79)^*	1.06 (0.23–4.86)	0.86 (0.48–1.54)	1.01 (0.56–1.83)	0.59 (0.35–0.98)^*	0.57 (0.34–0.97)	0.44 (0.26–0.74)^*	0.73 (0.43–1.24)
Sex
	Male	ref	ref	ref	ref	ref	ref	ref	ref
	Female	2.59 (2.23–3.00)^*	0.61 (0.39-0.95)^*	4.24 (3.61–4.97)^*	3.29 (2.80–3.86)^*	4.28 (3.51–5.22)^*	5.64 (4.61–6.90)^*	8.08 (6.62–9.86)^*	6.43 (5.25–7.88)^*
Age range
	60–64	ref	ref	ref	ref	ref	ref	ref	ref
	65–69	1.40 (1.18–1.67)^*	0.98 (0.64–1.50)	1.55 (1.29–1.87)^*	1.47 (1.22–1.79)^*	1.18 (0.99–1.40)	1.44 (1.20–1.72)^*	1.46 (1.22–1.74)^*	1.44 (1.20–1.73)^*
	70–74	1.73 (1.42–2.11)^*	0.64 (0.36–1.16)	1.84 (1.49–2.27)^*	1.77 (1.43–2.20)^*	2.21 (1.74–2.81)^*	2.77 (2.17–3.54)^*	3.16 (2.48–4.02)^*	2.62 (2.04–3.35)^*
	75 or more	2.91 (2.38–3.56)^*	0.60 (0.30–1.21)	3.15 (2.54–3.91)^*	3.54 (2.85–4.39)^*	3.88 (2.97–5.07)^*	4.42 (3.37–5.81)^*	7.25 (5.55–9.47)^*	5.41 (4.12–7.10)^*
Marital status
	With spouse/partner	ref	ref	ref	ref	ref	ref	ref	ref
	Without spouse/partner	0.66 (0.57–0.76)^*	0.88 (0.61–1.28)	0.69 (0.59–0.80)^*	0.83 (0.71–0.97)^*	0.74 (0.63–0.86)^*	0.77 (0.65–0.90)^*	0.66 (0.56–0.77)^*	0.98 (0.83–1.15)
Education
	Incomplete primary education	ref	ref	ref	ref	ref	ref	ref	ref
	Incomplete secondary education	1.20 (0.92–1.57)	3.22 (1.77–5.84)^*	1.83 (1.39–2.41)^*	1.13 (0.85–1.52)	0.64 (0.49–0.83)^*	1.63 (1.25–2.13)^*	1.07 (0.82–1.39)	0.81 (0.61–1.07)
	Incomplete higher education	1.39 (1.06–1.81)^*	3.99 (2.30–6.92)^*	2.81 (2.15–3.67)^*	1.77 (1.33–2.34)^*	0.40 (0.33–0.50)^*	1.82 (1.48–2.24)^*	0.90 (0.73–1.11)	0.63 (0.51–0.79)^*
	Complete higher education	1.16 (0.81–1.66)	5.83 (3.14–10.83)^*	3.23 (2.28–4.58)^*	1.75 (1.21–2.53)^*	0.34 (0.25–0.48)^*	2.09 (1.55–2.82)^*	0.83 (0.62–1.13)	0.87 (0.64–1.19)
Religion
	With religion	ref	ref	ref	ref	ref	ref	ref	ref
	Without religion	0.45 (0.39–0.53)^*	0.52 (0.36–0.76)^*	0.39 (0.33–0.46)^*	0.58 (0.49–0.68)^*	0.56 (0.47–0.66)^*	0.32 (0.27–0.38)^*	0.44 (0.37–0.52)^*	0.59 (0.50–0.70)^*
Income
	Up to ½ MW	ref	ref	ref	ref	ref	ref	ref	ref
	1/2 to 1 MW	1.05 (0.85–1.29)	1.04 (0.45–2.42)	1.11 (0.88–1.42)	0.89 (0.71–1.12)	0.86 (0.66–1.12)	1.11 (0.83–1.48)	0.95 (0.73–1.25)	0.76 (0.58–1.00)^*
	1 to 2 MW	1.32 (1.06–1.64)^*	2.06 (0.92–4.63)	2.39 (1.86–3.07)^*	1.11 (0.87–1. 41)	0.60 (0.46–0.78)^*	1.22 (0.91–1.62)	0.97 (0.74–1.28)	0.56 (0.43–0.74)^*
	2 to 3 MW	1.09 (0.80–1.48)	3.73 (1.56–8.94)^*	2.75 (1.99–3.80)^*	1.16 (0.83–1.60)	0.50 (0.35–0.70)^*	1.67 (1.18–2.38)^*	1.09 (0.78–1.53)	0.55 (0.39–0.78)^*
	More than 3 MW	1.02 (0.73–1.40)	6.23 (2.66–14.58)^*	3.91 (2.80–5.47)^*	1.40 (1.00–1.97)	0.38 (0.27–0.53)^*	2.22 (1.57–3.13)^*	0.98 (0.70–1.37)	0.51 (0.36–0.72)^*
Area type
	Urban	ref	ref	ref	ref	ref	ref	ref	ref
	Rural	0.46 (0.38–0.55)^*	0.68 (0.43–1.06)	1.13 (0.96–1.33)	0.71 (0.62–0.81)	1.53 (1.27–1.83)	0.68 (0.56–0.83)^*	0.98 (0.81–1.17)	1.34 (1.11–1.62)

Open in a new tab

Statistically significant associations (p<0.05).

OR: odds ratio; CI: confidence interval; MW: minimu wage, ref: reference category.

Source: Brazil, PNS 2013 and 2019.

In 2019, associations were also observed between socioeconomic and demographic variables and the latent classes. Class 1 served as the reference (Smoking, Alcohol, Inactivity, and Poor Diet). In Class 2, Black (OR 0.80; 95%CI 0.62–1.01), Brown (OR 0.89; 95%CI 0.75–1.05), and other racial groups (OR 0.59; 95%CI 0.35–0.98) continued to show lower odds, whereas women and older adults aged ≥75 years showed higher odds. In Class 3 (Inactivity and Healthy Diet), Black, Brown, and other racial groups showed lower odds, whereas women (OR 5.64; 95%CI 4.61–6.90) and older adults, particularly those aged ≥70 years, showed higher odds. Class 4 (Inactivity and Healthy Diet without Fish Consumption) showed lower odds of membership among Black, Brown, and other racial groups, whereas women (OR 8.08; 95%CI 6.62–9.86) and older adults, particularly those aged ≥75 years, showed higher odds of belonging to this class. Finally, in Class 5 (Inactivity and Poor Diet), women showed higher odds (OR 6.43; 95%CI 5.25–7.88), as did older adults aged ≥75 years, whereas the Black racial group showed lower odds of membership.

DISCUSSION

Behavioral patterns exert a significant influence on overall health status. Smoking, alcohol consumption, physical inactivity, and dietary irregularities reflect habits and lifestyles associated with risk factors¹⁷.

In the first year, patterns of smoking, physical inactivity, and dietary variety stood out; in the second, higher alcohol consumption and lower fish intake were observed in some groups. Findings from other authors corroborate the high prevalence of modifiable risk factors in Brazil¹⁸.

Stability was observed in the age and sex distribution, whereas race, education, and income showed changes over the period. Women were more likely to belong to the physical inactivity classes, whether characterized by poor or healthy diets, consistent with the literature indicating higher levels of inactivity among older women due to family caregiving responsibilities and physical limitations¹⁹. Conversely, they were more represented in the healthy diet classes and less likely to belong to the alcohol consumption class, consistent with existing literature¹⁹.

Marital status influenced adherence to healthy eating habits: older adults without a spouse were less likely to belong to the healthy-diet classes. These findings may stem from a lack of social and family support²⁰, which can compromise well-being and hinder the adoption of healthy behaviors (such as a balanced diet and regular physical activity). Another finding was the selective association between higher education levels and health behaviors. Individuals with higher levels of education were more likely to belong to classes characterized by alcohol consumption — a finding consistent with the literature — but were also more likely to belong to the healthy-diet classes. Despite these mixed results, higher education facilitates access to healthcare and healthier living conditions^21,22.

Racial inequalities in health behaviors were observed, highlighting socioeconomic disadvantages and disparities in access to healthy foods^23–25. In 2013, Black individuals showed a higher likelihood of belonging to the "Alcohol, Inactivity, and Healthy Diet without Vegetable and Legume Consumption" class. In 2019, Black and Brown individuals were less likely to belong to the classes characterized by a healthy diet.

An increase was observed in the lowest income quintiles, indicating the persistence of socioeconomic inequalities that may affect the prevalence of NCDs and their risk factors²⁴. In this context, older adults were also more likely to belong to categories of physical inactivity, possibly related to functional decline. Evidence indicates that physical activity contributes to longer life expectancy and reductions in NCDs and disabilities²⁴.

Opposite trends were observed in the prevalence of behaviors related to the assessed risk factors. On the one hand, adherence to positive health behaviors (consumption of fruits and vegetables and physical activity) increased, which may reflect public health policies promoting healthy eating and physical activity^24,25. On the other hand, worsening trends in negative behaviors (excessive alcohol consumption and a decline in fish consumption) were observed, alongside stability in smoking rates and bean consumption. These changes align with previous studies describing improvements in estimates of positive health behaviors and worsening trends in negative ones among the general Brazilian population over time^18,23.

Multinomial regression identified significant associations between socioeconomic and demographic factors and latent classes. In both years, Black and Brown individuals were less likely to belong to the "Inactivity and Inadequate Diet with Bean Consumption" class, corroborating evidence regarding inequalities in access to health and food resources^26,27.

In both samples, the absence of physical activity was observed across all groups. The WHO recommends that older adults (aged ≥60 years) engage in 150 minutes of moderate-intensity physical activity or 75 minutes of vigorous-intensity physical activity per week to maintain good health and prevent NCDs²⁷.

A latent class grouped the characteristics of smoking, physical inactivity, and an unhealthy diet. Smoking is a major modifiable risk factor that negatively affects health across various stages of life²⁸. It is associated with other harmful habits (unbalanced diet, a sedentary lifestyle, and alcohol consumption) that increase the risk of NCDs²⁹. This combination predisposes individuals to significant changes in physical and emotional health, resulting in personal and family suffering, as well as high social costs, making it a key focus for public health interventions²⁸.

In both years, classes characterized by healthy eating, associated with physical inactivity and the absence of smoking and alcohol consumption, were identified. According to the WHO, healthy dietary practices adopted early in life yield long-lasting health benefits for individuals³⁰.

Healthy food consumption is determined by socioeconomic and demographic factors. Brazil is among the most unequal countries and exhibits high levels of malnutrition in the general population³¹. A study using PNS data indicates higher consumption of healthy foods among individuals with higher income and education levels, a group that also showed a higher prevalence of excessive alcohol consumption, highlighting the coexistence of protective and risk-related behaviors⁵.

Thus, the clustering of modifiable health risk factors reflects a complex interplay of biopsychosocial and racial factors. The co-occurrence of these factors suggests that health promotion interventions must be multidimensional rather than address risk factors in isolation. Consequently, strategies targeting synergistic health behaviors must take into account the social determinants that are fundamental to the adoption and maintenance of healthy behaviors.

The findings reinforce the importance of adopting and maintaining healthy behaviors, indicating that risk patterns result from a combination of lifestyle habits. These patterns influence healthcare, social engagement, access to interventions and services, and the interaction between individuals and the environment. International evidence supports this perspective. A study conducted in Thailand identified poor dietary patterns and overweight/obesity as key risk factors for NCDs, highlighting the need for actions aimed at reducing inequities³². In Africa, NCDs and mental health were found to be associated with the interplay of environmental, behavioral, biological, and social factors³³. Parallels with the Brazilian context include the persistence of inequities and structural barriers that limit access to health services, medications, and technologies for NCD management.

In Brazil, public policies such as the National Health Policy for the Elderly, the Guide to Care for the Elderly, the Statute of the Elderly, and the Strategic Action Plan for Tackling NCDs provide important foundations for promoting healthy aging and reducing inequalities. The National Health Surveillance Policy reinforces the centrality of territory and equity in the care of vulnerable populations, elements directly related to the findings of this study³⁴.

Finally, methodological limitations should be highlighted. The behaviors analyzed do not cover the full spectrum of lifestyle; the data are self-reported and subject to bias; and LCA is exploratory, dependent on variable selection, and does not allow causal inferences. Methodological changes between editions of the PNS may also have influenced the observed prevalence rates.

Despite these limitations, the results contribute to the planning of care, surveillance, and health promotion actions, providing a basis for interventions aimed at reducing combined risk behaviors and promoting active and healthy aging.

ACNOWLEDGMENTS:

The authors acknowledge the Coordination for the Improvement of Higher Education Personnel – Brazil (coordenação de aperfeiçoamento de pessoal de nível superior – CAPES) – Funding Code 001, and the Foundation for Research and Scientific and Technological Development of Maranhão (fundação de amparo à pesquisa e ao desenvolvimento científico e tecnológico do maranhão – FAPEMA). Oliveira, Blca, is a FAPEMA productivity scholarship Holder.

Funding Statement

FUNDING: none.

Footnotes

FUNDING: none.

ETHICS COMMITTEE: The Research Ethics Committee (Comitê de Ética em Pesquisa – CEP) of the 2013 National Health Survey (Pesquisa Nacional de Saúde – PNS), under approval number 328,159, was approved by the National Research Ethics Commission (Comissão Nacional de Ética em Pesquisa – CONEP) in July 2013. The Research Ethics Committee of the 2019 PNS was approved by CONEP under approval number 3.529.376.

REFERENCES

1.Instituto Brasileiro de Geografia e Estatística . Censo demográfico 2022. Rio de Janeiro: IBGE; 2022. [Google Scholar]
2.Instituto Brasileiro de Geografia e Estatística . Projeções da população [Internet] Rio de Janeiro: IBGE; 2024. [[cited on Dec 12, 2025]]. Available at: https://www.ibge.gov.br/estatisticas/sociais/populacao/9109-projecao-da-populacao.html . [Google Scholar]
3.Marques APO, Arruda IKG, Leal MCC, Santo ACGE. Envelhecimento, obesidade e consumo alimentar em idosos. Rev Bras Geriatr Gerontol. 2007;10(2):231–242. doi: 10.1590/1809-9823.2007.10028. [DOI] [Google Scholar]
4.Brasil . Ministério da Saúde. Secretaria de Vigilância em Saúde e Ambiente. Departamento de Análise Epidemiológica e Vigilância de Doenças Não Transmissíveis. Vigitel Brasil 2023: vigilância de fatores de risco e proteção para doenças crônicas por inquérito telefônico: estimativas sobre frequência e distribuição sociodemográfica de fatores de risco e proteção para doenças crônicas nas capitais dos 26 estados brasileiros e no Distrito Federal em 2023 [Internet] Brasília: Ministério da Saúde; 2023. [[cited on Dec 12, 2025]]. Available at: https://bvsms.saude.gov.br/bvs/publicacoes/vigitel_brasil_2023.pdf . [Google Scholar]
5.Noronha BP, Nascimento-Souza MA, Lima-Costa MF, Peixoto SV. Padrões de consumo de álcool e fatores associados entre idosos brasileiros: Pesquisa Nacional de Saúde (2013) Ciênc Saúde Colet. 2019;24(11):4171–4180. doi: 10.1590/1413-812320182411.32652017. [DOI] [PubMed] [Google Scholar]
6.Moura LBA, Almeida MWC, Tavares GS, Safons MP, Fortes Gomes MM, Costa MGDS, editors. Perspectivas em envelhecimento e longevidade. Brasília: Ceam/UnB; 2024. [Google Scholar]
7.Jentsch F, Allen J, Fuchs J, von Lippe E. Typical patterns of modifiable health risk factors (MHRFs) in elderly women in Germany: results from the cross-sectional German Health Update (GEDA) study, 2009 and 2010. BMC Womens Health. 2017;17(1):23–23. doi: 10.1186/s12905-017-0380-4. [DOI] [PMC free article] [PubMed] [Google Scholar]
8.Budreviciute A, Damiati S, Sabir DK, Onder K, Schuller-Goetzburg P, Plakys G, et al. Management and prevention strategies for non-communicable diseases (NCDs) and their risk factors. Front Public Health. 2020;8:574111–574111. doi: 10.3389/fpubh.2020.574111. [DOI] [PMC free article] [PubMed] [Google Scholar]
9.Laxer RE, Brownson RC, Dubin JA, Cooke M, Chaurasia A, Leatherdale ST. Clustering of risk-related modifiable behaviours and their association with overweight and obesity among a large sample of youth in the COMPASS study. BMC Public Health. 2017;17(1):102–102. doi: 10.1186/s12889-017-4034-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
10.Cruz MF, Ramires VV, Wendt A, Mielke GI, Martinez-Mesa J, Wehrmeister FC. Simultaneidade de fatores de risco para doenças crônicas não transmissíveis entre idosos da zona urbana de Pelotas, Rio Grande do Sul, Brasil. Cad Saúde Pública. 2017;33(2):e00021916. doi: 10.1590/0102-311X00021916. [DOI] [PubMed] [Google Scholar]
11.Figueiró TH. Padrões de Comportamento de Risco à saúde e sua associação com comprometimento cognitivo e funcional: uma análise longitudinal do estudo EpiFloripa Idoso [tese de doutorado] Florianópolis: Centro de Ciências da Saúde da Universidade Federal de Santa Catarina; 2022. [Google Scholar]
12.Instituto Brasileiro de Geografia e Estatística . Pesquisa Nacional de Saúde: 2019: percepção do estado de saúde, estilos de vida, doenças crônicas e saúde bucal: Brasil e grandes regiões. Rio de Janeiro: IBGE; 2020. [Google Scholar]
13.Stopa SR, Szwarcwald CL, Oliveira MM, Gouvea ECDP, Vieira MLFP, Freitas MPS, et al. Pesquisa Nacional de Saúde 2019: histórico, métodos e perspectivas. Epidemiol Serv Saude. 2020;29(5):e2020315. doi: 10.1590/S1679-49742020000500004. [DOI] [PubMed] [Google Scholar]
14.Malta DC, Leal MC, Costa MFL, Morais OL., Neto Inquéritos nacionais de saúde: experiência acumulada e proposta para o inquérito de saúde brasileiro. Rev Bras Epidemiol. 2008;11(Suppl 1):159–167. doi: 10.1590/S1415-790X2008000500017. [DOI] [Google Scholar]
15.Instituto Brasileiro de Geografia e Estatística . Projeção da população. Rio de Janeiro: IBGE; 2019. [Google Scholar]
16.Mastella JO. Análise de classes latentes: da teoria à prática. Porto Alegre: UFRGS; 2015. [Google Scholar]
17.Stein C, Schmidt MI, Cousin E, Malta DC, Naghavi M, Oliveira PPV, et al. Exposure to and burden of major non-communicable disease risk factors in Brazil and its states, 1990-2019: the global burden of disease study. Rev Soc Bras Med Trop. 2022;55(Suppl 1):e0275. doi: 10.1590/0037-8682-0275-2021. [DOI] [PMC free article] [PubMed] [Google Scholar]
18.Oliveira BLCA, Pinheiro AKB. Mudanças nos comportamentos de saúde em idosos brasileiros: dados da Pesquisa Nacional de Saúde 2013 e 2019. Ciênc Saúde Colet. 2023;28(11):3111–3122. doi: 10.1590/1413-812320232811.16702022. [DOI] [PubMed] [Google Scholar]
19.Peixoto SV, Mambrini JVM, Firmo JOA, Loyola AI, Filho, Souza PRB, Junior, Andrade FB, et al. Physical activity practice among older adults: results of the ELSI-Brazil. Rev Saude Publica. 2018;52(Supl 2):5s–5s. doi: 10.11606/S1518-8787.2018052000605. [DOI] [PMC free article] [PubMed] [Google Scholar]
20.Ryan A, Murphy C, Boland F, Galvin R, Smith SM. What is the impact of physical activity and physical function on the development of multimorbidity in older adults over time? A population-based cohort study. J Gerontol A Biol Sci Med Sci. 2018;73(12):1538–1544. doi: 10.1093/gerona/glx251. [DOI] [PMC free article] [PubMed] [Google Scholar]
21.Zhou T, Sun D, Li X, Ma H, Heianza Y, Qi L. Educational attainment and drinking behaviors: Mendelian randomization study in UK Biobank. Mol Psychiatry. 2021;26(8):4355–4366. doi: 10.1038/s41380-019-0596-9. [DOI] [PMC free article] [PubMed] [Google Scholar]
22.van Bussel LM, van Rossum CT, Temme EH, Boon PE, Ocké MC. Educational differences in healthy, environmentally sustainable and safe food consumption among adults in the Netherlands. Public Health Nutr. 2020;23(12):2057–2067. doi: 10.1017/S1368980019005214. [DOI] [PMC free article] [PubMed] [Google Scholar]
23.Malta DC, Silva AG, Gomes CS, Stopa SR, Oliveira MM, Sardinha LMV, et al. Monitoramento das metas dos planos de enfrentamento das doenças crônicas não transmissíveis: resultados da Pesquisa Nacional de Saúde, 2013 e 2019. Epidemiol Serv Saúde. 2022;31(Supl 1):e2021364. doi: 10.1590/SS2237-9622202200008.especial. [DOI] [PMC free article] [PubMed] [Google Scholar]
24.Meller FO, Santos LP, Miranda VIA, Tomasi CD, Soratto J, Quadra MR, et al. Desigualdades nos comportamentos de risco para doenças crônicas não transmissíveis: Vigitel, 2019. Cad Saúde Pública. 2022;38(6):e00273520. doi: 10.1590/0102-311XPT273520. [DOI] [PubMed] [Google Scholar]
25.Claro RM, Santos MAS, Oliveira TP, Pereira CA, Szwarcwald CL, Malta DC. Consumo de alimentos não saudáveis relacionados a doenças crônicas não transmissíveis no Brasil: Pesquisa Nacional de Saúde, 2013. Epidemiol Serv Saude. 2015;24(2):257–265. doi: 10.5123/S1679-49742015000200008. [DOI] [Google Scholar]
26.Instituto Brasileiro de Geografia e Estatística . Pesquisa Nacional por Amostra de Domicílios Contínua: informativo 2012/2022. Rio de Janeiro: IBGE; 2023. [Google Scholar]
27.Organização Mundial da Saúde . Diretrizes da OMS sobre atividade física e comportamento sedentário. Genebra: Organização Mundial da Saúde; 2020. [Google Scholar]
28.Song F, Elwell-Sutton T, Naughton F, Gentry S. Future smoking prevalence by socioeconomic status in England: a computational modelling study. Tob Control. 2020;30(4):380–385. doi: 10.1136/tobaccocontrol-2019-055490. [DOI] [PMC free article] [PubMed] [Google Scholar]
29.Centers for Disease Control and Prevention . Smoking and tobacco use [Internet] Atlanta: CDC; 2024. [[cited on Dec 27, 2023]]. Available at: https://www.cdc.gov/tobacco . [Google Scholar]
30.Organização Mundial da Saúde . Relatório mundial sobre a prevenção e controle das doenças crônicas não transmissíveis: promover uma vida saudável. Genebra: OMS; 2006. [Google Scholar]
31.Barbosa BB, Baltar VT, Horta RL, Lobato JCP, Vieira LJES, Gallo CO, et al. Food and Nutrition Surveillance System (SISVAN) coverage, nutritional status of older adults and its relationship with social inequalities in Brazil,2008-2019: an ecological time-series study. Epidemiol Serv Saude. 2023;32(1):e2022595. doi: 10.1590/S2237-96222023000100003. [DOI] [PMC free article] [PubMed] [Google Scholar]
32.Vichitkunakorn P, Bunyanukul W, Apiwan K, Tanasanchonnakul D, Sittisombut M. Prevalence of non-communicable disease risk factors and their association with economic status: findings from the 2021 health behaviour of population survey in Thailand. Global Health Action. 2025;18(1):2485689–2485689. doi: 10.1080/16549716.2025.2485689. [DOI] [PMC free article] [PubMed] [Google Scholar]
33.World Health Organization . Noncommunicable diseases and mental health in the WHO African Region: progress report 2024. República do Congo: World Health Organization; 2025. [Google Scholar]
34.Brasil . Ministério da Saúde. Conselho Nacional de Saúde. Resolução no 588, de 12 de julho de 2018. Institui a Política Nacional de Vigilância em Saúde (PNVS) [Internet] Brasília: Diário Oficial da União; 2018. [[cited on Dec 13, 2025]]. Available at: https://www.gov.br/conselho-nacional-de-saude/pt-br/acesso-a-informacao/atos-normativos/resolucoes/2018/resolucao-no-588.pdf/view . [Google Scholar]

Rev Bras Epidemiol. 2026 Aug 17;29:e260042. [Article in Portuguese] doi: 10.1590/1980-549720260042.2

Padrões de comportamentos relacionados aos fatores de risco à saúde modificáveis em pessoas idosas brasileiras: dados da Pesquisa Nacional de Saúde 2013 e 2019

RESUMO

Objetivo:

Analisar os padrões de comportamentos de risco à saúde modificáveis em pessoas idosas brasileiras (≥60 anos) utilizando dados da Pesquisa Nacional de Saúde 2013 e 2019.

Métodos:

Estudo transversal com base nos dados secundários provenientes da Pesquisa Nacional de Saúde de 2013 e 2019. Os padrões de comportamento foram definidos pela Análise de Classes Latentes de acordo com quatro domínios principais: tabagismo, consumo de álcool, atividade física e alimentação. Foram calculadas as frequências relativas e seus Intervalos de Confiança de 95% (IC95%) para as variáveis de estilo de vida, bem como para as variáveis independentes associadas a fatores socioeconômicos e demográficos.

Resultados:

Foram identificados cinco padrões de comportamento em cada ano. Em 2013, identificaram-se padrões relacionados a hábitos não saudáveis (fumo), inatividade física e padrões alimentares (incluindo consumo de feijão, vegetais, legumes e peixes). Em 2019, os achados também envolveram os mesmos padrões encontrados em 2013, com o diferencial de que o consumo de peixe apresentou maior relevância na diferenciação entre classes, embora sua prevalência populacional tenha diminuído no período. A inatividade física foi associada a hábitos prejudiciais: alimentação inadequada, tabagismo e consumo de álcool. Idade, sexo, escolaridade e raça influenciaram significativamente esses padrões.

Conclusão:

No Brasil, o envelhecimento não saudável sobrepõe-se a múltiplos fatores de risco modificáveis. A compreensão desses padrões e seus determinantes permite elaborar estratégias que reduzam desigualdades em saúde e promovam qualidade de vida e bem-estar entre pessoas idosas. A abordagem combinada de fatores de risco contribui para políticas públicas mais efetivas.

Palavras-chave: Pessoas idosas, Envelhecimento saudável, Determinantes sociais da saúde, Análise de classes latentes, Comportamentos de riscos combinados

INTRODUÇÃO

Em 2022, o Brasil possuía cerca de 32 milhões de pessoas com 60 anos ou mais, o que representa 15,8% da população¹. Projeções indicam que até 2030 o número de idosos superará o de crianças e adolescentes no país². Contudo, proporção significativa dessa população, em 2023, assumia comportamentos prejudiciais à saúde: 56% relataram sedentarismo; 14%, uso abusivo de bebidas alcoólicas; 12% fumavam; e apenas 18% relataram consumo alimentar adequado (frutas e verduras)^1–4.

Tais comportamentos estão associados às Doenças Crônicas Não Transmissíveis (DCNT), que são as principais causas de morbimortalidade no mundo e afetam de modo mais relevante as pessoas idosas. A prevalência de DCNT é influenciada por um conjunto de fatores de risco à saúde modificáveis^5,6. Entretanto, o papel dos comportamentos de risco à saúde ainda tende a ser analisado de forma isolada, ignorando a interdependência deles, sua coocorrência e sobreposição na formação de específicos padrões de saúde^7,8. Padrões de comportamentos de risco amplificam seus efeitos negativos, pois sinergicamente comprometem a qualidade de vida, agravam o estado de saúde geral, reduzem as chances de longevidade e aumentam o risco de mortalidade prematura^9,10.

Pessoas idosas geralmente apresentam padrões de comportamento de risco à saúde mais complicados e modelados por determinantes sociais de saúde¹¹. Esses combinados padrões de comportamentos refletem hábitos (saudáveis ou não) adotados ao longo do ciclo de vida, que são geralmente vivenciados em conjunto e mais difíceis de serem modificados individualmente.

Dessa forma, o monitoramento dos comportamentos relacionados aos fatores de risco à saúde e de seus determinantes socioeconômicos, geográficos e raciais pode contribuir com maior compreensão dos efeitos de estilos de vida, gestão de DCNT e qualidade de intervenções multidisciplinares em pessoas idosas. Logo, inquéritos de saúde como os da Pesquisa Nacional de Saúde (PNS) 2013 e 2019 permitem tais análises no contexto brasileiro¹².

Diante disso, este estudo buscou analisar os padrões de comportamentos relacionados aos fatores de risco à saúde modificáveis em pessoas idosas brasileiras nos anos de 2013 e 2019.

MÉTODOS

Tipo e local de estudo

Trata-se de um estudo transversal com base nos dados secundários provenientes da PNS 2013 e 2019. A PNS é um inquérito transversal, de base populacional, representativo do Brasil e com abordagem domiciliar realizado em conjunto pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e pelo Ministério da Saúde (MS).

Contexto

A PNS busca apresentar resultados representativos da população brasileira. Para isso, utiliza um desenho de amostragem complexa¹³, organizada por conglomerados, em três estágios de seleção: setores censitários (unidades primárias), domicílios (unidades secundárias) e moradores adultos com 18 anos ou mais (unidades terciárias). Todavia, em 2019, no terceiro estágio, o morador tinha 15 anos ou mais de idade^14,15.

A PNS 2013 possuiu desenho amostral com entrevistas em 6.062 Unidades Primárias de Amostragem (UPA) e 64.348 domicílios¹²; e a PNS de 2019, 8.031 UPA e 94.114 domicílios. Para o presente estudo, foram analisadas as respostas do questionário individual em pessoas idosas (≥60 anos). A amostra final analisada incluiu 11.177 idosos da PNS 2013 e 22.728 da PNS 2019.

Variáveis

As variáveis relacionadas ao estilo de vida foram organizadas em quatro domínios: tabagismo, consumo de álcool, prática de atividade física e alimentação, identificadas no Módulo P do questionário do morador selecionado.

A alimentação incluiu o consumo semanal de feijão, frutas, verduras ou legumes e peixe, mensurados em número de vezes por semana. Essas variáveis foram dicotomizadas conforme recomendações de diretrizes nacionais e internacionais, sendo considerado consumo adequado ≥5 vezes por semana para feijão, frutas e verduras/legumes, e ≥2 vezes por semana para peixe. O consumo de álcool foi definido de acordo com o número de doses ingeridas em uma única ocasião nos últimos 30 dias, categorizado como consumo abusivo quando ≥5 doses para homens ou ≥4 doses para mulheres.

Quanto à prática de atividade física no lazer, classificaram-se como fisicamente ativos os indivíduos que atingiram pelo menos 150 minutos semanais de atividade moderada ou 75 minutos de atividade vigorosa, de acordo com as recomendações da Organização Mundial da Saúde (OMS). O tabagismo foi definido considerando fumantes aqueles que relataram uso atual de produtos de tabaco, diário ou ocasional.

As variáveis independentes incluíram: sexo, idade (anos), cor ou raça, viver com companheiro, religião, escolaridade, renda e área de moradia.

Análise estatística

Na análise descritiva, foram calculadas as frequências relativas e seus Intervalos de Confiança de 95% (IC95%) para os comportamentos de saúde e variáveis socioeconômicas e demográficas.

Para definição dos padrões de comportamentos, foi realizada a Análise de Classes Latentes (LCA), método estatístico que identifica grupos distintos com base nos padrões de respostas observados em variáveis categóricas¹⁶. A LCA foi utilizada para identificar padrões de comportamento relacionados a fatores de risco modificáveis, com base nas variáveis categóricas de estilo de vida¹⁶, estimadas separadamente para os anos de 2013 e 2019. Na construção da variável latente, foram elaborados e avaliados modelos com diversos números de classes latentes até determinar o modelo mais apropriado para descrevê-la. A seleção do modelo ideal foi guiada pelos Critérios de Informação de Akaike (AIC), Informação Bayesiano (BIC), Informação Bayesiano Ajustado (aBIC) e log-verossimilhança, com preferência aos modelos que apresentaram os menores valores desses critérios em comparação com os modelos anteriores¹⁶; também foi considerado o maior valor da entropia. A decisão final sobre o número de classes levou em conta a interpretabilidade e a coerência dos padrões identificados.

Para testar a associação entre as classes latentes e as variáveis socioeconômicas e demográficas independentes, foram estimados modelos de regressão logística multinomial ajustada. A medida de efeito utilizada foi a Odds Ratio (OR), com seus respectivos IC95% e nível de significância de p<0,05. Para realização das análises estatísticas, foi considerado o desenho complexo da amostra, estratos e UPA. As análises foram realizadas no software RStudio, versão 2023.9.0.463, e na análise de classe latente utilizou-se o pacote "poLCA".

A PNS de 2013 e 2019 foi aprovada pela Comissão Nacional de Ética em Pesquisa para Seres Humanos do Ministério da Saúde. Para a edição de 2013, o parecer foi o n^o 328.159, e para 2019, n^o 3.529.376.

Declaração de disponibilidade de dados:

Todo o conjunto de dados que dá suporte aos resultados deste estudo está disponível mediante solicitação ao autor correspondente. O conjunto de dados não está publicamente disponível devido à integração de bancos de dados realizados pelos autores.

RESULTADOS

O estudo teve amostra de 11.177 indivíduos ≥60 anos entrevistados pela PNS 2013 e 22.728 pela PNS 2019.

A Tabela 1 apresenta as características socioeconômicas e demográficas em 2013 e 2019. Não se observaram mudanças na distribuição por sexo. Mulheres foram maioria em 2013 (56,94%; IC95% 54,8–58,0) e 2019 (56,7%; IC95% 55,6–57,8). A proporção de brancos diminuiu entre os anos (2013: 53,8%; IC95% 51,9–55,6; 2019: 50,5%; IC95% 49,3–51,8; p=0,02). Houve mudança significativa na escolaridade: o ensino fundamental incompleto caiu de 70,7% (IC95% 68,9–72,4) para 63,3% (IC95% 62,0–64,5), enquanto o nível superior completo aumentou de 9,4% (IC95% 8,1–10,7) para 11,3% (IC95% 10,5–12,1; p<0,001). A distribuição de renda diferiu: aumentou no primeiro quintil (2013: 20,6%; IC95% 19,2–22,0; 2019: 24,4%; IC95% 23,4–25,4; p<0,001). Quanto à área de residência, a urbana prevaleceu, mas sem mudanças significativas.

Tabela 1. Características socioeconômicas e demográficas de pessoas idosas entrevistadas pela Pesquisa Nacional de Saúde, anos de 2013 e 2019 no Brasil.

Variáveis		IC95%
Variáveis		2013 (n=11.177)	2019 (n=22.728)	p-valor
Sexo
	Masculino	43,6 (42,0–45,2)	43,3 (42,2–44,4)	0,76
	Feminino	56,4 (54,8–58,0)	56,7 (55,6–57,8)	0,76
Faixa etária
	60 a 64	32,0 (30,5–33,5)	31,1 (30,0–32,1)	0,72
	65 a 69	24,6 (23,3–25,9)	25,2 (24,3–26,1)
	70 a 74	18,3 (17,0–19,5)	18,1 (17,3–18,9)
	75 ou mais	25,2 (23,8–26,5)	25,6 (24,6–26,5)
Raça
	Branca	53,8 (51,9–55,6)	50,5 (49,3–51,8)	0,02
	Preta	9,2 (8,2–10,2)	10,3 (9,6–11.0)
	Parda	35,6 (33,9–37,2)	37,4 (36,2–38,5)
	Outros	1,4 (1,1–1,8)	1,8 (1,5–2,1)
Estado civil
	Com cônjuge	53,5 (51,9–55,1)	50,7 (49,5–51,8)	0,004
	Sem cônjuge	46,5 (44,9–48,1)	49,3 (48,2–50,5)	0,004
Escolaridade
	Até fundamental incompleto ou equivalente	70,7 (68,9–72,4)	63,3 (62,0–64,5)	0,001
	Médio incompleto ou equivalente	8,1 (7,2–9,0)	9,5 (8,9–10,2)
	Superior incompleto ou equivalente	11,8 (10,8–12,9)	15,9 (15,0–16,8)
	Superior completo	9,4 (8,1–10,7)	11,3 (10,5–12,1)
Renda
	1° Quintil	20,6 (19,2–22,0)	24,4 (23,4–25,4)	0,001
	2° Quintil	22,7 (21,3–24,1)	17,4 (16,6–18,2)
	3° Quintil	16,6 (15,3–18,0)	16,1 (15,2–16,9)
	4° Quintil	21,3 (19,9–22,7)	21,8 (20,8–22,7)
	5° Quintil	18,7 (17,1–20,2)	20,4 (19,3–21,5)
Religião
	Sim	50,1 (48,3–51,8)	48,5 (47,4–49,7)	0,15
	Não	49,9 (48,2–51,7)	51,5 (50,3–52,6)	0,15
Área de moradia
	Urbana	85,2 (83, 7–86,6)	85,5 (84,6–86,3)	0,76
	Rural	14,8 (13,4–16,3)	14,5 (13,7–15,4)	0,76

Open in a new tab

Fonte: Brasil, PNS 2013 e 2019.

Entre os anos, a prevalência dos fatores de risco à saúde modificáveis foi estimada (dados não mostrados). Tabagismo (2013: 12,2%; IC95% 11,1–13,2; 2019: 11,1%; IC95% 10,5–11,8) e consumo de feijão (2013: 71,4%; IC95% 69,9–72,9; 2019: 70,2%; IC95% 69,1–71,2) não apresentaram mudança estatisticamente significante (p>0,05). O consumo excessivo de álcool aumentou de 4,2% (IC95% 3,6–4,9) para 5,8% (IC95% 5,2–6,3; p<0,001). A atividade física no lazer aumentou significativamente: de 13,4% (IC95% 12,3–14,5) para 19,4% (IC95% 18,5–20,4; p<0,001). O consumo de vegetais e legumes (de 38,1% [IC95% 36,3–39,9] para 63,4% [62,3–64,5; p<0,001]) e de frutas (de 55% [IC95% 53,3–56,7] para 59,2% [IC95% 58,1–60,3; p<0,001]) também aumentou significativamente. Já o consumo de peixe diminuiu: 58,2% (IC95% 56,3–60,1) para 50% (IC95% 48,8–51,2; p<0,001).

A Tabela 2 apresenta as estatísticas de ajuste utilizadas para determinar o número ideal de classes latentes. A seleção do número de classes considerou critérios estatísticos (AIC, BIC, aBIC, log-verossimilhança e entropia), bem como a interpretabilidade substantiva das classes. Observou-se redução dos valores de AIC, BIC e aBIC até o modelo de cinco classes, com estabilidade nos modelos subsequentes. A escolha do modelo final considerou o equilíbrio entre ajuste estatístico, parcimônia e entropia, priorizando soluções interpretáveis e teoricamente plausíveis.

Tabela 2. Critérios para a seleção do número de classes latentes formadas por pessoas idosas na Pesquisa Nacional de Saúde para os anos de 2013 e 2019.

Classes	2013							2019
Classes	Log–verossimilhança	gl dos resíduos	AIC	BIC	aBIC	cAIC	Entropia	Log-verossimilhança	gl dos resíduos	AIC	BIC	aBIC	cAIC	Entropia
2	-39340,91	112	78535,31	78821,65	78773,98	78836,65	0,405	-83557,24	112	167144,5	167264,9	167217,3	167279,9	0,478
3	-39242,70	104	78535,31	78699,80	78626,71	78722,80	0,494	-83296,85	104	166639,7	166824,4	166751,3	166847,4	0,432
4	-39165,64	96	78393,29	78620,26	78521,75	78651,26	0,501	-83190,60	96	166443,2	166692,2	166593,7	166723,2	0,403
5	-39140,54	88	78357,52	78644,63	78520,69	78683,63	0,625	-83130,20	88	166338,4	166651,6	166527,7	166690,6	0,47
6	-39123,83	80	78341,67	78685,79	78536,43	78732,79	0,491	-83109,40	80	166312,8	166690,3	166540,9	166800,0	0,417
7	-39116,85	72	78342,05	78746,39	78571,61	78801,39	0,483	-83096,63	72	166303,3	166745,0	166570,2	166800,0	0,395
8	-39111,47	64	78345,77	78810,21	78610,00	78873,21	0,508	-83096,63	72	166298,7	166745,0	166604,4	166867,6	0,422

Open in a new tab

AIC: Critérios de Informação de Akaike; BIC: Informação Bayesiano; aBIC: Informação Bayesiano Ajustado; cAIC: Critério de Informação de Akaike Consistente.

Em negrito o número de classes selecionadas.

Fonte: Brasil, PNS 2013 e 2019.

As classes identificadas em 2013 e 2019 foram denominadas com base nas probabilidades de resposta aos itens, sendo a probabilidade condicional ≥0,4 critério para caracterizar as classes latentes, conforme detalhado na Figura 1. Em 2013, a divisão de classes foi a seguinte: Fumo, Inatividade e Alimentação Inadequada (fumantes, não consomem álcool, inativos e têm uma alimentação inadequada, sem a ingestão de legumes, vegetais, frutas e peixes, mas consumo de feijão); Inatividade e Alimentação Inadequada com Consumo de Feijão (não fumantes, não consomem álcool, inativos e têm uma dieta sem legumes, vegetais, frutas e peixes, mas com consumo de feijão); Álcool, Inatividade e Alimentação Saudável sem Consumo de Vegetais e Legumes (não fumantes, consumo de álcool em excesso, inativos e não consomem vegetais e legumes; incluem frutas, peixes e feijão na dieta); Inatividade e Alimentação Saudável (não fumantes, não consomem álcool e inativos. Sua dieta inclui legumes, vegetais, frutas, peixes e feijão; e, por fim, a classe 5, Inatividade e Alimentação Inadequada com Consumo de Peixe (não fumantes, não consomem álcool e inativos; ausência de legumes, vegetais, frutas e feijão, e consumo de peixes).

Figura 1 — Fonte: Brasil, PNS 2013 e 2019.

Em 2019, também foram identificadas cinco classes latentes: Fumo, Álcool, Inatividade e Alimentação Inadequada (fumantes, consomem álcool, não consomem vegetais, legumes e peixes, mas incluem feijão); Inatividade e Alimentação Inadequada com Consumo de Feijão (não fumantes, não consomem álcool, não consomem vegetais, legumes, frutas ou peixes, mas consomem feijão); Inatividade e Alimentação Saudável (não fumantes, não consomem álcool, inativos e seguem uma alimentação saudável, que inclui vegetais, legumes, frutas, feijão e peixe); Inatividade e Alimentação Saudável sem Consumo de Peixe (não fumantes, não consomem álcool e inativos, consumindo vegetais, legumes, frutas e feijão, mas sem consumo de peixe); e Inatividade e Alimentação Inadequada com Consumo de Peixe (não fumantes, não consomem álcool, inativos, sem vegetais, legumes, frutas e feijão, e consumo de peixe).

O Quadro 1 apresenta a distribuição das pessoas idosas nas classes latentes estimadas separadamente para 2013 e 2019. Em 2013, a classe 1, "Fumo, Inatividade e Alimentação Inadequada", representou 10,2% (IC95% 9,2–11,2), enquanto em 2019 uma classe com características semelhantes apresentou prevalência de 14,1% (IC95% 13,4–14,8). A classe 2, "Inatividade e Alimentação Inadequada com Consumo de Feijão", mais prevalente em 2013, correspondeu a 40,2% (IC95% 38,6–41,8), enquanto em 2019 uma classe com perfil próximo apresentou menor proporção (27,4%; IC95% 26,4–28,4).

Quadro 1. Distribuição de pessoas idosas por classes latentes na Pesquisa Nacional de Saúde para os anos de 2013 e 2019 com estimativas de proporção e intervalos de confiança.

Classes	PNS 2013		PNS 2019
Classes	Nome da classe	% (IC95%)	Nome da classe	% (IC95%)
1	Fumo, inatividade e alimentação inadequada	10,2 (9,2–11,2)	Fumo, álcool, inatividade e alimentação inadequada	14,1 (13,4–14,8)
2	Inatividade e alimentação inadequada com consumo de feijão	40,2 (38,6–41,8)	Inatividade e alimentação inadequada com consumo de feijão	27,4 (26,4–28,4)
3	Álcool, inatividade e alimentação saudável sem consumo de vegetais e legumes	1,2 (0,90–1,6)	Inatividade e alimentação saudável	3,3 (2,9–3,7)
4	Inatividade e alimentação saudável	31,2 (29,6–32,8)	Inatividade e alimentação saudável sem consumo de peixe	33,4 (32,3–34,5)
5	Inatividade e alimentação inadequada com consumo de peixe	17,2 (16,1–18,3)	Inatividade e alimentação inadequada com consumo de peixe	21,8 (20,9–22,8)

Open in a new tab

PNS: Pesquisa Nacional de Saúde; IC: intervalo de confiança.

Fonte: Brasil, PNS 2013 e 2019.

A classe 3 apresentou mudanças mais expressivas: em 2013, caracterizava-se por "Álcool, Inatividade e Alimentação Saudável sem Consumo de Vegetais e Legumes" (1,2%; IC95%: 0,9–1,6), enquanto, em 2019, emergiu uma classe com configuração distinta (Inatividade e Alimentação Saudável), com prevalência de 3,3% (IC95% 2,9–3,7). De forma semelhante, a classe 4 manteve predominância de alimentação saudável associada à inatividade física, mas em 2019 não incluiu o consumo de peixe, apresentando prevalência de 33,4% (IC95% 32,3–34,5), em comparação a 31,2% (IC95% 29,6–32,8) em 2013. Por fim, a classe 5, "Inatividade e Alimentação Inadequada com Consumo de Peixe", passou de 17,2% (IC95% 16,1–18,3) em 2013 para 21,8% (IC95% 20,9–22,8) em 2019 (Quadro 1).

A regressão multinomial de 2013 indicou associação entre variáveis socioeconômicas e demográficas com as classes latentes nos dois anos da PNS. Em 2013, a classe de referência foi a classe 1 (Fumo, Inatividade e Alimentação Inadequada). Para a classe 2 (Inatividade e Alimentação Inadequada com Consumo de Feijão), pretos e pardos apresentaram menor probabilidade de pertencer a essa classe em comparação aos brancos (OR 0,62; IC95% 0,49–0,77 e OR 0,77; IC95% 0,66–0,90, respectivamente). Já mulheres tiveram probabilidade significativamente maior (OR 2,59; IC95% 2,23–3,00; p<0,0001), assim como pessoas idosas de todas as faixas ≥65 anos, especialmente ≥75 anos (OR 2,91; IC95% 2,38–3,56). Indivíduos sem cônjuge apresentaram menor chance de pertencer a essa classe, em comparação à classe de referência (OR 0,66; IC95% 0,57–0,76). Para a classe 3 (Álcool, Inatividade e Alimentação Saudável sem Consumo de Vegetais e Legumes), pretos mostraram probabilidade aumentada (OR 2,23; IC95% 1,26–3,94), enquanto mulheres foram menos propensas (OR 0,61; IC95% 0,39–0,95). A escolaridade ensino médio (OR 3,99; IC95% 2,30–6,92) e ensino superior (5,83; IC95% 3,14–10,83) estiveram associadas. A classe 4 (Inatividade e Alimentação Saudável) apresentou associação com o sexo feminino (OR 4,24; IC95% 3,61–4,97) e com idades mais avançadas, quando comparadas à classe de referência, enquanto aqueles sem cônjuge (OR 0,69; IC95% 0,59–0,80) tiveram chances reduzidas em comparação com pessoas com cônjuge. Já na classe 5 (Inatividade e Alimentação Inadequada com Consumo de Peixe), as mulheres também se mostraram mais propensas a pertencer a essa classe (OR 3,29; IC95% 2,80–3,86), e a raça preta esteve negativamente associada (OR 0,72; IC95% 0,56–0,93) (Tabela 3).

Tabela 3. Regressão logística multinomial da associação entre as classes latentes e as variáveis socioeconômicas e demográficas de pessoas idosas na Pesquisa Nacional de Saúde para os anos de 2013 e 2019.

Variável		2013				2019
Variável		Classe 2 OR (IC95%)	Classe 3 OR (IC95%)	Classe 4 OR (IC95%)	Classe 5 OR (IC95%)	Classe 2 OR (IC95%)	Classe 3 OR (IC95%)	Classe 4 OR (IC95%)	Classe 5 OR (IC95%)
Raça
	Branca	ref	ref	ref	ref	ref	ref	ref	ref
	Preta	0,62 (0,49–0,77)^*	2,23 (1,26–3,94)^*	0,59 (0,46–0,76)^*	0,72 (0,56–0,93)	0,80 (0,62–1,01)	0,51 (0,40–0,66)^*	0,49 (0,38–0,62)^*	0,72 (0,56–0,92)^*
	Parda	0,77 (0,66–0,90)^*	1,43 (0,95–2,17)	0,64 (0,55–0,76)^*	0,86 (0,73–1,02)	0,89 (0,75–1,05)	0,62 (0,52–0,74)^*	0,56 (0,47–0,66)^*	0,93 (0,78–1,11)
	Outros	0,43 (0,24–0,79)^*	1,06 (0,23–4,86)	0,86 (0,48–1,54)	1,01 (0,56–1,83)	0,59 (0,35–0,98)^*	0,57 (0,34–0,97)	0,44 (0,26–0,74)^*	0,73 (0,43–1,24)
Sexo
	Masculino	ref	ref	ref	ref	ref	ref	ref	ref
	Feminino	2,59 (2,23–3,00)^*	0,61 (0,39-0,95)^*	4,24 (3,61–4,97)^*	3,29 (2,80–3,86)^*	4,28 (3,51–5,22)^*	5,64 (4,61–6,90)^*	8,08 (6,62–9,86)^*	6,43 (5,25–7,88)^*
Faixa etária
	60–64	ref	ref	ref	ref	ref	ref	ref	ref
	65–69	1,40 (1,18–1,67)^*	0,98 (0,64–1,50)	1,55 (1,29–1,87)^*	1,47 (1,22–1,79)^*	1,18 (0,99–1,40)	1,44 (1,20–1,72)^*	1,46 (1,22–1,74)^*	1,44 (1,20–1,73)^*
	70–74	1,73 (1,42–2,11)^*	0,64 (0,36–1,16)	1,84 (1,49–2,27)^*	1,77 (1,43–2,20)^*	2,21 (1,74–2,81)^*	2,77 (2,17–3,54)^*	3,16 (2,48–4,02)^*	2,62 (2,04–3,35)^*
	75 ou mais	2,91 (2,38–3,56)^*	0,60 (0,30–1,21)	3,15 (2,54–3,91)^*	3,54 (2,85–4,39)^*	3,88 (2,97–5,07)^*	4,42 (3,37–5,81)^*	7,25 (5,55–9,47)^*	5,41 (4,12–7,10)^*
Estado civil
	Com cônjuge	ref	ref	ref	ref	ref	ref	ref	ref
	Sem cônjuge	0,66 (0,57–0,76)^*	0,88 (0,61–1,28)	0,69 (0,59–0,80)^*	0,83 (0,71–0,97)^*	0,74 (0,63–0,86)^*	0,77 (0,65–0,90)^*	0,66 (0,56–0,77)^*	0,98 (0,83–1,15)
Escolaridade
	Fundamental incompleto	ref	ref	ref	ref	ref	ref	ref	ref
	Médio incompleto	1,20 (0,92–1,57)	3,22 (1,77–5,84)^*	1,83 (1,39–2,41)^*	1,13 (0,85–1,52)	0,64 (0,49–0,83)^*	1,63 (1,25–2,13)^*	1,07 (0,82–1,39)	0,81 (0,61–1,07)
	Superior incompleto	1,39 (1,06–1,81)^*	3,99 (2,30–6,92)^*	2,81 (2,15–3,67)^*	1,77 (1,33–2,34)^*	0,40 (0,33–0,50)^*	1,82 (1,48–2,24)^*	0,90 (0,73–1,11)	0,63 (0,51–0,79)^*
	Superior completo	1,16 (0,81–1,66)	5,83 (3,14–10,83)^*	3,23 (2,28–4,58)^*	1,75 (1,21–2,53)^*	0,34 (0,25–0,48)^*	2,09 (1,55–2,82)^*	0,83 (0,62–1,13)	0,87 (0,64–1,19)
Religião
	Com religião	ref	ref	ref	ref	ref	ref	ref	ref
	Sem religião	0,45 (0,39–0,53)^*	0,52 (0,36–0,76)^*	0,39 (0,33–0,46)^*	0,58 (0,49–0,68)^*	0,56 (0,47–0,66)^*	0,32 (0,27–0,38)^*	0,44 (0,37–0,52)^*	0,59 (0,50–0,70)^*
Renda
	Até ½ SM	ref	ref	ref	ref	ref	ref	ref	ref
	1/2 a 1 SM	1,05 (0,85–1,29)	1,04 (0,45–2,42)	1,11 (0,88–1,42)	0,89 (0,71–1,12)	0,86 (0,66–1,12)	1,11 (0,83–1,48)	0,95 (0,73–1,25)	0,76 (0,58–1,00)^*
	1 a 2 SM	1,32 (1,06–1,64)^*	2,06 (0,92–4,63)	2,39 (1,86–3,07)^*	1,11 (0,87–1,41)	0,60 (0,46–0,78)^*	1,22 (0,91–1,62)	0,97 (0,74–1,28)	0,56 (0,43–0,74)^*
	2 a 3 SM	1,09 (0,80–1,48)	3,73 (1,56–8,94)^*	2,75 (1,99–3,80)^*	1,16 (0,83–1,60)	0,50 (0,35–0,70)^*	1,67 (1,18–2,38)^*	1,09 (0,78–1,53)	0,55 (0,39–0,78)^*
	Mais de 3 SM	1,02 (0,73–1,40)	6,23 (2,66–14,58)^*	3,91 (2,80–5,47)^*	1,40 (1,00–1,97)	0,38 (0,27–0,53)^*	2,22 (1,57–3,13)^*	0,98 (0,70–1,37)	0,51 (0,36–0,72)^*
Tipo de área
	Urbana	ref	ref	ref	ref	ref	ref	ref	ref
	Rural	0,46 (0,38–0,55)^*	0,68 (0,43–1,06)	1,13 (0,96–1,33)	0,71 (0,62–0,81)	1,53 (1,27–1,83)	0,68 (0,56–0,83)^*	0,98 (0,81–1,17)	1,34 (1,11–1,62)

Open in a new tab

Indicam associações estatisticamente significativas (p<0,05).

OR: odds ratio; IC: intervalo de confiança; SM: salário-mínimo, ref: referência.

Fonte: Brasil, PNS 2013 e 2019.

Em 2019, também ocorreram associações entre variáveis socioeconômicas e demográficas e às classes latentes. A classe 1 foi a de referência (Fumo, Álcool, Inatividade e Alimentação Inadequada). Na classe 2, pretos (OR 0,80; IC95% 0,62–1,01), pardos (OR 0,89; 0,75–1,05) e outras raças (OR 0,59; IC95% 0,35–0,98) continuaram apresentando menor chance, enquanto mulheres e pessoas idosas ≥75 anos apresentaram maior chance. Na classe 3 (Inatividade e Alimentação Saudável), indivíduos pretos, pardos e de outras raças apresentaram menor chance, mas as mulheres (OR 5,64; IC95% 4,61–6,90) e pessoas idosas, principalmente aqueles ≥70 anos, apresentaram chance maior. A classe 4 (Inatividade e Alimentação Saudável sem Consumo de Peixe) apresentou menor chance de pertencimento para pretos, pardos e outras raças, mas as mulheres (OR 8,08; IC95% 6,62–9,86) e as pessoas mais idosas, particularmente ≥75 anos, mostraram maior chance de pertencer a esta classe. Por fim, na classe 5 (Inatividade e Alimentação Inadequada), mulheres apresentaram maior chance (OR 6,43; IC95% 5,25–7,88), e também idosos de ≥75 anos, com menor chance de pertencimento para a raça preta.

DISCUSSÃO

O padrão comportamental exerce importante influência no estado geral de saúde. O tabagismo, o consumo de álcool, a inatividade física e desvios alimentares refletem hábitos e estilos de vida associados a fatores de risco¹⁷.

No primeiro ano, destacaram-se padrões de fumo, inatividade e alimentação variada; no segundo, maior consumo de álcool e menor consumo de peixe em algumas classes. Achados de outros autores corroboram a alta prevalência de fatores de risco modificáveis no Brasil¹⁸.

Observou-se estabilidade na distribuição de idade e gênero, enquanto raça, escolaridade e renda apresentaram mudanças ao longo do período. As mulheres apresentaram maior probabilidade de pertencer às classes de inatividade física, com alimentação inadequada ou saudável, alinhando-se com a literatura que aponta mulheres idosas com maior inatividade, devido às responsabilidades pelos cuidados familiares e limitações físicas¹⁹. Por outro lado, estiveram mais presentes nas classes com alimentação saudável e tiveram menor chance de pertencer à classe com consumo de álcool, conforme evidências da literatura¹⁹.

O estado civil influenciou a adesão a hábitos alimentares saudáveis: idosos sem cônjuge apresentaram menor chance de pertencer às classes com alimentação saudável. Esses achados podem decorrer da ausência de apoio social e familiar²⁰, que pode comprometer o bem-estar e dificultar a adoção de comportamentos saudáveis (dieta equilibrada e prática regular de atividade física). Outro achado foi a associação seletiva da maior escolaridade a comportamentos de saúde. Indivíduos com maior escolaridade tiveram maior chance de pertencer a classes com consumo de álcool — achado consistente com a literatura —, mas também maior probabilidade de integrar as classes com alimentação saudável. Apesar dessas divergências, a maior escolaridade favorece o acesso a cuidados de saúde e condições de vida mais saudáveis^21,22.

Verificaram-se desigualdades raciais nos comportamentos de saúde que destacam desvantagens socioeconômicas e de acesso a alimentos saudáveis^23–25. Em 2013, pretos apresentaram maior chance de pertencer à classe "Álcool, Inatividade e Alimentação Saudável sem Consumo de Vegetais e Legumes". Em 2019, pretos e pardos apresentaram menor probabilidade de integrar as classes com alimentação saudável.

Identificou-se aumento nos quintis de renda mais baixos, indicando persistência de desigualdades socioeconômicas, que podem impactar na prevalência de DCNT e seus fatores de risco²⁴. Nesse contexto, pessoas idosas também apresentaram maior probabilidade de integrar classes de inatividade física, possivelmente relacionada ao declínio funcional. Evidências indicam que a atividade física contribui para maior expectativa de vida e redução das DCNT e incapacidades²⁴.

Verificaram-se direções opostas na prevalência dos comportamentos aos fatores de risco avaliados. De um lado, aumentou a adesão a comportamentos positivos de saúde (consumo de frutas, verduras ou legumes e atividade física), o que pode refletir políticas públicas de saúde de promoção da alimentação saudável e prática de atividade física^24,25. Por outro lado, observou-se a piora na prevalência de comportamentos negativos (consumo abusivo de álcool, queda no consumo de peixes) e estabilidade do tabagismo e do consumo de feijão. Essas mudanças concordam com estudos anteriores que descreveram melhora das estimativas de comportamentos de saúde positivos e piora dos negativos na população geral brasileira ao longo dos anos^18,23.

A regressão multinomial identificou associações significativas entre fatores socioeconômicos e demográficos e as classes latentes. Nos dois anos, pretos e pardos apresentaram menor chance de pertencer à classe "Inatividade e Alimentação Inadequada com Consumo de Feijão", corroborando evidências sobre as desigualdades de acesso a recursos de saúde e alimentação^26,27.

Nas duas amostras, confirmou-se a ausência de atividade física em todas as classes. A OMS recomenda que idosos com idade ≥60 anos façam 150 minutos de atividade física moderada por semana ou 75 minutos de atividade intensa, para manter uma boa saúde e prevenir as DCNT²⁷.

Uma classe latente agrupou as características fumo, inatividade e alimentação não saudável. O tabagismo é um dos principais fatores de risco modificáveis e afeta negativamente a saúde nos diversos ciclos de vida²⁸. Fumar está associado a outros hábitos prejudiciais (dieta desequilibrada, sedentarismo e consumo de álcool) que aumentam o risco de DCNT²⁹. Essa junção predispõe a importantes alterações na saúde física e emocional, que causam sofrimento pessoal, familiar e alto custo social, sendo importante foco de intervenções em saúde pública²⁸.

Em ambos os anos foram identificadas classes caracterizadas por alimentação saudável, associadas à inatividade física e à ausência de tabagismo e consumo de álcool. Segundo a OMS, práticas alimentares saudáveis iniciadas precocemente geram benefícios duradouros à saúde dos indivíduos³⁰.

O consumo alimentar saudável é determinado por posições socioeconômicas e demográficas. O Brasil está entre os países mais desiguais e com elevados níveis de má nutrição na população em geral³¹. Estudo com dados da PNS indicam maior consumo de alimentos saudáveis entre indivíduos com maior renda e escolaridade, grupo que também apresentou maior prevalência de consumo abusivo de álcool, evidenciando a coexistência de comportamentos protetores e de risco⁵.

Assim, o agrupamento dos fatores de risco modificáveis à saúde reflete complexa junção de fatores biopsicossociais e raciais. A simultaneidade dos fatores sugere que intervenções para a promoção da saúde devem ser multidimensionais, não abordando fatores de risco de forma isolada. Logo, estratégias para comportamentos de saúde sinérgicos devem considerar os determinantes sociais que são fundamentais na adoção e manutenção de comportamentos saudáveis.

Os achados reforçam a importância da adoção e manutenção de comportamentos saudáveis, indicando que os padrões de risco resultam da combinação de hábitos de vida. Esses padrões influenciam o cuidado com a saúde, o engajamento social, o acesso a ações e serviços, e a interação entre indivíduo e ambiente. Evidências internacionais corroboram essa perspectiva. Estudo realizado na Tailândia identificou padrões alimentares inadequados e sobrepeso/obesidade como os principais fatores de risco para DCNT, destacando a necessidade de ações voltadas à redução das iniquidades³². Na África, apontou-se que DCNT e a saúde mental estão associadas à interação de fatores ambientais, comportamentais, biológicos e sociais³³. As semelhanças com o contexto brasileiro incluem a persistência de iniquidades e barreiras estruturais que limitam o acesso aos serviços de saúde, medicamentos e às tecnologias para o manejo das DCNT.

No Brasil, políticas públicas como a Política Nacional de Saúde da Pessoa Idosa, o Guia de Cuidados à Pessoa Idosa, o Estatuto da Pessoa Idosa e o Plano de Ações Estratégicas para o Enfrentamento das DCNT fornecem bases importantes para a promoção do envelhecimento saudável e a redução das desigualdades. A Política Nacional de Vigilância em Saúde reforça a centralidade do território e da equidade no cuidado às populações vulneráveis, elementos diretamente relacionados aos achados deste estudo³⁴.

Por fim, destacam-se as limitações metodológicas. Os comportamentos analisados não abrangem todo o espectro do estilo de vida; os dados são autorreferidos, sujeitos a vieses; e a LCA é exploratória, dependente da seleção das variáveis e não permite inferências causais. Mudanças metodológicas entre as edições da PNS também podem ter influenciado as prevalências observadas.

Apesar dessas limitações, os resultados contribuem para o planejamento de ações de cuidado, vigilância e promoção da saúde, oferecendo subsídios para intervenções voltadas à redução de comportamentos de risco combinados e à promoção do envelhecimento ativo e saudável.

AGRADECIMENTOS:

Os autores agradecem à coordenação de aperfeiçoamento de pessoal de nível superior – Brasil (CAPES) – Código de financiamento 001, à fundação de amparo à pesquisa e ao desenvolvimento científico e tecnológico do maranhão (FAPEMA). Oliveira, Blca é bolsista produtividade da FAPEMA.

Funding Statement

FONTE DE FINANCIAMENTO: nenhuma.

Footnotes

FONTE DE FINANCIAMENTO: nenhuma.

COMITÊ DE ÉTICA: O Comitê de Ética em Pesquisa (CEP) da Pesquisa Nacional de Saúde (PNS) de 2013, sob o número 328.159, foi aprovado pela Comissão Nacional de Ética em Pesquisa (CONEP) em julho de 2013. O Comitê de Ética da Pesquisa Nacional de Saúde (PNS) em 2019 foi aprovado pela Comissão Nacional de Ética em Pesquisa (CONEP) sob o número 3.529.376.

Associated Data

This section collects any data citations, data availability statements, or supplementary materials included in this article.

Data Availability Statement

[B1] 1.Instituto Brasileiro de Geografia e Estatística . Censo demográfico 2022. Rio de Janeiro: IBGE; 2022. [Google Scholar]

[B2] 2.Instituto Brasileiro de Geografia e Estatística . Projeções da população [Internet] Rio de Janeiro: IBGE; 2024. [[cited on Dec 12, 2025]]. Available at: https://www.ibge.gov.br/estatisticas/sociais/populacao/9109-projecao-da-populacao.html . [Google Scholar]

[B3] 3.Marques APO, Arruda IKG, Leal MCC, Santo ACGE. Envelhecimento, obesidade e consumo alimentar em idosos. Rev Bras Geriatr Gerontol. 2007;10(2):231–242. doi: 10.1590/1809-9823.2007.10028. [DOI] [Google Scholar]

[B4] 4.Brasil . Ministério da Saúde. Secretaria de Vigilância em Saúde e Ambiente. Departamento de Análise Epidemiológica e Vigilância de Doenças Não Transmissíveis. Vigitel Brasil 2023: vigilância de fatores de risco e proteção para doenças crônicas por inquérito telefônico: estimativas sobre frequência e distribuição sociodemográfica de fatores de risco e proteção para doenças crônicas nas capitais dos 26 estados brasileiros e no Distrito Federal em 2023 [Internet] Brasília: Ministério da Saúde; 2023. [[cited on Dec 12, 2025]]. Available at: https://bvsms.saude.gov.br/bvs/publicacoes/vigitel_brasil_2023.pdf . [Google Scholar]

[B5] 5.Noronha BP, Nascimento-Souza MA, Lima-Costa MF, Peixoto SV. Padrões de consumo de álcool e fatores associados entre idosos brasileiros: Pesquisa Nacional de Saúde (2013) Ciênc Saúde Colet. 2019;24(11):4171–4180. doi: 10.1590/1413-812320182411.32652017. [DOI] [PubMed] [Google Scholar]

[B6] 6.Moura LBA, Almeida MWC, Tavares GS, Safons MP, Fortes Gomes MM, Costa MGDS, editors. Perspectivas em envelhecimento e longevidade. Brasília: Ceam/UnB; 2024. [Google Scholar]

[B7] 7.Jentsch F, Allen J, Fuchs J, von Lippe E. Typical patterns of modifiable health risk factors (MHRFs) in elderly women in Germany: results from the cross-sectional German Health Update (GEDA) study, 2009 and 2010. BMC Womens Health. 2017;17(1):23–23. doi: 10.1186/s12905-017-0380-4. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B8] 8.Budreviciute A, Damiati S, Sabir DK, Onder K, Schuller-Goetzburg P, Plakys G, et al. Management and prevention strategies for non-communicable diseases (NCDs) and their risk factors. Front Public Health. 2020;8:574111–574111. doi: 10.3389/fpubh.2020.574111. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B9] 9.Laxer RE, Brownson RC, Dubin JA, Cooke M, Chaurasia A, Leatherdale ST. Clustering of risk-related modifiable behaviours and their association with overweight and obesity among a large sample of youth in the COMPASS study. BMC Public Health. 2017;17(1):102–102. doi: 10.1186/s12889-017-4034-0. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B10] 10.Cruz MF, Ramires VV, Wendt A, Mielke GI, Martinez-Mesa J, Wehrmeister FC. Simultaneidade de fatores de risco para doenças crônicas não transmissíveis entre idosos da zona urbana de Pelotas, Rio Grande do Sul, Brasil. Cad Saúde Pública. 2017;33(2):e00021916. doi: 10.1590/0102-311X00021916. [DOI] [PubMed] [Google Scholar]

[B11] 11.Figueiró TH. Padrões de Comportamento de Risco à saúde e sua associação com comprometimento cognitivo e funcional: uma análise longitudinal do estudo EpiFloripa Idoso [tese de doutorado] Florianópolis: Centro de Ciências da Saúde da Universidade Federal de Santa Catarina; 2022. [Google Scholar]

[B12] 12.Instituto Brasileiro de Geografia e Estatística . Pesquisa Nacional de Saúde: 2019: percepção do estado de saúde, estilos de vida, doenças crônicas e saúde bucal: Brasil e grandes regiões. Rio de Janeiro: IBGE; 2020. [Google Scholar]

[B13] 13.Stopa SR, Szwarcwald CL, Oliveira MM, Gouvea ECDP, Vieira MLFP, Freitas MPS, et al. Pesquisa Nacional de Saúde 2019: histórico, métodos e perspectivas. Epidemiol Serv Saude. 2020;29(5):e2020315. doi: 10.1590/S1679-49742020000500004. [DOI] [PubMed] [Google Scholar]

[B14] 14.Malta DC, Leal MC, Costa MFL, Morais OL., Neto Inquéritos nacionais de saúde: experiência acumulada e proposta para o inquérito de saúde brasileiro. Rev Bras Epidemiol. 2008;11(Suppl 1):159–167. doi: 10.1590/S1415-790X2008000500017. [DOI] [Google Scholar]

[B15] 15.Instituto Brasileiro de Geografia e Estatística . Projeção da população. Rio de Janeiro: IBGE; 2019. [Google Scholar]

[B16] 16.Mastella JO. Análise de classes latentes: da teoria à prática. Porto Alegre: UFRGS; 2015. [Google Scholar]

[B17] 17.Stein C, Schmidt MI, Cousin E, Malta DC, Naghavi M, Oliveira PPV, et al. Exposure to and burden of major non-communicable disease risk factors in Brazil and its states, 1990-2019: the global burden of disease study. Rev Soc Bras Med Trop. 2022;55(Suppl 1):e0275. doi: 10.1590/0037-8682-0275-2021. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B18] 18.Oliveira BLCA, Pinheiro AKB. Mudanças nos comportamentos de saúde em idosos brasileiros: dados da Pesquisa Nacional de Saúde 2013 e 2019. Ciênc Saúde Colet. 2023;28(11):3111–3122. doi: 10.1590/1413-812320232811.16702022. [DOI] [PubMed] [Google Scholar]

[B19] 19.Peixoto SV, Mambrini JVM, Firmo JOA, Loyola AI, Filho, Souza PRB, Junior, Andrade FB, et al. Physical activity practice among older adults: results of the ELSI-Brazil. Rev Saude Publica. 2018;52(Supl 2):5s–5s. doi: 10.11606/S1518-8787.2018052000605. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B20] 20.Ryan A, Murphy C, Boland F, Galvin R, Smith SM. What is the impact of physical activity and physical function on the development of multimorbidity in older adults over time? A population-based cohort study. J Gerontol A Biol Sci Med Sci. 2018;73(12):1538–1544. doi: 10.1093/gerona/glx251. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B21] 21.Zhou T, Sun D, Li X, Ma H, Heianza Y, Qi L. Educational attainment and drinking behaviors: Mendelian randomization study in UK Biobank. Mol Psychiatry. 2021;26(8):4355–4366. doi: 10.1038/s41380-019-0596-9. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B22] 22.van Bussel LM, van Rossum CT, Temme EH, Boon PE, Ocké MC. Educational differences in healthy, environmentally sustainable and safe food consumption among adults in the Netherlands. Public Health Nutr. 2020;23(12):2057–2067. doi: 10.1017/S1368980019005214. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B23] 23.Malta DC, Silva AG, Gomes CS, Stopa SR, Oliveira MM, Sardinha LMV, et al. Monitoramento das metas dos planos de enfrentamento das doenças crônicas não transmissíveis: resultados da Pesquisa Nacional de Saúde, 2013 e 2019. Epidemiol Serv Saúde. 2022;31(Supl 1):e2021364. doi: 10.1590/SS2237-9622202200008.especial. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B24] 24.Meller FO, Santos LP, Miranda VIA, Tomasi CD, Soratto J, Quadra MR, et al. Desigualdades nos comportamentos de risco para doenças crônicas não transmissíveis: Vigitel, 2019. Cad Saúde Pública. 2022;38(6):e00273520. doi: 10.1590/0102-311XPT273520. [DOI] [PubMed] [Google Scholar]

[B25] 25.Claro RM, Santos MAS, Oliveira TP, Pereira CA, Szwarcwald CL, Malta DC. Consumo de alimentos não saudáveis relacionados a doenças crônicas não transmissíveis no Brasil: Pesquisa Nacional de Saúde, 2013. Epidemiol Serv Saude. 2015;24(2):257–265. doi: 10.5123/S1679-49742015000200008. [DOI] [Google Scholar]

[B26] 26.Instituto Brasileiro de Geografia e Estatística . Pesquisa Nacional por Amostra de Domicílios Contínua: informativo 2012/2022. Rio de Janeiro: IBGE; 2023. [Google Scholar]

[B27] 27.Organização Mundial da Saúde . Diretrizes da OMS sobre atividade física e comportamento sedentário. Genebra: Organização Mundial da Saúde; 2020. [Google Scholar]

[B28] 28.Song F, Elwell-Sutton T, Naughton F, Gentry S. Future smoking prevalence by socioeconomic status in England: a computational modelling study. Tob Control. 2020;30(4):380–385. doi: 10.1136/tobaccocontrol-2019-055490. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B29] 29.Centers for Disease Control and Prevention . Smoking and tobacco use [Internet] Atlanta: CDC; 2024. [[cited on Dec 27, 2023]]. Available at: https://www.cdc.gov/tobacco . [Google Scholar]

[B30] 30.Organização Mundial da Saúde . Relatório mundial sobre a prevenção e controle das doenças crônicas não transmissíveis: promover uma vida saudável. Genebra: OMS; 2006. [Google Scholar]

[B31] 31.Barbosa BB, Baltar VT, Horta RL, Lobato JCP, Vieira LJES, Gallo CO, et al. Food and Nutrition Surveillance System (SISVAN) coverage, nutritional status of older adults and its relationship with social inequalities in Brazil,2008-2019: an ecological time-series study. Epidemiol Serv Saude. 2023;32(1):e2022595. doi: 10.1590/S2237-96222023000100003. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B32] 32.Vichitkunakorn P, Bunyanukul W, Apiwan K, Tanasanchonnakul D, Sittisombut M. Prevalence of non-communicable disease risk factors and their association with economic status: findings from the 2021 health behaviour of population survey in Thailand. Global Health Action. 2025;18(1):2485689–2485689. doi: 10.1080/16549716.2025.2485689. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B33] 33.World Health Organization . Noncommunicable diseases and mental health in the WHO African Region: progress report 2024. República do Congo: World Health Organization; 2025. [Google Scholar]

[B34] 34.Brasil . Ministério da Saúde. Conselho Nacional de Saúde. Resolução no 588, de 12 de julho de 2018. Institui a Política Nacional de Vigilância em Saúde (PNVS) [Internet] Brasília: Diário Oficial da União; 2018. [[cited on Dec 13, 2025]]. Available at: https://www.gov.br/conselho-nacional-de-saude/pt-br/acesso-a-informacao/atos-normativos/resolucoes/2018/resolucao-no-588.pdf/view . [Google Scholar]

PERMALINK

Patterns of behaviors related to modifiable health risk factors among Brazilian older adults: Data from the 2013 and 2019 National Health Surveys

Mariana Sousa de Abreu Menezes

Zayanna Christine Lopes Lindôso

Ana Karina Teixeira da Cunha França

Poliana Cristina de Almeida Fonseca Viola

Bruno Luciano Carneiro Alves de Oliveira

Roles

ABSTRACT

Objective:

Methods:

Results:

Conclusion:

INTRODUCTION

METHODS

Study type and location

Context

Variables

Statistical analysis

Data availability statement:

RESULTS

Table 1. Socioeconomic and demographic characteristics of older adults interviewed in the National Health Survey, 2013 and 2019, Brazil.

Table 2. Criteria for selecting the number of latent classes formed by older adults in the National Health Survey for the years 2013 and 2019.

Figure 1. Conditional probabilities of behaviors related to health risk factors among older adults aged ≥60 years interviewed in the National Health Survey, 2013 and 2019, Brazil.

Chart 1. Distribution of older adults by latent classes in the National Health Survey for the years 2013 and 2019, with estimates of proportions and confidence intervals.

Table 3. Multinomial logistic regression of the association between latent classes and socioeconomic and demographic variables among older adults in the National Health Survey for the years 2013 and 2019.

DISCUSSION

ACNOWLEDGMENTS:

Funding Statement

Footnotes

REFERENCES

Padrões de comportamentos relacionados aos fatores de risco à saúde modificáveis em pessoas idosas brasileiras: dados da Pesquisa Nacional de Saúde 2013 e 2019

Mariana Sousa de Abreu Menezes

Zayanna Christine Lopes Lindôso

Ana Karina Teixeira da Cunha França

Poliana Cristina de Almeida Fonseca Viola

Bruno Luciano Carneiro Alves de Oliveira

Roles

RESUMO

Objetivo:

Métodos:

Resultados:

Conclusão:

INTRODUÇÃO

MÉTODOS

Tipo e local de estudo

Contexto

Variáveis

Análise estatística

Declaração de disponibilidade de dados:

RESULTADOS

Tabela 1. Características socioeconômicas e demográficas de pessoas idosas entrevistadas pela Pesquisa Nacional de Saúde, anos de 2013 e 2019 no Brasil.

Tabela 2. Critérios para a seleção do número de classes latentes formadas por pessoas idosas na Pesquisa Nacional de Saúde para os anos de 2013 e 2019.

Figura 1. Probabilidades condicionais de comportamentos relacionados a fatores de risco à saúde em pessoas idosas ≥60 anos entrevistadas pela Pesquisa Nacional de Saúde, anos de 2013 e 2019, no Brasil.

Quadro 1. Distribuição de pessoas idosas por classes latentes na Pesquisa Nacional de Saúde para os anos de 2013 e 2019 com estimativas de proporção e intervalos de confiança.

Tabela 3. Regressão logística multinomial da associação entre as classes latentes e as variáveis socioeconômicas e demográficas de pessoas idosas na Pesquisa Nacional de Saúde para os anos de 2013 e 2019.

DISCUSSÃO

AGRADECIMENTOS:

Funding Statement

Footnotes

Associated Data

Data Availability Statement

ACTIONS

PERMALINK

RESOURCES

Similar articles

Cited by other articles

Links to NCBI Databases