Avaliação de fatores determinantes para a tomada de decisão dos pais no tratamento da Hipomineralização molar-incisivo

• Processo: 22/16129-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de dezembro de 2023
• Área de conhecimento: Ciências da Saúde - Odontologia - Odontopediatria
• Pesquisador responsável: Daniela Rios Honório
• Beneficiário: Amanda Moura Ferreira
• Instituição Sede: Faculdade de Odontologia de Bauru (FOB). Universidade de São Paulo (USP). Bauru , SP, Brasil
• Palavra(s)-Chave do Pesquisador: Alternativas de tratamento | Atributos | Decisão | Hipomineralização molar-incisivo | níveis | Odontopediatria

Resumo

Este estudo irá avaliar os aspectos que interferem no processo de decisão dos pais acerca das possibilidades de tratamento para a HMI através do método de Experimento de Escolha Discreta (Discret Choice Experiment). Serão discutidos e listados os atributos e níveis através de discussões com o grupo de pesquisa e expertises em Hipomineralização Molar-Incisivo. O desenho experimental irá definir o arranjo mais eficiente para o conjunto de escolha a ser analisado através de combinações, excluindo aquelas consideradas implausíveis, de modo a se obter uma lista de combinações mínimas, diminuindo a complexidade e o cansaço dos pais durante a execução. A aplicação do experimento será realizada por meio de uma plataforma online, utilizando um questionário eletrônico contendo casos clínicos e possíveis alternativas de tratamento, e na sequência, será requisitado que o respondente realize uma escolha de tratamento de sua preferência. Para relacionar a probabilidade de escolha entre duas alternativas às características (atributos e níveis) que descrevem essas alternativas, será utilizado os modelos de regressão logística condicional ou de classe latente. Para a qualidade do ajuste, o teste de qui-quadrado da razão de verossimilhança será calculado para cada modelo para fornecer uma maneira de determinar se a inclusão de variáveis de nível de atributo melhora significativamente o ajuste do modelo em comparação com um modelo nulo.