SOBREMORTALIDADE DURANTE EPIDEMIA DE DENGUE. · REGIÃO METROPOLITANA DO RIO DE JANEIRO, 2007-2008....

Thainá Alves Malhão

Registro 108112488

Rio de Janeiro

2010

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO/ UFRJ

CENTRO DE CIÊNCIAS DA SAÚDE/ CCS

INSTITUTO DE ESTUDOS EM SAÚDE COLETIVA/ IESC

MESTRADO EM SAÚDE COLETIVA

SOBREMORTALIDADE DURANTE EPIDEMIA DE DENGUE.

REGIÃO METROPOLITANA DO RIO DE JANEIRO, 2007-2008


Dissertação de Mestrado apresentada ao

Programa de Pós-Graduação em Saúde Coletiva

do Instituto de Estudos em Saúde Coletiva da

Universidade Federal do Rio de Janeiro, como

requisito parcial à obtenção do título de Mestre

em Saúde Coletiva (Epidemiologia)

Orientador: Dr. Roberto de Andrade Medronho

Rio de Janeiro

2010



M249 Malhão, Thainá Alves.

Sobremortalidade durante epidemia de dengue: região

metropolitana do Rio de Janeiro, 2007-2008/ Thainá Alves Malhão. -

Rio de Janeiro: UFRJ/Instituto de Estudos em Saúde Coletiva, 2010.

103 f.: il.

Orientador: Roberto de Andrade Medronho

Dissertação (Mestrado) - UFRJ/Instituto de Estudos em

Saúde Coletiva, 2010.

Inclui bibliografia.

1. Doenças transmissíveis. 2. Dengue. 3. Mortalidade. 4. Estudos de

séries temporais. 5. Vigilância epidemiológica. I. Medronho, Roberto

de Andrade. II. Universidade Federal do Rio de Janeiro. Instituto de

Estudos em Saúde Coletiva. III. Título.

CDD 614.571


Dissertação de Mestrado apresentada ao

Programa de Pós-Graduação em Saúde Coletiva

do Instituto de Estudos em Saúde Coletiva da

Universidade Federal do Rio de Janeiro, como

requisito parcial à obtenção do título de Mestre

em Saúde Coletiva (Epidemiologia)

Aprovada em

(Roberto de Andrade Medronho, Doutor em Saúde Coletiva, Instituto de Estudos em

Saúde Coletiva da Universidade Federal do Rio de Janeiro)

(Cláudia Medina Coeli, Doutora em Saúde Pública, Instituto de Estudos em Saúde

Coletiva da Universidade Federal do Rio de Janeiro)

(Dani Gamerman, Doutor em Estatística, Instituto de Matemática da Universidade

Federal do Rio de Janeiro)

(Rejane Sobrino Pinheiro, Doutora em Saúde Pública, Instituto de Estudos em Saúde

Coletiva da Universidade Federal do Rio de Janeiro)

Rio de Janeiro

2010



DEDICATÓRIA

“E aprendi que se depende sempre/ De tanta, muita,

diferente gente/ Toda pessoa sempre é as marcas/ Das

lições diárias de outras tantas pessoas.

E é tão bonito quando a gente entende/ Que a gente é tanta

gente onde quer que a gente vá/ E é tão bonito quando a

gente sente/ Que nunca está sozinho por mais que pense

estar.

É tão bonito quando a gente pisa firme/ Nessas linhas que

estão nas palmas de nossas mãos/ É tão bonito quando a

gente vai à vida/ Nos caminhos onde bate mais forte o

coração”.

(Caminhos do Coração – Gonzaguinha)

Dedico esta minha conquista à minha família,

especialmente à minha mãe, à minha madrinha (in

memoriam) e a Bernardo Mensch de Almeida.

AGRADECIMENTOS

Agradeço primeiro a Deus pela oportunidade de estar realizando este trabalho.

À minha família, especialmente aos meus pais, minha irmã, e Bernardo Mensch de Almeida,

pela compreensão, incentivo, dedicação e amor incondicional. Qualquer agradecimento a

vocês é pouco. Talvez eu deva simplesmente agradecer à vida, por vocês existirem e se

fazerem sempre presentes.

Ao meu orientador Roberto de Andrade Medronho, não somente por todas as sugestões e

exposições, como também pela amizade, paciência, suporte e disponibilidade para a

realização desse estudo.

Ao professor Dani Gamerman e à Camila Maria Casquilho Resende, pelas contribuições

sempre relevantes e auxílio no ajuste de modelos dinâmicos para o caso Poisson.

A José Ueleres Braga, por todo apoio e ensinamentos ao longo da minha trajetória.

A Ângela Cascão da Secretaria Estadual de Saúde e Defesa Civil do Rio de Janeiro pela

disponibilização do banco de dados do Sistema de Informação sobre Mortalidade.

A todos os professores e funcionários do Instituto de Estudos em Saúde Coletiva da

Universidade Federal do Rio de Janeiro, especialmente à Armando Meyer, Cláudia Medina

Coeli, Guilherme Werneck e Rejane Sobrino Pinheiro.

A todos os colegas de trabalho tanto do Projeto Fundo Global Tuberculose Brasil, quanto da

Coordenação de Informação Estratégica em Vigilância em Saúde da Secretaria Municipal de

Saúde e Defesa Civil do Rio de Janeiro, pela compreensão, apoio e amizade, em especial à

Verônica Machado, Cláudia Fonseca, Márcio Henrique de Oliveira Garcia e Paulo Roberto de

Almeida Barbosa.

A todos os meus amigos, pelo incentivo e por estarem comigo nesta caminhada tornando-a

mais fácil e agradável, principalmente à Gisele Pinto de Oliveira, Gyselle Guimarães Correa,

Daniele Medeiros Novellino, Tuini Bitencourt, Bruna Coquet Braga, Maria Clara Câmara,

Francisco Marques de Almeida e Stefano Codenotti.

RESUMO

MALHÃO, Thainá Alves. Sobremortalidade durante epidemia de dengue. Região

Metropolitana do Rio de Janeiro, 2007-2008. Dissertação (Mestrado em Saúde Coletiva) –

Instituto de Estudos em Saúde Coletiva, Universidade Federal do Rio de Janeiro, Rio de

Janeiro, 2010.

O objetivo deste estudo é investigar a ocorrência de sobremortalidade durante a epidemia de

dengue ocorrida na região metropolitana do Rio de Janeiro, entre 2007 e 2008. Para obter a

predição dos óbitos destes anos epidêmicos, o modelo dinâmico Poisson foi ajustado aos

dados de mortalidade por dengue e doenças que fazem parte do seu diagnóstico diferencial.

Toda a inferência foi realizada sob o paradigma Bayesiano. Foi utilizado o método de Monte

Carlo via Cadeias de Markov para obtenção de amostras da distribuição a posteriori. O

excesso de mortalidade foi calculado pela diferença entre o observado e o estimado pelo

modelo. Verificou-se um excesso de mortalidade em março de 2008 em menores de 15 anos

de idade. Paralelamente, em março e abril de 2008, houve o maior número de casos

notificados de dengue no Estado do Rio de Janeiro. Considerando que o aumento da

mortalidade deve ser precedido por um incremento na morbidade, pode-se levantar a hipótese

de que houve um excesso de mortalidade por dengue em crianças na epidemia de dengue

ocorrida na Região Metropolitana do Rio de Janeiro, em março de 2008.

Palavras-chaves: Doenças Transmissíveis. Dengue. Mortalidade. Estudos de Séries

Temporais. Vigilância Epidemiológica.

ABSTRACT

MALHÃO, Thainá Alves. Excess Mortality during Dengue Epidemic in the Metropolitan

Area of Rio de Janeiro, 2007-2008. Rio de Janeiro, 2010. Dissertation (Master of Public

Health) – Institute of Studies in Public Health, Federal University of Rio de Janeiro, Rio de

Janeiro, 2010.

The aim of this study is to investigate the excess mortality during dengue epidemic in the

metropolitan area of Rio de Janeiro between 2007 and 2008. To predict the number of deaths

of these epidemic years, a Poisson dynamic model was fitted to mortality data of dengue and

infections differential diagnosis of dengue. Bayesian inference was performed. Markov chain

Monte Carlo methods for sampling the posterior distributions are developed. Excess mortality

was calculated as the difference between the number of deaths observed and predicted by the

model. Excess mortality was detected in March 2008 in the children under 15 years of age. In

parallel, was the highest number of reported cases of dengue in Rio de Janeiro in March and

April 2008. Whereas the increase in mortality should be preceded by an increase in morbidity,

it can be hypothesized that there was an excess mortality due to dengue in children during

dengue epidemic occurred in the metropolitan area of Rio de Janeiro in March 2008.

Keywords: Communicable Diseases. Dengue. Mortality. Time Series Studies. Epidemiologic

surveillance.

SUMÁRIO

APRESENTAÇÃO .................................................................................................................... 13

PRIMEIRO CAPÍTULO ............................................................................................................. 14

1. Introdução ........................................................................................................................ 14

1.1. Dengue no Brasil e no mundo .................................................................................... 14

1.2. Aspectos históricos das epidemias de dengue no Brasil ............................................. 16

1.3. Epidemia de dengue no Estado do Rio de Janeiro, em 2007/2008 .............................. 18

1.4. Sistema de vigilância epidemiológica ........................................................................ 18

1.5. Fontes de dados para a vigilância epidemiológica do dengue ..................................... 19

1.6 Limitações do Sinan e do SIM como instrumentos de vigilância epidemiológica ........ 20

1.7 Conceito e métodos para avaliar o excesso de mortalidade ......................................... 21

1.8 Inferência Bayesiana, modelos dinâmicos e modelo dinâmico Poisson ....................... 24

1.8.1 Inferência Bayesiana versus inferência clássica e o Teorema de Bayes ................ 24

1.8.2 Modelos estruturais ou dinâmicos ........................................................................ 27

1.8.3 Modelos de espaço de estados não-Gaussianos e o modelo dinâmico Poisson ...... 28

2. Objetivos .......................................................................................................................... 29

2.1. Objetivo geral ............................................................................................................ 29

2.2. Objetivos específicos ................................................................................................. 29

3. Métodos ........................................................................................................................... 30

3.1. Desenho do estudo .................................................................................................... 30

3.2. População de estudo .................................................................................................. 30

3.3. Caracterização da área de estudo ............................................................................... 30

3.4. Fontes de dados ......................................................................................................... 30

3.5. Análise e processamento dos dados ........................................................................... 31

3.6. Aspectos éticos .......................................................................................................... 35

SEGUNDO CAPÍTULO ............................................................................................................. 36

Resumo ............................................................................................................................ 37

Abstract ........................................................................................................................... 37

Introdução ........................................................................................................................ 38

Métodos ........................................................................................................................... 39

Resultados ........................................................................................................................ 43

Discussão ......................................................................................................................... 44

Conclusão ........................................................................................................................ 46

Colaboradores .................................................................................................................. 47

Agradecimentos ............................................................................................................... 47

Referências bibliográficas ................................................................................................ 47

Anexos ............................................................................................................................. 51

TERCEIRO CAPÍTULO ............................................................................................................. 56

Considerações Finais ........................................................................................................ 56

Referências Bibliográficas................................................................................................ 59

Anexos ............................................................................................................................. 67

1. Tabelas ..................................................................................................................... 67

2. Código fonte em R ................................................................................................... 98

3. Parecer do Comitê de Ética em Pesquisa ................................................................. 103

LISTA DE TABELAS

TABELA 1: Municípios da região metropolitana do Estado do Rio de Janeiro criados e

instalados. ............................................................................................................................ 67

TABELA 2: Conversão da 9ª Revisão da Classificação Internacional de Doenças (CID-9) para a

10ª Revisão da Classificação Internacional de Doenças (CID 10) do dengue e das doenças

infecciosas que fazem parte do seu diagnóstico diferencial. .................................................. 68

TABELA 3: Distribuição dos casos notificados e dos períodos epidêmicos de dengue no Estado

do Rio de Janeiro de 1986 a 2008 por mês de ocorrência. ..................................................... 70

TABELA 4: Distribuição dos óbitos por dengue e doenças infecciosas que fazem parte do seu

diagnóstico diferencial ocorridos em residentes menores de 15 anos de idade da Região

Metropolitana do Rio de Janeiro e dos períodos epidêmicos de dengue no Estado do Rio de

Janeiro de 1986 a 2008 por mês de ocorrência. ..................................................................... 71


diagnóstico diferencial ocorridos em residentes com 15 ou mais anos de idade da Região

Metropolitana do Rio de Janeiro e dos períodos epidêmicos de dengue no Estado do Rio de

Janeiro de 1986 a 2008 por mês de ocorrência. ..................................................................... 72

TABELA 6: Número de óbitos mensais por dengue e doenças infecciosas que fazem parte do

seu diagnóstico diferencial observados, esperados e suas diferenças, em residentes da Região

Metropolitana do Rio de Janeiro menores de 15 anos de idade, nos anos de 2007 e 2008 ..... 73

TABELA 7: Número de óbitos mensais por dengue e doenças infecciosas que fazem parte do

seu diagnóstico diferencial observados, esperados e suas diferenças, em residentes da Região

Metropolitana do Rio de Janeiro com 15 anos ou mais de idade, nos anos de 2007 e 2008 ... 74


diagnóstico diferencial ocorridos em residentes da Região Metropolitana do Rio de Janeiro

em 1986, por causa básica, faixa etária e mês de ocorrência. ................................................ 75













13

APRESENTAÇÃO

O presente estudo está inserido em um projeto maior intitulado: “Epidemia de dengue na

região metropolitana do Rio de Janeiro em 2007/2008: epidemiologia, modelos de

intervenção e de assistência”. Este projeto, aprovado pelo edital FAPERJ, nº 8/2008, no

âmbito do programa “Apoio a grupos emergentes de pesquisa no Estado do Rio de Janeiro –

2008” (FAPERJ; processo nº E-26/111.551/2008) tem como objetivos: 1) Analisar a

distribuição espaço-temporal dos sorotipos de dengue circulantes na região metropolitana do

Rio de Janeiro na epidemia de 2007 e 2008; 2) Analisar os óbitos por dengue ocorridos na

região metropolitana do Rio de Janeiro, em 2007 e 2008; 3) Investigar a ocorrência de

sobremortalidade, de doenças infecciosas e parasitárias, durante as epidemias de dengue

ocorridas na região metropolitana do Rio de Janeiro, em 2007 e 2008; 4) Analisar os modelos

de intervenção adotados na epidemia de dengue ocorrida na região metropolitana do Rio de

Janeiro, em 2007 e 2008; 5) Analisar a assistência ao paciente com dengue, no setor público e

privado, durante a epidemia ocorrida na região metropolitana do Rio de Janeiro, em 2007 e

2008.

Esta dissertação contempla o objetivo 3. No primeiro capítulo, foram apresentadas a

introdução, objetivos e métodos do estudo. No segundo capítulo, foi transcrito o artigo

originado do trabalho de pesquisa. No terceiro capítulo, foram discriminadas as considerações

finais e referências bibliográficas. São ainda apresentados em anexo, tabelas e gráficos não

incluídos no artigo, o código fonte em R e o parecer do Comitê de Ética em Pesquisa.

14

PRIMEIRO CAPÍTULO

1. Introdução

1.1. Dengue no Brasil e no mundo

Atualmente, o dengue é um importante problema de saúde pública no Brasil e no

mundo.1,2,3

Esta doença febril aguda pode ser de curso benigno ou grave, dependendo da

forma como se apresente: infecção inaparente, dengue clássico (DC), febre hemorrágica do

dengue (FHD) ou síndrome do choque do dengue (SCD). 4

Uma pesquisa realizada por

especialistas em 11 países mostrou que quatro entre cinco clínicos tiveram dificuldade para

aplicar este esquema de classificação de casos. Os principais problemas identificados foram

rigidez das definições e baixa sensibilidade. 5

Por este motivo, uma nova classificação tem sido discutida através do Estudo

Multicêntrico sobre a Classificação e Manejo dos Casos de Dengue – Projeto DENCO –

Organização Pan-Americana de Saúde/ Ministério da Saúde. Esta nova proposta possui uma

sensibilidade de 95% e uma especificidade de 97% e é baseada na gravidade dos casos

(dengue grave e não grave). 6,7

Destaca-se que este agravo é causado por um arbovírus do gênero Flavivírus, pertencente

à família Flaviviridae e apresenta quatro sorotipos conhecidos: DENV-1; DENV-2; DENV-3

e DENV-4. 8,9,10

A infecção por um determinado sorotipo de vírus do dengue confere imunidade homóloga

que é duradoura, enquanto que a imunidade para os outros sorotipos é apenas parcial e

temporária. Além disso, o principal vetor do dengue é o mosquito Aedes aegypti, um

culicídeo que apresenta alta capacidade de adaptação aos ambientes urbanos atuais. 3,8

Diversos fatores de risco estão relacionados com a presença deste vetor e com a definição

do padrão de transmissão deste agravo. Destacam-se como fatores fundamentais o

crescimento e densidade populacional, migrações, modernização dos meios de transporte,

urbanização inadequada e mau funcionamento dos sistemas de saúde. 11,12

A incidência de

casos de dengue também flutua com as condições climáticas, e está associada com o aumento

na temperatura, pluviosidade e umidade do ar. 3

15

Segundo a Organização Mundial de Saúde, a incidência de dengue tem aumentado

significativamente nas últimas décadas, sendo que dois quintos da população mundial (2,5

bilhões de pessoas) estão sob risco de adquirir a doença. Estima-se que haja 50 milhões de

infecções pelo agravo, 500 mil pessoas com FHD, que necessitam de hospitalização, e 2,5%

de óbitos por FHD a cada ano. É atualmente endêmico em mais de cem países da África,

Américas, Mediterrâneo Oriental, Sudeste da Ásia e Pacífico Ocidental. 13

Entretanto, na

região das Américas, observa-se que o número de doentes aumenta ciclicamente de forma

epidêmica a cada três a cinco anos. 12

Em 2007, ocorreram 900.782 casos de dengue nas Américas, sendo 26.413 de FHD/SCD.

O total de óbitos encontrado foi de 317. O Brasil foi o país que apresentou a maior carga de

doença nesta região, com 62,2% (559.954) dos casos, 5,8% (1.541) de FHD/SCD e 49,8%

(158) mortes. 14

Ao comparar estes valores, com os dados disponíveis referentes ao ano de

2008 (até a semana epidemiológica 35), verificam-se tanto um aumento no número de casos

brasileiros, quanto um agravamento dos mesmos. Verificou-se, neste país, 84,9% (734.384)

dos casos de dengue do continente americano, 58,1% (9.957) de FHD/SCD e 89,1% (212) de

óbitos. 15

O dengue encontra-se hoje presente em todas as 27 unidades federadas (UFs) brasileiras,

sendo distribuída por 3.794 municípios. 16

De acordo com a Secretaria de Vigilância em

Saúde do Ministério da Saúde, em 2007, a incidência nacional desse agravo era de 290,6 por

100.000 habitantes (550.209 casos notificados). Neste ano, os estados que apresentaram as

maiores taxas de incidência foram o Mato Grosso do Sul (3.204,0 por 100.000 habitantes),

seguido de Tocantins (1.374,7 por 100.000 habitantes) e Amapá (864,5 por 100.000

habitantes). Por outro lado, as menores incidências foram encontradas em Santa Catarina

(10,5 por 100.000 habitantes), no Rio Grande do Sul (11,5 por 100.000 habitantes), e na

Bahia (63,3 por 100.000 habitantes). 17

Em 2008, até a semana epidemiológica 48, haviam sido registrados 787.726 casos novos

de dengue (416,0 por 100.000 habitantes), sendo que as UFs que possuíam as maiores taxas

de incidência foram Roraima (2.041,3 por 100.000 habitantes), Sergipe (1.705,3 por 100.000

habitantes) e Rio de Janeiro (1.586,7 por 100.000 habitantes). Apresentaram as menores taxas

de casos incidentes, Rio Grande do Sul (7,0 por 100.000 habitantes), Santa Catarina (11,9 por

100.000 habitantes) e São Paulo (16,7 por 100.000 habitantes). 17

16

Em função da circulação de três sorotipos (DENV-1, DENV-2 e DENV-3), o número de

casos de FHD está aumentando no país. Em 2008, 43,7% dos casos confirmados de FHD

estiveram concentrados no Estado do Rio de Janeiro, 10,6% no Ceará, 9,6% no Sergipe e

8,8% no Rio Grande do Norte. O monitoramento da circulação viral demonstra que o sorotipo

DENV-3, continua predominando no Brasil, representando 50,7% das amostras isoladas.

Entretanto, também se observam um percentual crescente de isolamentos do sorotipo DENV-

2 (45,7%), sendo esse predominante nos Estados do Rio de Janeiro (82,7%), Rio Grande do

Norte (80%) e Ceará (75,0%). O sorotipo DENV-1 foi isolado em 3,6% das amostras. 17

Recentemente, pesquisadores de Manaus, Amazonas, procederam ao seqüenciamento

genético do vírus do dengue em residentes desta cidade e detectaram o genoma do DENV-4.

18 Deve-se ficar, portanto, atento a entrada do DENV-4 no Brasil, uma vez que o risco de uma

epidemia explosiva e da ocorrência da forma grave da doença tende a aumentar, devido ao

grande contingente de população suscetível e da imunização prévia por infecções de um ou

mais dos outros três sorotipos que já circulam no país. 19

1.2. Aspectos históricos das epidemias de dengue no Brasil

No Brasil, as primeiras descrições de doença clinicamente semelhante ao dengue,

ocorreram, em 1916, em São Paulo e em 1923, em Niterói, Rio de Janeiro. 4,20

Entretanto, a

primeira epidemia documentada clínica e laboratorialmente, ocorreu em 1981-1982, em Boa

Vista, Roraima, causada pelos sorotipos DENV-1 e DENV-4. Esta epidemia foi totalmente

controlada, interrompendo a circulação viral no país. 4,12

Após um silêncio epidemiológico, em 1986-1987, foram registradas epidemias de dengue

em diversos estados (Rio de Janeiro, Minas Gerais, Alagoas, Ceará, Pernambuco e Bahia)

com a introdução do sorotipo DENV-1. 16

O início da disseminação do sorotipo DENV-2, ocorreu no Rio de Janeiro, em abril de

1990. A primeira alça do biênio epidêmico 1990/1991 foi caracterizada pela circulação

concomitante de DENV-1 e DENV-2, com predomínio do DENV-1. Entre agosto de 1990 até

1991, observou-se, entretanto, um considerável aumento da incidência de dengue pelo

DENV-2. 4,20

17

Antes do DENV-3 ser isolado pela primeira vez, no município de Nova Iguaçu, no estado

do Rio de Janeiro, em dezembro de 2000, houve duas epidemias nesta UF. Elas ocorreram,

em 1995 e 1998, com rápida difusão do vírus para as regiões não acometidas, principalmente

a Região do Médio Paraíba e a Baixada Litorânea. 20

Em 2001/2002, ocorreu a maior epidemia de dengue registrada no Estado do Rio de

Janeiro, com 368.460 casos, dos quais 177.919 ocorreram no município do Rio de Janeiro. Na

primeira alça do biênio, ocorreu co-circulação do DENV-3 e do DENV-2, com predomínio

deste último. A partir da segunda alça do processo, em dezembro de 2001, desencadeou-se a

explosiva epidemia com grande predomínio do DENV-3. 20

O DENV-3 apresentou rápida dispersão para 24 estados do país, no período de 2001-

2003. Em 2003, apenas o Rio Grande do Sul e Santa Catarina não apresentavam casos

autóctones da doença. 4

Em relação aos casos de FHD, pode-se dizer que ainda é verificada uma dificuldade no

seu diagnóstico precoce, explicado principalmente pelo rigoroso critério de classificação de

caso utilizado pela Organização Mundial de Saúde. 5 Mesmo assim, nota-se um aumento no

número de casos de FHD, a partir de 2000, que pode ser reflexo da circulação simultânea dos

sorotipos DENV-1, DENV-2 e DENV-3. 4

No Brasil, a letalidade média por FHD se manteve em torno de 5% no período de 2000-

2003. A partir de 2004, a letalidade média foi de 7%, aumentando nos anos seguintes e se

mantendo superior a 10%, entre 2005 e 2007. 4

O número absoluto de óbitos por dengue em 2007 foi superior ao registrado em 2002, ano

em que ocorreu o maior pico epidêmico no Brasil (800 mil casos de dengue notificados).

Além do aumento na gravidade da doença, destaca-se a mudança no padrão etário, com

aumento na incidência em menores de quinze anos. Essa mudança foi observada,

principalmente, nos Estados do Maranhão, Alagoas, Piauí, Rio Grande do Norte, Minas

Gerais e Rio de Janeiro. Em 2007, o Rio Grande do Sul notificou o seu primeiro caso

confirmado de dengue autóctone. 4

18

1.3. Epidemia de dengue no Estado do Rio de Janeiro, em 2007/2008

Em 2007/2008, eclodiu uma epidemia no estado do Rio de Janeiro, com a circulação

predominante do sorotipo DENV-2, embora tenha circulado também o DENV-3. Até o dia

19/02/2009, foram notificados 322.371 casos de dengue, sendo 66.553 (20,6%) em 2007 e

255.818 (79,4%), em 2008. Este processo epidêmico foi o mais grave ocorrido nesta UF até o

momento, tendo sido confirmados 2.014 casos e 289 óbitos de FHD, SCD ou dengue com

complicações. 21

Ao se analisar o ano de 2008, verificou-se que os municípios que apresentaram maior

número de notificações foram: Rio de Janeiro (129.737), Nova Iguaçu (18.433), Duque de

Caxias (16.557), Campos dos Goytacazes (14.870), Angra dos Reis (10.972), Niterói (7.697),

Belford Roxo (7.590), São João de Meriti (7.354), Magé (3.557) e Itaboraí (3.505). 22

Apesar da população de 15-49 anos ter apresentado o maior número de notificações de

casos de dengue (54%), foi em crianças menores de 15 anos que se observou a maior

gravidade da doença. De um total de 13.630 internações por dengue realizadas no estado, 48%

ocorreram nesta faixa etária. Da mesma forma, do total de óbitos confirmados, 33% atingiram

os menores de 15 anos. 23

1.4. Sistema de vigilância epidemiológica

O interesse em acompanhar a ocorrência de doenças como o dengue, com o intuito de

prevenir sua disseminação, existe desde épocas remotas. Contudo, percorreu-se um longo

caminho até a concepção atual da vigilância epidemiológica – informação para ação. 24

No Brasil, o Sistema Nacional de Vigilância Epidemiológica foi instituído em 1975,

baseado na Lei nº 6.259, e regulamentado, em 1976, pelo Decreto nº 78.231. Através desses

instrumentos legais, um conjunto de doenças de importância sanitária para o país - constantes

da lista de doenças de notificação compulsória - passou a ter prioridade, tornando-se

obrigatória sua notificação. 25,26

Ao longo das décadas, esta lista vem passando por atualizações, tendo em vista a

necessidade de inclusão de novos agravos, remoção daqueles que já não são prioritários ou

19

que passaram por mudanças de critérios de prioridade. 25

Modificações nos conceitos e

estratégias de ações da vigilância epidemiológica também vêm ocorrendo, uma vez que esta

reflete a complexidade das mudanças no comportamento das doenças, da interação do homem

com o meio ambiente e da mobilidade de populações humanas. 24

Segundo a Lei nº 8.080 de 19 de dezembro de 1990, vigilância epidemiológica é o

conjunto de atividades que proporciona o conhecimento, a detecção ou prevenção de

qualquer mudança nos fatores que determinam e condicionam o processo saúde-doença, em

nível individual ou coletivo, com a finalidade de se recomendar e adotar de forma oportuna

as medidas de prevenção e controle dos agravos. 27,28

Por propósito, deve fornecer orientação técnica permanente para os que têm a

responsabilidade de decidir sobre a execução de ações de controle de doenças e agravos.

Além disso, constitui-se como importante instrumento para o planejamento, financiamento,

avaliação, administração e provisão dos serviços de saúde. 26,29

1.5. Fontes de dados para a vigilância epidemiológica do dengue

Para se atuar em vigilância epidemiológica, no entanto, é necessário dispor de

informações fidedignas relativas às questões epidemiológicas e de caráter administrativo, uma

vez que estas se constituem no fator desencadeador do processo informação – decisão – ação.

Essa tríade possibilita o desencadeamento de intervenções oportunas e efetivas, a partir de um

indício ou suspeita de caso de alguma doença ou agravo. 26,30

Com o objetivo de coletar, transmitir e disseminar dados sobre doenças de notificação,

gerados rotineiramente pelas três esferas de governo, foi desenvolvido, na década de 90, o

Sistema de Informação de Agravos de Notificação (Sinan). 31,32

Ele é um sistema de

informação nacional contínuo, universal e adequado à descentralização da vigilância.

Engloba, além da notificação, a investigação desses agravos. Sua implantação significou um

importante avanço, na medida em que favoreceu a uniformização dos bancos de dados e das

análises epidemiológicas sobre essas doenças no país. 32,33

Apesar de o Sinan ser o mais importante sistema para a vigilância epidemiológica, 26

o uso

de outras bases de dados é fundamental tanto para o monitoramento eficiente do dengue,

20

como para o aumento da cobertura dos eventos e acompanhamento longitudinal dos casos. 29

Dentre as bases de dados complementares mais utilizadas na vigilância desses agravos em

saúde pode-se destacar o Sistema de Informação sobre Mortalidade (SIM) e o Sistema de

Informações Hospitalares (SIH-SUS). 34

O SIM é um sistema de informação descentralizado, utilizado para coleta, armazenamento

e disseminação dos dados relacionados aos óbitos ocorridos em território nacional. Dispõe de

dados informatizados desde 1979 e seu documento padrão é a declaração de óbito (DO), que

contém informações sobre as características de pessoa, tempo e lugar, assistência prestada ao

paciente, condições do óbito e causas básicas e associadas a este evento. 35,36,37

O SIH-SUS também é um sistema de informação nacional e descentralizado, mas é

utilizado para coleta contínua, crítica e pagamento de todas as internações hospitalares

efetuadas nas unidades credenciadas pelo Sistema Único de Saúde (SUS). Com dados

informatizados desde 1984, conta com um documento-padrão para coleta de autorização de

internação hospitalar (AIH), e contém informações sobre causas de internação, quantidade de

leitos por especialidade, tempo médio de permanência do paciente hospitalizado e relação dos

procedimentos mais freqüentes em cada hospital, município e Estado. 35,36

Outro sistema que pode ser utilizado na vigilância desse agravo é o Sistema de

Informação Ambulatorial (SIA-SUS), uma vez que os procedimentos de diagnóstico e

acompanhamento dos tratamentos realizados na rede pública ou conveniada do SUS são

registrados nesse sistema. 34

1.6 Limitações do Sinan e do SIM como instrumentos de vigilância epidemiológica

Estudos têm evidenciado uma expressiva subnotificação de casos de dengue no Sinan, o

que representa um dos principais problemas enfrentados pela vigilância epidemiológica desse

agravo. 38,39,40,41

Uma investigação realizada no município do Rio de Janeiro, com o objetivo de analisar a

confiabilidade do diagnóstico final dos casos de dengue informados no Sinan durante a

epidemia 2001/2002, encontrou além dessa limitação, outros problemas como o retardo da

21

entrada de dados no sistema de informação, o elevado percentual de informações ignoradas e

de inconsistências entre os campos, e a baixa qualidade da informação nos óbitos. 38

Pesquisa realizada com os dados brasileiros de mortalidade por dengue, de 2000 a 2005,

corrobora com essas informações, ao identificar baixa concordância entre os óbitos por

dengue registrados no Sinan e no SIM (entre 0,0 e 33,0%). Este mesmo estudo também

verificou baixas coberturas para notificação de óbitos por dengue nos sistemas de informação

avaliados (Sinan: entre 25,9% e 63,4%; SIM: entre 11,3% e 27,5%). 42

Além disso, a Organização Mundial de Saúde e a Organização Pan-Americana de Saúde

estimam que, durante uma epidemia de dengue, os casos notificados podem representar cerca

de 10% do total de doentes. 12

Considerando ainda a dificuldade no diagnóstico desse agravo -

devido ao seu amplo espectro clínico, e elevado número de doenças que fazem parte do seu

diagnóstico diferencial - 43

é possível que óbitos por dengue tenham sido classificados como

óbitos por outras doenças. Mediante o exposto, torna-se necessário investigar como o dengue

e esses agravos poderiam explicar um possível excesso de mortalidade no período epidêmico

do dengue.

1.7 Conceito e métodos para avaliar o excesso de mortalidade

A técnica de sobremortalidade é usada como parâmetro importante para estimar a

gravidade das epidemias, 12

podendo ser útil para o aumento da sensibilidade do sistema de

vigilância, uma vez que a cobertura do sistema de mortalidade é mais estável do que o de

notificação, e a série histórica disponível, mais longa. 44

A detecção precoce do comportamento anormal de eventos em saúde possibilita uma

intervenção oportuna das autoridades sanitárias em processos epidêmicos, e é um dos pilares

da vigilância em saúde. 45

O conceito de sobremortalidade para detectar o sub-registro de morbidade foi inicialmente

explorado por William Farr, ainda no século XIX. Ele definiu excesso de mortalidade como o

número de óbitos observados por uma causa que excederam o esperado, em um dado período,

em uma determinada comunidade. Entretanto, ele não especificou o método para determinar o

número de óbitos tidos como usual ou não epidêmico. 46,47

22

Em 1932, Collins considerou que o número de mortes esperadas seria a média do número

de óbitos semanais durante anos não epidêmicos para uma semana específica. Trinta anos

depois, Eickoff introduziu uma equação de regressão para estimar este evento, utilizando-se

de taxas de mortalidade semanais e omitindo os dados referentes às semanas epidêmicas. 45

Logo em seguida, em 1963, Serfling estimou os óbitos por influenza e pneumonia usando a

série de Fourier com tendência linear. 48

Ele definiu um limite superior de 1,64 desvios padrão

acima do esperado como a taxa de mortalidade máxima permitida, que não seria considerada

como excesso de mortalidade. 46

Em 1974, Housworth e Langmuir usaram o percentual de excesso (razão do excesso sobre

a taxa esperada) como a medida de intensidade de uma epidemia.46

Subseqüentemente, Box e

Jenkins desenvolveram o modelo Arima (Auto Regressive Integrated Moving Average), com o

propósito de obter melhores prognósticos para o controle da contaminação da baía de São

Francisco. Este método constituiu uma verdadeira revolução na análise de séries temporais. O

livro Time Serie Analysis, Forecasting and Control, publicado em 1976, tornou-se um clássico da

literatura especializada. 45

Em 1979, Clidford incluiu nos cálculos de óbitos esperados tanto os intervalos entre a

circulação e isolamento viral da influenza, como as tendências seculares e flutuações de

temperatura associadas com as variações sazonais. Isto resultou em um método muito

complexo e difícil de ser implantado nas atividades rotineiras. 46

A primeira utilização do modelo Arima, no âmbito sanitário, deve-se a Choi e Thacker,

que, em 1981, propuseram o método para prever o número de óbitos esperados por influenza e

pneumonia. 45

Eles declararam que o método de Serfling tende a subestimar o número

esperado de mortes, uma vez que os dados de semanas epidêmicas são omitidos na derivação

da equação de regressão. O modelo Arima inclui dados para semanas epidêmicas, mas são

uitlizados dados de semanas não epidêmicas para substituí-los. Choi e Thacker

arbitrariamente definem semanas epidêmicas como aquela na qual houve um aumento de

mortes acima do esperado, com incremento no registro de casos e evidência laboratorial de

infecção. 48

Entre 1989 e 1993, Aguirre e Ochoa aplicaram este método para o prognóstico de

infecções respiratórias agudas e enfermidades transmissíveis como as doenças diarréicas

agudas, com o objetivo de detectar precocemente os padrões não-usuais dos eventos de

23

vigilância em saúde e de fornecer previsões cada vez mais eficientes e oportunas para as

autoridades do Departamento Nacional de Saúde de Cuba. 45

Em 2000, Sindo e colaboradores apresentaram um novo modelo de mortalidade por

pneumonia e influenza, baseado na estimativa de fronteira estocástica. Esse modelo move a

curva da linha de base dos óbitos esperados sem excluir nenhum dado durante o ano. Além

disso, ele provê informação numérica sobre como raramente, de um ponto de vista estatístico,

ocorrem os óbitos em epidemias de influenza. 48

Outros métodos descritos na literatura que têm sido utilizados para analisar a

sobremortalidade são: modelo autoregressivo estacionário local junto com o princípio do

valor mínimo do critério de informação de Akaike (AIC); 49,50

o modelo de redes neurais

artificiais; 44

e a regressão binomial negativa. 12,44

O AIC foi utilizado para avaliar o excesso de óbitos por doença diarréica infecciosa, sem

diagnóstico etiológico definido, na região Nordeste do Brasil. Este excesso foi simultâneo à

circulação do Vibrio cholerae nessa mesma região. Nesta situação, esse método estatístico

apresentou melhor adequação à modelagem de séries temporais com tendência importante em

relação ao método Arima proposto por Box e Jenkins, que é mais adequado a séries

estacionárias. Outras vantagens apontadas no estudo foram o caráter semi-automático da

escolha entre os vários modelos possíveis com base no AIC mínimo e a adequação do modelo

a séries pequenas de tempo. 49,50

O modelo de redes neurais artificiais foi avaliado enquanto técnica preditiva para séries

temporais em saúde, em um estudo realizado durante uma epidemia de cólera ocorrida no

Estado do Ceará, entre 1993 e 1994. Ele foi comparado à regressão binomial negativa,

bastante comum em dados tipo contagem, quando a regressão de Poisson não se mostra

adequada. Os resultados encontrados apontam que as duas técnicas tiveram boa concordância.

Entretanto, o modelo binomial negativo mostrou-se mais adequado para a detecção de

sobremortalidade por cólera, por possuir uma variância menor. 44

Este último também foi

utilizado para predizer o excesso de óbitos por dengue, numa epidemia ocorrida entre 2001 e

2002, na região metropolitana do Rio de Janeiro, 12

e é freqüentemente empregado em estudos

sobre poluição do ar. 51

24

1.8 Inferência Bayesiana, modelos dinâmicos e modelo dinâmico Poisson

Inicialmente serão introduzidos conceitos básicos sobre inferência Bayesiana e descritas

as principais diferenças entre esta abordagem e a clássica. Posteriormente, serão abordadas as

definições, vantagens e desvantagens da metodologia de modelos estruturais ou dinâmicos

para a modelagem de séries temporais. Além disso, será apresentado de forma sucinta o

modelo dinâmico Poisson, que será aplicado às séries temporais reais, neste estudo.

1.8.1 Inferência Bayesiana versus inferência clássica e o Teorema de Bayes

Acredita-se que a estimação dos parâmetros de um modelo, deduzidos de um conjunto de

dados, seja um importante problema na inferência estatística. 52,53

Normalmente, inferências

sobre os parâmetros que se baseiam em métodos estatísticos clássicos consistem na obtenção

de estimadores de mínimos quadrados ou estimadores de máxima verossimilhança e da

suposição de propriedades assintóticas para esses estimadores. 52,53,54

Nesta abordagem, os estimadores de mínimos quadrados dos parâmetros do modelo, apesar

de não tendenciosos, normalmente distribuídos e de variância mínima, encontram essas

propriedades somente assintoticamente. Com isso, formas analíticas para os estimadores de

mínimos quadrados nem sempre são possíveis de serem encontradas e a solução das equações

normais, usualmente, requer a utilização de métodos numéricos. 52,53

Diferentemente da inferência clássica, na inferência Bayesiana elimina-se o uso de

propriedades assintóticas. Também não há diferenciação entre quantidades observáveis e os

parâmetros de um modelo estatístico, pois todos são considerados quantidades aleatórias.

52,53,55 A informação disponível sobre θ é resumida probabilisticamente através de uma função

de densidade de probabilidade, significada distribuição a priori p(θ), a qual pode ser

aumentada observando-se uma quantidade aleatória y relacionada com θ. A distribuição

amostral p (yǀθ) define essa relação. Para um valor fixo de y, a função L(θ; y) fornece a

plausibilidade ou verossimilhança para cada valor possível de θ. A informação a priori e a

verossimilhança são combinadas, levando à distribuição a posteriori de θ, p(θǀy). 52,53

Este

processo é conhecido como teorema de Bayes, 52

e pode ser formalizado por:

dpyp

pyp

dyp

pyp

yp

ypyp

)()(

)()(

),(

)()(

)(

),()(

25

O denominador dessa fórmula não depende de θ, tornando-se assim uma constante

normalizadora para a distribuição a posteriori. Logo, esse teorema pode ser escrito na forma

usual:

)();()( pyLyp

Através dessa forma fica clara a idéia de que a distribuição de θ a posteriori é fruto da

combinação das informações oriundas dos dados e das informações subjetivas (posteriori

verossimilhança x priori).

Após observar y, pode ser desejável prever o próximo instante dado por yʹ, também

relacionado com θ através de p(yʹǀθ). Neste caso, supondo que θ, y e yʹ são independentes,

pode-se obter a distribuição p(yʹǀy), dada por:

p(yʹǀy) = p ( yʹ,θǀy)dθ = p ( yʹǀθ, y)p(θǀy)dθ= p ( yʹǀθ)p(θǀy)dθ

Com isso, percebe-se a característica de atualização do modelo, tal que a distribuição a

posteriori de θ, após observar y, age como a priori no cálculo da posteriori no instante

seguinte, em que yʹ ainda não foi observado. Após a observação de yʹ, uma nova posteriori é

obtida realizando-se o teorema de Bayes.

Sendo assim, trazendo para uma forma mais geral, tem-se para as quantidades y1, y2, ..., yn

independentes dado θ:

)();()( 111 pylyp ;

)();(),( 12212ypylyyp ;

)()();( 1122 pylyl ;

);,...,();(),...,,( 1111 yypylyyyp nnnnn

).();(1

pyln

i

ii

26

O grande desafio da inferência Bayesiana consiste em calcular os valores esperados de

funções particulares do parâmetro θ que resumem convenientemente a densidade a posteriori.

A informação a priori, a respeito da interpretação dos parâmetros, pode ser expressa

utilizando-se prioris informativas ou prioris não informativas, caso não haja opinião sólida

sobre os parâmetros do modelo. No segundo caso, pode-se considerar todos os possíveis

valores de θ como igualmente prováveis, isto é, com uma distribuição a priori uniforme. 52,53

Como na grande maioria dos estudos Bayesianos, a distribuição a posteriori é complexa e

não pode ser obtida de forma fechada, é comum optar por fazer inferência via simulações

estocásticas. 52

Um método muito usado para realizar esse tipo de inferência é o método de simulação de

Monte Carlo via Cadeias de Markov (MCMC). Ele tem como fundamento estimar

características probabilísticas de modelos, e consiste em técnicas de simulação iterativas tanto

para obter uma amostra de distribuição a posteriori, quanto para calcular estimativas

amostrais de características dessa distribuição. 52,53,55,56

A idéia dos métodos de MCMC é construir uma cadeia de Markov, cuja distribuição de

equilíbrio se aproxime o máximo possível da distribuição de interesse (posteriori), após um

número finito de simulações dessa cadeia. Normalmente, opta-se por trabalhar com duas

cadeias, com o objetivo de verificar a convergência delas. Atingida a convergência, dá-se

origem a uma amostra da distribuição de interesse aproximada. 52,56

Considerando que a densidade conjunta de θ1, ..., θn é dada por p(θ)= p(θ1,..., θn) e que

q(θʹǀθ) define a distribuição condicional das transições do estado θ, é possível a construção de

uma cadeia com probabilidades de transição, em que cada estado pode ser obtido a partir de

outro com um número finito de iterações. Portanto, com uma quantidade razoável de

iterações, dependendo de cada situação, chega-se à distribuição de equilíbrio. 52,56

O método de Metropolis-Hastings e o Amostrador de Gibbs estão entre os métodos de

construção da cadeia de Markov mais utilizados. 52,53,55,56

As descrições de ambos podem ser

encontradas, mais detalhadamente, em Gamerman (1996) 57

e Migon & Gamerman (1999).58

27

1.8.2 Modelos estruturais ou dinâmicos

Uma das maneiras de se modelar séries temporais é através da decomposição em seus

componentes não observáveis, como, por exemplo, tendência, sazonalidade, ciclo e ruído

aleatório por meio de modelos estruturais ou dinâmicos. 59,60

A idéia dessa decomposição da série temporal apareceu nos trabalhos de Holt (1957) 61

e

Winters (1960), 62

que desenvolveram as técnicas de alisamento exponencial. Na década de 60

surgiram estudos formalizando a metodologia de modelos estruturais, dentre os quais pode-se

citar os de Muth (1960), 63

Theil & Wage (1964) 64

e Nervole & Wage (1964) 65

. Na década de

70, foram publicados por Harrison & Stevens (1971, 1976) 66,67

os primeiros modelos de

previsão Bayesianos utilizando a modelagem dinâmica. Porém, devido a dificuldade

computacional da época e o aparecimento dos modelos ARIMA de Box & Jenkins (1976) 68

,

procedimentos utilizando a idéia de decomposição em componentes não observáveis só

voltaram a ser desenvolvidos na década de 80, quando tornaram-se mais populares. Do ponto

de vista clássico, isto foi atrelado à criação do aplicativo STAMP (Structural Time Series

Analyser, Modeller and Predictor), e à importante colaboração de Harvey (1989, 1993). 69,70

Do ponto de vista Bayesiano, o aplicativo BATS (Bayesian Analysis of Time Series) e os

trabalhos de West & Harrison, 1986; 71

West, Harrison & Migon, 1985; 72

West, Harrison &

Pole, 1988 73

foram essenciais para a disseminação e uso dos modelos dinâmicos. 60

Uma das vantagens desses modelos é que, ao invés de ajustar funções que descrevem os

componentes não observáveis aos dados históricos, estes procedimentos procuram identificar

as componentes básicas na série e o modelo resultante é obtido a partir da decomposição

desses elementos. Esses modelos são então escritos na forma de espaço de estados. O modelo

assim expresso possibilita o uso do filtro de Kalman, 74

tanto na abordagem clássica quanto na

Bayesiana, para a estimação sequencial do vetor de estado e das previsões requeridas. O filtro

de Kalman é um algoritmo recursivo que determina a estimativa do vetor de estados no tempo

t dada toda a informação disponível até o instante t-1. Outros algoritmos recursivos poderiam

ser utilizados, mas o filtro de Kalman é preferido devido a algumas propriedades

interessantes, sendo a principal delas o fato de ele coincidir com médias e variâncias a

posteriori calculadas sob o ponto de vista Bayesiano. 60

Destaca-se que uma das vantagens do uso dos modelos de espaço de estados é o fato dos

componentes possuírem uma interpretação direta, devido à maneira como o modelo é

28

construído. Além disso, a flexibilidade desta modelagem, incluindo a capacidade de lidar com

dados multivariados e processos não estacionários, confere-lhes uma significativa vantagem

frente às demais metodologias de análise de séries temporais. 60

Os livros de Harvey (1989) 69

e West & Harrison (1997) 75

são textos fundamentais sobre o

assunto e referência para análises sob os pontos de vista clássico e Bayesiano,

respectivamente. Outro trabalho que apresenta as versões clássica e Bayesiana de modelos de

espaço de estados é o livro de Souza (1989). 76

Além destes, existem ainda os trabalhos de

Pereira & Migon (1985, 1986) 77,78

sobre o assunto.

1.8.3 Modelos de espaço de estados não-Gaussianos e o modelo dinâmico Poisson

Quando as suposições de normalidade e/ou homoscedasticidade são violadas, uma solução

natural é tentar uma transformação nos dados. No entanto, nem sempre uma transformação é

suficiente para que a suposição de normalidade seja satisfeita. Logo, outra possibilidade é

construir modelos com resposta não-Gaussiana, 79

o que inclusive traz um ganho de

interpretação no modelo. 60,72,75

Em 1972, Nelder & Wedderburn propuseram uma estrutura denominada de modelos

lineares generalizados. 80

Esses modelos descrevem a série temporal de acordo com um

modelo de espaço de estados com a diferença de que a equação das observações prescinde da

normalidade, sendo substituída por uma especificação na família exponencial e por uma

função de ligação. Com isso todas as componentes são assumidas dinâmicas, incluindo as

componentes de tendência e de efeito de variáveis explicativas. Seu problema é que a

tratabilidade analítica é facilmente perdida, mesmo para componentes muito simples. Logo, a

verossimilhança preditiva, que é fundamental para o processo de inferência, pode apenas ser

obtida de forma aproximada. Uma particularização desses modelos assume que apenas a

tendência está flutuando e os efeitos das covariáveis são fixos ao longo do tempo. 60

Por este motivo, nesse estudo foi utilizada a família Gama de modelos dinâmicos, onde

essa tratabilidade analítica é obtida. Smith & Miller (1986) 79

propuseram uma equação de

evolução exata para qualquer série temporal com distribuição pertencente a essa família,

possibilitando assim a integração analítica dos estados e a obtenção da verossimilhança

preditiva. Apesar da dificuldade em inserir outros componentes estocásticos no mesmo

modelo, como por exemplo, os componentes tendência e sazonalidade, o efeito de

29

componentes determinísticos pode ser captado no modelo através de covariáveis. 60

Para obter

maiores informações sobre este tema podem ser consultados os estudos de Smith & Miller

(1986) 79

e Harvey & Fernandes (1989). 81

Dentro da família Gama de modelos dinâmicos, optou-se em trabalhar com o modelo

dinâmico Poisson, pois os dados trabalhados são de contagem. O modelo Poisson é referência

quando se trata de especificar modelos econométricos que utilizam distribuições de

probabilidade cujo domínio seja formado apenas pelos números inteiros não-negativos. 82,83

O

detalhamento deste modelo será apresentando no item 3.5 e pode ser encontrada em Franco e

colaboradores (2009). 60

2. Objetivos

2.1. Objetivo geral

Investigar a ocorrência de sobremortalidade durante a epidemia de dengue ocorrida na

Região Metropolitana do Rio de Janeiro, entre 2007 e 2008.

2.2. Objetivos específicos

Analisar a série histórica dos casos notificados de dengue, no Estado do Rio de Janeiro,

no período de 1986 a 2008.

Analisar a série histórica dos óbitos por dengue e doenças infecciosas que fazem parte do

seu diagnóstico diferencial, na Região Metropolitana de Rio de Janeiro, no período de 1986 a

2008.

Investigar a ocorrência de excesso de óbitos por dengue e doenças infecciosas que fazem

parte do seu diagnóstico diferencial, na população residente com menos de 15 anos ou com 15

anos ou mais de idade, durante a epidemia de dengue ocorrida na Região Metropolitana do

Rio de Janeiro, entre 2007 e 2008.

30

3. Métodos

3.1. Desenho do estudo

Trata-se de um estudo com desenho ecológico de séries temporais.

3.2. População de estudo

A população de estudo foi constituída dos óbitos por dengue e doenças infecciosas que

fazem parte do seu diagnóstico diferencial ocorridos no período de 1986 a 2008, em

residentes da Região Metropolitana do Rio de Janeiro. Também foram analisados os casos

notificados de dengue, em habitantes do Estado do Rio de Janeiro, entre 1986 a 2008.

3.3. Caracterização da área de estudo

Segundo a Lei Complementar nº 105, de 04 de julho de 2002, a Região Metropolitana do

Estado do Rio de Janeiro é composta por dezesseis municípios: Belford Roxo, Duque de

Caxias, Guapimirim, Itaboraí, Japeri, Magé, Nilópolis, Niterói, Nova Iguaçu, Paracambi,

Queimados, Rio de Janeiro, São Gonçalo, São João de Meriti, Seropédica e Tanguá. 84

Entretanto, os municípios de Itaguaí, Mangaratiba, Maricá e Mesquita foram mantidos na

presente análise, tendo em vista a sua forte relação com a dinâmica metropolitana. 85

Esta

unidade de análise possui uma área de 5.693,5 km², equivalente a 13,0% de todo o Estado, 86

e

uma população total estimada, em 2008, de 11.812.482 habitantes, correspondente a 74,4%

desta unidade federada. 87

3.4. Fontes de dados

Os dados foram trabalhados a partir de duas fontes de informação: Sistema de Informação

de Agravos de Notificação (Sinan), por ser o sistema oficial brasileiro de notificação, e o

Sistema de Informação sobre Mortalidade (SIM), sistema de caráter universal de âmbito

nacional, onde devem constar todos os óbitos ocorridos no país.

31

Estas informações foram obtidas nas Superintendências de Vigilância em Saúde 21

e de

Informação em Saúde 88

da Secretaria de Estado de Saúde e Defesa Civil do Rio de Janeiro

(SESDEC-RJ).

Os dados populacionais foram resgatados do Instituto Brasileiro de Geografia e

Estatísticas (IBGE), com base nos Censos Demográficos de 1991 e 2000 e utilizando o

método de Lagrange nos cálculos das populações em 1º de julho para os anos

intercensitários.87

3.5. Análise e processamento dos dados

Tem sido discutido, em estudos que avaliam o excesso de óbitos durante epidemias de

influenza, que a mortalidade por todas as causas poderia ser um melhor indicador da carga

total desta doença do que a mortalidade por pneumonia e influenza. Uma justificativa

apresentada baseia-se em um estudo realizado por Glezen, em 1982, que verificou que para

cada morte por influenza registrada oficialmente como pneumonia, existiam três óbitos que

não eram identificados. Além disso, discute-se que as causas de morte normalmente não estão

confirmadas laboratorialmente, podendo ser equivocadas, uma vez que a forma de classificá-

las é subjetiva. 89

Por outro lado, é incorreto afirmar que todos os óbitos ocorridos durante uma epidemia

são devidos a este agravo. Os óbitos por outras doenças podem aumentar durante semanas nas

quais a epidemia está presente. 48

Da mesma forma, tem se argumentado que as estimativas de

mortalidade sazonal por todas as causas carecem de precisão. 89

Considerando que alguns inquéritos têm demonstrado baixa confiabilidade dos dados de

mortalidade por dengue, 42

e dificuldades no diagnóstico desse agravo, tanto pela

sintomatologia inespecífica e similaridade do quadro clínico com outras doenças infecciosas,

41,42 quanto pela superposição da sazonalidade desses agravos

41 e dificuldades no acesso à

confirmação laboratorial, 42

torna-se necessário investigar como essas doenças poderiam

explicar um possível excesso de óbitos durante o período de interesse.

Por este motivo, foram analisados os óbitos por dengue e doenças infecciosas que fazem

parte do seu diagnóstico diferencial. A seleção dos agravos de interesse foi baseada no

32

documento do Ministério da Saúde “Dengue: diagnóstico e manejo clínico”. As doenças

consideradas no diagnóstico diferencial do dengue foram: hepatites virais, salmonelose,

escalarlatina, febre purpúrica do Brasil, pneumonia, influenza, enteroviroses, septicemia,

infecção meningocócica, leptospirose, riquetsioses, febres recorrentes, malária, arboviroses

(febre amarela, Mayaro, Oropuche e outras), hantaviroses, parvoviroses, mononucleose

infecciosa, exantema súbito, sarampo, rubéola, citomegalovirose, outras doenças

exantemáticas, encefalomielite, outras febres hemorrágicas transmitidas por mosquitos e

carrapatos. 90

Considerando-se que houve alterações na divisão político-administrativa dos municípios

do Estado do Rio de Janeiro, entre 1986 e 2008, reproduziu-se a malha municipal de 1986. 91

(tabela 1)

Os registros de mortes foram categorizados segundo a 9ª Revisão da Classificação

Internacional de Doenças (CID-9), de 1986 a 1995; e através da 10ª Revisão Internacional de

Doenças (CID-10), de 1996 até 2008. 92,93

Para minimizar as implicações da introdução da CID-10, em análise de tendências da

mortalidade por causas, traduziu-se a CID-9 para a CID-10, através da conversão manual de

arquivos segundo a categoria de três caracteres. 94,95

Este procedimento se justifica, uma vez

que houve alterações importantes nesta revisão. Por exemplo, foram incorporados novos

diagnósticos no capítulo das doenças infecciosas e parasitárias, como tétano neonatal (A33),

choque séptico (A41.9), bacteremia (A49.9), aids (B20-B24) e viremia (B34.9) e deixaram-se

de codificar outros agravos como a angina estreptocócica (J02.0) e a sarcoidose (D86). 96

Apesar da estrutura da CID-10 ser análoga à da CID-9, houve diferenças de eixos de

classificação na conversão dos códigos. Nestes casos, optou-se por incluir os códigos

associados aos agravos de interesse (tabela 2).

Os dados de mortalidade foram atualizados em março de 2010 e foram selecionadas as

mortes, em que estavam registradas nos campos causa básica os agravos de interesse. Além

disso, agregaram-se os óbitos de acordo com o mês de ocorrência.

Conforme discutido anteriormente, houve um aumento na gravidade do dengue, com

deslocamento desta para faixas etárias mais jovens da população, especialmente as crianças.

Para verificar o comportamento dos eventos de interesse neste grupo, realizou-se a

33

estratificação por faixa etária (<15 anos; ≥15 anos) em todas as análises realizadas sobre

mortalidade.

Com o objetivo de identificar quais foram os períodos epidêmicos, foi analisada a série

histórica mensal dos casos de dengue ocorridos no Estado do Rio de Janeiro, entre 1986 e

2008. Optou-se por utilizar as informações do Estado, devido à ausência de dados mensais de

alguns municípios da Região Metropolitana do Rio de Janeiro durante o período de interesse.

Devido à falta de consenso sobre o método mais adequado para identificar os meses

epidêmicos, arbitrou-se como sendo o início e término da epidemia, quando houvesse um

aumento ou decréscimo de no mínimo duas vezes o número de casos do mês de referência em

relação ao mês anterior com evidência laboratorial de circulação viral do dengue na

comunidade (tabela 3).

As séries históricas de óbitos utilizadas neste estudo podem ser visualizadas nas tabelas

4 e 5.

Neste estudo, para a predição dos óbitos do ano epidêmico de 2007, o modelo dinâmico

Poisson foi ajustado aos dados de mortalidade por dengue e doenças infecciosas que fazem

parte do seu diagnóstico diferencial de 01/01/1986 a 31/12/2006. Da mesma forma, para obter

a predição dos óbitos do ano de 2008, foi considerado o período de 01/01/1986 a 31/12/2007.

Toda a inferência foi realizada sob o paradigma bayesiano e o logaritmo da população foi

adicionado ao modelo como variável offset. A interpolação linear foi utilizada para obter o

tamanho mensal da população. A estimação para os parâmetros incluiu estimativa pontual e

por intervalo, sendo este um intervalo de credibilidade de 95%.

Cabe destacar que os intervalos de credibilidade diferem dos intervalos de confiança

gerados pelos métodos tradicionais de inferência estatística. Enquanto o primeiro expressa a

probabilidade a posteriori de que o verdadeiro valor do parâmetro pertença a um intervalo

pré-definido, condicional aos dados observados, 97

o intervalo de confiança quantifica o nível

de incerteza envolvido na amostragem.60

A modelagem foi realizada considerando que Yt é uma variável aleatória que representa

o número de óbitos no instante t, t=1, ..., T. Além disso, supôs-se que

34

ttt Poisson ~ (1)

em que t foi assumido conhecido para todo t=1, ... ,T e se refere à população de expostos ao

risco de adquirir dengue no instante t.

Foi possível relacionar um vetor de covariáveis tx ao parâmetro t através da relação

,ttt xg , em que g é uma função de ligação e t é responsável pela descrição do nível

dinâmico. No caso em questão, foi considerado tx

t exg , e, portanto

tx

tt e (2)

O vetor de covariáveis tx foi composto de componentes sazonais, t/12)2(2, senxt e

t/12)2cos(3, tx , para t=1, ..., T e de uma variável dummy indicadora de períodos

epidêmicos, que assumiu valores de 0 na ausência de epidemia e 1 na presença de epidemia.

As componentes sazonais foram incluídas, pois a incidência do dengue é influenciada pelas

condições climáticas, que variam dependendo da estação do ano. Inseriu-se a variável

indicadora dos períodos de epidemia de dengue por considerar que há um aumento no número

de óbitos durante os períodos epidêmicos.

Portanto, através da componente β correspondente à variável indicadora, mensurou-se o

efeito da ocorrência de epidemia na série de óbitos em análise.

A dinâmica do nível t foi dada através da seguinte equação de evolução:

tt

t1 (3)

em que 111 1,~, tttt aaD (4)

sendo ta um parâmetro da distribuição a posteriori de tt D , em que tD denota o conjunto de

informação no tempo t, t = 1, 2, ..., T e ),( .

Como o procedimento de inferência foi feito sob o enfoque bayesiano, 98

considerou-se a

seguinte distribuição a priori para o vetor de parâmetros do modelo

35

ccIN ,,0~ grande (5)

1,0~ U (6)

1111 ,~ baGamaD (7)

Note-se que possui um papel de aumentar a variância devido à passagem de tempo e

que a dinâmica do nível foi inicializada com base na especificação de uma distribuição a

priori 11 D .

Após a especificação da distribuição a priori para o vetor paramétrico, foi utilizado o

método de Monte Carlo via Cadeias de Markov para obtenção de amostras da distribuição a

posteriori conjunta dos parâmetros do modelo, como a média e os quantis. 99

O excesso de mortalidade foi calculado através da diferença do número de mortes

ocorridas nos meses dos anos de 2007 e 2008 e o número de óbitos esperados com base em

uma experiência sazonal anterior. 46,47

(tabelas 6 e 7).

Para verificar quais foram os agravos que se destacaram nos períodos analisados,

realizou-se a estratificação dos óbitos por causa básica, faixa etária, ano e mês de ocorrência

(tabelas 8 a 30).

Foram utilizados para análise e processamento dos dados os softwares Tabwin 3.4 e o R.

O código fonte em R encontra-se no anexo 2.

3.6. Aspectos éticos

A pesquisa proposta foi desenvolvida de acordo com os princípios éticos de respeito pela

pessoa, beneficência e justiça, seguindo as diretrizes e normas regulamentares da resolução nº

196/96 do Ministério da Saúde. 100

Foram utilizadas fontes de dados secundários sem

identificação do participante. Portanto, em nenhum momento as informações potencialmente

sensíveis (ex. causas de óbitos) estiveram disponíveis conjuntamente com as informações de

identificação dos indivíduos. O projeto foi aprovado pela Comissão de Ética e Pesquisa do

Instituto de Estudos em Saúde Coletiva da Universidade Federal do Rio de Janeiro (parecer nº

87/2009, processo nº 19/2009 – vide anexo 3).

36

SEGUNDO CAPÍTULO

Título do Artigo

Sobremortalidade durante epidemia de dengue. Região Metropolitana do Rio de Janeiro,

2007-2008

(Excess mortality during dengue epidemic in the Metropolitan Area of Rio de Janeiro, 2007-

2008)

Título resumido

Sobremortalidade durante epidemia de dengue

(Excess mortality during dengue epidemic)

Autoria


Instituto de Estudos em Saúde Coletiva da Universidade Federal do Rio de Janeiro

Endereço: Avenida Brigadeiro Trompowsky, s/nº, Praça da Prefeitura da Cidade

Universitária, Ilha do Fundão, Rio de Janeiro, RJ, Brasil - CEP 21949-900

Telefone: +55 21 2598-9295

E-mail: [email protected]

Camila Maria Casquilho Resende

Instituto de Matemática da Universidade Federal do Rio de Janeiro

Endereço: Avenida Athos da Silveira Ramos, 149, Centro de Tecnologia, Bloco C, Ilha do

Fundão, Rio de Janeiro, RJ, Brasil - CEP 21941-909

Telefone: +55 21 2562-7401


Dani Gamerman

Instituto de Matemática da Universidade Federal do Rio de Janeiro

Endereço: Avenida Athos da Silveira Ramos, 149, Centro de Tecnologia, Bloco C, Ilha do

Fundão, Rio de Janeiro, RJ, Brasil - CEP 21941-909

Telefone: +55 21 2562-7911


Roberto de Andrade Medronho

Instituto de Estudos em Saúde Coletiva da Universidade Federal do Rio de Janeiro

Endereço: Avenida Brigadeiro Trompowsky, s/nº, Praça da Prefeitura da Cidade

Universitária, Ilha do Fundão, Rio de Janeiro, RJ, Brasil - CEP 21949-900

Telefone: +55 21 2598-9295


mailto:[email protected]




37

Resumo

O objetivo deste estudo é investigar a ocorrência de sobremortalidade durante a epidemia de

dengue ocorrida na região metropolitana do Rio de Janeiro, entre 2007 e 2008. Para obter a

predição dos óbitos destes anos epidêmicos, o modelo dinâmico Poisson foi ajustado aos

dados de mortalidade por dengue e doenças que fazem parte do seu diagnóstico diferencial.

Toda a inferência foi realizada sob o paradigma Bayesiano. O excesso de mortalidade foi

calculado pela diferença entre o observado e o estimado pelo modelo. Verificou-se um

excesso de mortalidade em março de 2008 em menores de 15 anos de idade. Paralelamente,

em março e abril de 2008, houve o maior número de casos notificados de dengue no Estado

do Rio de Janeiro. Considerando que o aumento da mortalidade deve ser precedido por um

incremento na morbidade, pode-se levantar a hipótese de que houve um excesso de

mortalidade por dengue em crianças na epidemia de dengue ocorrida na Região Metropolitana

do Rio de Janeiro, em março de 2008.

Palavras-chaves: Doenças Transmissíveis. Dengue. Mortalidade. Estudos de Séries

Temporais. Vigilância Epidemiológica.

Abstract

The aim of this study is to investigate the excess mortality during dengue epidemic in the

metropolitan area of Rio de Janeiro between 2007 and 2008. To predict the number of deaths

of these epidemic years, a Poisson dynamic model was fitted to mortality data of dengue and

infections differential diagnosis of dengue. Bayesian inference was performed. Excess

mortality was calculated as the difference between the number of deaths observed and

predicted by the model. Excess mortality was detected in March 2008 in the children under 15

years of age. In parallel, was the highest number of reported cases of dengue in Rio de Janeiro

in March and April 2008. Whereas the increase in mortality should be preceded by an

increase in morbidity, it can be hypothesized that there was an excess mortality due to dengue

in children during dengue epidemic occurred in the metropolitan area of Rio de Janeiro in

March 2008.

Keywords: Communicable Diseases. Dengue. Mortality. Time Series Studies. Epidemiologic

surveillance.

38

Introdução

Estudos têm evidenciado uma expressiva subnotificação de casos de dengue no Sistema de

Informação de Agravos de Notificação (Sinan), que representa um dos principais problemas

enfrentados pela vigilância epidemiológica desse agravo. 1-5

Uma investigação realizada no município do Rio de Janeiro, com o objetivo de analisar a

confiabilidade do diagnóstico final dos casos de dengue informados no Sinan durante a

epidemia 2001/2002, encontrou, além dessa limitação, outros problemas como o retardo da

entrada de dados no sistema de informação, o elevado percentual de informações ignoradas e

de inconsistências entre os campos, e a baixa qualidade da informação nos óbitos. 1

Pesquisa realizada com os dados brasileiros de mortalidade por dengue, de 2000 a 2005,

corrobora com essas informações, ao identificar baixa concordância entre os óbitos por

dengue registrados no Sinan e Sistema de Informação sobre Mortalidade - SIM (entre 0,0 e

33,0%). Este mesmo estudo também verificou baixas coberturas para notificação de óbitos

por dengue nos sistemas de informação avaliados (Sinan: entre 25,9% e 63,4%; SIM: entre

11,3% e 27,5%). 6

Além disso, a Organização Mundial de Saúde (OMS) e a Organização Pan-Americana de

Saúde (OPAS) estimam que, durante uma epidemia de dengue, os casos notificados podem

representar cerca de 10% do total de doentes. 4

Considerando ainda a dificuldade no diagnóstico desse agravo, tanto pela sintomatologia

inespecífica e similaridade do quadro clínico com outras doenças infecciosas, 5-7

quanto pelo

rigoroso critério de definição de caso utilizado pela OMS, 8

pelas dificuldades no acesso à

confirmação laboratorial 6 e pela superposição da sazonalidade do dengue e de outros agravos

que fazem parte do seu diagnóstico diferencial, 7 pode-se levantar a hipótese da ocorrência de

óbitos não registrados como dengue.

Mediante o exposto, torna-se necessário investigar como o dengue e esses agravos

poderiam explicar um possível excesso de óbitos no período epidêmico do dengue.

O conceito de sobremortalidade para detectar o sub-registro de morbidade foi inicialmente

explorado por William Farr, ainda no século XIX. Ele definiu excesso de mortalidade como o

39

número de óbitos observados por uma causa que excederam o esperado, em um dado período,

em uma determinada comunidade. 9,10

Esta técnica é usada como parâmetro importante para estimar a gravidade das epidemias, 4

podendo ser útil para o aumento da sensibilidade do sistema de vigilância, uma vez que a

cobertura do sistema de mortalidade é mais estável do que o de notificação, e a série histórica

disponível, mais longa. 11

O objetivo deste estudo é investigar a ocorrência de sobremortalidade durante a epidemia

de dengue ocorrida na Região Metropolitana do Rio de Janeiro, entre 2007 e 2008.

Métodos

Trata-se de um estudo com desenho ecológico de séries temporais. A população de

estudo foi constituída de todos os óbitos por dengue e doenças infecciosas que fazem parte do

seu diagnóstico diferencial ocorridos, no período de 1986 a 2008, em residentes da Região

Metropolitana do Rio de Janeiro. Também foram analisados os casos notificados de dengue,

em habitantes do Estado do Rio de Janeiro, entre 1986 a 2008.

Segundo a Lei Complementar nº 105, de 04 de julho de 2002, a Região Metropolitana do

Estado do Rio de Janeiro é composta por dezesseis municípios: Belford Roxo, Duque de

Caxias, Guapimirim, Itaboraí, Japeri, Magé, Nilópolis, Niterói, Nova Iguaçu, Paracambi,

Queimados, Rio de Janeiro, São Gonçalo, São João de Meriti, Seropédica e Tanguá. 12

Entretanto, os municípios de Itaguaí, Mangaratiba, Maricá e Mesquita foram mantidos na

presente análise, tendo em vista a sua forte relação com a dinâmica metropolitana. 13

Esta

unidade de análise possui uma área de 5.693,5 km², equivalente a 13,0% de todo o Estado, 14

e

uma população total estimada, em 2008, de 11.812.482 habitantes, correspondente a 74,4%

desta unidade federada. 15

Os dados do Sistema de Informação de Agravos de Notificação (Sinan) 16

e do Sistema de

Informação sobre Mortalidade (SIM) 17

foram obtidos da Secretaria de Estado de Saúde e

Defesa Civil do Rio de Janeiro (SESDEC-RJ). Os dados populacionais foram resgatados do

Instituto Brasileiro de Geografia e Estatísticas (IBGE).15

As doenças infecciosas consideradas no diagnóstico diferencial do dengue foram:

hepatites virais, salmonelose, escalarlatina, febre purpúrica do Brasil, pneumonia, influenza,

40

enteroviroses, septicemia, infecção meningocócica, leptospirose, riquetsioses, febres

recorrentes, malária, arboviroses (febre amarela, Mayaro, Oropuche e outras), hantaviroses,

parvoviroses, mononucleose infecciosa, exantema súbito, sarampo, rubéola, citomegalovirose,

outras doenças exantemáticas, encefalomielite, outras febres hemorrágicas transmitidas por

mosquitos e carrapatos. 18

Os registros de mortes foram categorizados segundo a 9ª Revisão da Classificação

Internacional de Doenças (CID-9), de 1986 a 1995; e através da 10ª Revisão Internacional de

Doenças (CID-10), de 1996 até 2008. 19,20

Para minimizar as implicações da introdução da CID-10, em análise de tendências da

mortalidade por causas, traduziu-se a CID-9 para a CID-10, através da conversão manual de

arquivos segundo a categoria de três caracteres. 21,22

Os dados de mortalidade foram atualizados em março de 2010 e foram selecionadas as

mortes, em que estavam registradas nos campos causa básica os agravos de interesse. Além

disso, agregaram-se os óbitos de acordo com o mês de ocorrência.

Como se acredita que houve um aumento na gravidade do dengue, com deslocamento

desta para faixas etárias mais jovens da população, especialmente, as crianças, realizou-se a

estratificação por faixa etária (<15 anos; ≥15 anos) em todas as análises realizadas de

mortalidade.

Com o objetivo de identificar quais foram os períodos epidêmicos, foi analisada a série

histórica mensal dos casos de dengue ocorridos no Estado do Rio de Janeiro, entre 1986 e

2008. Optou-se por utilizar as informações do Estado, devido à ausência de dados mensais de

alguns municípios da Região Metropolitana do Rio de Janeiro durante o período de interesse.

Devido à falta de consenso sobre o método mais adequado para identificar os meses

epidêmicos, arbitrou-se como sendo o início e término da epidemia, quando houvesse, um

aumento ou decréscimo de no mínimo duas vezes o número de casos do mês de referência em

relação ao mês anterior com evidência laboratorial de circulação viral do dengue na

comunidade.

Neste estudo, para a predição dos óbitos do ano epidêmico de 2007, o modelo dinâmico

Poisson foi ajustado aos dados de mortalidade por dengue e doenças infecciosas que fazem

41

parte do seu diagnóstico diferencial de 01/01/1986 a 31/12/2006. Da mesma forma, para obter

a predição dos óbitos do ano de 2008, foi considerado o período de 01/01/1986 a 31/12/2007.

Toda a inferência foi realizada sob o paradigma bayesiano e o logaritmo da população foi

adicionado ao modelo como variável offset. A interpolação linear foi utilizada para obter o

tamanho mensal da população. A estimação para os parâmetros incluiu estimativa pontual e

por intervalo, sendo este um intervalo de credibilidade de 95%.

Cabe destacar que os intervalos de credibilidade diferem dos intervalos de confiança

gerados pelos métodos tradicionais de inferência estatística. Enquanto o primeiro expressa a

probabilidade a posteriori de que o verdadeiro valor do parâmetro pertença a um intervalo

pré-definido, condicional aos dados observados, 23

o intervalo de confiança quantifica o nível

de incerteza envolvido na amostragem.24

A modelagem foi realizada considerando que Yt é uma variável aleatória que representa

o número de óbitos no instante t, t=1, ..., T. Além disso, supôs-se que

ttt Poisson ~ (1)

em que t foi assumido conhecido para todo t=1, ... ,T e se refere à população de expostos ao

risco de adquirir dengue no instante t.

Foi possível relacionar um vetor de covariáveis tx ao parâmetro t através da relação

,ttt xg , em que g é uma função de ligação e t é responsável pela descrição do nível

dinâmico. No caso em questão, foi considerado tx

t exg , e, portanto

tx

tt e (2)

O vetor de covariáveis tx foi composto de componentes sazonais, t/12)2(2, senxt e

t/12)2cos(3, tx , para t=1, ..., T e de uma variável dummy indicadora de períodos

epidêmicos, que assumiu valores de 0 na ausência de epidemia e 1 na presença de epidemia.

As componentes sazonais foram incluídas, pois a incidência do dengue é influenciada pelas

condições climáticas, que variam dependendo da estação do ano. Da mesma forma, foi

42

inserida a variável indicadora dos períodos de epidemia de dengue, pois acredita-se que haja

um aumento no número de óbitos durante os períodos epidêmicos.

Portanto, através da componente β correspondente à variável indicadora, mensurou-se o

efeito da ocorrência de epidemia na série de óbitos em análise.

A dinâmica do nível t foi dada através da seguinte equação de evolução:

tt

t1 (3)

em que 111 1,~, tttt aaD (4)

sendo ta um parâmetro da distribuição a posteriori de tt D , em que tD denota o conjunto de

informação no tempo t, t = 1, 2, ..., T e ),( .

Como o procedimento de inferência foi feito sob o enfoque bayesiano, 25

considerou-se a

seguinte distribuição a priori para o vetor de parâmetros do modelo

ccIN ,,0~ grande (5)

1,0~ U (6)

1111 ,~ baGamaD (7)

Note-se que possui um papel de aumentar a variância devido à passagem de tempo e

que a dinâmica do nível foi inicializada com base na especificação de uma distribuição a

priori 11 D .

Após a especificação da distribuição a priori para o vetor paramétrico, foi utilizado o

método de Monte Carlo via Cadeias de Markov para obtenção de amostras da distribuição a

posteriori conjunta dos parâmetros do modelo, como a média e os quantis. 26

O excesso de mortalidade foi calculado através da diferença do número de mortes

ocorridas nos meses dos anos de 2007 e 2008 e o número de óbitos esperados com base em

uma experiência sazonal anterior. 9,10

43

Foram utilizados para análise e processamento dos dados os softwares Tabwin 3.4 e o R.

O projeto foi aprovado pela Comissão de Ética e Pesquisa do Instituto de Estudos em

Saúde Coletiva da Universidade Federal do Rio de Janeiro (parecer nº 87/2009, processo nº

19/2009).

Resultados

Nos anos de 2007 e 2008, o número de casos de dengue variou de 663 a 90.945, com

mediana de 3.641. Durante este período, o pico de casos foi nos meses de março e abril de

2008, com 86.034 e 90.945 casos, respectivamente, conforme se nota na tabela 1, que

apresenta a distribuição dos casos notificados e dos períodos epidêmicos de dengue no Estado

do Rio de Janeiro de 1986 a 2008, por mês de ocorrência.

Na figura 1, encontram-se os histogramas para as amostras finais de cada parâmetro do

modelo dinâmico Poisson ajustado aos dados de óbitos por dengue e doenças infecciosas que

fazem parte do seu diagnóstico diferencial ocorridos em residentes da Região Metropolitana

do Rio de Janeiro entre 01/01/1986 a 31/12/2006, por faixa etária. Da mesma forma, na

figura 2, observam-se os histogramas referentes ao período de 01/01/1986 a 31/12/2007.

Em todas as análises, verificou-se que os valores das medianas do parâmetro β1

relacionados à variável indicadora de epidemia foram positivos. Isto poderia indicar que a

presença de epidemia levou a um aumento de óbitos. Entretanto, estes parâmetros não foram

significativos ao nível de credibilidade de 95%, uma vez que o valor zero esteve contido em

todos os intervalos encontrados.

Na figura 3, estão disponíveis os óbitos mensais por dengue e doenças infecciosas que

fazem parte do seu diagnóstico diferencial observados e esperados, em residentes da Região

Metropolitana do Rio de Janeiro, no ano de 2007, por faixa etária. Apesar de, na maioria dos

meses, os valores observados estarem acima da mediana dos óbitos esperados, em ambas as

faixas etárias, os óbitos observados não ultrapassaram o limite superior do intervalo de

credibilidade de 95%.

Quando se avalia os óbitos mensais por dengue e doenças infecciosas que fazem parte do

seu diagnóstico diferencial observados e esperados, em residentes da Região Metropolitana do

Rio de Janeiro, no ano de 2008, por faixa etária (figura 4), verificou-se comportamento

similar nos indivíduos com 15 anos ou mais de idade. Entretanto, em menores de 15 anos de

idade, foram encontrados quatro óbitos acima do limite superior do intervalo de credibilidade

de 95% no mês de março.

44

Discussão

Os resultados obtidos apontam para a ocorrência de sobremortalidade em residentes da

Região Metropolitana do Rio de Janeiro menores de 15 anos de idade em março de 2008 e

para a possibilidade de sua detecção por meio de dados mensais de óbitos.

Estudo anterior que investigou a ocorrência de sobremortalidade por todos os óbitos exceto

por causas externas, na Região Metropolitana do Rio de Janeiro durante a epidemia de dengue

de 2001-2002, também identificou excesso de óbitos. Entretanto, ao comparar as faixas etárias

com “menos de 60 anos de idade” e com “60 anos ou mais de idade”, detectou-se

sobremortalidade, em janeiro e março de 2002, somente na população idosa. 4

Tem sido discutido, em estudos que avaliam o excesso de óbitos durante epidemias de

influenza que a mortalidade por todas as causas poderia ser um melhor indicador da carga

total desta doença que a mortalidade por pneumonia e influenza. Uma justificativa

apresentada baseia-se em um estudo realizado por Glezen, em 1982, que verificou que para

cada morte por influenza registrada oficialmente como pneumonia, existiam três óbitos que

não eram identificados. Além disso, discute-se que a causa de morte normalmente não está

confirmada laboratorialmente, podendo ser equivocada, uma vez que a forma de classificá-la

é subjetiva. 9

Por outro lado, é incorreto afirmar que todos os óbitos ocorridos durante uma epidemia,

são devidos a este agravo. Os óbitos por outras doenças podem aumentar durante semanas no

qual a epidemia está presente. 27

Da mesma forma, tem se argumentado que as estimativas de

mortalidade sazonal por todas as causas carecem de precisão. 9

Nesta investigação foram analisados os óbitos por dengue e doenças infecciosas do seu

diagnóstico diferencial, pois alguns inquéritos têm demonstrado baixa confiabilidade dos

dados de mortalidade por dengue, 6

e dificuldades no diagnóstico desse agravo, tanto pela

sintomatologia inespecífica e similaridade do quadro clínico com outras doenças infecciosas,

5,6 quanto pela superposição da sazonalidade desses agravos

5 e dificuldades no acesso à

confirmação laboratorial. 6

45

Considerando que o aumento na mortalidade deve ser precedido por um incremento na

morbidade,28

pode-se supor que, em março de 2008, houve um excesso de mortalidade por

dengue em crianças menores de 15 anos de idade que residem na Região Metropolitana do

Rio de Janeiro.

Outros fatores que reforçam esta hipótese são: a dificuldade no diagnóstico precoce dos

casos de febre hemorrágica do dengue (FHD), 8 o elevado número de internações por dengue

em crianças menores de 15 anos de idade 16

e de indivíduos suscetíveis à doença, 29

e a

desestruturação dos serviços básicos de saúde. 29

Além disso, na infância é difícil diferenciar o dengue de outras doenças febris agudas e a

maioria das infecções por dengue é assintomática ou oligossintomática. 30,31

Um inquérito

realizado no Rio de Janeiro verificou sorologia positiva para dengue em 33% dos escolares,

apesar de os pais informarem que eles não tinham tido a doença. 32

Pesquisa com crianças

tailandesas com rubor facial e febre indiferenciada de curta duração diagnosticou dengue em

35% dos casos. 33

Em investigação anterior, realizada em período epidêmico, essa taxa foi de

90%. 34

No Paquistão, a freqüência de dengue em indivíduos entre 4 e 9 anos de idade, com

febre de curta duração sem etiologia definida foi de 26%.35

Também pode ser destacada a dificuldade no diagnóstico de dengue com base no critério

de definição de caso suspeito de dengue preconizado pelo Ministério da Saúde. Estudo

transversal realizado em uma unidade hospitalar de Minas Gerais, Brasil, com pacientes até

12 anos de idade apresentando doença febril aguda sem etiologia definida, identificou que se

o diagnóstico fosse baseado nesse critério, quase metade das crianças com dengue não teriam

sido identificadas.30

Outro resultado que merece atenção e que pode ser um objeto interessante de investigação

é a redução do número de óbitos por dengue e doenças infecciosas que fazem parte do seu

diagnóstico diferencial em abril de 2008, mês com maior número de casos de dengue do

período de 2007-2008.

Talvez essa redução seja um reflexo da intensificação das ações de controle do dengue que

foram iniciadas no final de março de 2008. Neste momento, foi instalado um Gabinete de

Crise integrado pelos três níveis de governo em parceria com as Forças Armadas e a Defesa

Civil. Dentre as atividades que foram desencadeadas, destacam-se: o mapeamento e a

46

organização das ações de atenção à saúde da população segundo um novo fluxograma para o

atendimento dos pacientes com suspeita de dengue; a ampliação do horário de funcionamento

dos postos de saúde do município do Rio de Janeiro, que passaram a funcionar 24 horas por

dia; a contratação de pessoal em caráter emergencial; a expansão de leitos em hospitais

federais, estaduais e municipais e na rede privada contratada do Sistema Único de Saúde; a

criação de uma central de regulação de leitos de dengue com o objetivo de coordenar a

reserva dos leitos para os casos graves; a implantação de centros de hidratação oral ou venosa

e de postos de triagem dos doentes; a montagem de um sistema de transporte de pacientes; o

estímulo a doação de sangue, com implantação de ônibus de coleta volante; as campanhas de

mobilização da sociedade no combate ao mosquito; a manutenção dos bombeiros no combate

aos criadouros; os mutirões de combate aos focos e treinamento dos agentes de saúde para

operarem as máquinas de desinfestação 29

e a ampla divulgação de informações sobre a

doença na mídia.

Conclusão

Este estudo verificou que houve excesso de mortalidade por dengue e doenças infecciosas

que fazem parte do seu diagnóstico diferencial em residentes da Região Metropolitana do Rio

de Janeiro menores de 15 anos de idade, em março de 2008.

Apesar de a técnica de sobremortalidade ser uma ferramenta útil para o aumento da

sensibilidade do sistema de vigilância, quando os recursos são limitados, é necessário que haja

confirmação diagnóstica para afirmar que houve excesso de mortalidade por dengue.

Uma investigação, com recodificação das causas de morte, nos prontuários, boletins de

emergência ou qualquer outro tipo de registro do atendimento do caso das crianças que

evoluíram para o óbito pelos agravos estudados, em março de 2008, poderia ser realizada para

identificar se a causa básica do óbito declarada era dengue.

Independente da confirmação desta hipótese, há evidências da importância dos pediatras

estarem sempre atentos para os sinais e sintomas do dengue durante a consulta médica para

um diagnóstico e tratamento adequado, especialmente nos períodos de maior incidência da

doença.

O método de sobremortalidade é uma estratégia de monitorização 36

que pode ser utilizada

em tempo real, durante uma epidemia, se os dados de mortalidade estiverem disponíveis de

47

forma oportuna, ou após o final destes eventos. 37

Permite que haja a identificação precoce de

alterações das condições de saúde da população pelas autoridades sanitárias, 36

possibilitando,

desta forma, que medidas de saúde pública possam ser reforçadas em processos epidêmicos.

Colaboradores

T.A. Malhão participou da concepção do projeto, da análise e interpretação dos dados e da

redação do artigo. C.M.C. Resende e D. Gamerman contribuíram com a seleção do método

estatístico, análise e interpretação dos dados e revisão crítica relevante do conteúdo

intelectual. R.A. Medronho coordenou o projeto, participando da sua concepção, análise e

interpretação dos dados e revisão crítica relevante do conteúdo intelectual.

Agradecimentos

Este estudo obteve financiamento da Fundação de Amparo à Pesquisa do Estado do Rio de

Janeiro (FAPERJ; processo nº E-26/111.551/2008). Além disso, serviu de base para a

Dissertação de Mestrado do primeiro autor. Agradecemos à Ângela Cascão pela

disponibilização do banco de dados do Sistema de Informação sobre Mortalidade e à Cláudia

Medina Coeli e Rejane Sobrino Pinheiro pelas valiosas idéias e sugestões.

Referências bibliográficas

1. TOLEDO, A. L. A. et al. Confiabilidade do diagnóstico final de dengue na epidemia 2001-

2002 no município do Rio de Janeiro, Brasil. Cad. Saúde Pública, v. 22, p. 933-940, 2006.

2. SOUZA, I. C. A.; VIANNA, R. P. T.; MORAES, R. M. Modelagem da incidência do

dengue na Paraíba, Brasil, por meio de defasagem distribuída. Cad. Saúde Pública, v. 23, p.

2623-2630, 2007.

3. DUARTE, H. H. P.; FRANÇA, E. B. Qualidade dos dados da vigilância epidemiológica da

dengue em Belo Horizonte, MG. Rev. Saúde Pública, v. 40, p. 134-142, 2006.

4. DORNAS, J. E. Sobremortalidade durante a epidemia de dengue na cidade do Rio de

Janeiro 2008. Dissertação - (Mestrado) - Instituto de Medicina Social, Universidade do

Estado do Rio de Janeiro, Rio de Janeiro, 2008.

5. OLIVEIRA, F. J. A forma grave de dengue no município do Rio de Janeiro: análise dos

dados registrados nos sistemas de informação do SUS entre 2001 e 2003. 2006. Dissertação

(Mestrado) - Escola Nacional de Saúde Pública, Fundação Oswaldo Cruz, Rio de Janeiro,

2006.

6. MORAES, G. H.; DUARTE, E. C. Análise da concordância dos dados de mortalidade por

dengue em dois sistemas nacionais de informação em saúde, Brasil, 2000-2005. Cad. Saúde

Pública, v. 25, p. 2354-2364, 2009.

48

7. SOUZA, A. I.; NOGUEIRA, J. M. R.; PEREIRA, M. M. Anticorpos anti-leptospirose em

pacientes de Mato Grosso do Sul com suspeita clínica de dengue ou hepatite viral. Rev. Soc.

Bras. Med. Trop., v. 40, p. 431-435, 2007.

8. BANDYOPADHYAY, S.; LUM, L. C. S.; KROEGER, A. Classifying dengue: a review of

the difficulties in using the WHO case classification for dengue hemorrhagic fever. Trop.

Med. Int. Health, v. 11, p. 1238-1255, 2006.

9. AGUIRRE, A.; GONZALEZ, E. Forecast of acute respiratory infections: expected

nonepidemic morbidity in Cuba. Mem. Inst. Oswaldo Cruz, v. 87, p. 433-436, 1992.

10. SIMONSEN, L. et al. A method for timely assessment of influenza-associated mortality in

the United States. Epidemiology, v. 8, p.3 90-395, 1997.

11. PENNA, M. L. F. Rede neural artificial para detecção de sobremortalidade atribuível à

cólera no Ceará. Rev. Saúde Pública, v. 38, p. 351-357, 2004.

12. RIO DE JANEIRO (Estado). Lei complementar nº 105, de 4 de julho de 2002. Diário

Oficial do Estado do Rio de Janeiro. Rio de Janeiro, RJ, 5 jul. 2002. Disponível em:

http://alerjln1.alerj.rj.gov.br/CONTLEI.NSF/a99e317a9cfec383032568620071f5d2/623fa9ce

62b1c36683256ca6005b080d?OpenDocument. Acesso em: 19 maio 2008.

13. LAGO, L.C. (org.) Como anda Rio de Janeiro. 1. ed. Rio de Janeiro: Letra Capital,

2008.

14. FUNDAÇÃO CENTRO DE INFORMAÇÕES E DADOS DO RIO DE JANEIRO. Rio de

Janeiro em dados. Rio de Janeiro; 2006. Disponível em:

http://www.cide.rj.gov.br/cide/download/RiodeJaneiroemDados.pdf Acesso em: 19 maio

2008.

15. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censos (1980, 1991,

2000), Contagem (1996) e Projeções intercensitárias (1981-2009), segundo faixa etária,

sexo e situação do domicílio. Brasil: Ministério do Planejamento, Orçamento e Gestão, 2010.

Disponível em: http://tabnet.datasus.gov.br/cgi/tabcgi.exe?ibge/cnv/popRJ.def Acesso em: 10

fev. 2010.

16. RIO DE JANEIRO (Estado). Superintendência de Vigilância em Saúde. Distribuição de

casos de dengue notificados 1986-2008 (mês x ano). Rio de Janeiro: Secretaria Estadual de

Saúde e Defesa Civil do Rio de Janeiro, 2009. Disponível em:

http://www.saude.rj.gov.br/Acoes/Dengue_estado.shtml. Acesso em: 8 mar. 2009.

17. RIO DE JANEIRO (Estado). Superintendência de Informação em Saúde. Sistema de

Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa Civil

do Rio de Janeiro, 2010.

18. BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Dengue: diagnóstico e

manejo clínico. 3.ed. Brasil: Ministério da Saúde; 2007.

49

19. ORGANIZAÇÃO MUNDIAL DE SAÚDE. Classificação estatística internacional de

doenças, lesões e causas de óbito – nona conferência de revisão. São Paulo: Centro

Brasileiro de Classificação de Doenças em Português, 1985.


doenças e problemas relacionados à saúde – 10ª revisão. São Paulo: Centro Colaborador da

OMS para a Classificação de Doenças em Português, 1995.

21. WORLD HEALTH ORGANIZATION. Translator. Ninth and tenth revisions. User’s

guide to electronic tables. International Classification of Diseases. Geneva, 1997.

Disponível em: http://whqlibdoc.who.int/icd/hq/1996/10_to_9.pdf Acesso em: 12 maio 2009.

22. BUCHALLA, C. M. et al.Avaliação do uso da Classificação Internacional de Doenças

para codificar a síndrome da imunodeficiência adquirida. Rev. Saúde Pública, v. 30, p. 479-

482, 1996.

23. SOUZA, M. V. P. Uma abordagem bayesiana para o cálculo dos custos operacionais

eficientes das distribuidoras de energia elétrica. 2008. Tese (Doutorado) – Departamento

de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro,

2008.

24. FRANCO, G. C.; GAMERMAN, D.; SANTOS, T. R. Modelos de espaço de estados:

abordagens clássica e Bayesiana. São Paulo: Associação Brasileira de Estatística, 2009.

25. SANTOS, T. R. Inferência sobre os hiperparâmetros em modelos estruturais sob as

perspectivas clássica e bayesiana. 2009. Dissertação (Mestrado) – Departamento de

Estatística, Universidade Federal de Minas Gerais, Belo Horizonte, 2009.

26. GAMERMAN, D.; LOPES, H. F. Markov chain Monte Carlo: Stochastic simulation

for bayesian inference. New York: Chapman & Hall/CRC, 2006.

27. SINDO, N. et al. A newly developed japanese pneumonia and influenza mortality

model and statistical analysis of excess mortality by stochastic frontier estimation.

Osaka: Institute of Social and Economic Research, 2000.

28. IMAZ, M. S. et al. Exceso de mortalidade asociada a influenza en Argentina 1992-2002.

Rev. Chil. Infect., v. 23, p. 297-306, 2006.

29. MACHADO, S. W. S. Gabinete de crise: gerenciamento de epidemia no Rio de Janeiro.

In: SEMINÁRIO INTERNACIONAL DE DEFESA CIVIL, 5, 2009, São Paulo. [Anais...].

São Paulo: DEFENCIL, 2009.

30.RODRIGUES, M. B.P. et al. É possível identificar a dengue em crianças a partir do

critério de caso suspeito preconizado pelo Ministério da Saúde? J. Pediatr. (Rio J.), v. 81, p.

209-215, 2005.

31. NUNES-ARAÚJO, F. R.; FERREIRA, M. S.; NISHIOKA, A. Dengue fever in brazilian

adults and children: assessment of clinical findings and their validity for diagnosis. Ann.

Trop. Méd. Parasitol., v. 97, p. 172-179, 2004.

50

32. FIGUEIREDO, L. T.; CAVALCANTE, S. M.; SIMÕES, M. C. Encuesta serológica sobre

el dengue entre escolares de Rio de Janeiro, Brasil, 1986 y 1987. Bol. Oficina Sanit. Panam.,

v. 111, p. 525-533, 1991.

33. KALAYANAROOJ, S. et al. Early clinical and laboratory indicators of acute dengue

illness. J. Infect. Dis., v. 176, p. 313-321, 1997.

34. TEERARATKUL, A. et al. Predictive value of clinical and laboratory findings for early

diagnosis of dengue and dengue hemorrhagic fever. Southest Asian J. Trop. Med. Public

Health, v. 21, p. 696-697, 1990.

35.GRAHAM, R. R. et al. A prospective seroepidemiologic study on dengue in children four

to nine years of age in Yogyakarta, Indonesia. Am. J Trop. Hyg., v. 61, p. 412-419, 1999.

36. GEROLOMO, M.; PENNA, M. L. F. Sobremortalidade por diarréia simultânea à cólera

na região nordeste do Brasil. Rev. Saúde Pública, v. 38, p. 517-521, 2004.

37. RAMCHURN, S. K. et al. Excess mortality as an epidemic intelligence tool in

chikungunya mapping. Euro. Surveill, v.13, p. ii-8039, 2008. Disponível em:

http://www.eurosurveillance.org/ViewArticle.aspx?ArticleId=8039. Acesso em: 12 maio

2009.

51

Anexos

Tabela 1: Distribuição dos casos notificados e dos períodos epidêmicos de dengue no Estado do Rio de Janeiro de 1986 a 2008 por mês de

ocorrência.

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

1 14074 302 123 55 34636 437 62 28 586 499 308 1554 667 289 3055 49280 1797 508 358 1920 3.229 17.604

2 16422 205 99 44 20036 357 50 23 7817 744 370 1917 835 318 7435 93016 2390 341 256 4515 6.261 25.319

3 15217 297 93 104 14783 244 300 77 16442 3673 289 8272 1770 612 11086 99861 1755 443 218 8036 14.225 86.034

4 1603 8182 143 213 1140 9903 91 43 14 7743 6873 158 11359 2437 923 19287 31642 1000 211 167 7685 15.019 90.945

5 13258 3696 116 160 2423 3565 90 18 20 2235 2866 100 2950 1459 1003 20596 7208 545 132 126 4153 11.050 24.543

6 8594 1129 86 88 2383 1290 80 8 23 124 738 75 528 319 392 8530 1672 263 76 157 1355 4.452 4.481

7 3611 351 31 48 2341 403 47 9 34 85 203 43 154 137 199 3386 985 140 84 115 626 2.293 1.495

8 793 58 77 19 779 217 38 17 20 65 82 37 85 113 150 1303 502 100 112 191 841 1.085 875

9 246 22 48 13 406 249 39 24 16 21 75 47 55 96 102 657 272 104 128 146 326 847 663

10 181 21 20 23 399 191 66 20 23 20 53 28 57 83 95 931 522 159 159 189 337 1.262 945

11 426 74 67 83 2798 242 91 34 6 53 127 67 122 63 96 926 1522 415 192 267 423 2.777 1.421

12 3795 109 58 182 6813 376 78 38 3 49 292 782 5329 1104 102 3023 1763 574 308 390 837 4.053 1.493

Total 32507 59355 1450 1144 19685 85891 1658 623 287 35240 16225 2304 32382 9083 4281 80215 288245 9242 2694 2580 31054 66553 255818

Mês

Ano

Fonte: SUPERINTENDÊNCIA DE VIGILÂNCIA EM SAÚDE. Distribuição de casos de dengue notificados 1986-2008 (mês x ano). Rio de Janeiro: Secretaria Estadual

de Saúde e Defesa Civil do Rio de Janeiro, 2009. Disponível em: http://www.saude.rj.gov.br/Acoes/Dengue_estado.shtml. Acesso em: 8 mar. 2009.

Meses epidêmicos de dengue

http://www.saude.rj.gov.br/Acoes/Dengue_estado.shtml

52

Faixa etária: menor de 15 anos de idade

Faixa etária: 15 anos ou mais de idade

Figura 1: Histogramas para as amostras finais de cada parâmetro do modelo dinâmico

Poisson ajustado aos dados de óbitos por dengue e doenças infecciosas que fazem parte do seu


entre 01/01/1986 a 31/12/2006, por faixa etária.

Nota: As linhas pontilhadas referem-se ao intervalo de credibilidade de 95%. O β1 é a

componente relacionada à variável indicadora de epidemia. O β2 e o β3 são as componentes

sazonais. O ω é o parâmetro que possui o papel de aumentar a variância devido à passagem do

tempo.

53



Figura 2: Histogramas para as amostras finais de cada parâmetro do modelo dinâmico

Poisson ajustado aos dados de óbitos por dengue e doenças infecciosas que fazem parte do seu


entre 01/01/1986 a 31/12/2007, por faixa etária.

Nota: As linhas pontilhadas referem-se ao intervalo de credibilidade de 95%. O β1 é a

componente relacionada à variável indicadora de epidemia. O β2 e o β3 são as componentes

sazonais. O ω é o parâmetro que possui o papel de aumentar a variância devido à passagem do

tempo.

54



Figura 3: Óbitos mensais por dengue e doenças infecciosas que fazem parte do seu

diagnóstico diferencial observados e esperados, em residentes da Região Metropolitana do

Rio de Janeiro, no ano de 2007, por faixa etária.

55



Figura 4: Óbitos mensais por dengue e doenças infecciosas que fazem parte do seu

diagnóstico diferencial observados e esperados, em residentes da Região Metropolitana do

Rio de Janeiro, no ano de 2008, por faixa etária.

56

TERCEIRO CAPÍTULO

Considerações Finais

Os resultados obtidos apontam para a ocorrência de sobremortalidade em residentes da

Região Metropolitana do Rio de Janeiro menores de 15 anos de idade e para a possibilidade

de sua detecção por meio dos dados mensais de óbitos.

Considerando que o aumento na mortalidade deve ser precedido por um incremento na

morbidade,89

pode-se supor que, em março de 2008, houve um excesso de mortalidade por

dengue em crianças menores de 15 anos de idade que residem na Região Metropolitana do

Rio de Janeiro.

Outros fatores que reforçam esta hipótese são: a dificuldade no diagnóstico precoce dos

casos de febre hemorrágica do dengue (FHD), 5 o elevado número de internações por dengue

em crianças menores de 15 anos de idade 21

e de indivíduos suscetíveis à doença, e a

desestruturação dos serviços básicos de saúde. 101

Além disso, na infância é difícil diferenciar o dengue de outras doenças febris agudas e a

maioria das infecções por dengue é assintomática ou oligossintomática. 102,103

Um inquérito

realizado no Rio de Janeiro verificou sorologia positiva para dengue em 33% dos escolares,

apesar de os pais informarem que eles não tinham tido a doença. 104

Pesquisa com crianças

tailandesas com rubor facial e febre indiferenciada de curta duração diagnosticou dengue em

35% dos casos. 105

Em investigação anterior, realizada em período epidêmico, essa taxa foi de

90%. 106

No Paquistão, a freqüência de dengue em indivíduos entre 4 e 9 anos de idade, com

febre de curta duração sem etiologia definida foi de 26%.107

Também pode ser destacada a dificuldade no diagnóstico de dengue com base no critério

de definição de caso suspeito de dengue preconizado pelo Ministério da Saúde. Estudo

transversal realizado em uma unidade hospitalar de Minas Gerais, Brasil, com pacientes até

12 anos de idade apresentando doença febril aguda sem etiologia definida, identificou que se

o diagnóstico fosse baseado nesse critério, quase metade das crianças com dengue não teriam

sido identificadas.102

57

Outro resultado que merece atenção e que pode ser um objeto interessante de investigação

é a redução do número de óbitos por dengue e doenças infecciosas que fazem parte do seu

diagnóstico diferencial em abril de 2008, mês com maior número de casos de dengue do

período de 2007-2008.

Talvez essa redução seja um reflexo da intensificação das ações de controle do dengue que

foram iniciadas no final de março de 2008. Neste momento, foi instalado um Gabinete de

Crise integrado pelos três níveis de governo em parceria com as Forças Armadas e a Defesa

Civil. Dentre as atividades que foram desencadeadas, destacam-se: o mapeamento e a

organização das ações de atenção à saúde da população segundo um novo fluxograma para o

atendimento dos pacientes com suspeita de dengue; a ampliação do horário de funcionamento

dos postos de saúde do município do Rio de Janeiro, que passaram a funcionar 24 horas por

dia; a contratação de pessoal em caráter emergencial; a expansão de leitos em hospitais

federais, estaduais e municipais e na rede privada contratada do Sistema Único de Saúde; a

criação de uma central de regulação de leitos de dengue com o objetivo de coordenar a

reserva dos leitos para os casos graves; a implantação de centros de hidratação oral ou venosa

e de postos de triagem dos doentes; a montagem de um sistema de transporte de pacientes; o

estímulo a doação de sangue, com implantação de ônibus de coleta volante; as campanhas de

mobilização da sociedade no combate ao mosquito; a manutenção dos bombeiros no combate

aos criadouros; os mutirões de combate aos focos e treinamento dos agentes de saúde para

operarem as máquinas de desinfestação 101

e a ampla divulgação de informações sobre a

doença na mídia.

Apesar de a técnica de sobremortalidade ser uma ferramenta útil para o aumento da

sensibilidade do sistema de vigilância, quando os recursos são limitados, é necessário que haja

confirmação diagnóstica para afirmar que houve excesso de mortalidade por dengue.

Uma investigação, com recodificação das causas de morte, nos prontuários, boletins de

emergência ou qualquer outro tipo de registro do atendimento do caso das crianças que

evoluíram para o óbito pelos agravos estudados, em março de 2008, poderia ser realizada para

identificar se a causa básica do óbito declarada era dengue.

Independente da confirmação desta hipótese, há evidências da importância dos pediatras

estarem sempre atentos para os sinais e sintomas do dengue durante a consulta médica para

58

um diagnóstico e tratamento adequado, especialmente nos períodos de maior incidência da

doença.

O método de sobremortalidade é uma estratégia de monitorização 50

que pode ser utilizada

em tempo real, durante uma epidemia, se os dados de mortalidade estiverem disponíveis de

forma oportuna, ou após o final destes eventos. 108

Permite que haja a identificação precoce de

alterações das condições de saúde da população pelas autoridades sanitárias, 50

possibilitando,

desta forma, que medidas de saúde pública possam ser reforçadas em processos epidêmicos.

59

Referências Bibliográficas

1. KOURÍ, G. El dengue, un problema creciente de salud en las Americas. Rev. Panam.

Salud Publica, v. 19, p. 143-145, 2006.

2. GUZMÁN, M. G.; GARCIA, G.; KOURÍ, G. Dengue and dengue hemorrhagic fever:

research priorities. Rev. Panam. Salud Publica, v. 19, p. 204-215, 2006.

3. RIBEIRO, A. F.; MARQUES GRAM VOLTOLINI, J. C.; CONDINO, M. L. F.

Associação entre incidência de dengue e variáveis climáticas. Rev. Saúde Pública, v. 40, p.

671-676, 2006.

4. BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Doenças infecciosas e

parasitárias: guia de bolso. Brasília: Ministério da Saúde, 2008.

5. BANDYOPADHYAY, S.; LUM, L. C. S.; KROEGER, A. Classifying dengue: a review of

the difficulties in using the WHO case classification for dengue hemorrhagic fever. Trop.

Med. Int. Health, v. 11, p. 1238-1255, 2006.

6. WORLD HEALTH ORGANIZATION. Dengue: guideline for diagnosis, treatment,

prevention and control. Switzerland, 2009. Disponível em:

http://whqlibdoc.who.int/publications/2009/9789241547871_eng.pdf. Acesso em: 14 fev.

2010.

7. TORRES, E. M. Dengue. Estud. Av., v. 22, p. 33-52, 2008.

8. ALMEIDA, M. C. M. et al. Dinâmica intra-urbana das epidemias de dengue em Belo

Horizonte, Minas Gerais, Brasil, 1996-2002. Cad. Saúde Pública, v. 24, p. 2385-2395, 2008.

9. ALMEIDA, M.C.M. et al. Spatial vulnerability to dengue in a brazilian urban during a 7-

year surveillance. J. Urban. Health, v. 84, p. 334-345, 2007.

10. CASALI, C. G. et al. A epidemia de dengue/dengue hemorrágico no município do Rio de

Janeiro, 2001/2002. Rev. Soc. Bras. Méd. Trop., v. 37, p. 296-299, 2004.

11. MONDINI, A.; CHIARAVALLOTI JÚNIOR, F. Variáveis socioeconômicas e a

transmissão de dengue. Rev. Saúde Pública, v. 41, p. 923-930, 2007.

12. DORNAS, J. E. Sobremortalidade durante a epidemia de dengue na cidade do Rio de

Janeiro 2008. Dissertação (Mestrado) - Instituto de Medicina Social, Universidade do Estado

do Rio de Janeiro, Rio de Janeiro, 2008.

13. WORLD HEALTH ORGANIZATION. Fact sheet nº 117. Dengue and dengue

hemorrhagic fever. Switzerland, 2008. Disponível em:

http://www.who.int/mediacentre/factsheets/fs117/en/print.html. Acesso em: 14 dez. 2008.

60

14. PAN-AMERICAN HEALTH ORGANIZATION. Number of reported cases of dengue

and dengue hemorrhagic fever (DHF) in the Americas, by country: figures for 2007 (to

week noted by each country). Republic of Trinidad and Tobago, 2008. Disponível em:

http://www.paho.org/english/ad/dpc/cd/dengue-cases-2007.htm. Acesso em: 14 dez. 2008.

15. PAN-AMERICAN HEALTH ORGANIZATION. Number of reported cases of dengue

and dengue hemorrhagic fever (DHF) in the Americas, by country: figures for 2008 (to

week noted by each country). Republic of Trinidad and Tobago, 2008. Disponível em:

http://www.paho.org/english/ad/dpc/cd/dengue-cases-2008.htm. Acesso em: 14 dez. 2008.

16. CÂMARA, F. P . et al. Estudo retrospectivo (histórico) da dengue no Brasil:

características regionais e dinâmicas. Rev. Soc. Bras. Med. Trop., v. 40, p. 192-196, 2007.

17.BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Informe

epidemiológico da dengue, janeiro a novembro de 2008. Brasil: Ministério da Saúde; 2009.

Disponível em: http://portal.saude.gov.br/portal/saude/Gestor/area.cfm?id_area=962# Acesso

em: 9 mar. 2009.

18. FIGUEIREDO, R. M. P. et al. Dengue virus type 4, Manaus, Brazil. Emerg. Infect. Dis.,

v. 14, p. 667-669, 2008.

19. MEDRONHO, R. A. Dengue no Brasil: desafios para o seu controle. Cad. Saúde

Pública, v. 24, p. 948-949, 2008.

20. TEIXEIRA, T. R. A.; MEDRONHO, R. A. Indicadores sócio-demográficos e a epidemia

de dengue em 2002 no estado do Rio de Janeiro, Brasil. Cad. Saúde Pública, v. 24, p. 2160-

2170, 2008.

21.RIO DE JANEIRO (Estado). Superintendência de Vigilância em Saúde. Distribuição de

casos de dengue notificados 1986-2008 (mês x ano). Rio de Janeiro: Secretaria Estadual de

Saúde e Defesa Civil do Rio de Janeiro, 2009. Disponível em:


22. RIO DE JANEIRO (Estado). Superintendência de Vigilância em Saúde. Histórico de

casos de notificados de dengue 1986-2008 (região/município). Rio de Janeiro: Secretaria

Estadual de Saúde e Defesa Civil do Rio de Janeiro; 2009. Disponível em:


23. RIO DE JANEIRO (Estado). Superintendência de Vigilância em Saúde. Relatório de

casos de dengue 2008 (18.02.2009 – 19h25m). Rio de Janeiro: Secretaria Estadual de Saúde

e Defesa Civil do Rio de Janeiro; 2009. Disponível em:


24. GAZE, R.; PEREZ, M. A. Vigilância epidemiológica. In: MEDRONHO, R.A. (ed.)

Epidemiologia. São Paulo: Atheneu, 2004. p.73-89.

25. GONÇALVES, V. F. Estimativa de subnotificação de casos de AIDS em Fortaleza,

Ceará – 2002 e 2003: uma aplicação da técnica de captura-recaptura. 2006. Dissertação

(Mestrado) - Departamento de Saúde Comunitária, Universidade Federal do Ceará, Fortaleza,

2006.

61

26. BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Guia de vigilância

epidemiológica. 6.ed. Brasília: Ministério da Saúde, 2005.

27. SANTOS, E. D.; GARRET, D. O. Avaliação do sistema de vigilância de hantavírus no

Brasil. Epidemiologia e Serviços de Saúde, v. 14, p. 15-31, 2005.

28. ANDRADE, R.A.M. et al. Vigilância epidemiológica. In: ANDRADE, S. M.; SOARES,

D. A.; CORDONI JR, L. (org.) Bases da Saúde Coletiva. Rio de Janeiro: ABRASCO, 2001.

p. 211-229.

29. GÓES, S. M. C. Relacionamento probabilístico entre bases de dados sobre

medicamentos e notificação: uma aplicação na vigilância epidemiológica hospitalar da

AIDS. 2003. Dissertação (Mestrado) - Núcleo de Estudos em Saúde Coletiva, Universidade

Federal do Rio de Janeiro, Rio de Janeiro, 2003.

30. BRANCO, M. A. F. Sistemas de informação em saúde no nível local. Cad. Saúde

Pública, v. 12, p. 267-270, 1996.

31. BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Sistema de

Informação de Agravos de Notificação – SINAN: normas e rotinas. Brasil: Ministério da

Saúde, 2007.

32. MENDES, A. C. G. et al. Avaliação do Sistema de Informações Hospitalares SIH/SUS

como fonte complementar na vigilância e monitoramento de doenças de notificação

compulsória. Informe Epidemiológico do SUS, v. 9, p. 67-86, 2000.

33. CRUZ, M. M., TOLEDO, L. M.; SANTOS, E. M. O sistema de informação da AIDS do

município do Rio de Janeiro: suas limitações e potencialidades enquanto instrumento da

vigilância epidemiológica. Cad. Saúde Pública, v. 19, p. 81-89, 2003.

34. LAGUARDIA, J. et al. Sistema de Informação de Agravos de Notificação (SINAN):

desafios no desenvolvimento de um sistema de informação em saúde. Epidemiologia e

Serviços de Saúde, v. 13, p. 135-147, 2004.

35. GLATT, R. Análise da qualidade da base de dados de AIDS do Sistema de

Informação de Agravos de Notificação (SINAN). 2005. Dissertação (Mestrado) - Escola

Nacional de Saúde Pública, Fundação Oswaldo Cruz, Rio de Janeiro, 2005.

36. FERREIRA, S. M.G. Principais sistemas de informação de abrangência nacional. In:

ASSOCIAÇÃO PAULISTA DE MEDICINA. SUS o que você precisa saber sobre o

Sistema Único de Saúde. 1ªed. São Paulo: Associação Paulista de Medicina, 2001. p. 35-45.

37. MOTA, E.; CARVALHO, D. M. Sistemas de informação em saúde. In: ROUQUAYROL,

M. Z.; ALMEIDA FILHO, N. Epidemiologia e saúde. 5.ed. Rio de Janeiro: Medsi, 1999. p.

505-521.

38. TOLEDO, A.L.A. et al. Confiabilidade do diagnóstico final de dengue na epidemia 2001-

2002 no município do Rio de Janeiro, Brasil. Cad. Saúde Pública, v. 22, p. 933-940, 2006.

62

39. SOUZA, I. C. A.; VIANNA, R. P. T.; MORAES, R. M. Modelagem da incidência do

dengue na Paraíba, Brasil, por meio de defasagem distribuída. Cad. Saúde Pública, v. 23, p.

2623-2630, 2007.

40. DUARTE, H. H. P.; FRANÇA, E. B. Qualidade dos dados da vigilância epidemiológica

da dengue em Belo Horizonte, MG. Rev. Saúde Pública, v. 40, p. 134-142, 2006.

41. OLIVEIRA, F. J. A forma grave de dengue no município do Rio de Janeiro: análise

dos dados registrados nos sistemas de informação do SUS entre 2001 e 2003. 2006.

Dissertação (Mestrado) - Escola Nacional de Saúde Pública, Fundação Oswaldo Cruz, Rio de

Janeiro, 2006.

42. MORAES, G. H.; DUARTE, E. C. Análise da concordância dos dados de mortalidade por

dengue em dois sistemas nacionais de informação em saúde, Brasil, 2000-2005. Cad. Saúde

Pública, v. 25, p. 2354-2364, 2009.

43. SOUZA, A. I.; NOGUEIRA, J. M. R.; PEREIRA, M. M. Anticorpos anti-leptospirose em

pacientes de Mato Grosso do Sul com suspeita clínica de dengue ou hepatite viral. Rev. Soc.

Bras. Med. Trop., v. 40, p. 431-435, 2007.

44. PENNA, M. L. F. Rede neural artificial para detecção de sobremortalidade atribuível à

cólera no Ceará. Rev. Saúde Pública, v. 38, p. 351-357, 2004.

45. MARIEL, G. C. Utilización de modelos ARIMA para la vigilancia de enfermedades

transmisibles. Rev. Cubana Salud Pública, v. 33, p. 0-0, 2007.

46. AGUIRRE, A.; GONZALEZ, E. Forecast of acute respiratory infections: expected

nonepidemic morbidity in Cuba. Mem. Inst. Oswaldo Cruz, v. 87, p. 433-436, 1992.

47. SIMONSEN, L. et al. A method for timely assessment of influenza-associated mortality in

the United States. Epidemiology, v. 8, p. 390-395, 1997.

48. SINDO, N. et al. A newly developed japanese pneumonia and influenza mortality

model and statistical analysis of excess mortality by stochastic frontier estimation.

Osaka: Institute of Social and Economic Research, 2000.

49. GEROLOMO, M. Cólera no Brasil: a sétima pandemia. 2002. Tese (Doutorado) -

Instituto de Medicina Social, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2002.

50. GEROLOMO, M.; PENNA, M. L. F. Sobremortalidade por diarréia simultânea à cólera

na região nordeste do Brasil. Rev. Saúde Pública, v. 38, p. 517-521, 2004.

51. MORRIS, R. D.; NAUMOVA, E. M.; MUNASINGHE, R. L. Ambient air pollution and

hospitalization for congestive heart failure among elderly people in seven large US cities.

Am. J. Public Health, v. 85, p. 1361-1365, 1995.

52. FARIAS, F. F. Análise e previsão de resultados de partidas de futebol 2008.

Dissertação (Mestrado) – Instituto de Matemática, Universidade Federal do Rio de Janeiro,

Rio de Janeiro, 2008.

63

53. VISMARA, L. S.; KARAM, D.; MORITA, L. H. M. Aplicação das inferências clássica e

bayesiana na estimação dos parâmetros do modelo de densidade populacional de plantas

daninhas. Planta Daninha, v. 25, p. 661-669, 2007.

54. PAULINO, C. D.; TURKMAN, M. A.; MURTEIRA, B. Estatística bayesiana. Lisboa:

Fundação Calouste Gulbenkiman, 2003.

55. VALLE, C. A. A. Métodos de simulação estocástica em modelos dinâmicos não

lineares: uma aplicação em modelos de volatilidade 2005. Tese (Doutorado) – Instituto de

Matemática, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2005.

56. LÔBO, C. S. Modelagem bayesiana da evolução da mortalidade por doenças

isquêmicas do coração no estado do Rio de Janeiro no período de 1980 a 2002. 2007.

Dissertação (Mestrado) – Instituto de Matemática, Universidade Federal do Rio de Janeiro,

Rio de Janeiro, 2007.

57. GAMERMAN, D. Simulação estocástica via cadeias de Markov. São Paulo:

Associação Brasileira de Estatística, 1996.

58. MIGON, H. S.; GAMERMAN, D. Statistical inference: an integrated approach. Londres:

Edward Arnold, 1999.

59. RIBEIRO, J. A. Inferência sobre os hiperparâmetros dos modelos estruturais usando

Bootstrap 2006. Dissertação (Mestrado) - Instituto de Ciências Exatas, Universidade Federal

de Minas Gerais, Belo Horizonte, 2006.

60. FRANCO, G. C.; GAMERMAN, D.; SANTOS, T. R. Modelos de espaço de estados:

abordagens clássica e bayesiana. São Paulo: Associação Brasileira de Estatística, 2009.

61. HOLT, C. C. Forecasting seasonal and trends by exponentially weighted moving

averages. ONR Research Memorandum 52, Carnegie Institute of Technology, Pittsburgh,

Pennsylvania, 1957.

62. WINTERS, P. R. Forecasting sales by exponentially weighted moving averages. Manage

Sci., v. 6, p. 324-342, 1960.

63. MUTH, J. F. Optimal properties of exponentially weighted forecasts. Am. Stat. Ass., v.

55, p. 299-305, 1960.

64. THEIL, H.; WAGE, S. Some observations on adaptive forecasting. Manage Sci., v. 10, p.

198-206, 1964.

65. NERVOLE, M.; WAGE, S. On the optimally of adaptative forecasting. Manage Sci., v.

10, p. 207-229, 1964.

66. HARRISON, P. J.; STEVENS, C. F. A bayesian approach to short-term forecasting.

Oper. Res. Q., v. 22, p. 341-362, 1971.

67. HARRISON, P. J.; STEVENS, C. F. Bayesian forecasting. J. R. Stat. Soc. Series B Stat.

Methodol., v. 38, p. 205-247, 1976.

64

68. BOX, G. E. P.; JENKINS, G. M. Time series analysis: forecasting and control, 2.ed. San

Francisco: Holden Day, 1976.

69. HARVEY, A. C. Forecasting, structural time series models and the Kalman filter.

Cambridge: University Press, 1989.

70. HARVEY, A. C. Time series models. Maylands: Prentice Hall, 1993.

71. WEST, M.; HARRISON, P. J. Monitoring and adaptation in bayesian forecasting models.

J. Am. Stat. Assoc., v. 81, p. 741-750, 1986.

72. WEST, M.; HARRISON, P. J.; MIGON, H. S. Dynamic generalized linear models and

bayesian forecasting. J. Am. Stat. Assoc., v. 80, p. 73-97, 1985.

73. WEST, M.; HARRISON, P. J.; POLE, A. S. BATS: a user guide bayesian analysis of

time series. Reino Unido: Statistics Department, University of Warwick, 1988.

74. KALMAN, R. E. A new approach to linear filtering and prediction problems. Trans.

ASME J. Basic. Eng., v. 82, p. 35-45, 1960.

75. WEST, M.; HARRISON, J. Bayesian forecasting and dynamic models. 2.ed. New

York: Springer-Verlag, 1997.

76. SOUZA, R. C. S. Modelos estruturais para previsão de séries temporais: abordagem

clássica e bayesiana. In: COLÓQUIO BRASILEIRO DE MATEMÁTICA, 17, 1989, Rio de

Janeiro. [Anais....]. Rio de Janeiro: IMPA, 1989.

77. PEREIRA, P. L. V.; MIGON, H. S. Procedimentos bayesiano e clássico em modelos

estruturais. Rio de Janeiro: ENCE, 1985.

78. PEREIRA, P. L.V.; MIGON, H. S. Modelagem estrutural: abordagens bayesiana e

clássica. Santa Maria: UFSM, 1986.

79. SMITH, R. L.; MILLER, J. E. A non-gaussian state space model and application to

prediction of records. J. R. Stat. Soc. Series B Stat. Methodol., v. 48, p. 79-88, 1986.

80. NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models. J. R. Stat. Soc.

Ser. A Stat. Soc., v. 135, p. 370-384, 1972.

81. HARVEY, A. C.; FERNANDES, C. Time series models for count or qualitative

observations. J. Bus. Econ. Stat., v. 7, p. 407-417, 1989.

82. LOURENÇO, O.; QUINTAL, P. L.; BARROS, P. P. A equidade na utilização de

cuidados de saúde em Portugal: uma avaliação em modelos de contagem. Notas econômicas,

p. 6-26, jun. 2007.

83. CARLOS, M. L. E. Uma investigação estatística de modelos para séries temporais de

dados de contagem: modelo GARMA e modelo Poisson gama em espaço de estado. 2006.

Dissertação (Mestrado) – Engenharia Elétrica, Pontifícia Universidade Católica do Rio de

Janeiro, Rio de Janeiro, 2006.

65

84. RIO DE JANEIRO (Estado). Lei complementar nº 105, de 4 de julho de 2002. Diário

Oficial do Estado do Rio de Janeiro. Rio de Janeiro, RJ, 5 jul. 2002. Disponível em:

http://alerjln1.alerj.rj.gov.br/CONTLEI.NSF/a99e317a9cfec383032568620071f5d2/623fa9ce

62b1c36683256ca6005b080d?OpenDocument. Acesso em: 19 maio 2008.

85. LAGO, L.C. (org.) Como anda Rio de Janeiro. 1.ed. Rio de Janeiro: Letra Capital, 2008.

86. FUNDAÇÃO CENTRO DE INFORMAÇÕES E DADOS DO RIO DE JANEIRO. Rio de

Janeiro em Dados. Rio de Janeiro; 2006. Disponível em:

http://www.cide.rj.gov.br/cide/download/RiodeJaneiroemDados.pdf Acesso em: 19 maio

2008.

87. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censos (1980, 1991,

2000), Contagem (1996) e Projeções Intercensitárias (1981-2009), segundo faixa etária,

sexo e situação do domicílio. Brasil: Ministério do Planejamento, Orçamento e Gestão, 2010.

Disponível em: http://tabnet.datasus.gov.br/cgi/tabcgi.exe?ibge/cnv/popRJ.def Acesso em: 10

fev. 2010.

88. RIO DE JANEIRO (Estado). Superintendência de Informação em Saúde. Sistema de

Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa Civil

do Rio de Janeiro, 2010.

89. IMAZ, M.S. et al. Exceso de mortalidade asociada a influenza en Argentina 1992-2002.

Rev. Chil. Infect., v. 23, p. 297-306, 2006.

90. BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Dengue: diagnóstico e

manejo clínico. 3.ed. Brasil: Ministério da Saúde; 2007.

91. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Municípios criados e

instalados. Brasil: Ministério do Planejamento, Orçamento e Gestão, 2007. Disponível em:

ftp://geoftp.ibge.gov.br/Organizacao/ Acesso em: 17 nov. 2008.


doenças, lesões e causas de óbito – nona conferência de revisão. São Paulo: Centro

Brasileiro de Classificação de Doenças em Português, 1985.


doenças e problemas relacionados à saúde – 10ª revisão. São Paulo: Centro Colaborador da

OMS para a Classificação de Doenças em Português, 1995.

94. WORLD HEALTH ORGANIZATION. Translator. Ninth and tenth revisions. User’s

guide to electronic tables. International Classification of Diseases. Geneva, 1997.

Disponível em: http://whqlibdoc.who.int/icd/hq/1996/10_to_9.pdf Acesso em: 12 maio 2009.

95. BUCHALLA, C.M. et al.Avaliação do uso da Classificação Internacional de Doenças para

codificar a síndrome da imunodeficiência adquirida. Rev. Saúde Pública, v. 30, p. 479-482,

1996.

96. SANTO, A. H. Equivalência entre revisões da classificação internacional de doenças:

causas de morte. Rev. Saúde Pública, v. 34, p. 21-28, 2000.

66

97. SOUZA, M.V.P. Uma abordagem bayesiana para o cálculo dos custos operacionais

eficientes das distribuidoras de energia elétrica. 2008. Tese (Doutorado) – Departamento

de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro,

2008.

98. SANTOS, T.R. Inferência sobre os hiperparâmetros em modelos estruturais sob as

perspectivas clássica e bayesiana. 2009. Dissertação (Mestrado) – Departamento de

Estatística, Universidade Federal de Minas Gerais, Belo Horizonte, 2009.

99. GAMERMAN, D.; LOPES, H. F. Markov Chain Monte Carlo: stochastic simulation for

bayesian inference. New York: Chapman & Hall/CRC, 2006.

100. BRASIL. Resolução CNS 196/96, de 10 de outubro de 1996. Diário Oficial da União,

Brasília, df, 16 out.1996. Seção 1, p.21082.

101. . MACHADO, S. W. S. Gabinete de crise: gerenciamento de epidemia no Rio de Janeiro.

In: SEMINÁRIO INTERNACIONAL DE DEFESA CIVIL, 5, 2009, São Paulo. [Anais...].

São Paulo: DEFENCIL, 2009.

102. RODRIGUES, M.B.P. et al. É possível identificar a dengue em crianças a partir do

critério de caso suspeito preconizado pelo Ministério da Saúde? J. Pediatr. (Rio J.), v. 81, p.

209-215, 2005.

103. NUNES-ARAÚJO, F. R.; FERREIRA, M. S.; NISHIOKA, A. Dengue fever in brazilian

adults and children: assessment of clinical findings and their validity for diagnosis. Ann.

Trop. Med. Parasitol., v. 97, p. 172-179, 2004.

104. FIGUEIREDO, L. T.; CAVALCANTE, S. M.; SIMÕES, M. C. Encuesta serológica

sobre el dengue entre escolares de Rio de Janeiro, Brasil, 1986 y 1987. Bol. Oficina Sanit.

Panam., v. 111, p. 525-533, 1991.

105. KALAYANAROOJ, S. et al. Early clinical and laboratory indicators of acute dengue

illness. J. Infect. Dis., v. 176, p. 313-321, 1997.

106. TEERARATKUL, A. et al. Predictive value of clinical and laboratory findings for early

diagnosis of dengue and dengue hemorrhagic fever. Southest Asian J. Trop. Med. Public

Health, v. 21, p. 696-697, 1990.

107.GRAHAM, R.R. et al. A prospective seroepidemiologic study on dengue in children four

to nine years of age in Yogyakarta, Indonesia. Am. J. Trop. Hyg., v. 61, p. 412-419, 1999.

108. RAMCHURN, S. K. et al. Excess mortality as an epidemic intelligence tool in

chikungunya mapping. Euro. Surveill, v.13, p. ii-8039, 2008. Disponível em:

http://www.eurosurveillance.org/ViewArticle.aspx?ArticleId=8039. Acesso em: 12 maio

2009.

67

Anexos

1. Tabelas

TABELA 1: Municípios da região metropolitana do Estado do Rio de Janeiro criados e

instalados.

Nome do município Lei Data da Criação Data da instalação Nome da província Nome da província 2

Belford Roxo 1640 03/04/1990 01/01/1993 Nova Iguaçu

Duque de Caxias 1055 31/12/1943 01/01/1944 Nova Iguaçu

Guapimirim 1772 21/12/1990 01/01/1993 Magé

Itaboraí 0 15/01/1933 01/01/1939

Itaguaí 0 01/01/1939

Japeri 1902 02/12/1991 01/01/1993 Nova Iguaçu

Magé 965 01/01/1939

Mangaratiba 0 01/01/1939

Maricá 0 01/01/1939

Mesquita 3253 25/09/1999 01/01/2001 Nova Iguaçu

Nilópolis 6 11/08/1947 11/08/1947 Nova Iguaçu

Niterói 6 01/01/1939

Nova Iguaçu 0 01/01/1939

Paracambi 4426 08/08/1960 13/11/1960 Itaguaí Vassouras

Queimados 1773 21/12/1990 01/01/1993 Nova Iguaçu

Rio de Janeiro 0 15/03/1975 Rio de Janeiro

São Gonçalo 124 01/01/1939

São João de Meriti 6 11/08/1947 11/08/1947 Duque de Caxias

Seropédica 2446 12/10/1995 01/01/1997 Itaguaí

Tanguá 2496 28/12/1995 01/01/1997 Itaboraí

Nota: Além dos 16 municípios que compõem a Região Metropolitana (Lei Complementar nº105, de 2002), foram incluídos os municípios de Itaguaí, Maricá, Mesquita e Mangartiba tendo em vista a forte relação destes

com a dinâmica metropolitana.

Fonte: INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Municípios criados e instalados.

Brasil: Ministério do Planejamento, Orçamento e Gestão, 2007. Disponível em:

ftp://geoftp.ibge.gov.br/Organizacao/ Acesso em: 17 nov. 2008.

ftp://geoftp.ibge.gov.br/Organizacao/

68

TABELA 2: Conversão da 9ª Revisão da Classificação Internacional de Doenças (CID-9) para

a 10ª Revisão da Classificação Internacional de Doenças (CID 10) do dengue e das doenças

infecciosas que fazem parte do seu diagnóstico diferencial.

CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10

0020 A010 0381 A410 0871 A680 3232 A803 0788 A881 0651 A981 0578 B04

0021 A011 0381 A411 0870 A681 0452 A804 0498 A888 0652 A982 0550 B050

0022 A012 0381 A412 0871 A681 3232 A804 048X A888 0788 A983 0557 B051

0023 A013 0388 A413 0871 A689 0450 A809 0499 A89 0658 A984 0551 B052

0029 A014 0383 A414 0879 A689 0452 A809 061X A89 0786 A985 4809 B052

0030 A020 0384 A415 0782 A748 0459 A809 061X A90 0658 A988 0552 B053

0081 A020 0388 A418 0788 A748 3232 A809 0654 A91 0659 A99 0557 B054

0031 A021 0389 A419 0788 A749 0620 A830 0654 A920 0540 B000 0557 B058

0032 A022 7855 A419 0819 A750 0621 A831 0663 A920 0547 B001 0558 B058

0038 A028 0398 A427 0879 A750 0622 A832 0663 A921 0549 B001 0559 B059

0039 A029 0390 A428 080X A750 0623 A833 0662 A922 0542 B002 0560 B060

0086 A080 0398 A428 0811 A751 0624 A834 0663 A923 0547 B002 0567 B068

0086 A081 0399 A429 0810 A752 0625 A835 0663 A924 0547 B003 0568 B068

0788 A081 0390 A431 0812 A753 0628 A836 0654 A928 0543 B004 0569 B069

0086 A082 0398 A438 0819 A759 0628 A838 0663 A928 0544 B005 0510 B080

0086 A083 0399 A439 080X A759 0629 A839 0668 A928 0545 B007 0511 B080

0088 A084 4828 A481 0820 A770 0630 A840 0663 A929 0546 B008 0512 B080

0088 A085 0408 A482 0828 A770 0632 A841 0663 A930 0547 B008 0519 B080

1000 A270 7855 A483 0821 A771 0631 A848 0660 A931 0548 B008 0578 B082

1008 A278 0408 A484 0822 A772 0638 A848 0748 A931 0549 B009 0570 B083

1008 A279 0390 A488 0823 A773 0639 A849 0661 A932 052X B010 0743 B084

1009 A279 0399 A488 0830 A773 048X A850 0653 A938 052X B011 0740 B085

0341 A38 0401 A488 0820 A778 0498 A851 0658 A938 052X B012 0578 B088

0360 A390 0403 A488 0820 A779 064X A852 0660 A938 052X B018 0748 B088

0363 A391 0408 A488 0829 A779 0498 A858 0661 A938 052X B019 0784 B088

0362 A392 0411 A490 0830 A78 0498 A86 0668 A938 0531 B020 0788 B088

0362 A393 0410 A491 0831 A790 0499 A86 0888 A938 0530 B021 0569 B09

0362 A394 0412 A491 0832 A791 0799 A86 0659 A94 0531 B022 0579 B09

0364 A395 0415 A492 0838 A798 048X A86 0669 A94 0537 B022 0700 B150

0360 A398 0418 A493 0839 A799 0470 A870 0889 A94 0532 B023 0701 B159

0361 A398 0413 A498 0451 A800 0471 A870 0600 A950 3501 B023 0702 B160

0368 A398 0414 A498 3232 A800 0478 A870 0601 A951 0537 B027 0703 B161

0369 A399 0416 A498 0451 A801 0479 A870 0609 A959 0537 B028 0702 B162

0380 A400 0417 A498 3232 A801 0491 A871 0787 A960 0538 B028 0703 B169

0380 A401 0418 A498 0451 A802 0490 A872 0787 A961 0539 B029 0705 B170

0380 A402 0419 A499 3232 A802 0479 A878 0788 A962 0500 B03 0704 B171

0382 A403 7907 A499 0450 A803 0669 A878 0787 A968 0501 B03 0705 B171

0380 A408 0547 A601 0451 A803 0479 A879 0787 A969 0502 B03 0704 B172

0380 A409 0870 A680 0459 A803 048X A880 0650 A980 0509 B03 0705 B172

Fonte: WORLD HEALTH ORGANIZATION. Translator. Ninth and Tenth Revisions. User’s Guide to

electronic tables. International Classification of Diseases. Geneva, 1997. Disponível em:

http://whqlibdoc.who.int/icd/hq/1996/10_to_9.pdf Acesso em: 12/05/2009.

http://whqlibdoc.who.int/icd/hq/1996/10_to_9.pdf

69

TABELA 2 (Continuação): Conversão da 9ª Revisão da Classificação Internacional de

Doenças (CID-9) para a 10ª Revisão da Classificação Internacional de Doenças (CID 10) do

dengue e das doenças infecciosas que fazem parte do seu diagnóstico diferencial.

CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10 CID 9 CID 10

0704 B178 0788 B341 0842 B529 0415 B963 3215 G020 3488 G060 483X J168

0705 B178 0791 B341 0845 B529 0416 B964 3216 G020 3241 G061 4843 J170

0702 B180 0792 B341 0843 B530 0417 B965 3217 G020 3209 G062 4844 J170

0703 B180 0798 B342 0845 B530 0418 B966 3218 G028 3249 G062 4845 J170

0702 B181 0798 B343 0844 B531 0418 B967 0479 G030 3207 G07 4848 J170

0703 B181 0798 B344 0844 B538 0418 B968 3220 G030 3234 G07 4840 J171

0704 B182 0793 B348 0846 B54 0790 B970 3229 G032 3240 G07 4841 J171

0705 B182 0798 B348 0847 B54 0791 B971 3229 G038 3241 G07 4848 J171

0704 B188 0788 B349 0849 B54 0792 B971 9970 G038 3249 G07 4846 J172

0705 B188 0799 B349 1368 B600 0798 B971 3229 G039 3363 G07 4847 J172

0706 B189 7908 B349 1368 B601 0798 B972 9970 G039 3488 G07 4848 J173

0709 B189 0394 B470 1368 B608 0798 B973 1369 G040 3492 G07 4842 J178

0706 B190 0399 B470 1368 B64 0798 B974 3235 G040 1369 G361 4848 J178

0709 B199 1174 B470 1369 B64 0798 B975 3200 G042 0498 G933 5171 J178

0785 B250 0394 B471 1338 B880 0798 B976 3201 G042 - J09 4661 J180

0785 B251 0399 B471 1339 B880 0798 B977 3202 G042 4870 J100 485X J180

0785 B252 0394 B479 1341 B880 0793 B978 3203 G042 4871 J101 481X J181

0498 B258 0398 B479 1341 B881 0798 B978 3208 G042 4878 J108 486X J182

0785 B258 0399 B479 1341 B882 0799 B978 3209 G042 4870 J110 514X J182

0785 B259 0840 B500 1341 B888 1368 B99 1369 G048 4871 J111 486X J188

075X B270 0845 B500 1348 B888 1369 B99 3202 G048 4878 J118 486X J189

075X B271 0849 B500 1368 B888 3314 B99 3238 G048 4800 J120 4661 J210

075X B278 0840 B508 1339 B889 3200 G000 3240 G048 4801 J121 4661 J218

075X B279 0845 B508 1349 B889 3201 G001 3229 G049 4802 J122 4661 J219

0748 B303 0848 B508 1368 B89 3202 G002 3239 G049 4808 J128 4660 J22

0774 B303 0840 B509 1369 B89 3203 G003 3570 G049 4809 J129 4848 J998

0741 B330 0845 B509 3314 B89 3208 G008 3204 G050 481X J13 0390 L081

0788 B330 0849 B509 0410 B950 3209 G009 3205 G050 4822 J14 7855 R570

0788 B331 0841 B510 0410 B951 3204 G01 3207 G050 4820 J150 7855 R571

0742 B332 0845 B510 0410 B952 3205 G01 3208 G050 4821 J151 7855 R578

0799 B332 0841 B518 0412 B953 3207 G01 3234 G050 4824 J152 7855 R579

0788 B333 0845 B518 0410 B954 3208 G01 3216 G051 4823 J153 7907 R788

0798 B333 0841 B519 0410 B955 3217 G01 3233 G051 4823 J154 - U04

- B334 0845 B519 0411 B956 3218 G01 3234 G051 4828 J155 - U049

0625 B338 0842 B520 0411 B957 3249 G01 3236 G051 4828 J156

0748 B338 0845 B520 0411 B958 3211 G020 3234 G052 483X J157

0788 B338 0849 B520 0418 B960 3212 G020 3234 G058 4828 J158

0790 B340 0842 B528 0413 B961 3213 G020 3238 G058 4829 J159

0748 B341 0845 B528 0414 B962 3214 G020 3240 G060 483X J160

Fonte: WORLD HEALTH ORGANIZATION. Translator. Ninth and Tenth Revisions. User’s Guide to

electronic tables. International Classification of Diseases. Geneva, 1997. Disponível em:

http://whqlibdoc.who.int/icd/hq/1996/10_to_9.pdf Acesso em: 12/05/2009.

http://whqlibdoc.who.int/icd/hq/1996/10_to_9.pdf

70

TABELA 3: Distribuição dos casos notificados e dos períodos epidêmicos de dengue no Estado do Rio de Janeiro de 1986 a 2008 por mês de

ocorrência.

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

1 14074 302 123 55 34636 437 62 28 586 499 308 1554 667 289 3055 49280 1797 508 358 1920 3.229 17.604

2 16422 205 99 44 20036 357 50 23 7817 744 370 1917 835 318 7435 93016 2390 341 256 4515 6.261 25.319

3 15217 297 93 104 14783 244 300 77 16442 3673 289 8272 1770 612 11086 99861 1755 443 218 8036 14.225 86.034

4 1603 8182 143 213 1140 9903 91 43 14 7743 6873 158 11359 2437 923 19287 31642 1000 211 167 7685 15.019 90.945

5 13258 3696 116 160 2423 3565 90 18 20 2235 2866 100 2950 1459 1003 20596 7208 545 132 126 4153 11.050 24.543

6 8594 1129 86 88 2383 1290 80 8 23 124 738 75 528 319 392 8530 1672 263 76 157 1355 4.452 4.481

7 3611 351 31 48 2341 403 47 9 34 85 203 43 154 137 199 3386 985 140 84 115 626 2.293 1.495

8 793 58 77 19 779 217 38 17 20 65 82 37 85 113 150 1303 502 100 112 191 841 1.085 875

9 246 22 48 13 406 249 39 24 16 21 75 47 55 96 102 657 272 104 128 146 326 847 663

10 181 21 20 23 399 191 66 20 23 20 53 28 57 83 95 931 522 159 159 189 337 1.262 945

11 426 74 67 83 2798 242 91 34 6 53 127 67 122 63 96 926 1522 415 192 267 423 2.777 1.421

12 3795 109 58 182 6813 376 78 38 3 49 292 782 5329 1104 102 3023 1763 574 308 390 837 4.053 1.493

Total 32507 59355 1450 1144 19685 85891 1658 623 287 35240 16225 2304 32382 9083 4281 80215 288245 9242 2694 2580 31054 66553 255818

Mês

Ano

Fonte: SUPERINTENDÊNCIA DE VIGILÂNCIA EM SAÚDE. Distribuição de casos de dengue notificados 1986-2008 (mês x ano). Rio de Janeiro: Secretaria Estadual

de Saúde e Defesa Civil do Rio de Janeiro, 2009. Disponível em: http://www.saude.rj.gov.br/Acoes/Dengue_estado.shtml. Acesso em: 8 mar. 2009.


http://www.saude.rj.gov.br/Acoes/Dengue_estado.shtml

71

TABELA 4: Distribuição dos óbitos por dengue e doenças infecciosas que fazem parte do seu diagnóstico diferencial ocorridos em residentes

menores de 15 anos de idade da Região Metropolitana do Rio de Janeiro e dos períodos epidêmicos de dengue no Estado do Rio de Janeiro de

1986 a 2008 por mês de ocorrência.

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

1 135 184 168 173 146 61 99 105 104 94 92 64 58 68 52 31 40 39 32 31 26 25 43

2 157 158 183 173 97 59 83 86 82 63 86 60 72 47 34 39 38 30 35 26 22 30 42

3 154 175 179 203 126 73 91 92 98 79 100 68 85 64 52 47 33 36 44 33 32 27 67

4 199 209 185 200 141 96 86 92 102 69 104 75 89 57 54 33 30 26 52 33 40 24 48

5 270 205 258 177 222 95 124 91 129 111 112 83 87 68 67 47 36 45 39 50 48 33 38

6 296 203 313 175 166 100 139 143 158 140 107 88 73 52 57 41 48 53 34 47 45 28 34

7 250 156 248 190 145 106 129 127 143 102 106 98 71 58 44 56 61 46 36 48 38 40 23

8 160 154 213 168 130 99 89 114 114 100 92 75 56 58 45 39 40 31 39 36 41 37 23

9 157 135 153 115 103 101 83 124 127 78 83 70 46 55 32 33 35 43 37 21 32 33 31

10 180 147 163 153 106 88 79 107 117 80 78 71 51 62 49 39 36 33 36 38 23 37 23

11 171 128 167 148 80 76 92 115 84 90 74 66 50 50 35 48 43 37 39 25 22 28 25

12 163 144 136 136 87 88 86 119 106 88 72 87 49 59 51 40 45 35 37 27 27 41 20

Total 2292 1998 2366 2011 1549 1042 1180 1315 1364 1094 1106 905 787 698 572 493 485 454 460 415 396 383 417

Mês

Ano

Fonte: SUPERINTENDÊNCIA DE INFORMAÇÃO EM SAÚDE. Sistema de Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa Civil

do Rio de Janeiro, 2010. Dados atualizados em 03/2010.


72

TABELA 5: Distribuição dos óbitos por dengue e doenças infecciosas que fazem parte do seu diagnóstico diferencial ocorridos em residentes com

15 ou mais anos de idade da Região Metropolitana do Rio de Janeiro e dos períodos epidêmicos de dengue no Estado do Rio de Janeiro de 1986

a 2008 por mês de ocorrência.

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

1 292 363 497 270 302 318 316 350 300 427 382 320 407 302 309 341 421 413 455 430 483 475 608

2 254 313 371 293 219 268 294 281 422 301 331 291 464 314 240 299 399 463 417 384 434 527 511

3 234 327 311 279 250 259 277 341 329 374 324 280 392 332 268 315 483 388 479 463 504 576 589

4 202 278 253 258 281 290 244 380 295 311 321 266 346 410 269 274 314 353 468 412 537 523 589

5 252 254 265 290 360 258 236 282 315 307 354 293 354 421 283 346 317 380 424 494 597 616 573

6 296 265 275 374 318 257 241 300 350 403 367 364 350 340 278 351 356 428 462 520 595 603 530

7 345 241 349 365 357 353 305 278 467 388 474 425 373 317 302 400 391 450 455 513 580 627 600

8 261 269 290 335 377 325 305 301 361 322 395 358 312 315 305 390 354 441 514 537 537 634 613

9 233 247 241 216 282 255 278 294 302 342 322 260 289 278 283 323 355 426 412 396 489 507 589

10 248 225 260 290 268 283 248 303 258 303 298 279 309 288 321 330 383 430 477 500 458 534 649

11 259 243 285 284 247 242 238 335 275 347 263 261 292 248 261 320 401 431 451 392 495 504 517

12 278 263 285 251 244 307 262 273 303 311 319 434 320 267 282 401 431 435 453 432 509 546 548

Total 3154 3288 3682 3505 3505 3415 3244 3718 3977 4136 4150 3831 4208 3832 3401 4090 4605 5038 5467 5473 6218 6672 6916

Mês

Ano




73

TABELA 6: Número de óbitos mensais por dengue e doenças infecciosas que fazem parte do seu diagnóstico diferencial observados, esperados e

suas diferenças, em residentes da Região Metropolitana do Rio de Janeiro menores de 15 anos de idade, nos anos de 2007 e 2008

Mês/Ano

Número de

óbitos

observados

Mediana

dos óbitos

esperados

Limite superior dos

óbitos esperados

IC 95%

Óbitos observados

- Mediana dos

óbitos esperados

Óbitos observados -

Limite superior dos óbitos

esperados IC 95%

jan-07 25 23 42 2 -17

fev-07 30 23 50 7 -20

mar-07 27 26 55 1 -28

abr-07 24 28 64 -4 -40

mai-07 33 29 64 4 -31

jun-07 28 30 74 -2 -46

jul-07 40 27 74 13 -34

ago-07 37 25 69 12 -32

set-07 33 23 69 10 -36

out-07 37 18 58 19 -21

nov-07 28 18 58 10 -30

dez-07 41 18 64 23 -23

jan-08 43 29 50 14 -7

fev-08 42 31 57 11 -15

mar-08 67 34 63 33 4

abr-08 48 36 75 12 -27

mai-08 38 37 87 1 -49

jun-08 34 37 86 -3 -52

jul-08 23 36 82 -13 -59

ago-08 23 33 83 -10 -60

set-08 31 30 79 1 -48

out-08 23 27 73 -4 -50

nov-08 25 25 70 0 -45

dez-08 20 25 70 -5 -50 Fonte: SUPERINTENDÊNCIA DE INFORMAÇÃO EM SAÚDE. Sistema de Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa Civil


74

TABELA 7: Número de óbitos mensais por dengue e doenças infecciosas que fazem parte do seu diagnóstico diferencial observados, esperados e

suas diferenças, em residentes da Região Metropolitana do Rio de Janeiro com 15 anos ou mais de idade, nos anos de 2007 e 2008

Mês/Ano

Número de

óbitos

observados

Mediana

dos óbitos

esperados

Limite superior dos

óbitos esperados

IC 95%

Óbitos observados

- Mediana dos

óbitos esperados

Óbitos observados -

Limite superior dos óbitos

esperados IC 95%

jan-07 475 510 645 -35 -170

fev-07 527 503 701 24 -174

mar-07 576 512 733 64 -157

abr-07 523 512 804 11 -281

mai-07 616 530 841 86 -225

jun-07 603 532 823 71 -220

jul-07 627 528 882 99 -255

ago-07 634 505 836 129 -202

set-07 507 494 847 13 -340

out-07 534 485 847 49 -313

nov-07 504 500 910 4 -406

dez-07 546 494 892 52 -346

jan-08 608 506 630 102 -22

fev-08 511 512 674 -1 -163

mar-08 589 523 731 66 -142

abr-08 589 534 764 55 -175

mai-08 573 540 802 33 -229

jun-08 530 541 847 -11 -317

jul-08 600 517 844 83 -244

ago-08 613 516 862 97 -249

set-08 589 503 856 86 -267

out-08 649 483 836 166 -187

nov-08 517 477 864 40 -347

dez-08 548 475 878 73 -330



75

TABELA 8: Distribuição dos óbitos por dengue e doenças infecciosas que fazem parte do seu diagnóstico diferencial ocorridos em residentes da

Região Metropolitana do Rio de Janeiro em 1986, por causa básica, faixa etária e mês de ocorrência.

Faixa etária = menor 15 anos de idade

Causa básica dos óbitos 1 2 3 4 5 6 7 8 9 10 11 12 Total 1 2 3 4 5 6 7 8 9 10 11 12 Total

Pneumonia 96 98 106 140 202 211 158 97 109 125 104 91 1537 71 62 69 70 75 71 63 61 69 69 61 56 67

Septicemia 18 24 19 24 30 31 31 29 15 18 22 27 288 13 15 12 12 11 10 12 18 10 10 13 17 13

Meningite 13 16 15 15 12 23 24 20 17 13 14 13 195 10 10 10 8 4 8 10 13 11 7 8 8 9

Doença exantemática 0 2 1 3 5 5 5 5 4 13 15 15 73 0 1 1 2 2 2 2 3 3 7 9 9 3

Bronquiolite aguda 2 1 2 6 13 10 13 3 3 3 4 5 65 1 1 1 3 5 3 5 2 2 2 2 3 3

Encefalite, mielite e encefalomielite 2 5 3 6 5 5 6 2 1 1 5 2 43 1 3 2 3 2 2 2 1 1 1 3 1 2

Infecção meningocócica 1 4 3 1 1 5 6 2 7 0 5 6 41 1 3 2 1 0 2 2 1 4 0 3 4 2

Outras doenças infecciosas e parasitárias 2 5 2 2 0 3 5 2 1 5 2 3 32 1 3 1 1 0 1 2 1 1 3 1 2 1

Infecções por salmonela 0 1 1 1 0 1 1 0 0 0 0 0 5 0 1 1 1 0 0 0 0 0 0 0 0 0

Outras doenças inflamatórias do sistema nervoso central 0 0 1 1 1 1 0 0 0 1 0 0 5 0 0 1 1 0 0 0 0 0 1 0 0 0

Hepatite viral 0 1 1 0 1 0 1 0 0 0 0 1 5 0 1 1 0 0 0 0 0 0 0 0 1 0

Choque sem menção de trauma 1 0 0 0 0 1 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 0 0 0 0 0

Leptospirose 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0

Total 135 157 154 199 270 296 250 160 157 180 171 163 2292 100 100 100 100 100 100 100 100 100 100 100 100 100

Faixa etária = 15 anos ou mais de idade


Pneumonia 215 181 166 145 177 218 282 210 169 180 182 213 2338 74 71 71 72 70 74 82 80 73 73 70 77 74

Septicemia 42 56 44 35 44 37 35 31 37 35 44 37 477 14 22 19 17 17 13 10 12 16 14 17 13 15

Meningite 12 5 7 5 13 13 8 7 7 9 8 7 101 4 2 3 2 5 4 2 3 3 4 3 3 3




Hepatite viral 4 2 0 4 2 7 4 0 5 2 5 2 37 1 1 0 2 1 2 1 0 2 1 2 1 1

Leptospirose 1 1 6 3 1 2 3 1 3 1 2 1 25 0 0 3 1 0 1 1 0 1 0 1 0 1





Dengue ou febre hemorrágica devido ao vírus do dengue 0 0 0 0 0 2 0 1 0 0 0 1 4 0 0 0 0 0 1 0 0 0 0 0 0 0

Doenças causadas por enterovírus 0 1 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0


Total 292 254 234 202 252 296 345 261 233 248 259 278 3154 100 100 100 100 100 100 100 100 100 100 100 100 100

Número de óbitos por mês de ocorrência Percentual de óbitos por mês de ocorrência (%)




76





Pneumonia 126 111 108 147 132 138 114 100 87 94 91 90 1338 68 70 62 70 64 68 73 65 64 64 71 63 67

Septicemia 14 14 22 29 26 22 17 20 15 21 11 21 232 8 9 13 14 13 11 11 13 11 14 9 15 12

Meningite 21 13 12 15 16 19 15 10 15 7 11 12 166 11 8 7 7 8 9 10 6 11 5 9 8 8






Hepatite viral 1 1 1 0 1 0 1 0 0 0 0 0 5 1 1 1 0 0 0 1 0 0 0 0 0 0





Total 184 158 175 209 205 203 156 154 135 147 128 144 1998 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 275 237 240 200 177 199 182 192 193 152 175 200 2422 76 76 73 72 70 75 76 71 78 68 72 76 74

Septicemia 48 35 43 43 36 28 39 46 41 45 34 39 477 13 11 13 15 14 11 16 17 17 20 14 15 15

Meningite 13 17 10 9 11 9 5 4 6 10 12 6 112 4 5 3 3 4 3 2 1 2 4 5 2 3


Leptospirose 3 6 10 8 3 6 1 3 0 5 3 3 51 1 2 3 3 1 2 0 1 0 2 1 1 2



Hepatite viral 6 3 6 5 5 2 1 2 0 4 1 1 36 2 1 2 2 2 1 0 1 0 2 0 0 1





Malária 0 0 0 0 0 1 0 0 0 0 1 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0




Total 363 313 327 278 254 265 241 269 247 225 243 263 3288 100 100 100 100 100 100 100 100 100 100 100 100 100



Fonte: SUPERINTENDÊNCIA DE INFORMAÇÃO EM SAÚDE. Sistema de Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa Civil do

Rio de Janeiro, 2010. Dados atualizados em 03/2010.

77





Pneumonia 114 114 120 107 182 223 165 132 103 109 127 94 1590 68 62 67 58 71 71 67 62 67 67 76 69 67

Septicemia 20 45 20 48 31 34 38 31 22 25 16 19 349 12 25 11 26 12 11 15 15 14 15 10 14 15

Meningite 17 4 8 10 18 10 14 23 10 4 5 8 131 10 2 4 5 7 3 6 11 7 2 3 6 6








Leptospirose 0 0 2 0 0 0 0 0 0 0 0 1 3 0 0 1 0 0 0 0 0 0 0 0 1 0

Hepatite viral 0 0 0 0 0 0 0 1 1 0 0 0 2 0 0 0 0 0 0 0 0 1 0 0 0 0


Total 168 183 179 185 258 313 248 213 153 163 167 136 2366 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 388 254 206 170 208 213 280 233 191 208 211 231 2793 78 68 66 67 78 77 80 80 79 80 74 81 76

Septicemia 61 61 35 48 29 35 35 23 21 26 41 27 442 12 16 11 19 11 13 10 8 9 10 14 9 12

Leptospirose 7 32 46 8 0 3 3 2 0 3 4 0 108 1 9 15 3 0 1 1 1 0 1 1 0 3


Meningite 12 4 4 12 9 11 10 7 12 5 8 5 99 2 1 1 5 3 4 3 2 5 2 3 2 3


Hepatite viral 2 1 1 3 2 0 6 4 4 1 0 5 29 0 0 0 1 1 0 2 1 2 0 0 2 1







Malária 0 0 0 0 0 0 0 0 0 1 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0


Total 497 371 311 253 265 275 349 290 241 260 285 285 3682 100 100 100 100 100 100 100 100 100 100 100 100 100





78





Pneumonia 120 125 138 123 99 95 123 109 73 97 97 92 1291 69 72 68 62 56 54 65 65 63 63 66 68 64

Septicemia 23 32 29 33 46 35 28 16 20 23 19 16 320 13 18 14 17 26 20 15 10 17 15 13 12 16

Meningite 9 6 11 15 18 16 15 14 11 12 14 10 151 5 3 5 8 10 9 8 8 10 8 9 7 8






Hepatite viral 0 2 1 2 1 3 1 2 0 1 0 0 13 0 1 0 1 1 2 1 1 0 1 0 0 1





Leptospirose 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 173 173 203 200 177 175 190 168 115 153 148 136 2011 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 219 223 209 191 223 193 228 249 152 222 203 173 2485 81 76 75 74 77 52 62 74 70 77 71 69 71

Septicemia 27 36 40 39 30 150 102 50 34 42 43 49 642 10 12 14 15 10 40 28 15 16 14 15 20 18

Meningite 3 7 8 3 10 11 9 9 6 9 8 8 91 1 2 3 1 3 3 2 3 3 3 3 3 3


Hepatite viral 4 6 6 2 5 4 3 5 4 4 8 3 54 1 2 2 1 2 1 1 1 2 1 3 1 2



Leptospirose 4 5 3 2 3 0 1 3 1 2 2 2 28 1 2 1 1 1 0 0 1 0 1 1 1 1







Total 270 293 279 258 290 374 365 335 216 290 284 251 3505 100 100 100 100 100 100 100 100 100 100 100 100 100





79





Pneumonia 86 57 71 73 140 105 81 61 54 55 47 56 886 59 59 56 52 63 63 56 47 52 52 59 64 57

Septicemia 20 21 28 36 39 24 27 26 12 17 15 14 279 14 22 22 26 18 14 19 20 12 16 19 16 18

Meningite 11 7 10 9 13 13 9 11 8 9 9 8 117 8 7 8 6 6 8 6 8 8 8 11 9 8










Leptospirose 1 0 0 0 0 1 0 0 0 0 0 0 2 1 0 0 0 0 1 0 0 0 0 0 0 0

Total 146 97 126 141 222 166 145 130 103 106 80 87 1549 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 241 166 192 211 265 246 273 317 219 190 175 160 2655 80 76 77 75 74 77 76 84 78 71 71 66 76

Septicemia 34 34 25 40 38 32 47 27 31 48 40 49 445 11 16 10 14 11 10 13 7 11 18 16 20 13

Meningite 8 6 6 12 8 11 13 11 4 6 6 4 95 3 3 2 4 2 3 4 3 1 2 2 2 3


Leptospirose 3 0 2 5 22 5 1 3 3 2 3 2 51 1 0 1 2 6 2 0 1 1 1 1 1 1

Hepatite viral 5 2 3 3 5 6 7 3 6 2 3 3 48 2 1 1 1 1 2 2 1 2 1 1 1 1









Total 302 219 250 281 360 318 357 377 282 268 247 244 3505 100 100 100 100 100 100 100 100 100 100 100 100 100





80





Pneumonia 35 29 30 52 52 49 60 40 47 42 45 48 529 57 49 41 54 55 49 57 40 47 48 59 55 51

Septicemia 10 11 16 18 21 17 20 23 16 13 11 15 191 16 19 22 19 22 17 19 23 16 15 14 17 18

Meningite 4 6 16 13 11 16 8 18 18 10 7 7 134 7 10 22 14 12 16 8 18 18 11 9 8 13







Hepatite viral 0 1 0 0 1 1 0 0 1 0 2 0 6 0 2 0 0 1 1 0 0 1 0 3 0 1




Total 61 59 73 96 95 100 106 99 101 88 76 88 1042 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 216 170 160 197 181 186 263 243 173 187 173 225 2374 68 63 62 68 70 72 75 75 68 66 71 73 70

Septicemia 60 49 56 49 43 43 56 55 54 55 48 44 612 19 18 22 17 17 17 16 17 21 19 20 14 18

Meningite 9 5 10 8 6 8 9 7 9 13 7 11 102 3 2 4 3 2 3 3 2 4 5 3 4 3


Leptospirose 5 14 12 16 9 2 2 2 2 4 2 3 73 2 5 5 6 3 1 1 1 1 1 1 1 2



Hepatite viral 1 2 2 6 1 1 5 1 3 4 4 4 34 0 1 1 2 0 0 1 0 1 1 2 1 1







Malária 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 318 268 259 290 258 257 353 325 255 283 242 307 3415 100 100 100 100 100 100 100 100 100 100 100 100 100





81





Pneumonia 54 44 49 42 69 76 62 43 35 41 49 41 605 55 53 54 49 56 55 48 48 42 52 53 48 51

Septicemia 19 18 18 20 22 15 28 20 19 14 18 14 225 19 22 20 23 18 11 22 22 23 18 20 16 19

Meningite 8 8 10 10 13 26 24 15 14 10 8 11 157 8 10 11 12 10 19 19 17 17 13 9 13 13








Hepatite viral 0 0 0 0 0 0 0 0 1 0 1 1 3 0 0 0 0 0 0 0 0 1 0 1 1 0


Total 99 83 91 86 124 139 129 89 83 79 92 86 1180 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 200 193 190 168 163 168 211 208 183 150 166 172 2172 63 66 69 69 69 70 69 68 66 60 70 66 67

Septicemia 66 65 54 47 54 46 57 66 59 65 47 46 672 21 22 19 19 23 19 19 22 21 26 20 18 21

Meningite 16 7 10 8 5 7 6 8 5 8 9 15 104 5 2 4 3 2 3 2 3 2 3 4 6 3


Leptospirose 10 14 5 4 2 3 4 1 6 1 2 4 56 3 5 2 2 1 1 1 0 2 0 1 2 2

Hepatite viral 3 1 2 2 0 3 6 3 3 6 2 7 38 1 0 1 1 0 1 2 1 1 2 1 3 1








Malária 0 0 1 0 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 316 294 277 244 236 241 305 305 278 248 238 262 3244 100 100 100 100 100 100 100 100 100 100 100 100 100





82





Pneumonia 44 44 42 51 53 89 67 56 60 47 60 68 681 42 51 46 55 58 62 53 49 48 44 52 57 52

Septicemia 22 19 21 18 15 14 19 25 24 27 21 26 251 21 22 23 20 16 10 15 22 19 25 18 22 19

Meningite 9 9 14 9 9 17 13 17 19 6 9 6 137 9 10 15 10 10 12 10 15 15 6 8 5 10








Hepatite viral 0 0 0 0 0 0 0 0 1 0 0 1 2 0 0 0 0 0 0 0 0 1 0 0 1 0


Total 105 86 92 92 91 143 127 114 124 107 115 119 1315 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 232 184 242 293 194 212 191 210 193 214 228 173 2566 66 65 71 77 69 71 69 70 66 71 68 63 69

Septicemia 81 66 63 53 57 55 54 63 75 68 76 67 778 23 23 18 14 20 18 19 21 26 22 23 25 21


Meningite 10 8 6 11 0 5 9 4 9 4 7 12 85 3 3 2 3 0 2 3 1 3 1 2 4 2

Hepatite viral 2 3 5 2 5 2 3 1 7 3 4 0 37 1 1 1 1 2 1 1 0 2 1 1 0 1

Leptospirose 3 4 8 4 2 2 1 4 0 2 1 3 34 1 1 2 1 1 1 0 1 0 1 0 1 1







Malária 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 350 281 341 380 282 300 278 301 294 303 335 273 3718 100 100 100 100 100 100 100 100 100 100 100 100 100





83





Pneumonia 61 45 41 57 55 86 73 62 70 72 40 70 732 59 55 42 56 43 54 51 54 55 62 48 66 54

Septicemia 17 24 29 25 34 45 31 18 27 20 12 17 299 16 29 30 25 26 28 22 16 21 17 14 16 22

Meningite 10 8 10 5 15 8 19 18 14 16 12 10 145 10 10 10 5 12 5 13 16 11 14 14 9 11






Hepatite viral 0 0 2 0 2 0 0 0 0 0 0 0 4 0 0 2 0 2 0 0 0 0 0 0 0 0



Total 104 82 98 102 129 158 143 114 127 117 84 106 1364 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 206 299 204 197 199 224 320 223 206 172 168 207 2625 69 71 62 67 63 64 69 62 68 67 61 68 66

Septicemia 57 87 88 68 75 79 104 96 63 63 79 60 919 19 21 27 23 24 23 22 27 21 24 29 20 23


Meningite 5 5 6 2 8 10 8 7 11 6 6 4 78 2 1 2 1 3 3 2 2 4 2 2 1 2

Hepatite viral 6 3 8 6 9 3 5 5 3 3 5 6 62 2 1 2 2 3 1 1 1 1 1 2 2 2


Leptospirose 5 5 4 5 4 5 1 2 1 2 1 3 38 2 1 1 2 1 1 0 1 0 1 0 1 1





Total 300 422 329 295 315 350 467 361 302 258 275 303 3977 100 100 100 100 100 100 100 100 100 100 100 100 100

Número de óbitos por mês de ocorrência


Percentual de óbitos por mês de ocorrência (%)


Fonte: SUPERINTENDÊNCIA DE INFORMAÇÃO EM SAÚDE. Sistema de Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa

Civildo Rio de Janeiro, 2010. Dados atualizados em 03/2010.

84





Pneumonia 58 38 48 32 56 72 55 48 35 38 50 43 573 62 60 61 46 50 51 54 48 45 48 56 49 52

Septicemia 17 12 14 17 18 26 14 22 16 18 15 14 203 18 19 18 25 16 19 14 22 21 23 17 16 19

Meningite 6 4 4 8 11 17 12 11 6 5 8 10 102 6 6 5 12 10 12 12 11 8 6 9 11 9







Hepatite viral 0 0 0 1 1 0 0 0 1 1 0 0 4 0 0 0 1 1 0 0 0 1 1 0 0 0


Leptospirose 0 0 0 1 0 0 0 0 1 0 0 1 3 0 0 0 1 0 0 0 0 1 0 0 1 0


Total 94 63 79 69 111 140 102 100 78 80 90 88 1094 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 304 198 249 200 218 283 261 225 243 217 236 203 2837 71 66 67 64 71 70 67 70 71 72 68 65 69

Septicemia 77 63 61 63 49 68 68 49 55 50 74 63 740 18 21 16 20 16 17 18 15 16 17 21 20 18


Meningite 10 7 11 6 17 17 11 12 6 9 6 12 124 2 2 3 2 6 4 3 4 2 3 2 4 3

Hepatite viral 6 4 6 9 2 5 12 5 7 2 4 3 65 1 1 2 3 1 1 3 2 2 1 1 1 2



Leptospirose 2 8 7 1 4 2 6 2 1 1 1 4 39 0 3 2 0 1 0 2 1 0 0 0 1 1






Malária 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 427 301 374 311 307 403 388 322 342 303 347 311 4136 100 100 100 100 100 100 100 100 100 100 100 100 100





85





Pneumonia 53 37 48 54 55 59 51 53 33 37 30 33 543 58 43 48 52 49 55 48 58 40 47 41 46 49

Septicemia 13 24 26 24 27 17 22 10 18 14 19 16 230 14 28 26 23 24 16 21 11 22 18 26 22 21


Meningite 8 11 14 8 12 7 16 12 6 7 6 5 112 9 13 14 8 11 7 15 13 7 9 8 7 10





Hepatite viral 0 0 0 1 0 0 0 0 0 0 1 1 3 0 0 0 1 0 0 0 0 0 0 1 1 0


Total 92 86 100 104 112 107 106 92 83 78 74 72 1106 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 254 209 204 177 215 243 352 266 211 172 160 192 2655 66 63 63 55 61 66 74 67 66 58 61 60 64

Septicemia 72 75 78 84 87 81 74 84 77 90 75 89 966 19 23 24 26 25 22 16 21 24 30 29 28 23

Meningite 15 8 6 14 7 8 13 10 9 11 9 6 116 4 2 2 4 2 2 3 3 3 4 3 2 3


Hepatite viral 7 3 5 10 8 8 6 8 7 9 6 10 87 2 1 2 3 2 2 1 2 2 3 2 3 2

Leptospirose 7 17 16 10 9 5 3 2 3 0 2 7 81 2 5 5 3 3 1 1 1 1 0 1 2 2






Influenza 0 0 2 0 1 0 0 3 0 2 1 0 9 0 0 1 0 0 0 0 1 0 1 0 0 0



Malária 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 382 331 324 321 354 367 474 395 322 298 263 319 4150 100 100 100 100 100 100 100 100 100 100 100 100 100





86





Pneumonia 28 30 31 39 51 50 49 41 31 28 38 58 474 44 50 46 52 61 57 50 55 44 39 58 67 52

Septicemia 14 12 13 15 20 11 17 16 14 19 13 13 177 22 20 19 20 24 13 17 21 20 27 20 15 20


Meningite 8 6 10 12 6 10 8 8 8 8 2 3 89 13 10 15 16 7 11 8 11 11 11 3 3 10







Total 64 60 68 75 83 88 98 75 70 71 66 87 905 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 202 170 165 145 172 234 282 228 152 158 170 281 2359 63 58 59 55 59 64 66 64 58 57 65 65 62

Septicemia 73 80 75 86 86 99 109 86 72 84 67 121 1038 23 27 27 32 29 27 26 24 28 30 26 28 27

Meningite 12 7 11 9 10 11 11 12 9 6 2 11 111 4 2 4 3 3 3 3 3 3 2 1 3 3

Hepatite viral 8 9 10 9 8 7 5 8 6 11 9 5 95 3 3 4 3 3 2 1 2 2 4 3 1 2


Leptospirose 8 13 2 5 2 1 3 2 0 5 0 2 43 3 4 1 2 1 0 1 1 0 2 0 0 1






Influenza 0 0 0 0 0 1 1 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0


Malária 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 320 291 280 266 293 364 425 358 260 279 261 434 3831 100 100 100 100 100 100 100 100 100 100 100 100 100





87





Pneumonia 30 36 37 40 43 33 33 27 16 28 16 19 358 52 50 44 45 49 45 46 48 35 55 32 39 45

Septicemia 17 18 22 24 19 21 14 12 13 13 18 11 202 29 25 26 27 22 29 20 21 28 25 36 22 26

Meningite 4 5 11 14 4 6 9 9 8 4 5 4 83 7 7 13 16 5 8 13 16 17 8 10 8 11







Hepatite viral 0 0 0 0 0 1 0 0 0 0 1 0 2 0 0 0 0 0 1 0 0 0 0 2 0 0

Influenza 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 2 0 0 0 0 0


Total 58 72 85 89 87 73 71 56 46 51 50 49 787 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 253 316 257 231 221 201 221 195 173 175 191 204 2638 62 68 66 67 62 57 59 63 60 57 65 64 63

Septicemia 106 116 94 84 90 110 119 88 81 98 75 96 1157 26 25 24 24 25 31 32 28 28 32 26 30 27

Hepatite viral 12 6 7 8 9 13 7 9 8 16 7 5 107 3 1 2 2 3 4 2 3 3 5 2 2 3


Meningite 6 4 10 3 10 7 6 5 4 1 5 3 64 1 1 3 1 3 2 2 2 1 0 2 1 2

Leptospirose 10 10 8 7 4 1 5 3 2 7 2 0 59 2 2 2 2 1 0 1 1 1 2 1 0 1







Influenza 2 1 0 1 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0


Malária 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 407 464 392 346 354 350 373 312 289 309 292 320 4208 100 100 100 100 100 100 100 100 100 100 100 100 100





88





Pneumonia 33 17 30 29 31 26 27 31 24 35 24 28 335 49 36 47 51 46 50 47 53 44 56 48 47 48

Septicemia 16 18 23 19 15 16 16 13 14 10 9 19 188 24 38 36 33 22 31 28 22 25 16 18 32 27


Meningite 8 4 2 1 6 2 4 6 6 3 4 2 48 12 9 3 2 9 4 7 10 11 5 8 3 7







Influenza 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 2 0 0 0

Total 68 47 64 57 68 52 58 58 55 62 50 59 698 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 172 173 181 255 283 205 163 187 151 162 129 160 2221 57 55 55 62 67 60 51 59 54 56 52 60 58

Septicemia 94 109 125 121 100 94 114 102 98 96 81 82 1216 31 35 38 30 24 28 36 32 35 33 33 31 32

Hepatite viral 5 7 6 12 15 10 10 9 8 8 12 8 110 2 2 2 3 4 3 3 3 3 3 5 3 3


Meningite 8 8 3 6 3 4 10 3 4 7 7 5 68 3 3 1 1 1 1 3 1 1 2 3 2 2

Leptospirose 9 3 7 2 0 2 2 3 2 0 5 2 37 3 1 2 0 0 1 1 1 1 0 2 1 1








Influenza 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Malária 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 302 314 332 410 421 340 317 315 278 288 248 267 3832 100 100 100 100 100 100 100 100 100 100 100 100 100





89





Pneumonia 24 14 20 25 26 32 23 27 14 27 16 28 276 46 41 38 46 39 56 52 60 44 55 46 55 48

Septicemia 15 11 15 13 23 12 13 9 8 9 9 17 154 29 32 29 24 34 21 30 20 25 18 26 33 27


Meningite 3 4 3 4 5 3 3 3 2 2 1 1 34 6 12 6 7 7 5 7 7 6 4 3 2 6





Hepatite viral 0 0 0 0 1 0 0 0 0 1 0 0 2 0 0 0 0 1 0 0 0 0 2 0 0 0


Total 52 34 52 54 67 57 44 45 32 49 35 51 572 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 188 148 155 173 175 174 164 177 164 164 143 167 1992 61 62 58 64 62 63 54 58 58 51 55 59 59

Septicemia 84 67 83 68 71 75 95 91 79 110 86 92 1001 27 28 31 25 25 27 31 30 28 34 33 33 29

Hepatite viral 10 8 8 7 14 10 16 14 12 17 14 11 141 3 3 3 3 5 4 5 5 4 5 5 4 4


Meningite 7 5 5 5 2 2 10 5 4 8 6 1 60 2 2 2 2 1 1 3 2 1 2 2 0 2

Leptospirose 8 3 4 4 0 2 0 2 3 4 2 2 34 3 1 1 1 0 1 0 1 1 1 1 1 1







Influenza 0 1 1 0 1 1 0 1 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 309 240 268 269 283 278 302 305 283 321 261 282 3401 100 100 100 100 100 100 100 100 100 100 100 100 100





90





Pneumonia 11 16 21 16 20 18 20 19 15 18 21 24 219 35 41 45 48 43 44 36 49 45 46 44 60 44

Septicemia 9 9 15 6 16 13 14 8 6 13 11 12 132 29 23 32 18 34 32 25 21 18 33 23 30 27

Meningite 2 5 4 2 2 3 8 3 6 3 5 3 46 6 13 9 6 4 7 14 8 18 8 10 8 9





Hepatite viral 1 0 0 0 0 1 1 0 0 0 0 1 4 3 0 0 0 0 2 2 0 0 0 0 3 1


Leptospirose 0 0 0 1 0 0 0 1 0 0 0 0 2 0 0 0 3 0 0 0 3 0 0 0 0 0



Total 31 39 47 33 47 41 56 39 33 39 48 40 493 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 199 177 180 160 210 215 256 257 187 208 176 235 2460 58 59 57 58 61 61 64 66 58 63 55 59 60

Septicemia 106 90 107 80 94 94 98 98 109 96 114 114 1200 31 30 34 29 27 27 25 25 34 29 36 28 29

Hepatite viral 12 12 11 17 19 13 17 14 12 14 8 22 171 4 4 3 6 5 4 4 4 4 4 3 5 4


Meningite 4 5 6 4 2 9 3 6 5 2 5 2 53 1 2 2 1 1 3 1 2 2 1 2 0 1

Leptospirose 2 5 3 4 2 2 4 1 1 0 1 7 32 1 2 1 1 1 1 1 0 0 0 0 2 1








Influenza 0 0 0 0 0 1 1 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0


Total 341 299 315 274 346 351 400 390 323 330 320 401 4090 100 100 100 100 100 100 100 100 100 100 100 100 100





91





Pneumonia 16 14 16 12 16 22 36 23 15 16 21 25 232 40 37 48 40 44 46 59 58 43 44 49 56 48

Septicemia 9 16 10 12 9 8 10 7 11 9 9 12 122 23 42 30 40 25 17 16 18 31 25 21 27 25


Meningite 5 0 2 2 0 3 5 7 4 2 4 1 35 13 0 6 7 0 6 8 18 11 6 9 2 7







Total 40 38 33 30 36 48 61 40 35 36 43 45 485 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 251 218 251 185 179 219 240 228 216 236 250 254 2727 60 55 52 59 56 62 61 64 61 62 62 59 59

Septicemia 116 113 160 91 95 100 109 88 117 109 116 144 1358 28 28 33 29 30 28 28 25 33 28 29 33 29

Hepatite viral 11 18 12 8 14 11 14 17 9 17 13 13 157 3 5 2 3 4 3 4 5 3 4 3 3 3



Meningite 4 4 6 5 8 4 8 5 5 4 8 2 63 1 1 1 2 3 1 2 1 1 1 2 0 1

Leptospirose 11 4 6 3 2 3 2 0 1 3 3 3 41 3 1 1 1 1 1 1 0 0 1 1 1 1






Influenza 0 0 0 0 2 1 0 1 0 0 0 0 4 0 0 0 0 1 0 0 0 0 0 0 0 0


Total 421 399 483 314 317 356 391 354 355 383 401 431 4605 100 100 100 100 100 100 100 100 100 100 100 100 100





92





Pneumonia 19 14 13 12 23 32 24 17 19 17 18 19 227 49 47 36 46 51 60 52 55 44 52 49 54 50

Septicemia 12 9 13 7 8 8 7 8 10 7 10 4 103 31 30 36 27 18 15 15 26 23 21 27 11 23



Meningite 1 1 2 1 3 4 6 0 2 2 0 4 26 3 3 6 4 7 8 13 0 5 6 0 11 6






Hepatite viral 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 0

Total 39 30 36 26 45 53 46 31 43 33 37 35 454 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 262 269 226 199 221 248 269 242 245 243 251 257 2932 63 58 58 56 58 58 60 55 58 57 58 59 58

Septicemia 126 148 130 107 127 127 135 154 146 147 135 131 1613 31 32 34 30 33 30 30 35 34 34 31 30 32

Hepatite viral 10 17 6 12 17 23 13 22 17 22 19 14 192 2 4 2 3 4 5 3 5 4 5 4 3 4


Meningite 2 7 5 4 3 4 8 3 6 5 4 8 59 0 2 1 1 1 1 2 1 1 1 1 2 1

Leptospirose 2 8 3 11 2 3 1 2 2 0 5 8 47 0 2 1 3 1 1 0 0 0 0 1 2 1







Influenza 0 1 1 0 0 0 0 2 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0



Total 413 463 388 353 380 428 450 441 426 430 431 435 5038 100 100 100 100 100 100 100 100 100 100 100 100 100





93





Pneumonia 13 16 18 26 21 18 12 18 10 16 23 20 211 41 46 41 50 54 53 33 46 27 44 59 54 46

Septicemia 10 9 14 9 13 6 12 11 10 12 10 10 126 31 26 32 17 33 18 33 28 27 33 26 27 27


Meningite 3 3 4 4 1 3 2 3 4 2 2 0 31 9 9 9 8 3 9 6 8 11 6 5 0 7






Hepatite viral 0 1 0 0 0 0 0 0 0 0 0 0 1 0 3 0 0 0 0 0 0 0 0 0 0 0

Leptospirose 0 1 0 0 0 0 0 0 0 0 0 0 1 0 3 0 0 0 0 0 0 0 0 0 0 0


Total 32 35 44 52 39 34 36 39 37 36 39 37 460 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 264 249 287 282 261 279 267 334 263 310 253 282 3331 58 60 60 60 62 60 59 65 64 65 56 62 61

Septicemia 152 130 140 147 120 144 143 142 113 141 140 138 1650 33 31 29 31 28 31 31 28 27 30 31 30 30

Hepatite viral 10 15 27 16 18 22 22 17 19 12 25 16 219 2 4 6 3 4 5 5 3 5 3 6 4 4


Meningite 4 4 6 8 5 3 5 7 3 1 6 3 55 1 1 1 2 1 1 1 1 1 0 1 1 1


Leptospirose 3 4 4 3 1 2 0 0 1 0 3 2 23 1 1 1 1 0 0 0 0 0 0 1 0 0







Outras febres virais transmitidas por artrópodes ou febres hemorrágicas virais 0 0 0 0 0 1 0 0 0 0 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0

Influenza 0 0 0 0 0 0 0 0 0 0 1 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0


Total 455 417 479 468 424 462 455 514 412 477 451 453 5467 100 100 100 100 100 100 100 100 100 100 100 100 100



Fonte: SUPERINTENDÊNCIA DE INFORMAÇÃO EM SAÚDE. Sistema de Informação sobre Mortalidade. Rio de Janeiro: Secretaria Estadual de Saúde e Defesa Civil do Rio de Janeiro, 2010. Dados atualizados em 03/2010.

94





Pneumonia 17 18 15 19 28 17 22 20 9 19 12 14 210 55 69 45 58 56 36 46 56 43 50 48 52 51

Septicemia 4 3 13 10 8 8 3 7 2 4 6 7 75 13 12 39 30 16 17 6 19 10 11 24 26 18



Meningite 0 0 2 1 1 5 7 1 3 2 3 2 27 0 0 6 3 2 11 15 3 14 5 12 7 7





Total 31 26 33 33 50 47 48 36 21 38 25 27 415 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 269 214 299 231 287 320 293 303 238 284 242 257 3237 63 56 65 56 58 62 57 56 60 57 62 59 59

Septicemia 122 124 125 142 165 167 167 182 118 164 118 135 1729 28 32 27 34 33 32 33 34 30 33 30 31 32

Hepatite viral 18 23 15 17 21 15 25 26 25 23 15 19 242 4 6 3 4 4 3 5 5 6 5 4 4 4


Meningite 5 1 2 5 2 7 7 6 3 1 5 2 46 1 0 0 1 0 1 1 1 1 0 1 0 1

Leptospirose 1 7 5 3 5 3 1 4 0 1 2 5 37 0 2 1 1 1 1 0 1 0 0 1 1 1








Influenza 1 0 0 0 0 0 0 1 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0

Malária 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 430 384 463 412 494 520 513 537 396 500 392 432 5473 100 100 100 100 100 100 100 100 100 100 100 100 100





95





Pneumonia 14 13 14 28 22 21 21 19 12 11 5 9 189 54 59 44 70 46 47 55 46 38 48 23 33 48

Septicemia 4 4 9 3 8 10 8 10 6 5 6 9 82 15 18 28 8 17 22 21 24 19 22 27 33 21


Meningite 0 1 2 1 3 3 0 1 6 1 4 2 24 0 5 6 3 6 7 0 2 19 4 18 7 6






Hepatite viral 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 4 0


Total 26 22 32 40 48 45 38 41 32 23 22 27 396 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 277 249 311 341 381 396 355 331 300 261 307 300 3809 57 57 62 64 64 67 61 62 61 57 62 59 61

Septicemia 159 148 158 160 171 162 184 166 140 160 146 165 1919 33 34 31 30 29 27 32 31 29 35 29 32 31

Hepatite viral 19 17 14 11 25 16 20 21 21 17 18 19 218 4 4 3 2 4 3 3 4 4 4 4 4 4


Meningite 6 1 4 3 3 7 1 4 7 2 4 0 42 1 0 1 1 1 1 0 1 1 0 1 0 1

Leptospirose 7 6 1 2 1 1 2 1 1 1 3 9 35 1 1 0 0 0 0 0 0 0 0 1 2 1







Influenza 0 0 0 3 0 0 1 0 0 0 0 0 4 0 0 0 1 0 0 0 0 0 0 0 0 0




Febre recorrente 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Malária 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 483 434 504 537 597 595 580 537 489 458 495 509 6218 100 100 100 100 100 100 100 100 100 100 100 100 100







96





Pneumonia 13 15 12 10 15 16 22 10 19 16 11 20 179 52 50 44 42 45 57 55 27 58 43 39 49 47

Septicemia 8 6 5 7 10 6 6 9 3 7 4 7 78 32 20 19 29 30 21 15 24 9 19 14 17 20

Meningite 2 1 3 1 2 2 5 4 3 9 4 4 40 8 3 11 4 6 7 13 11 9 24 14 10 10








Total 25 30 27 24 33 28 40 37 33 37 28 41 383 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 276 317 361 314 396 381 412 414 301 324 294 337 4127 58 60 63 60 64 63 66 65 59 61 58 62 62

Septicemia 152 173 171 166 164 166 178 167 161 172 164 163 1997 32 33 30 32 27 28 28 26 32 32 33 30 30

Hepatite viral 19 19 22 21 21 28 17 29 29 22 20 15 262 4 4 4 4 3 5 3 5 6 4 4 3 4


Meningite 4 3 5 5 3 3 2 5 1 2 4 4 41 1 1 1 1 0 0 0 1 0 0 1 1 1


Leptospirose 10 0 0 1 1 1 0 2 1 1 5 4 26 2 0 0 0 0 0 0 0 0 0 1 1 0







Influenza 0 1 0 0 0 1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0


Malária 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Rickettsiose 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 475 527 576 523 616 603 627 634 507 534 504 546 6672 100 100 100 100 100 100 100 100 100 100 100 100 100







97





Pneumonia 12 10 16 14 14 14 9 6 18 8 14 10 145 28 24 24 29 37 41 39 26 58 35 56 50 35

Septicemia 14 7 9 11 7 11 7 6 5 7 4 4 92 33 17 13 23 18 32 30 26 16 30 16 20 22



Meningite 1 5 2 3 0 3 1 4 1 2 2 0 24 2 12 3 6 0 9 4 17 3 9 8 0 6






Outras doenças infecciosas 0 1 1 0 0 0 0 0 0 0 0 0 2 0 2 1 0 0 0 0 0 0 0 0 0 0

Leptospirose 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 3 0 0 0 0 0 0 0 0

Hepatite viral 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 4 0 0 0

Total 43 42 67 48 38 34 23 23 31 23 25 20 417 100 100 100 100 100 100 100 100 100 100 100 100 100



Pneumonia 354 292 298 318 323 304 371 427 356 419 332 316 4110 58 57 51 54 56 57 62 70 60 65 64 58 59

Septicemia 184 156 183 156 181 171 185 146 180 175 138 178 2033 30 31 31 26 32 32 31 24 31 27 27 32 29

Hepatite viral 28 26 24 28 30 32 21 21 26 33 23 25 317 5 5 4 5 5 6 4 3 4 5 4 5 5



Meningite 3 1 4 1 4 2 4 1 4 6 4 3 37 0 0 1 0 1 0 1 0 1 1 1 1 1



Leptospirose 2 4 4 3 1 1 2 1 3 3 0 2 26 0 1 1 1 0 0 0 0 1 0 0 0 0






Infecções por Salmonella 0 0 1 0 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0

Influenza 0 0 0 0 0 0 0 0 0 0 1 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0

Malária 0 1 0 0 0 0 1 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0

Rickettsiose 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0

Total 608 511 589 589 573 530 600 613 589 649 517 548 6916 100 100 100 100 100 100 100 100 100 100 100 100 100


Percentual de óbitos por mês de ocorrência (%)Número de óbitos por mês de ocorrência




98

2. Código fonte em R

##########################################

# Inferência sobre (beta1,beta2,beta3,w) #

##########################################

# Filtro de Kalman

####################

kalman = function(Xt,Yt,beta1,beta2,beta3,w,option){

a = NULL # atualizacao lambda

b = NULL # atualizacao lambda

alambda = NULL # para lambda

blambda = NULL # para lambda

amu = NULL # para mu

bmu = NULL # para mu

a[1] = 0.01 # são parâmetros da distribuição #

b[1] = 0.01 # a priori de lambda[1]|D[1] #

beta = rbind(beta1,beta2,beta3)

n = length(Yt)

for (i in 1:n){

# a Priori de lambda[t]|D[t-1]

alambda[i] = w*a[i]

blambda[i] = w*b[i]

# a Priori de mu[t]|D[t-1]

amu[i] = w*a[i]

bmu[i] = w*b[i]*exp(-Xt[i,]%*%beta)

# a Posteriori de lambda[t]|D[t]

a[i+1] = alambda[i] + Yt[i]

b[i+1] = blambda[i] + Nt[i]*exp(Xt[i,]%*%beta)

}

if (option == 1){return(amu)}

if (option == 2){return(bmu)}

if (option == 3){return(a)}

if (option == 4){return(b)}

}

# Normal (mu,sigma2) Truncada em (0,1)

######################################

# Esta função gera pontos de uma distribuição normal com média mu

# e variância sigma2 truncada no intervalo (0,1)

rnormtrunc01 = function(mean, sd){

aux = runif(1,pnorm(0,mean,sd),pnorm(1,mean,sd))

result = qnorm(aux,mean,sd)

return(result)

}

99

# Condicionais Completas

########################

# W #

condw = function(Xt,Yt,beta1,beta2,beta3,w){

N = length(Yt)


a = kalman(Xt,Yt,beta1,beta2,beta3,w,1)

b = kalman(Xt,Yt,beta1,beta2,beta3,w,2)

fator = 0

for (i in 2:N){

fator = fator + lgamma(a[i-1]+Yt[i-1]) - lgamma(a[i-1]) + a[i-1]*log(b[i-1]) - (a[i-1]+Yt[i-

1])*log(b[i-1]+Nt[i-1])

}

result = fator

return(result)

}

# Beta #

condbeta = function(Xt,Yt,beta1,beta2,beta3,w,sigmab1,sigmab2,sigmab3){

N = length(Yt)


a = kalman(Xt,Yt,beta1,beta2,beta3,w,1)

b = kalman(Xt,Yt,beta1,beta2,beta3,w,2)

fator = 0

for (i in 2:N){

fator = fator + a[i-1]*log(b[i-1]) - (a[i-1]+Yt[i-1])*log(b[i-1]+Nt[i-1])

}

result = fator - beta1^2/(2*sigmab2) - beta2^2/(2*sigmab2) - beta3^2/(2*sigmab3)

return(result)

}

###########################################################################

###############

# Início MCMC #

###############

# Número de iterações do MCMC

niter = 50000

# Atribuição de valores iniciais

beta1 = NULL

beta2 = NULL

beta3 = NULL

w = NULL

# Escolher valores iniciais

100

beta1[1] =

beta2[1] =

beta3[1] =

w[1] =

# Variâncias da distribuição a priori de beta1 e beta2

sigmab1 = 1000 # beta 1



# Distribuição proposta do algoritmo MCMC (ajustar os desvios-padrão da distribuição

proposta com base nos dados em análise)

sdpropb1 = # desvio padrão da proposta de beta 1 (normal centrada no valor corrente)



sigmatruncw = # desvio padrão da proposta de w (normal truncada em (0,1) centrada no

valor corrente)

# Inicializando variáveis para cálculo da taxa de aceitação

ac.w = 0

ac.beta = 0

# Algoritmo MCMC

for (i in 2:niter){

print(i)

# W #

w.prop = rnormtrunc01(w[i-1],sigmatruncw)

Rw = exp(condw(Xt,Yt,beta1[i-1],beta2[i-1],beta3[i-1],w.prop) - condw(Xt,Yt,beta1[i-

1],beta2[i-1],beta3[i-1],w[i-1]) + log(pnorm((1-w[i-1])/sigmatruncw)-pnorm((0-w[i-

1])/sigmatruncw)) - log(pnorm((1-w.prop)/sigmatruncw)-pnorm((0-w.prop)/sigmatruncw)))

if(runif(1)<min(Rw,1)){

w[i] = w.prop

ac.w = ac.w + 1}

else{w[i] = w[i-1]}

# Betas #

beta1.prop = rnorm(1,beta1[i-1],sdpropb1)



Rbeta =

exp(condbeta(Xt,Yt,beta1.prop,beta2.prop,beta3.prop,w[i],sigmab1,sigmab2,sigmab3)-

condbeta(Xt,Yt,beta1[i-1],beta2[i-1],beta3[i-1],w[i],sigmab1,sigmab2,sigmab3))

if (runif(1)<min(Rbeta,1)){

beta1[i] = beta1.prop



101

ac.beta = ac.beta + 1}

else{beta1[i] = beta1[i-1]

beta2[i] = beta2[i-1]

beta3[i] = beta3[i-1]}

}

###########################################################################

#######################################################################

# Inferência sobre os lambda[t] (vetor de estados do modelo dinâmico) #

#######################################################################

T = length(Yt)

niter = length(w) # número de gerações de w

lambda = matrix(NA,niter,T)

for (i in 1:niter)

{

print(i)

a = kalman(Xt,Yt,beta1[i],beta2[i],beta3[i],w[i],3)

b = kalman(Xt,Yt,beta1[i],beta2[i],beta3[i],w[i],4)

lambda[i,T] = rgamma(1,a[T],b[T])

for (t in (T-1):1){

lambda[i,t] = rgamma(1,(1-w[i])*a[t],b[t]) + w[i]*lambda[i,t+1]

}

}

###########################################################################

#############

# Previsões #

#############

# Supondo períodos epidêmicos reais

T = length(Yt) # tamanho da série

s = 12 # número de passos para previsão

niter = length(w) # número de gerações de (beta1,beta2,beta3,w)

eta = NULL

mu = NULL

Ynovo = NULL

lambdanovo = cbind(lambda,array(0,c(niter,s)))

Yprev = array(0,c(niter,s))

x1 = x1[1:(T+s)]

x2 = x2[1:(T+s)]

x3 = x3[1:(T+s)]

Nt = Nt[1:(T+s)]

Xt = cbind(x1,x2,x3)

102

Ynovo = Yt

for (i in 1:niter){

print(i)

for (t in 1:s){

a = kalman(Xt,Ynovo,beta1[i],beta2[i],beta3[i],w[i],3)

lambdanovo[i,T+t] = lambdanovo[i,T+t-1]*rbeta(1,w[i]*a[T+t],(1-w[i])*a[T+t])/w[i]

mu[T+t] = lambdanovo[i,T+t]*exp(Xt[T+t,]%*%rbind(beta1[i],beta2[i],beta3[i]))

Yprev[i,t] = rpois(1,Nt[T+t]*mu[T+t])

Ynovo = c(Ynovo,Yprev[i,t])

}

Ynovo = Yt

}

103

3. Parecer do Comitê de Ética em Pesquisa

SOBREMORTALIDADE DURANTE EPIDEMIA DE DENGUE. · REGIÃO METROPOLITANA DO RIO DE JANEIRO, 2007-2008....

Documents

Transcript of SOBREMORTALIDADE DURANTE EPIDEMIA DE DENGUE. · REGIÃO METROPOLITANA DO RIO DE JANEIRO, 2007-2008....