Documente Academic
Documente Profesional
Documente Cultură
Rio de Janeiro
Agosto, 2005
i
ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NO
ESTADO DO RIO DE JANEIRO
Aprovada por:
___________________________________
Júlia Célia Merdedes Strauch, D. Sc.
ENCE/IBGE - Orientadora
___________________________________
Cássio Freitas Pereira de Andrade, M. Sc.
ENCE/IBGE - Orientador
___________________________________
César Ajara, D. Sc.
ENCE/IBGE
__________________________________
Paulo Menezes, D. Sc.
IGEO/UFRJ
Rio de Janeiro
Agosto, 2005
ii
SILVA, SHEILA REBECA RODRIGUES DA
Análise da distribuição espacial da hanseníase
no Estado do Rio de Janeiro. [Rio de Janeiro]
2005.
87p. (ENCE/IBGE, M. Sc. Estudos
Populacionais e Pesquisas Sociais, 2005)
Tese – Escola Nacional de Ciências
Estatísticas, ENCE.
1. Hanseníase no Estado do Rio de Janeiro
2. Regressão Logística
3. Correlação de variáveis sociais
4. Geoprocessamento
iii
Dedico esta dissertação à
meus pais Cleide e Severino e a
meus irmãos Sademberg e Saadia
iv
AGRADECIMENTOS
vi
ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE
NO ESTADO DO RIO DE JANEIRO
RESUMO
As doenças transmissíveis guardam estreita relação com as condições sociais e
econômicas de indivíduos e populações representando, portanto, um indicador sensível
de seus níveis de saúde e de vida. A importância de se estudar a hanseníase, doença
infecto-contagiosa, se dá ao fato de esta ser uma doença transmissível, mutilante e
incapacitante e, por ter permanecido até muito recentemente sem tratamento específico.
Foi durante séculos o agravo à saúde que mais atemorizou a população, levando os
médicos a recomendarem o isolamento compulsório dos doentes. Essa atitude
contribuiu fortemente com o preconceito social ainda hoje observado na população em
geral, mesmo com a descoberta da cura.
A despeito dos avanços em seu controle advindos do emprego dos esquemas
poliquimioterápicos recomendados pela Organização Mundial da Saúde (OMS), a
hanseníase ainda persiste como problema de saúde pública em quinze países endêmicos,
entre eles o Brasil (WHO, 2002). Entre os seis maiores países endêmicos, o Brasil
possui o segundo maior número de casos de Hanseníase em todo o mundo, sendo
classificado como um país com nível alto de endemia que necessita de atividades de
intensificação de reversão do quadro epidemiológico (WHO, 2002). No ano de 2000, a
Hanseníase esteve centrada, particularmente, em 15 estados endêmicos: Maranhão,
Pernambuco, Rio de Janeiro, Goiás, São Paulo, Minas Gerais, Pará, Mato Grosso,
Bahia, Ceará, Amazonas, Paraná, Piauí, Espírito Santo e Roraima.
O Rio de Janeiro é o primeiro estado da região sudeste com maior em incidência
da doença com 7.469 novos casos em 2000 e o segundo em prevalência com 5,36 por
10.000 habitantes, também para o ano de 2000. Sendo assim, este trabalho se propõe a
verificar a situação epidemiológica da doença, analisando através de cartogramas, no
período de 1998 a 2000, e verificar por meio de Regressão Logística quais as possíveis
variáveis que podem estar influenciando no risco de ter hanseníase nos municípios
fluminenses. Os dados de hanseníase utilizados foram do SINAN (Sistema de
Informações de Agravos de Notificação) do Ministério da Saúde cedidos pelo
Departamento de Dermatologia Sanitária da Secretaria de Saúde do Estado do Rio de
Janeiro e os dados socioeconômicos utilizados são do IBGE (Instituto Brasileiro de
Geografia e Estatística).
Na análise dos resultados pudemos constatar que a hanseníase está correlacionada a
fatores ligados a condições desfavoráveis de vida sugerindo que, deve-se haver uma
intensificação nos planos para soluções dos problemas voltados à melhoria das
condições socioeconômicas da população.
vii
ANALYSIS OF LEPROSY DISEASE SPATIAL DISTRIBUTION IN
RIO DE JANEIRO STATE
Author: Sheila Rebeca Rodrigues da Silva
Advisers: Júlia Célia Mercedes Strauch
Cássio Freitas Pereira de Andrade
ABSTRACT
The transmissible diseases keep close relationship
with individuals and population social and economical
conditions representing, therefore, a sensitive indicator
of their health and life levels. The importance of Leprosy
study is due to be an infect-contagious disease which is
transmissible and that deforming and disabling sick persons
and because until very recently this disease did not have
specific treatment. It was during centuries the offence to
the health that more frightened the population, taking the
doctors to recommend patients compulsory isolation. This
attitude contributed strongly with the social preconception
until today observed in the population in general, even
with the cure discovery.
In spite of progresses in disease control through
therapy using poly chemistry, recommended by the World
Health Organization (WHO), the Leprosy still persists as
public health problem in fifteen endemic countries, among
them Brazil (WHO, 2002). Among the six larger endemic
countries, Brazil possesses the second largest number of
Leprosy cases all over the world, being classified as a
country with high level of endemic that needs activities to
reversion of epidemic state (WHO, 2002). In 2000 year,
Leprosy was centered, particularly, in 15 endemic Brazilian
States: Maranhão, Pernambuco, Rio de Janeiro, Goiás, São
Paulo, Minas Gerais, Pará, Mato Grosso, Bahia, Ceará,
Amazônia, Paraná, Piauí, Espírito Santo and Roraima.
Rio de Janeiro is the first state of southeast area
with major in disease incidence with 7.469 new cases in
2000 year and the second in prevalence with 5,36 for 10.000
inhabitants, also for 2000 year. So this work has as a goal
to verify the epidemic situation of Leprosy disease,
analyzing through maps, in the period from 1998 to 2000,
and to verify through Logistic Regression what possible
variables that can be influencing in the Leprosy risk in
the municipal districts of Rio de Janeiro state. We use the
Leprosy data from SINAN (Offences Notification Information
System) of Health Ministry given by Sanitary Dermatology
Department of Health General Office of Rio de Janeiro State
and socioeconomic data from IBGE (Geography and Statistics
Brazilian Institute).
In results analysis we could verify that Leprosy disease is correlated to factors
linked to life unfavorable conditions. It suggest that should be had an intensification in
plans for problems solutions related to improvement of population socioeconomic
conditions.
viii
KEY WORDS: Epidemiology; Leprosy; Regression logistics;
Geoprocessing
SUMÁRIO
AGRADECIMENTOS v
RESUMO vii
ABSTRACT viii
LISTA DE CARTOGRAMAS xii
LISTA DE TABELAS xiv
LISTA DE GRÁFICOS xv
CAPÍTULO 1 - INTRODUÇÃO 1
1.1 MOTIVAÇÃO 1
1.2 OBJETIVO 6
1.3 CARACTERIZAÇÃO DA ÁREA DE ESTUDO: RIO DE JANEIRO 7
1.4 ORGANIZAÇÃO DA DISSERTAÇÃO 10
2.1 A HANSENÍASE 11
2.2 DESCRIÇÃO DOS DADOS UTILIZADOS 20
2.3 INDICADORES EPIDEMIOLÓGICOS E OPERACIONAIS 21
2.4 ANÁLISE PRELIMINAR DA SITUAÇÃO EPIDEMIOLÓGICA DA HANSENÍASE
NO ESTADO DO RIO DE JANEIRO PARA OS ANOS DE 1999 A 2001. 22
2.4.1 – COEFICIENTE DE PREVALÊNCIA 24
2.4.2 – COEFICIENTE DE DETECÇÃO ANUAL 27
2.4.3 – COEFICIENTE DE DETECÇÃO ANUAL EM MENORES DE 15 ANOS 29
x
4.1 RELAÇÃO ENTRE A PREVALÊNCIA DA HANSENÍASE E AS CONDIÇÕES DE
VIDA E DENSIDADE DEMOGRÁFICA NO ESTADO 43
4.2 MODELAGEM DOS DADOS 49
4.3 PROPOSIÇÃO DE MODELOS PARA A REGRESSÃO LOGÍSTICA 50
4.3.1 Modelo 1: Risco esperado em relação as variáveis lixo, água, esgoto, densidade
demográfica, renda per capita e todas as interações de duplas entre as variáveis 50
4.3.2 Modelo 2: Risco esperado em relação as variáveis com exclusão das interações de dupla57
4.3.3 Modelo 3: Risco esperado em relação as variáveis principais 60
4.4 MODELO ESCOLHIDO 64
REFERÊNCIAS BIBLIOGRÁFICAS 79
ANEXOS 83
xi
LISTA DE CARTOGRAMAS
Cartograma 1 - Situação epidemiolócia da hanseníse nos estados brasileiros, 2000. _ 3
2000. _______________________________________________________________ 25
2001. _______________________________________________________________ 26
xii
Cartograma 12 - Coeficiente de detecção anual da Hanseníase em menores de 15 anos
___________________________________________________________________ 68
2000. _______________________________________________________________ 73
___________________________________________________________________ 74
Cartograma 18 – Renda per capita segundo municípios, Rio de Janeiro, 2000. ____ 75
xiii
LISTA DE TABELAS
Tabela 2 - Prevalência registrada de casos de Hanseníase em tratamento com
xiv
LISTA DE GRÁFICOS
Gráfico 1 – Casos novos de hanseníase, por região – 1990 a 2000. _____________________________2
Gráfico 2 - Coeficiente de Prevalência de Hanseníase na série histórica 1991 a 2000, Brasil e estado do
Gráfico 3 - Coeficiente de Detecção de Casos Novos de Hanseníase na série histórica 1991 a 2000,
Gráfico 4 - Evolução dos municípios com alto coeficiente de Hanseníase no Rio de Janeiro para os anos
Gráfico 5 - Correlação entre o lixo e prevalência da hanseníase no Estado do Rio de Janeiro, 2000. __44
Gráfico 9 – Correlação linear entre renda per capita e prevalência da hanseníase no Estado do Rio de
1.1 MOTIVAÇÃO
que, por causa disso, além da questão psicológica que envolvia os doentes, estes
no mundo com maior índice de prevalência da doença, e, apesar de ter obtido uma
em um problema de saúde pública que exige uma vigilância resolutiva”. (MS 2002)
1
O M. Leprae é de alta virulência pois tem um alto poder incapacitante tanto do ponto de vista físico
quanto psicológico, com graves repercussões na vida familiar, no trabalho e no convívio social.
1
A doença é endêmica em todo o território nacional, embora com distribuição
5,36. É o segundo maior do Sudeste, perdendo apenas para o Estado do Espírito Santo
2
1:23.663.213
3
Gráfico 2 - Coeficiente de Prevalência de Hanseníase na
série histórica 1991 a 2000, Brasil e estado do Rio de
Janeiro.
Fonte: MS, 2002
prevalência mostraram seguir mesma inclinação, revelando queda ao longo dos anos,
mas que ainda vêm mantendo o mesmo padrão endêmico, com quatro vezes mais o
4
__ __ __ Brasil ______ Rio de Janeiro
na qualidade das informações, uma vez que, foi implantado o SINAN (Sistema de
ápice no decorrer dos anos da taxa, observado no ano de 1998, é explicado pela
5
Apesar de nos últimos cinco anos observar-se uma estabilização deste indicador
em torno de dois casos em cada dez mil habitantes, o mesmo confirma a manutenção da
agravos desta doença, e que por isso, merece uma investigação aprofundada no assunto.
1.2 OBJETIVO
sanitário; densidade demográfica; IDHM e renda per capita para todos os municípios
fluminenses.
Para alcançar o objetivo geral, este trabalho tem por objetivos específicos:
6
Com os resultados, poderão ser apresentadas recomendações e sugestões aos
municípios, fazendo divisa com os Estados de Espírito Santo (ao nordeste), Minas
Gerais (ao norte e noroeste), São Paulo (ao sudoeste) e a leste com o Oceano Atlântico.
Seu relevo se constitui em planície litorânea com morros, lagos, várzeas e dunas,
planalto a Oeste e suas costas Leste e Sul são banhadas pelo Oceano Atlântico.
zona rural.
para o estado de São Paulo. Possui grande potencial turístico, além de relevante parque
7
-45 -44 -43 -42 -41
N
Esprito Santo
PORCIUNCULA
-21 W E -21
S SAO JOSE
SAO FRANCISCO
DE ITABAPOANA
DE UBA
Minas Gerais
CAMPOS DOS
CANTAGALO GOYTACAZES
-22 -22
SAPUCAIA
VALENCA
MACAE
TERESOPOLIS
RESENDE VASSOURAS PETROPOLIS
SILVA JARDIM
PIRAI MAGE
SAO PEDRO
RIO CLARO DA ALDEIA
SAO GONCALO
PARATI
Oceano Atlântico
100 0 100 200 Kilometers
8
Cartograma 3 - Índice de Desenvolvimento Humano Municipal, Rio de Janeiro, 2000.
desenvolvimento consideradas.
9
1.4 ORGANIZAÇÃO DA DISSERTAÇÃO
magnitude da doença.
No terceiro capítulo, será realizado uma breve revisão nos conceitos estatísticos
10
Capítulo 2 - HANSENÍASE NO ESTADO DO RIO DE JANEIRO:
ESTUDO EPIDEMIOLÓGICO
2.1 A HANSENÍASE
A época exata de seu surgimento é ainda, uma dúvida pertinente entre os vários
agravo à saúde que mais atemorizou a população, por ter permanecido até muito
recentemente sem tratamento específico”. Quer dizer, sem saber que tipo de tratamento
2
Bacilo descoberto em 1873 pelo médico norueguês Gerhardt H. A. Hansen, daí a denominação bacilo de
Hansen.
3
Pesquisadores advogam que o bacilo pode também ser transmitido por via cutânea, no caso de lesões
ulceradas ou de traumas na pele, conforme referência PEREIRA, 1999.
11
medicamentos trouxeram a tão esperada cura, porém o tratamento durava
Foi a partir daí, que observaram que o convívio social não trazia riscos, então se
para que o tratamento fosse feito em ambulatórios. Todavia, o modelo isolacionista foi
acontecendo ainda por vários anos, contribuindo para o preconceito social ainda hoje
tornou-se resistente aos medicamentos, por isso, a partir do início da década de 1980 a
apresenta como grande vantagem, um período mais curto de cura – de 6 meses a 2 anos.
Desde então, “os resultados que vêm sendo observados são promissores e,
existem mais de 800.000 doentes espalhados por todos os continentes, dos quais mais
o país com maior índice de prevalência da doença no mundo (ver Tabela 1) e a Índia,
12
do ranking mundial. Dentre os países americanos, apenas o Brasil e o Suriname se
O que se sabe até agora, é que a principal fonte de infecção é o homem e seu
contágio dá-se em contato direto de uma pessoa doente, portadora do bacilo de Hansen,
não tratada, por vias aéreas superiores, através de gotas eliminadas no ar pela tosse, fala
podendo chegar a dormência, dos nervos, especialmente nos braços, pernas, nódulos e
alfinete sobre a mancha: se você não sentir dor, é sinal da doença.” (MS, 2002)
4
Infectividade é a capacidade do microorganismo (no caso M. Leprae) de alojar-se no organismo humano
e provocar infecção, ou seja, muitas pessoas podem ser infectadas.
5
Patogenicidade é a capacidade de um agente etiológico (no caso M. Leprae) de produzir a doença
clinicamente evidente, ou seja, poucos dos infectados adoecem.
13
que abrigam um pequeno número de bacilos no organismo, insuficiente para infectar
outras pessoas” (MS, 2002, p.13), são os casos em que aparecem até cinco lesões de
para o meio exterior, constituindo os casos Multibacilares (MB). Estes “são a fonte de
aqueles em que há mais de cinco lesões de pele e/ou mais de um tronco acometido.
residência, devem receber imunoterapia profilática com duas doses de BCG (Bacilo
de se exteriorizar. Mas a continuidade do tratamento até à cura deve ser mantida para
que o problema não se agrave tornando o bacilo mais resistente ao tratamento e ainda,
de algum órgão.
dá por causa do número de pessoas infectadas ou pelo seu longo período de incubação,
mas por sua predileção pelos nervos periféricos que causa as incapacidades físicas e
deformidades e estes fatores é que são responsáveis pelo medo, pelo preconceito e pelos
14
15
Tabela 1 - Prevalência registrada de casos de Hanseníase em tratamento com poliquimioterapia (PQT) e a detecção nos 16 principais
países endêmicos.
17
Tabela 2 - Prevalência registrada de casos de Hanseníase em tratamento com poliquimioterapia (PQT) e a detecção
nos países americanos.
18
Segundo Claro (1995) “(...) diversas doenças e agravos à saúde, bem como suas
históricos”.
A Hanseníase tem cura, mas as deformidades que ela pode causar não, e este é
membro ou, não menos grave, a lesão de um nervo provocando o atrofiamento de órgão
aposentado pelo governo. Este fato pode gerar um impacto na previdência do país,
afastando uma mão de obra economicamente ativa precocemente do trabalho. Por essa
19
eliminação6 da Hanseníase como problema de saúde pública, isto é, chegar a uma
de combate à doença.
todo território nacional cujos casos devem ser notificados utilizando uma ficha de
SINAN7.
tratamento.
6
Eliminação é a redução da morbidade a um nível de controle e vigilância da cadeia de transmissão
quando o agravo deixa de ser um problema de Saúde Pública. Eliminar é diferente de erradicar, situação
em que o agente causador, de fato, desaparece. Portanto, o termo eliminação significa a redução da fonte
de infecção que diminui a magnitude do problema, levando ao desaparecimento natural da doença, cujo
corte estabelecido pela OMS é de menos de 1 caso por 10 mil habitantes.
7
Ver modelo do questionário no Anexo 1.
20
Cabe ressaltar que, a falta do cuidado no preenchimento de todos os campos
cálculos destes indicadores e ainda, não permitiu o cálculo dos indicadores operacionais
por não haver dados suficientes que pudessem explicar algum fenômeno.
útil para identificar os fatores que participam dessa distribuição” (OPAS, 2002, p. 12).
21
Quadro 1 - Indicadores epidemiológicos
Indicadores
Construção (*) Parâmetros
epidemiológicos
Casos novos Hiperendêmico ≥ 4,0/10,000 hab.
1, Coeficiente de residentes diagnosticados Muito Alto 4,0 -| 2,0/10,0000 hab
detecção anual no ano Alto 2,0 -| 1,0/10,0000 hab
x 10.000
de casos novos, População total residente em Médio 1,0 -| 0,2/10,0000 hab
por 10,000 residente em 01/07/ano por 10,000 Baixo < 0,2/10,0000 hab
Casos novos
2. Coeficiente de residentes com 0 a 14 anos de Hiperendêmico ≥ 1,0/10,000 hab.
detecção anual idade diagnosticados no ano Muito Alto 1,0 -| 0,5/10,0000 hab
x 10.000
de casos novos na população População residente Alto 0,5 -| 0,25/10,0000 hab
de 0 a 14 anos, com idade entre 0 e 14 anos em Médio 0,25 -| 0,05/10,0000 hab
por 10,000 01/07/ano Baixo < 0,05/10,0000 hab
Casos existentes Hiperendêmico ≥ 20,0/10,000 hab.
residentes (em registro ativo) em Muito Alto 20,0 -| 10,0/10,0000 hab
31/12/ano Alto 10,0 -| 5,0/10,0000 hab
x 10.000
3, Coeficiente de População total Médio 5,0 -| 1,0/10,0000 hab
prevalência por 10,000 Residente em 31/12/ano Baixo < 1,0/10,0000 hab
prestação de serviços. Estes indicadores não serão tratados neste trabalho, tendo em
vista a falta de informações para efetuar o estudo devido a grande quantidade de campos
8
Ver anexo 2.
22
epidemiológico, com a finalidade de recomendar, executar e avaliar as atividades de
prevalência, que verifica os casos que permanecem por ano, seguido dos coeficientes de
detecção, que indica quantos casos novos são detectados em determinada população por
ano, e de detecção em menores de 15 anos, que também indica quantos casos novos são
observações de cada área serão consideradas por 10.000 habitantes. Esta forma simples
padroniza as contagens, pois, elas agora, referem-se a uma mesma população hipotética
de tamanho constante em cada área, o que permite fazer comparações entre as áreas e
23
2.4.1 – COEFICIENTE DE PREVALÊNCIA
habitantes para, de fato, medir a magnitude da doença no Estado. Este é um dos mais
está estabelecida como problema de saúde pública no local, ou não, por isso é um
que não houve mudanças nas condições epidemiológicas da doença, a aparente melhora
Estado não pode deixar de pensar na Hanseníase como um problema de saúde pública,
uma vez que existem muitos municípios com parâmetros Muito Altos e Altos de
endemia.
apresentado uma relativa baixa neste coeficiente, ao longo dos anos, ainda abrangem um
24
ES
MG
SP
ES
MG
SP
Oceano Atlântico
25
ES
MG
SP
Oceano Atlântico
20,00
Aperibé
Coeficiente de prevalência
16,00
Araruama
Belford Roxo
12,00 Cardoso Moreira
Casimiro de Abreu
8,00 Iguaba Grande
Itaboraí
Parati
4,00
Trajano de Morais
0,00
ano 1999 ano 2000 ano 2001
26
2.4.2 – COEFICIENTE DE DETECÇÃO ANUAL
novos, por 10.000 habitantes, para determinar a tendência secular da endemia e medir a
encontra-se nos níveis Alto, Muito alto e Hiperendêmico de detecção de casos novos de
Hanseníase, para todos os anos avaliados, indicando, além da incidência real da doença,
ES
MG
SP
Oceano Atlântico
27
ES
MG
SP
Oceano Atlântico
ES
MG
SP
Oceano Atlântico
28
2.4.3 – COEFICIENTE DE DETECÇÃO ANUAL EM MENORES
DE 15 ANOS
por 10.000 habitantes, determina a tendência secular da endemia, quer dizer, se este
indicador exibir graus elevados da doença e valores tendenciosos no decorrer dos anos,
significa dizer que a doença apresenta uma situação de epidemia e medidas de combate
A suposta melhora no indicador para o ano de 2001, não significa que existe
uma reversão no quadro epidemiológico, uma vez que, estamos trabalhando com dados
MG
SP
Oceano Atlântico
29
ES
MG
SP
Oceano Atlântico
ES
MG
SP
Oceano Atlântico
30
Capítulo 3 – REVISÃO DOS CONCEITOS ESTATÍSTICOS
este capítulo abordará uma breve revisão nos conceitos estatísticos de Correlação
generalizados.
correlação de Pearson:
(∑ X )(∑ Y )
∑ XY − n
rXY = , Equação 1
( X )
∑ X − ∑
2
(∑ Y ) 2
∑
2
2
Y −
n n
onde n = número de observações.
associação.
Quando r > 0 , diz-se que existe uma correlação positiva e, nesse caso, à medida
que x cresce também cresce y, e correlação negativa quando r < 0 , e nesse caso à
exatamente numa linha reta. No outro extremo, se r = 0 não existe nenhuma associação
linear.
31
3.2 REGRESSÃO LINEAR
variáveis.
os valores de x; e
do ajuste.
(Cordeiro, 1986). Eles mostraram que uma série de técnicas comumente estudadas
32
separadamente pode ser reunida sob o nome de Modelos Lineares Generalizados,
serem feitas, que podem ser contínuas e discretas, exigindo o ajuste de distribuições
µ = E (Y ) = X ⋅ β , o componente sistemático.
( )
ε = (ε1 ,L, ε n ) , o componente aleatório com ε i ~ N 0,σ 2 , i = 1,L, n .
T
Porém, explica Demétiro (2002), em muitos casos, essa estrutura aditiva entre os
.. .. Fatoração Anova
modelo:
I. Seleção do modelo;
estimadores dos parâmetros são os valores que minimizam o critério de ajuste. (Viola,
2001).
apenas porque suas propriedades teóricas são mais simples, mas, principalmente, por
35
a probabilidade de uma pessoa contrair a doença a partir das variáveis explicativas a ele
associadas.
normal.
estamos estudando, por exemplo, um indivíduo pode ter ou não hanseníase. Em geral, o
p = P(Y = 1)
.
= P(" sucesso")
resposta dicotômica, que também é sua média, para vários valores de uma ou mais
Assim, para tentar corrigir esse problema, o modelo pode ser ajustado fazendo
9
O símbolo e representa uma constante aproximada por 2,71828, que é base dos logaritmos
naturais.
36
problema, o termo e β 0 + βx pode não resultar em estimativas negativas para p, mas pode
e β 0 + βx
logística, fazendo p = , impossibilitando, portanto, valores negativos e
1 + e β 0 + βx
exigido.
e β 0 + βx
p
=
(1 + e β 0 + βx
)=e β 0 + βx
. Tomando o logaritmo natural de cada lado dessa
1− p 1
(1 + e β 0 + βx
)
equação,
p
ln
1 − p = ln e [
β 0 + βx
]
= β 0 + βx . Equação 3
Assim, assume-se que a relação entre ln[ p (1 − p )] e x seja linear. Toda essa
Porém, nesta equação foi utilizada a variável aleatória contínua original para a
análise de regressão logística. Quando os dados são discretos, não se pode aplicar o
método dos mínimos quadrados, que assume que a resposta é contínua e normalmente
37
Para modelar a probabilidade p como função de duas variáveis explicativas ou
)
p ) ) ) )
ln ) = β 0 + β1 x1 + β 2 x 2 + L + β n x n . Equação 4
1− p
No qual x1, x2, ..., xn, representam as variáveis em estudo e são tratadas como
significância estatística dos mesmos. O teste de Wald, também conhecido com teste de
seu respectivo erro padrão. Esta estatística teste tem distribuição Normal, sendo seu
especificada:
)
β
W = ) .
Var β ( )
38
3.4.3 QUALIDADE DO AJUSTAMENTO
O processo de ajuste de um modelo aos dados pode ser entendido como um meio
Em geral os β ' s não serão exatamente iguais aos y’s. A questão então é quão
discrepantes eles são, porque uma pequena discrepância pode ser tolerável enquanto que
uma grande discrepância não o é. Isto faz-se usando como referência o modelo
Este último modelo não sintetiza nada da informação contida nos dados. E o que
interessa é um modelo com menos parâmetros de forma a ser, por um lado simpes, e por
vários modos. Aqui será usada a medida formada pelo logaritmo da razão da
39
Os passos principais da sua construção podem ser vistos em Dobson (1990). A
{(
~ )
) [ ( ) ( )]} que depende apenas dos
)
N
~
expressão final é dada por D = 2∑ wi Yi θ i − θ i − b θ i − b θ i
i =1
dados. E segundo Nelder (1989) esta expressão segue formas para cinco distribuições
Binomial )
2∑ y ln y ) + (n − y )ln[(n − y ) / (n − µ )]
µ
Gamma
2∑ − ln y ) + ( y − µ ) / µ
) )
µ
∑ ( y − µ ) / (µ y )
Inverse Gaussian ) 2 ) 2
seqüência de modelos encadeados e, para cada uma dessas seqüências, faz-se um quadro
quadro 4).
40
Quadro 4 – Exemplo de análise do desvio
Modelo G. L. Desvio Dif. De Desvios Dif. De G. L. Significado
A+B+A.B 0 0 Incluídos A e B
pesquisar os efeitos de alguns termos na variação dos dados, quando outros termos já
obter o modelo com menor desvio, chegando-se ao melhor modelo, que segundo
Cordeiro (1986) “o desvio é sempre maior ou igual a zero, e à medida que covariáveis
entram na componente sistemática, o desvio decresce até se tornar zero para o modelo
completo”.
resíduos é uma ferramenta muito útil nesse sentido (...) o que se procura medir com os
ésima observação”.
41
Existem várias técnicas de análise dos resíduos para modelos lineares
generalizados, aqui será usada a análise dos resíduos da deviance, porque este mede a
42
Capítulo 4 – JUSTIFICATIVA DA HANSENÍASE NO ESTADO DO
RIO DE JANEIRO
vários fatores que podem influenciar em seu crescimento ou queda, o que iremos tentar
domicílios com esgotamento sanitário (rede geral), densidade demográfica e renda per
capita são variáveis explicativas do risco de ter hanseníase nos municípios fluminenses.
estatístico SAS.
43
densidade demográfica em relação a taxa de prevalência da hanseníase nos municípios
Janeiro para o ano de 2000, quer dizer, a variável lixo coletado parece não ser um
indicador da hanseníase.
18,00
16,00
14,00
Taxa de Prevalência da Hanseníase
12,00
10,00
8,00
6,00
4,00
2,00
0,00
0 20 40 60 80 100 120
Lixo Coletado
O cálculo da correlação linear, dado por, r = -0,050, revela que existe uma fraca
indicando 0,003, o que podemos dizer que, cerca de 99,7% da variabilidade da coleta de
lixo não pode ser descrito (ou explicado) pela variabilidade da prevalência da
hanseníase no Estado e vice-versa. Fica, portanto, claro, que existem outros fatores que
18,00
16,00
14,00
Taxa de Prevalência da Hanseníase
12,00
10,00
8,00
6,00
4,00
2,00
0,00
0 20 40 60 80 100 120
Abastecimento de água
A correlação linear de 0,077, informa que existe uma fraca correlação positiva
entre estas duas variáveis. Com coeficiente de determinação igual a 0,006 ou 0,6%, quer
dizer, cerca de 99,4% da variabilidade do abastecimento de água não pode ser descrito
O Gráfico 7, mostra que, também não parece existir associação linear entre os
45
18,00
16,00
14,00
10,00
8,00
6,00
4,00
2,00
0,00
0 10 20 30 40 50 60 70 80 90 100
esgotamento sanitário
Com grau de associação linear correspondendo -0,085, pode-se dizer que, pelo
teste de correlação linear de Pearson, existe uma fraca correlação negativa entre estas
duas variáveis. O que resulta em um coeficiente de determinação de, 0,007, quer dizer,
cerca de 99,3% da variabilidade do esgotamento sanitário não pode ser descrito (ou
46
18,00
16,00
14,00
10,00
8,00
6,00
4,00
2,00
0,00
0,00 2000,00 4000,00 6000,00 8000,00 10000,00 12000,00 14000,00
Densidade demográfica
O grau de associação linear, resulta em 0,098, informando que existe uma fraca
demográfica não pode ser descrito (ou explicado) pela variabilidade da prevalência da
O Gráfico 9 mostra que não existe correlação linear entre as variáveis renda per
47
18,00
16,00
14,00
10,00
8,00
6,00
4,00
2,00
0,00
0,000 100,000 200,000 300,000 400,000 500,000 600,000 700,000 800,000 900,000
Renda per capita
hanseníase no Estado do Rio de Janeiro revela-se em -0,14, informando que existe uma
fraca correlação linear negativa entre estas duas variáveis. Sendo assim, o coeficiente de
determinação, 0,019, indica que cerca de 98,1% da variabilidade da renda per capita não
Estado e vice-versa.
então, que yi possui uma distribuição de probabilidade, valor esperado, variância, etc. E,
48
“em termos estatísticos, as taxas das diversas áreas não são comparáveis já que possuem
3.4.1 desta dissertação, será realizado um ajuste nos dados utilizando o modelo de
regressão logística para dados binários (McCullagh e Nelder, 1989) através do programa
pˆ ˆ
ln (θ ) = ln = β 0 + βˆ1 x1 + βˆ2 x2 + βˆ3 x3 + βˆ4 x4 + βˆ5 x5 + βˆ6 x6 .
1− p
ˆ
49
Todos os modelos seguem a mesma forma de ajuste do modelo 1, as diferenças
alta de erro na escolha do modelo visando encontrar o modelo que melhor se ajuste.
50
Neste modelo, assim como em todos os seguintes, trabalha-se com interceptos
β , que têm a função de captar o nível geral do risco da hanseníase no município, com a
hipótese de que o efeito da variável explicativa, captado por β , seja constante para
modelo complexo.
log(θ i ) = β 0 + β 1 X 1i + β 2 X 2i + β 3 X 3i + β 4 X 4i + β 5 X 5i + β 6 X 1i ⋅ X 2i + β 7 X 1i ⋅ X 3i +
+ β 8 X 1i ⋅ X 4i + β 9 X 1i ⋅ X 5i + β 10 X 2i ⋅ X 3i + β 11 X 2i ⋅ X 4i + β 12 X 2i ⋅ X 5i + β 13 X 3i ⋅ X 4i +
+ β 14 X 3i ⋅ X 5i + β 15 X 4i ⋅ X 5i
β 0 - intercepto.
de lixo adequada.
água.
51
β 7 - efeito no log(θ i ) , se aumentar em 1 unidade a interação entre as taxas de
sanitário.
fluminense.
município fluminense.
52
X3i – Taxa de domicílios com esgotamento sanitário (rede geral) no i-ésimo
município fluminense.
Com as hipóteses:
p
modelo reduzido : ln = β 0 + β 1lixo + β 2 água + β 3 esgoto + β 4 dens. demo +
1 − p
H 0 = + β 5 renpcapita + β 6 lixo ⋅ água + β 7 lixo ⋅ esgoto + β 8 lixo ⋅ dens.demo +
+ β lixo ⋅ renpcapita + β água ⋅ esgoto + β água ⋅ dens.demo +
9 10 11
+ β 12 água ⋅ renpcapita + β 13 esgoto ⋅ dens.demo + β 14 esgoto ⋅ renpcapita
p
modelo completo : ln = β 0 + β 1lixo + β 2 água + β 3 esgoto + β 4 dens. demo +
1 − p
+ β 5 renpcapita + β 6 lixo ⋅ água + β 7 lixo ⋅ esgoto + β 8 lixo ⋅ dens.demo +
H 1 = + β 9 lixo ⋅ renpcapita + β 10 água ⋅ esgoto + β 11 água ⋅ dens.demo +
+ β água ⋅ renpcapita + β esgoto ⋅ dens.demo + β esgoto ⋅ renpcapita +
12 13 14
+ β 15 dens.demo ⋅ renpcapita
53
Standard
Parameter DF Estimate Error Chi-Square Pr>ChiSq
Intercept 1 -7,8560 0,7631 105,9700 <.0001
lixo 1 0,0199 0,0106 3,5500 0,0595
_gua 1 -0,0609 0,0094 41,7700 <.0001
esgoto 1 0,0577 0,0106 29,6800 <.0001
Dens_Demo 1 -0,0007 0,0003 6,7700 0,0093
renpcapita 1 0,0093 0,0037 6,1400 0,0132
lixo*_gua 1 0,0007 0,0001 27,3200 <.0001
lixo*esgoto 1 -0,0009 0,0002 31,5700 <.0001
lixo*Dens_Demo 1 0,0000 0,0000 17,2200 <.0001
lixo*renpcapita 1 -0,0002 0,0000 16,0400 <.0001
_gua*esgoto 1 -0,0001 0,0001 1,7800 0,1818
_gua*Dens_Demo 1 0,0000 0,0000 44,2900 <.0001
_gua*renpcapita 1 0,0000 0,0000 1,2700 0,2605
esgoto*Dens_Demo 1 0,0000 0,0000 0,0400 0,8432
esgoto*renpcapita 1 0,0001 0,0000 5,7900 0,0161
Dens_Demo*renpcapita 1 0,0000 0,0000 4,8500 0,0277
Scale 0 1,0000 0,0000
interações das duplas água e esgoto (P-valor 0,1818), água e renda per capita (P-valor
muito altos além disso, a variável coleta de lixo adequada passou a ter um P-valor acima
54
Pelo teste de DIC, considerando todas as variáveis e covariáveis, verifica-se que,
a partir da inclusão da interação entre lixo e renda per capita, rejeitaria a hipótese H1 ao
muitas covariáveis, a análise se tornou confusa e de acordo Cordeiro (1986) “um grande
800
600
400
200
0
mod3$Preval
55
No Gráfico 10, parece haver alguma tendência nas estimativas de p para uma
2
0
-2
-4
-6
-2 -1 0 1 2
Theoretical Quantiles
56
Histogram of model3$Resdev
30
25
20
Frequency
15
10
5
0
-5 0 5
model3$Resdev
dados.
57
Resultado do modelo apresentado nas tabelas 5 e 6.
explicativas porque possui uma probabilidade de erro na escolha do modelo menor que
5% (P-valor 0,0122).
58
1400
1200
1000
mod7$probest
800
600
400
200
0
mod7$Preval
No Gráfico 13, parece haver alguma tendência nas estimativas de p para uma
0
-5
-2 -1 0 1 2
Theoretical Quantiles
59
Pelo Gráfico 14, os resíduos da deviance seguem uma tendência linear,
Histogram of model7$Resdev
30
25
20
Frequency
15
10
5
0
-5 0 5 10
model7$Resdev
60
Tabela 7 - Teste de significância individual dos parâmetros do 3º modelo
Standard
Parameter DF Estimate Error Chi-Square Pr>ChiSq
Intercept 1 -6,1734 0,1252 2430,8200 <.0001
Lixo 1 -0,0052 0,0019 7,5100 0,0062
_gua 1 -0,0027 0,0012 5,4400 0,0197
Esgoto 1 -0,0066 0,0010 40,4300 <.0001
Dens_Demo 1 0,0000 0,0000 81,7700 <.0001
Renpcapita 1 -0,0019 0,0001 307,2300 <.0001
Scale 0 1,0000 0,0000
estudadas podem ser identificadas como variáveis indutoras da doença no Estado. Todos
modelo com a menor probabilidade possível de erro nesta escolha (Braule, 2001).
probabilidade de erro muito pequena, menor que 1%. Sendo assim, rejeita-se H 0 ao
nível de 5%, quer dizer, o efeito da variável Renda per Capita é significativo quando
61
A deviance do modelo resulta em 918,6410.
1400
1200
1000
mod2$probest
800
600
400
200
0
mod2$Preval
No Gráfico 16, parece haver alguma tendência nas estimativas de p para uma
62
Normal Q-Q Plot
10
5
Sample Quantiles
0
-5
-2 -1 0 1 2
Theoretical Quantiles
quanto à normalidade.
Histogram of model2$Resdev
30
25
20
Frequency
15
10
5
0
-10 -5 0 5 10
model2$Resdev
revelando que não há muita discrepância entre o valor observado e o valor ajustado pelo
Modelo 3.
critério de escolha foi aplicado porque todos os modelos apresentados mostraram uma
tendência a normalidade nos histogramas dos resíduos. Seguindo esse mesmo critério,
percebe-se que a magnitude do efeito das interações lixo e densidade demográfica, água
e densidade demográfica e esgoto e renda per capita são iguais a zero significativos,
(1986) “procura-se, na prática, modelos simples com desvios moderados, situados entre
chance de que o indivíduo contraia a doença diminui de 0,0052, em média. Para cada
porém, a uma magnitude razoavelmente pequena, pouco maior que 0,0000, em média.
monetária.
fluminense.
65
Tabela 9 – Probabilidade estimada do risco de ter hanseníase segundo municípios
fluminenses, 2000.
Coeficien
Municípios POP te Probab Logaritmo Risco
Prevalênc do risco do risco estimado
ia
Angra dos Reis 119247 17,33 0,000433 -7,743898 0,000433
Aperibé 8018 9,67 0,000410 -7,799843 0,000410
Araruama 82803 111,33 0,000658 -7,324941 0,000659
Areal 9899 2,67 0,000536 -7,531258 0,000536
Armação de Búzios 18204 2,67 0,000569 -7,471834 0,000569
Arraial do Cabo 23877 10,33 0,000404 -7,813411 0,000404
Barra do Piraí 88503 23,33 0,000465 -7,672105 0,000466
Barra Mansa 170753 25,33 0,000368 -7,907381 0,000368
Belford Roxo 434474 373,67 0,000699 -7,264624 0,000700
Bom Jardim 22651 2,00 0,000560 -7,486296 0,000561
Bom Jesus de Itabapoana 33655 22,00 0,000381 -7,872093 0,000381
Cabo Frio 126828 108,33 0,000513 -7,575374 0,000513
Cachoeiras de Macacu 48543 27,67 0,000573 -7,464627 0,000573
Cambuci 14670 11,33 0,000619 -7,386719 0,000619
Campos dos Goytacazes 406989 230,67 0,000541 -7,522429 0,000541
Cantagalo 19835 7,00 0,000446 -7,715284 0,000446
Carapebus 8666 0,33 0,000619 -7,387391 0,000619
Cardoso Moreira 12595 10,67 0,000779 -7,156167 0,000780
Carmo 15289 9,67 0,000513 -7,575046 0,000513
Casimiro de Abreu 22152 17,67 0,000446 -7,715107 0,000446
Comendador Levy 7924 2,00 0,000513 -7,574611 0,000513
Gasparian
Conceição de Macabú 18782 6,00 0,000558 -7,490562 0,000558
Cordeiro 18601 3,67 0,000359 -7,932638 0,000359
Duas Barras 10334 1,00 0,000615 -7,393464 0,000615
Duque de Caxias 775456 515,00 0,000533 -7,536012 0,000534
Engenheiro Paulo de 12164 6,00 0,000602 -7,415156 0,000602
Frontim
Guapimirim 37952 30,33 0,000675 -7,300840 0,000675
Iguaba Grande 15089 11,67 0,000528 -7,545309 0,000529
Itaboraí 187479 306,67 0,000831 -7,091716 0,000832
Itaguaí 82003 51,33 0,000524 -7,554271 0,000524
Italva 12621 2,33 0,000599 -7,419992 0,000599
Itaocara 23003 11,67 0,000456 -7,693607 0,000456
Itaperuna 86720 59,67 0,000386 -7,858818 0,000386
Itatiaia 24739 13,33 0,000387 -7,856081 0,000387
Japeri 83278 48,00 0,000851 -7,068734 0,000851
Lage do Muriaé 7909 2,33 0,000716 -7,241427 0,000716
Macaé 132461 38,67 0,000312 -8,072918 0,000312
Macuco 4886 1,33 0,000531 -7,540708 0,000531
Magé 205830 160,00 0,000670 -7,307083 0,000671
Mangaratiba 24901 18,00 0,000539 -7,524509 0,000540
Marica 76737 23,67 0,000704 -7,257628 0,000705
66
Mendes 17289 4,00 0,000492 -7,616714 0,000492
Miguel Pereira 23902 6,33 0,000553 -7,499942 0,000553
Miracema 27064 17,00 0,000400 -7,823156 0,000400
Natividade 15125 6,33 0,000479 -7,642515 0,000480
Nilópolis 153712 69,67 0,000475 -7,650886 0,000476
Niterói 459451 132,33 0,000163 -8,722946 0,000163
Nova Friburgo 173418 31,00 0,000321 -8,044402 0,000321
Nova Iguaçu 920599 423,33 0,000527 -7,547872 0,000527
Paracambi 40475 13,00 0,000447 -7,712747 0,000447
Paraíba do Sul 37410 6,67 0,000444 -7,718219 0,000445
Parati 29544 28,33 0,000589 -7,436550 0,000589
Paty de Alferes 24931 3,33 0,000733 -7,218124 0,000733
Petrópolis 286537 37,00 0,000342 -7,981420 0,000342
Pinheral 19481 5,00 0,000467 -7,668561 0,000467
Piraí 22118 4,33 0,000496 -7,608231 0,000496
Porciúncula 15952 6,67 0,000569 -7,471280 0,000569
Porto Real 12095 3,67 0,000497 -7,605538 0,000498
Quatis 10730 5,33 0,000519 -7,562331 0,000520
Queimados 121993 90,00 0,000682 -7,289179 0,000683
Quissamã 13674 2,00 0,000758 -7,184684 0,000758
Resende 104549 36,33 0,000281 -8,178524 0,000281
Rio Bonito 49691 10,33 0,000606 -7,407708 0,000607
Rio Claro 16228 9,00 0,000557 -7,492778 0,000557
Rio das Flores 7625 2,00 0,000682 -7,290310 0,000682
Rio das Ostras 36419 16,00 0,000676 -7,298935 0,000676
Rio de Janeiro 5857904 1345,00 0,000235 -8,356958 0,000235
Santa Maria Madalena 10476 3,67 0,000728 -7,224052 0,000729
Santo Antônio de Pádua 38692 16,00 0,000444 -7,719731 0,000444
São Fidélis 36789 11,33 0,000499 -7,602192 0,000499
São Francisco de 41145 4,33 0,001209 -6,716934 0,001210
Itabapoana
São Gonçalo 891119 662,00 0,000573 -7,464081 0,000573
São João da Barra 27682 17,67 0,000719 -7,237307 0,000719
São João de Meriti 449476 256,33 0,000742 -7,205928 0,000742
São José de Ubá 6413 1,67 0,001030 -6,877230 0,001031
São José do Vale do Rio 19278 0,67 0,000719 -7,237074 0,000719
Preto
São Pedro da Aldeia 63227 16,67 0,000494 -7,613429 0,000494
São Sebastião do Alto 8402 3,33 0,000964 -6,942970 0,000965
Sapucaia 17157 4,00 0,000456 -7,692711 0,000456
Saquarema 52461 30,67 0,000759 -7,182506 0,000760
Seropédica 65260 33,67 0,000656 -7,328438 0,000657
Silva Jardim 21265 7,00 0,000777 -7,159414 0,000778
Sumidouro 14176 0,67 0,000936 -6,973185 0,000937
Tanguá 26057 14,33 0,000757 -7,185138 0,000758
Teresópolis 138081 17,00 0,000523 -7,555861 0,000523
Trajano de Morais 10038 8,00 0,000911 -7,000391 0,000912
Três Rios 71976 25,00 0,000371 -7,898457 0,000371
Valença 66308 42,67 0,000387 -7,856971 0,000387
67
Varre e Sai 7854 1,00 0,000888 -7,025429 0,000889
Vassouras 31451 8,00 0,000507 -7,586842 0,000507
Volta Redonda 242063 50,33 0,000287 -8,154199 0,000288
eliminação.
10
A maioria dos municípios se encontram na classe de 5 a 9,99 indicando, de acordo classificação de
parâmetros do Quadro 1, localizado na página 20 desta dissertação, situação endêmica Alta.
68
com a situação socioeconômica do local e com os níveis de infra-estrutura urbana nos
municípios.
de ter hanseníase, sendo São José de Ubá e São Francisco de Itabapoana os municípios
Por outro lado, municípios como do Rio de Janeiro, de Niterói, a maioria dos
11
Parâmetros definidos no Quadro 1, pg 20 desta dissertação.
12
Segundo a Fundação CIDE-RJ a Região do Médio Paraíba é composta pelos municípios: Barra do
Piraí, Barra Mansa, Itatiaia, Pinheiral, Piraí, Porto Real, Quatis, Resende, Rio Claro, Rio das Flores,
Valença e Vota Redonda.
69
Cartograma 14 – Proporção de domicílios com coleta de lixo adequada, Rio de
Janeiro, 2000.
hanseníase e Trajano de Morais e São Sebastião do Alto com níveis muito alto de
ter hanseníase, que a variável coleta de lixo possui forte influência na variação dos níveis
da doença.
70
Por outro lado, municípios como Rio de Janeiro, Niterói, Angra dos Reis e
uma faixa de municípios que parte da Região das Baixadas Litorâneas14 , como Iguaba
Grande, Cabo Frio, Casimiro de Abreu e Rio das Ostras, estendendo-se pelo interior por
Petrópolis e depois outros dentro da Região do Médio Paraíba como Barra do Piraí,
Volta Redonda, Pinheiral, Barra Mansa, Porto Real, Resende e Itatiaia, apresentam altos
riscos de hanseníase.
quanto maior a proporção de domicílios com coleta de lixo adequada o município pode
13
Percentuais dos domicílios com coleta de lixo adequada nos municípios fluminenses mostrados no
Anexo 1.
14
Segundo a Fundação CIDE-RJ os municípios que compõe a Região das Baixadas Litorâneas são:
Araruama, Armação dos Búzios, Arraial do Cabo, Cabo Frio, Cachoeiras de Macacu, Casimiro de Abreu,
Iguaba Grande, Maricá, Rio Bonito, Rio das Ostras, São Pedro da Aldeia, Saquarema e Silva Jardim.
15
Segundo a Fundação CIDE-RJ a Região Serrana é composta pelos municípios: Bom Jardim, Cantagalo,
Carmo, Cordeiro, Duas Barras, Macuco, Nova Friburgo, Petrópolis, Santa Maria Madalena, São José do
Vale do Rio Preto, São Sebastião do Alto, Sumidouro, Teresópolis e Trajano de Morais.
71
Cartograma 15 - Proporção de domicílios com abastecimento de água (rede geral),
Rio de Janeiro, 2000.
variável porporção de domicílios com abastecimento de água não parece ser um fator
72
Cartograma 16 – Proporção de domicílios com esgotamento sanitário, Rio de Janeiro,
2000.
16, percebemos no estado do Rio de Janeiro, que apenas cinco municípios (Volta
Redonda, Porto Real, Resende, Três Rios e Bom Jesus do Itabapoana) possuem índices
mais adequados, sendo que os mesmos estão entre os municípios que apresentam
sanitário. Portanto, ao cruzar os dados espacializados, nota-se uma relação direta entre
16
Percentuais dos domicílios com esgotamento sanitário nos municípios fluminenses mostrados no
Anexo 1.
73
Outros municípios localizados nas áreas mais claras do cartograma apresentam
baixos percentuais de domicílios com esgotamento sanitário, mas alguns deles não se
encontram dentre os municípios em situação de alerta em risco de ter alto risco de ter
hanseníase por talvez possuir altos percentuais nas outras variáveis de condições de vida
investigadas ou por influência de outros fatores que não foram estudados aqui.
17
Densidade demográfica dos municípios fluminenses mostrados no Anexo 1.
74
hanseníase, apesar de ter revelado uma estimação razoavelmente pequena na reta de
regressão logística18 e que, apesar de ser um fraco influenciador, quando somados aos
que apresentam menor renda per capita do Estado e são esses que possuem maior
probabilidade de ter hanseníase, sejam São Francisco de Itabapoana, São José de Ubá,
18
Lembrando que, para cada aumento de 1% na densidade demográfica, o logaritmo da chance de que o
indivíduo contraia a doença aumente a uma magnitude pouco maior que 0,0000 em média.
19
Renda per capitã dos municípios fluminenses no anexo 1.
75
CAPÍTULO 5 – CONSIDERAÇÕES FINAIS
algumas unidades da federação, como no Estado do Rio de Janeiro nos últimos anos, o
habitantes até o início do terceiro milênio, a meta ainda não foi alcançada e a doença
apenas para a Índia. Nas Américas, o país lidera a primeira posição em termos de
prevalência e detecção de casos novos. No ano de 2000, o registro de casos no Brasil era
longo dos anos, indicando que não houve favoráveis mudanças nas condições
epidemiológicas.
problema de saúde pública, pois, existem muitos municípios com parâmetros Muito
Alto e Altos de endemia, e são por causa destes municípios que o Rio de Janeiro é o
primeiro Estado da região sudeste com maior incidência da doença com 7.469 novos
76
O não preenchimento total do formulário do Sistema de Informação de
Ainda que trabalhando com dados pouco confiáveis, pudemos constatar, pelo
significativamente.
vice-versa.
Supõe-se então que, com a solução dos problemas voltados à melhoria nas
também, uma queda nas taxas por doenças infecto-contagiosas, uma vez que, estas,
estão fortemente correlacionadas a tais variáveis (Carvalho & Zequim, 2003 e Amigo et
al, 1985).
77
Além da melhoria das condições de vida da população, os órgãos do governo
descrição de como o risco de ter hanseníase está associado com as variáveis explicativas
a probabilidade de uma pessoa contrair a doença a partir das variáveis explicativas a ele
associadas.
pode envolver qualquer pessoa e que tem cura. E ainda, qualificação de agentes de
relação ao espaço e tempo nos municípios do estado utilizando-se outras técnicas como
78
REFERÊNCIAS BIBLIOGRÁFICAS
79
Demétrio, Clarice Garcia Borges. Modelos Lineares
Generalizados em Experimentação Agrônoma. Piracicaba/SP:
ESALQ/USP, 2002.
80
Nelder, J. A. e Wedderburn, R. W. M. Generalized linear
models. Journal of the Royal Statistical Society, A, 135,
3, 370-84, 1972.
81
Mestrado em epidemiologia. Escola Paulista de Medicina.
Universidade de São Paulo, 1999, 109p.
WHO - World Health Organization. Action programe for the elimination of leprosy.
Status Report. Genévre: WHO, 2003.
82
ANEXOS
83
Anexo 1 – Indicadores de Condições de vida e probabilidade de ter hanseníase no
Estado do Rio de Janeiro, 2000.
Municípios RENPCAPITA DENSDEMO LIXO AGUA ESGOTO probest
Angra dos Reis 275,657 148,98 96 87 50 0,00517
Aperibé 240,163 90,31 82 90 78 0,00033
Araruama 259,361 130,65 79 80 7 0,00545
Areal 246,751 88,79 95 61 37 0,00053
Armação de Búzios 376,182 262,73 92 38 4 0,00104
Arraial do Cabo 303,297 156,77 98 68 59 0,00096
Barra do Piraí 274,572 152,99 91 66 52 0,00412
Barra Mansa 286,406 311,91 96 82 75 0,00628
Belford Roxo 182,326 5445,15 88 72 53 0,03039
Bom Jardim 242,709 58,84 68 52 56 0,00127
Bom Jesus de Itabapoana 242,489 56,24 84 84 89 0,00128
Cabo Frio 311,034 316,52 94 53 31 0,00650
Cachoeiras de Macacu 219,202 50,79 71 69 50 0,00278
Cambuci 199,087 26,12 63 69 50 0,00091
Campos dos Goytacazes 247,200 100,94 87 68 39 0,02200
Cantagalo 254,143 26,49 76 74 72 0,00088
Carapebus 203,222 28,37 79 36 50 0,00054
Cardoso Moreira 166,050 24,46 63 65 26 0,00098
Carmo 270,972 47,60 87 87 32 0,00078
Casimiro de Abreu 286,863 48,07 91 74 51 0,00099
Comendador Levy Gasparian 204,318 73,87 87 85 52 0,00041
Conceição de Macabú 213,908 53,92 88 33 57 0,00105
Cordeiro 275,430 160,29 95 91 78 0,00067
Duas Barras 204,890 27,54 74 49 49 0,00064
Duque de Caxias 226,138 1669,18 89 69 56 0,04135
Engenheiro Paulo de Frontim 243,173 87,51 87 31 39 0,00073
Guapimirim 234,770 105,18 78 46 25 0,00256
Iguaba Grande 332,745 281,51 95 68 13 0,00080
Itaboraí 202,289 441,94 60 24 28 0,01558
Itaguaí 246,447 301,97 89 75 41 0,00429
Italva 212,045 42,61 72 70 44 0,00076
Itaocara 287,500 53,69 67 75 66 0,00105
Itaperuna 261,874 78,44 87 87 78 0,00335
Itatiaia 295,867 109,97 97 90 59 0,00096
Japeri 156,450 1005,38 58 63 27 0,00708
Lage do Muriaé 166,939 31,57 69 70 32 0,00057
Macaé 392,943 108,94 94 89 67 0,00413
Macuco 230,846 63,39 93 91 32 0,00026
Magé 209,612 533,66 84 47 31 0,01380
Mangaratiba 330,353 70,81 89 65 15 0,00134
Marica 321,411 211,70 72 22 9 0,00540
Mendes 306,135 497,28 91 61 39 0,00085
Miguel Pereira 379,551 83,18 90 25 13 0,00132
Miracema 236,979 89,22 90 88 77 0,00108
Natividade 242,384 39,08 80 77 60 0,00073
Nilópolis 298,295 8023,80 99 96 78 0,00731
Niterói 809,179 3551,31 97 78 73 0,00748
84
Nova Friburgo 366,842 185,94 95 79 74 0,00556
Nova Iguaçu 237,503 1757,24 88 81 51 0,04851
Paracambi 269,846 225,65 90 68 60 0,00181
Paraíba do Sul 264,554 64,41 86 81 59 0,00166
Parati 312,069 31,82 82 70 10 0,00174
Paty de Alferes 209,984 78,13 70 45 26 0,00183
Petrópolis 399,933 369,91 96 51 67 0,00979
Pinheral 240,535 253,68 94 77 55 0,00091
Piraí 265,410 43,76 86 71 46 0,00110
Porciúncula 180,796 52,79 77 77 54 0,00091
Porto Real 212,553 239,09 95 71 55 0,00060
Quatis 237,538 37,49 89 70 45 0,00056
Queimados 183,001 1585,95 87 66 33 0,00833
Quissamã 181,911 19,10 78 65 14 0,00104
Resende 365,445 93,89 97 95 86 0,00293
Rio Bonito 276,194 107,52 79 50 27 0,00301
Rio Claro 203,345 19,29 75 58 60 0,00090
Rio das Flores 186,451 15,96 77 76 25 0,00052
Rio das Ostras 331,432 157,92 93 4 3 0,00246
Rio de Janeiro 596,646 4954,68 99 98 78 0,13749
Santa Maria Madalena 203,235 12,84 65 53 29 0,00076
Santo Antônio de Pádua 242,034 63,22 78 76 74 0,00172
São Fidélis 212,837 35,78 71 73 71 0,00184
São Francisco de Itabapoana 156,004 37,02 35 24 1 0,00497
São Gonçalo 268,787 3576,75 91 80 40 0,05106
São João da Barra 177,326 60,36 76 63 26 0,00199
São João de Meriti 233,119 12901,89 98 95 64 0,03333
São José de Ubá 199,513 25,59 40 36 4 0,00066
São José do Vale do Rio
Preto 215,827 80,34 85 34 20 0,00139
São Pedro da Aldeia 259,388 186,16 90 84 41 0,00312
São Sebastião do Alto 171,428 21,15 43 40 18 0,00081
Sapucaia 249,968 31,75 69 65 79 0,00078
Saquarema 266,644 147,91 73 22 12 0,00398
Seropédica 234,746 229,96 80 86 12 0,00428
Silva Jardim 194,357 22,66 66 36 28 0,00165
Sumidouro 218,621 35,87 57 26 4 0,00133
Tanguá 180,775 177,71 78 25 32 0,00197
Teresópolis 366,612 179,21 91 64 9 0,00722
Trajano de Morais 209,260 17,03 46 51 9 0,00091
Três Rios 262,505 221,81 88 92 82 0,00267
Valença 267,720 50,82 89 78 78 0,00257
Varre e Sai 176,022 41,61 59 42 16 0,00070
Vassouras 285,551 56,93 81 71 41 0,00159
Volta Redonda 348,171 1327,70 99 98 93 0,00696
Renpcapita – Renda per capita dos municípios fluminenses no ano de 2000.
Densdemo – Densidade demográfica dos municípios fluminenses no ano de 2000.
Lixo – Percentual dos domicílios com lixo coletado em 2000.
Agua – Percentual dos domicílios com abastecimento de água em 2000.
Esgoto – Percentual dos domicílios com esgotamento sanitário em 2000.
Probest- Probabilidade estimada do risco de ter hanseníase em 2000.
85
Anexo 2 – Ficha de Notificação – Hanseníase.
90
91
92
Anexo 4 - Coeficiente de prevalência da Hanseníase no Brasil, segundo Regiões e Unidades da Federação - 1993 a 2000.