Sheila Rebeca Rodrigues Da Silva TC

ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NO
ESTADO DO RIO DE JANEIRO
Sheila Rebeca Rodrigues da Silva
Rio de Janeiro
Agosto, 2005
i
ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NO
ESTADO DO RIO DE JANEIRO
Sheila Rebeca Rodrigues da Silva
Dissertação submetida ao corpo docente da Escola Nacional de Ciências Estatísticas –

ENCE/IBGE, como parte dos requisitos necessários à obtenção do título de Mestre.
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
Muitos foram os que me ajudaram e torceram por mim

para conquista de mais uma vitória na minha vida. Agradeço
de todo coração o conforto, carinho, atenção dada a mim sem
a preocupação de algo em troca.
Mas não citá-los aqui neste espaço seria ingratidão

minha, mas acredito que posso perder a lembrança de alguém
e por isso, desde já, peço desculpa por um eventual
esquecimento.
Primeiramente, quero agradecer a Deus por ter me

tomado em suas mãos e não ter permitido a minha queda;
várias foram às vezes que pensei em desistir e se não fosse
por sua intervenção, colocando pessoas maravilhosas no meu
caminho, não teria conseguido.
Dentre estas pessoas estão meus pais, duas riquezas

inestimáveis na minha vida. É por causa deles que venho
realizando meus sonhos e vontades, sempre cruzando batalhas
em busca do meu sucesso. A eles, muito obrigada.
Também agradeço a meus irmãos que sentem muito minha

falta e estão constantemente orando por mim. Sademberg,
Saadia muito obrigada.
Ricardo, cunhadinho do coração, muito obrigada pela

presteza e resolução dos meus problemas em Pernambuco. Você
também foi muito importante nesta minha trajetória.
Não poderia esquecer inclusive de todos os meus

familiares que estão sempre torcendo e me aplaudindo de pé,
citar nomes seria exaustivo, a família é grande, por isso a
todos meus parentes muito obrigada.
Claro que não posso deixar de lembrar de Missilene,

uma prima distante que mesmo sem me conhecer, me acolheu em
sua casa, na Ilha do Governador e permitiu minha estadia
pelo tempo necessário.
Quero agradecer ainda a meus orientadores Júlia e

Cássio que com atenção me ajudaram a continuar, sempre me
auxiliando e me conduzindo ao caminho certo e ao sucesso do
meu trabalho, a vocês meus orientadores muitíssimo
obrigada.
Agradeço ainda ao professor e amigo Cezar Cerqueira,

da UNICAP, que não negou esforços na tentativa de me ajudar
a entender um software.
Ao professor Marcos Ferreira, da UFRJ, obrigada pela

atenção e apoio.
v
Ao grande amigo José Rodrigo muito obrigada pela
atenção, carinho e dedicação.
Meus amigos, obrigada pelo incentivo, apoio e momentos

de alegria dispensados a mim. Em especial, agradeço a
Alessandra Silveira, Daniela Chaves, Celso leite, Renato,
Gláucio Brandão, Luciana, Fábio, Darlene, Adão, Talita,
Vânia, Juliana, Geovana, Alceu e Léa por sempre estarem ao
meu lado e nunca esquecendo de mim, sempre me dando carinho
e atenção nas horas certas.
Agradeço a todos os colegas do mestrado, em especial

aos que me marcaram e que nunca esquecerei porque estarão
sempre no meu coração, Fatmato Hany, Mônica Pichet,
Cristina Lins, Italmar, Denise, Vítor Stuart, Herbert,
Juciano, Leonardo, Arlindo, Rita, Humberto e Augusto, meus
amigos, muito obrigada.
Agradeço também a todos os funcionários da ENCE, em

especial aos do GERINF e a Neuzinha que se tornaram meus
amigos e sempre me ajudaram como puderam.
Aos colegas da graduação obrigada pela força.
Por fim, quero agradecer a Cristiane Ferle e Carina,

pelo efeito de esperança que provocaram em mim e a vontade
de continuar seguindo meus sonhos acreditando sempre nos
propósitos de Deus.
vi
ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE
NO ESTADO DO RIO DE JANEIRO
Autora: Sheila Rebeca Rodrigues da Silva

Orientadores: Júlia Célia Mercedes Strauch
Cássio Freitas Pereira de Andrade
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.
PALAVRAS CHAVES: Epidemiologia; Hanseníase; Regressão logística;

Geoprocessamento.
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
“Não se pode ensinar tudo a

alguém, pode-se apenas ajudá-lo a
encontrar por si mesmo”.
Galileu Galilei
“Escrever é fácil: você começa

com uma letra maiúscula e
termina com um ponto final. No
meio você coloca as idéias”.
Pablo Neruda
ix
"Mas é preciso ter manha, é
preciso ter graça, é preciso ter
sonho, sempre, quem traz na pele
essa marca possui a estranha
mania de ter fé na vida".
Milton Nascimento/F. Brant
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
CAPÍTULO 2 - HANSENÍASE NO ESTADO DO RIO DE JANEIRO: ESTUDO

EPIDEMIOLÓGICO 11
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
CAPÍTULO 3 – REVISÃO DOS CONCEITOS ESTATÍSTICOS 31
3.1 CORRELAÇÃO LINEAR 31

3.2 REGRESSÃO LINEAR 32
3.3 COEFICIENTE DE DETERMINAÇÃO OU R2 32
3.4 MODELOS LINEARES GENERALIZADOS 32
3.4.1 MODELO DE REGRESSÃO LOGÍSTICA 35
3.4.2 O TESTE SEGUNDO A ESTATÍSTICA DE WALD 38
3.4.3 QUALIDADE DO AJUSTAMENTO 39
3.4.5 ANÁLISE DA ‘DEVIANCE’ 40
CAPÍTULO 4 – JUSTIFICATIVA DA HANSENÍASE NO ESTADO DO RIO DE

JANEIRO 43
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
4.5 ANÁLISE ESPACIAL DA HANSENÍASE 69
CAPÍTULO 5 – CONSIDERAÇÕES FINAIS 76
REFERÊNCIAS BIBLIOGRÁFICAS 79
ANEXOS 83
xi
LISTA DE CARTOGRAMAS
Cartograma 1 - Situação epidemiolócia da hanseníse nos estados brasileiros, 2000. _ 3
Cartograma 2 - Municípios do Estado do Rio de Janeiro, 2000. _________________ 8
Cartograma 3 - Índice de Desenvolvimento Humano Municipal, Rio de Janeiro, 2000. 9
Cartograma 4 – Coeficiente de prevalência da Hanseníase no Estado do Rio de
Janeiro, 1999. ________________________________________________________ 25
Cartograma 5 - Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,
2000. _______________________________________________________________ 25
2001. _______________________________________________________________ 26
Cartograma 7 - Coeficiente de detecção anual da Hanseníase no Estado do Rio de
Janeiro, 1999. ________________________________________________________ 27
Janeiro, 2000. ________________________________________________________ 28
Janeiro, 2001. ________________________________________________________ 28
Cartograma 10 – Coeficiente de detecção anual da Hanseníase em menores de 15 anos
no Estado do Rio de Janeiro, 1999. _______________________________________ 29
Cartograma 11 - Coeficiente de detecção anual da Hanseníase em menores de 15 anos
xii
Cartograma 13 – Risco estimado de ter hanseníase nos municípios fluminenses, 2000.
___________________________________________________________________ 68
Cartograma 14 – Proporção de domicílios com coleta de lixo adequada, Rio de
Janeiro, 2000. ________________________________________________________ 70
Cartograma 15 - Proporção de domicílios com abastecimento de água (rede geral),
Rio de Janeiro, 2000. __________________________________________________ 72
Cartograma 16 – Proporção de domicílios com esgotamento sanitário, Rio de Janeiro,
2000. _______________________________________________________________ 73
Cartograma 17 – Densidade demográfica segundo municípios do Rio de Janeiro, 2000.
___________________________________________________________________ 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
poliquimioterapia (PQT) e a detecção nos 16 principais países endêmicos. _______ 17
Tabela 3 - Prevalência registrada de casos de Hanseníase em tratamento com
poliquimioterapia (PQT) e a detecção _____________________________________ 18
Tabela 4 - Teste de significância individual dos parâmetros do 1º modelo_________ 53
Tabela 5 - Teste de DIC do 1º modelo _____________________________________ 54
Tabela 7 – Teste de DIC do Modelo 2 _____________________________________ 58
Tabela 9 - Teste de DIC do 3º modelo _____________________________________ 61
Tabela 10 – Probabilidade estimada do risco de ter hanseníase segundo municípios
fluminenses, 2000. ____________________________________________________ 66
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
Rio de Janeiro. ______________________________________________________________________4
Gráfico 3 - Coeficiente de Detecção de Casos Novos de Hanseníase na série histórica 1991 a 2000,
Brasil e estado do Rio de Janeiro.________________________________________________________5
Gráfico 4 - Evolução dos municípios com alto coeficiente de Hanseníase no Rio de Janeiro para os anos
de 1999 a 2001. _____________________________________________________________________26
Gráfico 5 - Correlação entre o lixo e prevalência da hanseníase no Estado do Rio de Janeiro, 2000. __44
Gráfico 6 - Correlação entre abastecimento de água e prevalência da hanseníase no Estado do Rio de
Janeiro, 2000. ______________________________________________________________________45
Gráfico 7 - Correlação entre esgotamento sanitário e prevalência de hanseníase no Estado do Rio de
Janeiro, 2000. ______________________________________________________________________46
Gráfico 8 - Correlação linear entre densidade demográfica e prevalência da hanseníase no Estado do
Rio de Janeiro, 2000. ________________________________________________________________47
Gráfico 9 – Correlação linear entre renda per capita e prevalência da hanseníase no Estado do Rio de
Janeiro, 2000. ______________________________________________________________________48
Gráfico 10 – Observados vs Previstos ___________________________________________________55
Gráfico 11 – Resíduo de Deviance do Modelo 1 ____________________________________________56
Gráfico 12 – Histograma dos resíduos da Deviance do Modelo 1 ______________________________57
Gráfico 13 – Observados vs Previstos ___________________________________________________59
Gráfico 14 – Resíduo de Deviance do Modelo 7 ____________________________________________59
Gráfico 16 – Observados vs Previsto ____________________________________________________62
Gráfico 17 – Resíduo de Deviance do Modelo 3____________________________________________63

xv
xvi
Capítulo 1 - INTRODUÇÃO
1.1 MOTIVAÇÃO
A Hanseníase sempre foi uma enfermidade preocupante para a área da saúde
porque o bacilo atinge a pele e os nervos periféricos (aqueles localizados fora do
cérebro e da medula espinhal) levando a incapacidades físicas e, conseqüentemente, a
graves problemas sociais.
Isto se deve ao fato de ser uma doença transmissível, mutilante e incapacitante1 e
que, por causa disso, além da questão psicológica que envolvia os doentes, estes
enfrentavam dificuldades financeiras por não conseguirem trabalho.
De acordo com as estatísticas da Organização Mundial de Saúde - OMS (2000)
existem no mundo 1.260.000 casos estimados da doença, em 60 países endêmicos, com
940.000 casos registrados em tratamento, cerca de 560.000 novos casos detectados a
cada ano, e ainda, entre 1 e 2 milhões de pessoas portadoras de incapacidades físicas
decorrentes da doença. Hoje, mais de 10 milhões de pacientes já estão curados com a
implantação da poliquimioterapia, só no Brasil mais de 300.000.
Porém, o Brasil, conforme relatórios estatísticos recentes, é, no entanto, o país
no mundo com maior índice de prevalência da doença, e, apesar de ter obtido uma
“redução drástica no número de casos, de 19 para 4,68 doentes em cada 10.000
habitantes, no período compreendido entre 1985 a 2000, a hanseníase ainda se constitui
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
irregular. As regiões Norte, Nordeste e Centro-Oeste são as que apresentam as maiores
taxas de detecção e prevalência da doença.
Mesmo se encontrando em melhores condições epidemiológicas que o restante
do país, a região Sudeste possuía, em 2000, um nível médio de prevalência da
hanseníase de 2,94 para cada 10.000 habitantes e conforme podemos visualizar, no
Gráfico 1, este coeficiente se mostra transcendente à recomendação da OMS.
Gráfico 1 – Casos novos de hanseníase, por região – 1990 a 2000.

Fonte: MS, 2002
O Estado do Rio de Janeiro contribuiu com um coeficiente de prevalência de
5,36. É o segundo maior do Sudeste, perdendo apenas para o Estado do Espírito Santo
que se encontra com 6,07 de prevalência da hanseníase (Cartograma 1).
2
1:23.663.213
Cartograma 1 - Situação epidemiológica da hanseníse nos estados brasileiros, 2000.

Fonte: MS, 2002
Os Gráficos 2 e 3 apresentam claramente as similaridades na tendência da
endemia, expressa pelas curvas de taxas de prevalência e de detecção de casos novos
entre o Brasil e o estado do Rio de Janeiro na série histórica 1991 a 2000.
3
Gráfico 2 - Coeficiente de Prevalência de Hanseníase na
série histórica 1991 a 2000, Brasil e estado do Rio de
Janeiro.
Fonte: MS, 2002
Observa-se no Gráfico 2, que, em todo o período de análise, as taxas de
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
número de casos da doença no parâmetro de eliminação da hanseníase como problema
de saúde pública, definidos pela OMS (2000).
Os dados epidemiológicos de hanseníase referentes à detecção de casos novos
apresentados no Gráfico 3 mostram a manutenção de uma alta endemicidade (maior de
1/10.000 habitantes) em ambas as áreas.
4
__ __ __ Brasil ______ Rio de Janeiro
Gráfico 3 - Coeficiente de Detecção de Casos Novos de Hanseníase na série histórica

1991 a 2000, Brasil e estado do Rio de Janeiro.
Fonte: MS, 2002
Em nível de Brasil, o ano de 1996 foi o que apresentou o maior índice de
incidência 2,54/10.000 habitantes. Esta informação se deve, provavelmente, a melhoria
na qualidade das informações, uma vez que, foi implantado o SINAN (Sistema de
Informações de Agravos de Notificação). Em relação ao Estado do Rio de Janeiro, o
ápice no decorrer dos anos da taxa, observado no ano de 1998, é explicado pela
Campanha de Eliminação da Hanseníase (LEC) em 35 municípios do estado, elevando o
coeficiente de detecção naquele período (MS, 2000).
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
doença em ambos os grupos analisados. Uma situação preocupante tendo em vista os
agravos desta doença, e que por isso, merece uma investigação aprofundada no assunto.
1.2 OBJETIVO
Este trabalho tem por objetivo geral analisar a distribuição espacial da
Hanseníase no Estado do Rio de Janeiro no ano de 2000 e verificar se existe alguma
relação entre as condições de vida da população e a Hanseníase. Considerando as
variáveis: percentual de domicílios com lixo coletado; percentual de domicílios com
abastecimento de água (rede geral); percentual de domicílios com esgotamento
sanitário; densidade demográfica; IDHM e renda per capita para todos os municípios
fluminenses.
Para alcançar o objetivo geral, este trabalho tem por objetivos específicos:
• Levantar e analisar dados que possibilitem construir alguns indicadores
epidemiológicos, que permitam medir a transcendência do problema de
saúde pública na população fluminense, verificando sua situação no período
de 1999 a 2001, representando-os em Cartogramas; e
• Investigar as possíveis variáveis explicativas na prevalência da Hanseníase
no Estado, para que se torne possível à associação ou confirmação dessas
variáveis com a doença.
6
Com os resultados, poderão ser apresentadas recomendações e sugestões aos
gestores do estado do plano visando à melhoria do processo de eliminação da
hanseníase no Rio de Janeiro.
1.3 CARACTERIZAÇÃO DA ÁREA DE ESTUDO: RIO DE

JANEIRO
O Estado do Rio de Janeiro, apresentado no Cartograma 2, está localizado no
sudeste do Brasil, e compreende uma área de 43.797,4 Km2, distribuída em 91
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.
A malha hidrográfica do Estado do Rio de Janeiro é principalmente constituída
pelos rios Paraíba do Sul, Macaé, Paquequar, Grande, Piraí e Muriaé.
No último censo, apresentou uma população de 14.391.282 habitantes. Sua
distribuição por sexo revela 6.900.335 homens e 7.490.947 mulheres. A população é
predominantemente urbana 13.821.466 (96,04%) com apenas 569.816 habitantes na
zona rural.
É o segundo maior contribuinte na economia brasileira, ficando atrás apenas
para o estado de São Paulo. Possui grande potencial turístico, além de relevante parque
industrial. É ainda, onde se concentram as maiores jazidas de petróleo do país,
localizadas na plataforma continental a nordeste, no município de Campos.
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
RIO DE JANEIRO NITEROI

-23 -23
PARATI
Oceano Atlântico
100 0 100 200 Kilometers
-45 -44 -43 -42 -41
Cartograma 2 - Municípios do Estado do Rio de Janeiro, 2000.
Para caracterizar a socioeconomia dos municípios do Rio de Janeiro temos o
Índice de Desenvolvimento Humano Municipal (IDH-M) proposto pelo Programa das
Nações Unidas para o Desenvolvimento (PNUD, 1990).
8
Cartograma 3 - Índice de Desenvolvimento Humano Municipal, Rio de Janeiro, 2000.
Trata-se de um indicador que permite explicitar uma
comparação da renda per capita, esperança de vida e
escolarização entre as diferentes dimensões de
desenvolvimento consideradas.
Como podemos visualizar no Cartograma 3, em 2000, o
estado se encontrava em sua maioria ao nível médio de
desenvolvimento, destacando-se apenas os municípios de Rio
de Janeiro, Niterói, Nova Friburgo, Petrópolis, Volta
Redonda, Barra Mansa, Resende e Itatiaia nos níveis mais
altos de desenvolvimento humano.
9
1.4 ORGANIZAÇÃO DA DISSERTAÇÃO
No segundo capítulo será realizada uma análise exploratória dos dados,
calculando as taxas de prevalência e de detecção da Hanseníase nos municípios do
Estado do Rio de Janeiro representando-as em Cartogramas com a finalidade de medir a
magnitude da doença.
No terceiro capítulo, será realizado uma breve revisão nos conceitos estatísticos
de Correlação Linear, no Coeficiente de Determinação - R2, Regressão Linear e
Modelos Lineares generalizados.
No quarto capítulo, será efetuada a modelagem estatística para verificar o risco
da hanseníase e perceber quais variáveis podem influenciar na prevalência da doença no
Estado, utilizando-se do Modelo de Regressão Logística.
No quinto e último capítulo são realizadas as considerações finais deste trabalho
apresentando as conclusões e sugestões para trabalhos futuros.
10
Capítulo 2 - HANSENÍASE NO ESTADO DO RIO DE JANEIRO:
ESTUDO EPIDEMIOLÓGICO
2.1 A HANSENÍASE
A hanseníase é uma doença infecto-contagiosa, cujo agente etiológico é o
Mycobacterium Leprae2 (Velloso e Andrade, 2002, p.13), de evolução lenta que se
manifesta através de sinais e sintomas dermatoneurológicos3: lesões na pele e nos
nervos periféricos. É curável, se diagnosticada e tratada precocemente.
A época exata de seu surgimento é ainda, uma dúvida pertinente entre os vários
profissionais da área. Segundo Nogueira (2002) “a hanseníase foi durante séculos o
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
adotar, a única medida encontrada era o isolamento, isto é, a internação compulsória de
todos os pacientes de hanseníase.
O Brasil adotou esse modelo isolacionista no início da década de 1930,
afastando os doentes da comunidade e internando-os em Asilos-Colônias, chegando a
ter mais de 30 leprosários.
A descoberta de um medicamento eficaz no combate a doença teve início
somente na década de 1940 com as Sulfanas, seguido da Clofazimina na década de 1960
e a Rifampicina na década de 1970. Os resultados obtidos com o uso destes
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
aproximadamente cinco anos.
Foi a partir daí, que observaram que o convívio social não trazia riscos, então se
iniciou um movimento de reintegração dos doentes ao convívio social e conscientização
para que o tratamento fosse feito em ambulatórios. Todavia, o modelo isolacionista foi
somente abolido no país em 1962, e, na prática, segundo Nogueira (2002) “continuou
acontecendo ainda por vários anos, contribuindo para o preconceito social ainda hoje
observado na população em geral”.
Com o passar do tempo, por possuir um longo período de tratamento, o bacilo
tornou-se resistente aos medicamentos, por isso, a partir do início da década de 1980 a
Organização Mundial de Saúde propôs o uso concomitante dos três medicamentos
citados anteriormente. Essa técnica passou a ser chamada de Poliquimioterapia que
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,
nestes últimos 10 anos foram CURADOS mais de 10 milhões de doentes no mundo,
dentre os quais mais de 300.000 no Brasil” (Nogueira, 2002).
Nogueira (2002) ressalta também que, “a cadeia de transmissão ainda
permanece no mundo e no Brasil e, apesar dos importantes avanços observados, ainda
existem mais de 800.000 doentes espalhados por todos os continentes, dos quais mais
de 60.000 estão no Brasil, que é o segundo no mundo em número absoluto de doentes”.
Apesar disto, relatórios estatísticos recentes revelaram que o Brasil é, no entanto,
o país com maior índice de prevalência da doença no mundo (ver Tabela 1) e a Índia,
que possui o maior número de casos absolutos de Hanseníase, se encontra na 4º posição
12
do ranking mundial. Dentre os países americanos, apenas o Brasil e o Suriname se
encontram em alto nível de prevalência da Hanseníase (ver Tabela 2).
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
e espirro. No entanto, a manifestação e as diferentes formas da doença na pessoa
infectada pelo bacilo, dependem, entre outros fatores, da relação parasita/hospedeiro e
pode ocorrer após um longo período de incubação, de 2 a 7 anos.
Dependendo do grau de resistência do indivíduo e da evolução da doença, uma
grande variedade de sintomas e sinais podem ser observados. Os principais sintomas
são: manchas esbranquiçadas ou avermelhadas no corpo, com perda da sensibilidade,
podendo chegar a dormência, dos nervos, especialmente nos braços, pernas, nódulos e
inchações, entre outros. “Uma maneira de verificar se é hanseníase é espetar um
alfinete sobre a mancha: se você não sentir dor, é sinal da doença.” (MS, 2002)
O parasita pode infectar pessoas de todas as idades, de ambos os sexos. E a
doença está relacionada, além das condições individuais, conseqüentes implicações de
fatores imunológicos, a fatores relacionados aos níveis de endemia, às condições
socioeconômicas desfavoráveis, às condições precárias de vida e de saúde, bem como a
aglomeração de pessoas em um mesmo ambiente.
A Hanseníase tem alta infectividade4 e baixa patogenicidade5, isto é, infecta
muitas pessoas, no entanto só poucas adoecem. “Dentre as pessoas que adoecem,
algumas apresentam resistência ao bacilo, constituindo os casos Paucibacilares (PB),
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
pele ou apenas um tronco nervoso acometido.
Só as pessoas que não apresentam resistência ao bacilo que podem infectar
outras pessoas. Nestas, o bacilo se multiplica no organismo passando a ser eliminado
para o meio exterior, constituindo os casos Multibacilares (MB). Estes “são a fonte de
infecção e manutenção da cadeia epidemiológica da doença” (MS, 2002, p.13), são
aqueles em que há mais de cinco lesões de pele e/ou mais de um tronco acometido.
As pessoas que têm contato direto com os doentes, geralmente da mesma
residência, devem receber imunoterapia profilática com duas doses de BCG (Bacilo
Calmette-Guérin) intradérmico, em intervalo de seis meses cada.
Com o início do tratamento, o doente multibacilar deixa de ser transmissor da
doença, pois as primeiras doses da medicação matam os bacilos tornando-os incapazes
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,
possibilite o ‘ataque’ a algum nervo causando o atrofiamento e até mesmo, a mutilação
de algum órgão.
Por isso, como podemos perceber, a importância do estudo da Hanseníase não se
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
tabus que envolvem a doença.
14
15
Tabela 1 - Prevalência registrada de casos de Hanseníase em tratamento com poliquimioterapia (PQT) e a detecção nos 16 principais
países endêmicos.
País Casos Prevalência Tratamento Curados Curados Casos Índice de

Registrados Por 10.000 com PQT com com Novos Detecção
PQT (total PQT (total Detectados Por 10.000
Acumulado) Acumulado)
Índia 542.511 5,9 504.535 93,0 6.570.000 416.685 45,4
Brasil 137.908 8,8 101.417 73,5 181.763 35.922 22,9
Indonésia 41.649 2,1 40.295 96,8 175.104 16.477 8,5
Myanmar 21.071 4,7 21.071 100,0 144.661 6.577 14,7
Nigéria 17.371 2,0 17.371 100,0 39.713 7.147 8,1
Nepal 12.764 6,0 11.905 93,3 3.722 4.783 22,7
Bangladesh 12.343 1,0 12.434 100,0 61.241 8.782 7,2
Filipinas 11.410 1,7 11.368 99,6 66.941 4.202 6,1
Moçambique 11.072 6,2 8.003 72,3 7.414 3.429 19,1
Etiópia 9.627 1,8 9.927 100,0 71.291 4.513 8,3
Zaire 6.082 1,5 6.069 99,8 49.422 5.526 13,4
Madagascar 6.130 4,9 6.130 100,0 20.360 4.676 37,5
Sudan 5.718 2,1 5.718 100,0 7.500 1.765 6,4
Tanzania 3.924 1,4 3.924 100,0 35.720 2.537 8,8
Guiné 3.873 5,0 3.873 100,0 25.662 3.194 41,5
Camboja 2.886 3,2 2.833 98,2 5.884 229 24,7
Fonte: WHO, 1996. P.12.
Elaboração: Ana Zoé Schilling da Cunha
17
Tabela 2 - Prevalência registrada de casos de Hanseníase em tratamento com poliquimioterapia (PQT) e a detecção
nos países americanos.
País Casos Prevalência Casos Detecção Casos de Percentual de Total

Registrados Por 10.000 Detectados por PQT casos tratados Acumulativo de
10.000 com PQT Curas com PQT
Argentina 3.396 1,01 509 1,5 3.231 95,1 5842

Bolívia 864 1,12 86 1,1 859 99,4 562
Brasil 137.908 8,81 35.922 22,9 101.417 73,5 181.763
Colombia 4.738 1,39 692 2,0 4738 100,0 1.668
Costa Rica 195 0,60 15 0,5 142 72,8 2
Cuba 684 0,63 252 2,3 648 94,7 4.295
Rep. Dominicana 528 0,69 229 3,0 486 92,1 5.072
Equador 518 0,46 115 1,0 518 100,0 1.234
Guatemala 106 0,11 7 0,1 25 23,6 5
Haiti 689 1,00 124 1,8 689 100,0 -
México 6.106 0,68 523 0,6 4.725 77,4 7.946
Paraguai 828 1,78 401 8,6 817 98,7 3718
Peru 240 0,10 90 0,4 240 100,0 215
Suriname 264 5,92 64 14,4 264 100,0 326
Estados Unidos 640 0,02 157 0,1 571 89,2 351
Venezuela 3.954 1,92 490 2,4 3.261 82,5 8.799
Fonte: WHO, 1996. P.54.
Elaboração: Ana Zoé Schilling da Cunha
18
Segundo Claro (1995) “(...) diversas doenças e agravos à saúde, bem como suas
seqüelas têm sido objeto de estigmatização social (...). O estigma associado à
hanseníase ou à lepra (em itálico, no original) chama a atenção devido à sua
prevalência e intensidade nas mais diferentes sociedades e através de diversos períodos
históricos”.
A Hanseníase tem cura, mas as deformidades que ela pode causar não, e este é
um grande problema social. Dentre os problemas, podemos citar a amputação de um
membro ou, não menos grave, a lesão de um nervo provocando o atrofiamento de órgão
de maneira permanente. De tal modo, é fundamental que se detecte a doença em seu
estágio inicial, antes que ela provoque lesões permanentes e irreversíveis.
O impacto da doença é grande não só no âmbito individual, quanto social. O
sujeito infectado sofre preconceitos na sociedade necessitando de tratamentos
psicológicos e incentivos médicos para que continue o mesmo. A cura da doença
depende da continuidade do tratamento. Neste processo é fundamental a posição do
médico que deve incentivar e conscientizar o paciente na não utilização de bebidas
alcoólicas e no uso dos remédios com regularidade.
O indivíduo mesmo curado da hanseníase, mas que no processo de
descobrimento da doença até a cura adquiriu seqüelas, provavelmente deverá ser
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
razão, a hanseníase é considerada um problema social grave, mesmo que o indivíduo
esteja plenamente curado.
Também por isso, a doença é considerada uma preocupação mundial. E, embora
a Organização Mundial da Saúde (MS, 1998) houvesse iniciado uma campanha de
19
eliminação6 da Hanseníase como problema de saúde pública, isto é, chegar a uma
prevalência de menos de um paciente para cada 10.000 habitantes, no início do terceiro
milênio, a doença continua sendo um sério problema no mundo.
Nesse contexto se fundamenta um estudo da hanseníase que não só permita
verificar as condições de vida da população, como também, facilitar na gestão de ações
de combate à doença.
2.2 DESCRIÇÃO DOS DADOS UTILIZADOS
A Hanseníase é doença de notificação compulsória e investigação obrigatória em
todo território nacional cujos casos devem ser notificados utilizando uma ficha de
notificação e investigação do Sistema de Informação de Agravos de Notificação –
SINAN7.
Por ser uma doença crônica é necessário o registro de informações relativas ao
acompanhamento dos casos, permitindo monitorar a prevalência e a efetividade do
tratamento.
Portanto, aqui, foram utilizados os dados do SINAN do Ministério da Saúde
cedidos pelo Departamento de Dermatologia Sanitária da Secretaria de Saúde do Estado
do Rio de Janeiro. Dados, fornecidos em planilhas do Microsoft Excel, de casos novos
de hansenianos, total e menores de 15 anos, e totais de casos existentes segundo
municípios fluminenses, para os anos de 1998 até 2002.
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
presentes no questionário do SINAN, sobre os indivíduos portadores do bacilo de
hansen, impossibilitou a precisão na avaliação a ser tomado com os cálculos de
indicadores epidemiológicos, o que forçou a utilização de dados parciais para os
cálculos destes indicadores e ainda, não permitiu o cálculo dos indicadores operacionais
por não haver dados suficientes que pudessem explicar algum fenômeno.
2.3 INDICADORES EPIDEMIOLÓGICOS E OPERACIONAIS
Na tentativa de controlar epidemias ou agravos na qualidade de vida da
população, criaram-se os indicadores epidemiológicos, que nada mais são do que a
obtenção, resumo, apresentação e análise dos indicadores de saúde, com a finalidade de
“identificar os padrões de distribuição de eventos que ocorrem no tempo e espaço, é
útil para identificar os fatores que participam dessa distribuição” (OPAS, 2002, p. 12).
Os indicadores de saúde são também medidas indiretas do nível geral de
desenvolvimento e indicadores diretos da qualidade de vida, porque medem a
magnitude ou a transcendência do problema de saúde pública. Assim, orientam os
profissionais na tomada de decisões quanto às definições de políticas, planos, programas
e serviços de saúde e na avaliação do seu impacto.
O Quadro 1 apresenta os indicadores epidemiológicos da hanseníase
considerados nesta dissertação.
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
Fonte: SINAN, SES, MS

_____________________
* Todos os indicadores devem ser calculados utilizando-se dados de casos
residentes, independentemente do local de detecção do tratamento.
Já os indicadores operacionais8 têm a finalidade de medir o trabalho realizado de
combate a Hanseníase, seja em função da qualidade do atendimento dos serviços de
saúde, na capacidade de assistência aos doentes, seja em função da quantidade de
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
em branco nos formulários do SINAN.
2.4 ANÁLISE PRELIMINAR DA SITUAÇÃO

EPIDEMIOLÓGICA DA HANSENÍASE NO ESTADO DO RIO DE
JANEIRO PARA OS ANOS DE 1999 A 2001.
“A vigilância epidemiológica da hanseníase é realizada através de um conjunto
de atividades que fornecem informações sobre a doença e sobre o seu comportamento
8
Ver anexo 2.
22
epidemiológico, com a finalidade de recomendar, executar e avaliar as atividades de
controle da hanseníase” (MS, 2002).
Como unidade de medidas, a epidemiologia se utiliza de coeficientes que
possibilitem expressar a incidência e a prevalência das doenças, e no caso da
Hanseníase, os indicadores epidemiológicos mais utilizados são: o coeficiente 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
detectados, mas, em determinada população que se encontre na faixa-etária de 0 a 14
anos por ano.
No intuito de atingir o primeiro objetivo específico deste trabalho, foi efetuada,
para o período de 1999 a 2001, a construção de indicadores epidemiológicos, de modo a
visualizar a situação da hanseníase no Estado. Os resultados são apresentados em
Cartogramas para melhor visualização da distribuição dos coeficientes em cada
município fluminense, utilizando-se os parâmetros já estabelecidos pela OMS.
Com a finalidade de proceder uma comparação entre os dados estas taxas
sofreram uma padronização, já estabelecida pela OMS, o que significa que as
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
assim identificarmos os municípios fluminenses que podem estar precisando de ações e
medidas emergenciais de combate à Hanseníase.
23
2.4.1 – COEFICIENTE DE PREVALÊNCIA
O primeiro indicador a ser investigado é o Coeficiente de prevalência por 10.000
habitantes para, de fato, medir a magnitude da doença no Estado. Este é um dos mais
importantes indicadores do fenômeno, pois, é através dele, que é percebido se a doença
está estabelecida como problema de saúde pública no local, ou não, por isso é um
indicador de qualidade de vida da população.
Considerando o Quadro 1 que estabelece os parâmetros epidemiológicos de
classificação endêmica e analisando os Cartogramas de 4 a 6, verifica-se que o Rio de
Janeiro se mostra estável na prevalência da Hanseníase ao longo dos anos, indicando
que não houve mudanças nas condições epidemiológicas da doença, a aparente melhora
no indicador, percebida no Cartograma 6, se dá ao fato de está-se trabalhando com
dados parciais, o que pode levar a conclusões diferentes em estudos futuros.
Apesar de nos depararmos com parâmetros Médios de prevalência da doença, o
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.
Sejam eles, Cardoso Moreira, Belford Roxo, Casimiro de Abreu, Trajano de
Morais e Iguaba Grande, englobando um coeficiente crescente de prevalência da
Hanseníase nos anos observados, como pode-se verificar no Gráfico 4.
Os municípios de Itaboraí, Parati, Araruama e Aperibé apesar de terem
apresentado uma relativa baixa neste coeficiente, ao longo dos anos, ainda abrangem um
coeficiente Alto e precisam continuar tentando reverter o quadro endêmico.
24
ES
MG
SP
Cartograma 4 – Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,

1999.
ES
MG
SP
Oceano Atlântico

2000.
25
ES
MG
SP
Oceano Atlântico

2001.
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
Gráfico 4 - Evolução dos municípios com alto coeficiente de Hanseníase no Rio de

Janeiro para os anos de 1999 a 2001.
26
2.4.2 – COEFICIENTE DE DETECÇÃO ANUAL
O segundo indicador investigado é o coeficiente de detecção anual de casos
novos, por 10.000 habitantes, para determinar a tendência secular da endemia e medir a
intensidade das atividades de casos novos na população.
Pode-se verificar, nos Cartogramas 7 ao 9, que, o Estado como um todo
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,
a ineficácia dos programas de ações de eliminação da Hanseníase desenvolvidas pelos
órgãos de saúde responsáveis. Os municípios que apresentam situação Hiperendêmica
no Estado em todos os anos estudados são Araruama, Aperibé e Duque de Caxias.
ES
MG
SP
Oceano Atlântico

Janeiro, 1999.
27
ES
MG
SP
Oceano Atlântico

Janeiro, 2000.
ES
MG
SP
Oceano Atlântico

Janeiro, 2001.
28
2.4.3 – COEFICIENTE DE DETECÇÃO ANUAL EM MENORES
DE 15 ANOS
O indicador Coeficiente de detecção anual de casos na população de 0 a 14 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
e eliminação devem ser adotadas.
Analisando os Cartogramas 10, 11, e 12 verifica-se que a concentração deste
indicador se dá nas regiões metropolitana e baixada litorânea e apontam endemia nestas
regiões. Ainda, identifica-se o Norte Fluminense com indicadores crescentes de
epidemia, necessitando, portanto, de medidas de reversão do quadro epidemiológico.
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
parciais e estes resultados podem apresentar-se, bastante, diferentes no futuro.
MG
SP
Oceano Atlântico
Cartograma 10 – Coeficiente de detecção anual da Hanseníase em menores de 15 anos

no Estado do Rio de Janeiro, 1999.
29
ES
MG
SP
Oceano Atlântico

ES
MG
SP
Oceano Atlântico

30
Capítulo 3 – REVISÃO DOS CONCEITOS ESTATÍSTICOS
Para melhor entendimento das técnicas estatísticas utilizadas nesta dissertação,
este capítulo abordará uma breve revisão nos conceitos estatísticos de Correlação
Linear, no Coeficiente de Determinação - R2, Regressão Linear e Modelos Lineares
generalizados.
3.1 CORRELAÇÃO LINEAR
O cálculo da correlação linear é a maneira mais simples de verificação da
existência e do grau de relação entre duas variáveis aleatórias.
O instrumento de medida da correlação linear é dado pelo coeficiente de
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.
O valor de r está sempre entre -1 e +1, com r = 0 correspondendo a não
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
medida que x cresce, y decresce (em média).
Quanto maior o valor de r (positivo ou negativo), mais forte a associação. No
extremo, r = 1 ou r = −1 então todos os pontos no gráfico de dispersão caem
exatamente numa linha reta. No outro extremo, se r = 0 não existe nenhuma associação
linear.
31
3.2 REGRESSÃO LINEAR
A análise de regressão linear tem por objetivo descrever através de um modelo
matemático, a relação existente entre duas variáveis, a partir de n observações dessas
variáveis.
No entanto, para calcular a regressão linear simples e verificar se existe algum
tipo de relação entre as variáveis investigadas é necessário dar importância a algumas
suposições para aplicar o modelo:
I. A variação aleatória da variável resposta para qualquer valor fixo de x
segue uma distribuição normal, e estes termos de erros são independentes;
II. A variância da variável resposta é constante, ou seja, a mesma para todos
os valores de x; e
III. valor médio da variável resposta é uma função linear de x.
3.3 COEFICIENTE DE DETERMINAÇÃO OU R2
O coeficiente de determinação é uma medida da proporção da variabilidade em
uma variável que é explicada pela variabilidade da outra. É encontrada através do
quadrado do coeficiente de correlação de Pearson e tem por objetivo avaliar a qualidade
do ajuste.
3.4 MODELOS LINEARES GENERALIZADOS
Os Modelos Lineares Generalizados (MLG) constituiem uma extensão de
Modelos Lineares Clássicos e foram apresentados por Nelder e Wedderburn em 1972
(Cordeiro, 1986). Eles mostraram que uma série de técnicas comumente estudadas
32
separadamente pode ser reunida sob o nome de Modelos Lineares Generalizados,
utilizando as distribuições que pertencem à Família Exponencial (Demétrio, 2002)
Segundo Demétrio (2002), na maior parte das situações pode-se pensar na
variável resposta consistindo de duas partes distintas:
1. Um componente sistemático, que é estabelecido durante o planejamento (fundamental
para a obtenção de conclusões confiáveis) do experimento, resultando em modelos de
regressão (linear simples, múltipla, não-linear etc), de análise de variância
(delineamentos inteiramente casualizados, blocos casualizados, quadrados latinos com
estrutura de tratamentos fatoriais, parcelas subdivididas etc) e de análise de covariância;
2. Um componente aleatório, que é estabelecido assim que são definidas as medidas a
serem feitas, que podem ser contínuas e discretas, exigindo o ajuste de distribuições
diferentes. Um mesmo experimento pode envolver medidas de diferentes tipos, como
por exemplo, dados de altura, número de lesões e proporção de plantas doentes.
No modelo linear clássico tem-se, Y = µ + ε , Equação 2
sendo: Y o vetor, de dimensões n x 1, da variável resposta,
µ = E (Y ) = X ⋅ β , o componente sistemático.
X a matriz de dimensões n x p do modelo,
β = (β1 ,L, β p ) , o vetor dos parâmetros,

T
( )
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
componentes sistemático e aleatório não é satisfeita, porque “não há razão para se
restringir à estrutura simples dada por µ = E (Y ) = X ⋅ β para o componente
sistemático e nem para se restringir à distribuição normal para o componente aleatório
e à suposição de homogeneidade de variâncias.”

33
Nelder (1989) afirmou que os MLGs são definidos por uma distribuição, com
funções de ligações, e termos em preditores lineares (quadro 2).
Quadro 2 – Possíveis combinações de um Modelo Linear Generalizado
Distribuição Função de Ligação Termo Nome
Normal Identidade Contínua Regressão
.. .. Fatoração Anova
Poisson Log Fatoração Modelo Log-linear
Binomial Logit Contínua Regressão Logística
Binomial Probit Contínua Probit assay
.. C.log.log Known slope Dilution assay
Inversa Contínua Inverse polynomials

Gamma
A função de ligação relaciona a combinação linear das variáveis explicativas,
isto é, o predictor linear, com o valor médio da variável resposta.
Segundo McCullagh e Nelder (1989), existem três processos de ajuste de um
modelo:
I. Seleção do modelo;
II. Estimação dos parâmetros; e
III. Predição de valores futuros.
A seleção de modelos é uma parte importante em toda pesquisa, envolve a procura
de um modelo, o mais simples possível, razoável, que descreva bem os dados
observados. Cordeiro (1986) aponta ainda os métodos estatísticos para a análise de
dados univariados que são casos especiais dos MLG,
(a) modelo clássico de regressão com erro normal;

34
(b) modelo log-linear aplicado à análise de tabelas de contingência;
(c) modelo logístico para tabelas multidimensionais de proporções;
(d) modelo “probit” para o estudo de proporções;
(e) modelo de análise de variância com efeitos aleatórios;
(f) modelo estrutural para dados com distribuição gama;
(g) análise de regressão não-simétrica;
(h) polinômios inversos;
(i) modelos de testes de vida; e outros modelos familiares.
Os modelos selecionados para se ajustar um conjunto de dados são usualmente
escolhidos de uma classe particular e, se o processo de ajuste do modelo é utilizado,
essa classe deve ser relevante aos tipos de dados em estudo.
Após escolhido o modelo, é necessário estimar os parâmetros e conhecer a
precisão dos estimadores. Em MLG, a estimação se processa definindo uma medida de
qualidade do ajuste entre dados observados e os valores gerados pelo modelo. Os
estimadores dos parâmetros são os valores que minimizam o critério de ajuste. (Viola,
2001).
No campo da epidemiologia, a função logística tem sido muito utilizada não
apenas porque suas propriedades teóricas são mais simples, mas, principalmente, por
causa de sua simples interpretação.
3.4.1 MODELO DE REGRESSÃO LOGÍSTICA
A regressão logística possibilita a descrição de como o risco de ter uma doença
está associado com as variáveis explicativas introduzidas no modelo, permitindo estimar
35
a probabilidade de uma pessoa contrair a doença a partir das variáveis explicativas a ele
associadas.
Ao estudar a regressão linear, tenta-se estimar uma equação de regressão da
população µ y| x1 , x2 ,K, x = β 0 + β 1 x1 + β 2 x 2 + L + β n x n ajustando um modelo da forma

n
Y = β 0 + β 1 x1 + β 2 x 2 + L + β n x n . A resposta Y é contínua e supõe-se uma distribuição
normal.
Porém, existem várias situações em que a resposta é dicotômica, como a que
estamos estudando, por exemplo, um indivíduo pode ter ou não hanseníase. Em geral, o
valor 1 é usado para representar um “sucesso”, ou o resultado em que estamos
interessados, e 0 para representar um “fracasso”. A média da variável aleatória
dicotômica Y, designada p, é a proporção de vezes que assume o valor 1,
p = P(Y = 1)
.
= P(" sucesso")
Assim como se estima Y, pode-se estimar a probabilidade p associada a uma
resposta dicotômica, que também é sua média, para vários valores de uma ou mais
variáveis explicativas através da Regressão Logística.
Ajustando o modelo de regressão simples, faz-se p = β 0 + β x , onde x representa
a variável explicativa, β 0 é o intercepto da linha e β sua inclinação. Porém, o termo
β 0 + β x pode produzir valores negativos e positivos maiores que 1 e p, que é uma
probabilidade, e está restrito a valores entre 0 e 1.
Assim, para tentar corrigir esse problema, o modelo pode ser ajustado fazendo
p = e β 0 + βx 9, garantindo, portanto, que a estimativa p seja positiva. Porém, surge outro
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
responder um valor maior que 1. A solução é ajustar o modelo utilizando função
e β 0 + βx
logística, fazendo p = , impossibilitando, portanto, valores negativos e
1 + e β 0 + βx
maiores do que 1. Conseqüentemente, restringe o valor estimado de p para o intervalo
exigido.
Quando um evento ocorre com probabilidade p, a chance a seu favor é de
p (1 − p ) para 1. Sendo assim, a chance em favor de sucesso é
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
técnica de modelagem é conhecida como regressão logística.
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
distribuída, em vez disso, usa-se a estimação de máxima verossimilhança, que usa a
informação de uma amostra para encontrar as estimativas dos parâmetros mais
prováveis de terem produzido os dados observados.
Sendo assim, quando a resposta é discreta e dicotômica faz-se

)
 p  ) )
ln )  = β 0 + β x .
1− p 
37
Para modelar a probabilidade p como função de duas variáveis explicativas ou
mais, ajusta-se o modelo da forma
)
 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
variáveis aleatórias contínuas.
3.4.2 O TESTE SEGUNDO A ESTATÍSTICA DE WALD
Após a estimação dos parâmetros deve-se proceder à investigação da
significância estatística dos mesmos. O teste de Wald, também conhecido com teste de
significância individual, é utilizado para avaliar se o parâmetro é estatísticamente
significativo. A estatística teste utilizada é obtida através da razão do coeficiente pelo
seu respectivo erro padrão. Esta estatística teste tem distribuição Normal, sendo seu
valor comparado com valores tabulados de acordo com o nível de significância
definido. A estatística teste, para avaliar se o parâmetro b é igual a zero, é assim
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
de trocar valores de um conjunto de dados y por um conjunto de valores ajustados β
decorrentes de um modelo envolvendo normalmente um número de parâmetros.
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
completo, que é aquele que tem um número de coeficientes igual ao número de
observações e que dá origem a um ajustamento máximo aos dados.
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
outro pôr em evidência os aspectos mais significativos do fenômeno em estudo. Desta
forma, o modelo escolhido deve satisfazer um compromisso entre um número mínimo
de parâmetros e um ajustamento máximo.
3.4.4 MEDIDAS DA QUALIDADE DO AJUSTAMENTO
As medidas de discrepância ou de qualidade de ajuste podem ser fornecidas de
vários modos. Aqui será usada a medida formada pelo logaritmo da razão da
verossimilhança, chamada deviance, proposta por Nelder e Wedderburn (1972) que é
uma estatística derivada do rácio entre as verossimilhanças, respectivamente do modelo
completo e do modelo em estudo. Quer dizer, ele mede a contribuição de cada
observação para a Deviance do modelo.
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
padrões (quadro 3).
Quadro 3 – Deviance para distribuições padrões

)2
Normal ∑(y − µ )
Poisson  ) 
2∑  y ln y )  − ( y − µ ) 
   µ  
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
Fonte: Nelder, 1989.
3.4.5 ANÁLISE DA ‘DEVIANCE’
A análise do desvio (ANODEV) – deviance do inglês – é uma generalização da
análise de variância para os modelos lineares generalizados, visando obter, uma
seqüência de modelos encadeados e, para cada uma dessas seqüências, faz-se um quadro
de análise da ‘deviance’ à escala (Demétrio, 2002) (exemplo da análise do desvio
quadro 4).
40
Quadro 4 – Exemplo de análise do desvio
Modelo G. L. Desvio Dif. De Desvios Dif. De G. L. Significado
1 Ab-1 D1 D1 - Da a-1 A ignorando B
A Da Da - Da+b b-1 B incluído A
A+B Da+b Da+b (a-1) (b-1) Interação AB
A+B+A.B 0 0 Incluídos A e B
Fonte: Cordeiro, 1986
“Cada seqüência de modelos corresponde a uma tabela ANODEV diferente,
sendo a seqüência determinada pelo interesse de obter modelos parcimoniosos e de
pesquisar os efeitos de alguns termos na variação dos dados, quando outros termos já
foram incluídos no modelo” (Cordeiro, 1986).
A tentativa de encontrar o modelo com menor deviance está no fato de tentar-se
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”.
3.4.6 ANÁLISE DOS RESÍDUOS
O objetivo de se aferir a análise dos resíduos é a de verificar se os resíduos têm
distribuição aproximadamente normal que de acordo Franciscon (2004), “a análise dos
resíduos é uma ferramenta muito útil nesse sentido (...) o que se procura medir com os
resíduos é a possível discrepância entre o valor observado e o valor ajustado da i-
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
contribuição de cada observação para a Deviance do modelo, dado por:
Di = sin al ( yi − µˆ i ) 2[li (b; yi ) − li ( β ; yi )]
42
Capítulo 4 – JUSTIFICATIVA DA HANSENÍASE NO ESTADO DO
RIO DE JANEIRO
Ao estudar um indicador de saúde em uma população, sabe-se que existem
vários fatores que podem influenciar em seu crescimento ou queda, o que iremos tentar
saber, neste capítulo, é, se as variáveis percentual de domicílios com lixo coletado,
percentual de domicílios com abastecimento de água (rede geral), percentual de
domicílios com esgotamento sanitário (rede geral), densidade demográfica e renda per
capita são variáveis explicativas do risco de ter hanseníase nos municípios fluminenses.
Com dados demográficos da fundação IBGE e dados de
hanseníase do Departamento de Dermatologia Sanitária da
Secretaria de Saúde do Estado do Rio de Janeiro serão
realizados cálculos de correlação linear de Pearson e
demonstrações dessas possíveis relações em gráficos de
dispersão operacionalizados a partir do pacote Excel do
Office 2000. Será utilizado também, o modelo de Regressão
Logística para verificação de variáveis que explicam a
hanseníase nos municípios fluminenses gerados no software
estatístico SAS.
4.1 RELAÇÃO ENTRE A PREVALÊNCIA DA HANSENÍASE

E AS CONDIÇÕES DE VIDA E DENSIDADE DEMOGRÁFICA NO
ESTADO
Um fato importante que queremos verificar é, se realmente existe alguma
relação entre as condições de vida e a Hanseníase, como vimos na literatura. Sendo
assim, nesta seção, será calculado a Correlação Linear de Pearson, o R2 e Regressão
Linear das variáveis lixo coletado, abastecimento de água, esgotamento sanitário e
43
densidade demográfica em relação a taxa de prevalência da hanseníase nos municípios
do Estado Rio de Janeiro para o ano de 2000.
Para perceber alguma idéia de associação entre as variáveis produzimos um
gráfico de pontos dos dados. No Gráfico 5 representamos a distribuição da variável lixo
e a prevalência da Hanseníase no Estado. Em que parece não existir associação linear
entre os indicadores lixo coletado e prevalência da hanseníase no Estado do Rio de
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
Gráfico 5 - Correlação entre o lixo e prevalência da hanseníase no Estado do
Rio de Janeiro, 2000.
O cálculo da correlação linear, dado por, r = -0,050, revela que existe uma fraca
correlação negativa entre estas duas variáveis, com coeficiente de determinação
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
poderiam ser importantes na explicação desta variável.

44
O Gráfico 6, mostra que, também parece não existir associação linear entre os
indicadores abastecimento de água e taxa de prevalência da hanseníase no Estado do
Rio de Janeiro para o ano de 2000.
18,00
16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00
0 20 40 60 80 100 120
Abastecimento de água
Gráfico 6 - Correlação entre abastecimento de água e prevalência da hanseníase no

Estado do Rio de Janeiro, 2000.
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
(ou explicado) pela variabilidade da prevalência da hanseníase no Estado e vice-versa.
O Gráfico 7, mostra que, também não parece existir associação linear entre os
indicadores esgotamento sanitário e taxa de prevalência da hanseníase no Estado do Rio
de Janeiro para o ano de 2000.
45
18,00
16,00
14,00

12,00
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
Gráfico 7 - Correlação entre esgotamento sanitário e prevalência de hanseníase
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
explicado) pela variabilidade da prevalência da hanseníase no Estado e vice-versa.
O Gráfico 8, mostra que não existe associação linear entre os indicadores de
densidade demográfica e taxa de prevalência da hanseníase no Estado do Rio de Janeiro
para o ano de 2000.
46
18,00
16,00
14,00

12,00
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
Gráfico 8 - Correlação linear entre densidade demográfica e prevalência da
hanseníase no Estado do Rio de Janeiro, 2000.
O grau de associação linear, resulta em 0,098, informando que existe uma fraca
correlação linear entre estas duas variáveis. Revela ainda, um coeficiente de
determinação de 0,010, indicando que, cerca de 99% da variabilidade da densidade
demográfica não pode ser descrito (ou explicado) pela variabilidade da prevalência da
hanseníase no Estado e vice-versa.
O Gráfico 9 mostra que não existe correlação linear entre as variáveis renda per
capita e prevalência da hanseníase no Estado do Rio de Janeiro para o ano de 2000.
47
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
0,000 100,000 200,000 300,000 400,000 500,000 600,000 700,000 800,000 900,000
Renda per capita
Gráfico 9 – Correlação linear entre renda per capita e prevalência da hanseníase no

O grau de associação linear entre as variáveis renda per capita e prevalência da
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
pode ser descrito ou explicado pela variabilidade da prevalência da hanseníase no
Estado e vice-versa.
Sabendo que os riscos à saúde, dada a doença, são decorrentes de tomadas de
decisões e ações diferentes em cada Unidade Territorial Analisada (UTA), o número
observado yi de eventos na área i é uma variável aleatória, onde yi é o número de casos
durante um determinado período de tempo na UTA i, i = 1,...,Ni, o que implica dizer,
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
variâncias muito diferentes” (Assunção, 2001).
Uma vez que os gráficos de dispersão e os coeficientes de correlação linear de
Pearson não são particularmente úteis na verificação de associação entre as variáveis
estudadas continuaremos explorando se existe uma associação entre as variáveis
explicativas versus hanseníase através da regressão logística.
4.2 MODELAGEM DOS DADOS
Para estimar a incerteza, ou risco de ter hanseníase, θ , como vimos na seção
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
GENMOD, do pacote computacional SAS.
O modelo ajustado para as 6 variáveis estudadas é:
 pˆ  ˆ
ln (θ ) = ln  = β 0 + βˆ1 x1 + βˆ2 x2 + βˆ3 x3 + βˆ4 x4 + βˆ5 x5 + βˆ6 x6 .
1− p 
ˆ
Nos modelos a serem propostos, trabalha-se com o efeito que as variáveis
explicativas têm sobre a variável resposta. O critério de seleção adotado destacará o
modelo que apresentar menor DIC – Deviance Information Criterion (Spiegelhalter et
al., 2002), menor probabilidade do DIC e menor probabilidade do teste de significância
individual; optou-se em trabalhar com um P-valor (probabilidade de erro na escolha do
modelo) menor que 5%.
49
Todos os modelos seguem a mesma forma de ajuste do modelo 1, as diferenças
se encontram na exclusão de interações de duplas que se mostram com probabilidade
alta de erro na escolha do modelo visando encontrar o modelo que melhor se ajuste.
As variáveis investigadas são:
Proporção de domicílios com coleta de lixo adequada;
Proporção de domicílios com abastecimento de água (rede geral);
Proporção de domicílios com esgotamento sanitário;
Densidade demográfica de cada município fluminense; e
Renda per capita de cada município fluminense.
A discrepância entre os valores observados e os valores ajustados da i-ésima
observação será realizada através da análise dos resíduos da Deviance.
4.3 PROPOSIÇÃO DE MODELOS PARA A REGRESSÃO

LOGÍSTICA
Foram investigados 32 modelos na tentativa de encontrar o modelo que melhor
explicasse a hanseníase no Estado do Rio de Janeiro. Aqui, descreveremos três modelos
que mostraram melhor ajuste das variáveis.
Dentre os três, apenas o que apresentar melhor aproximação da realidade hoje
existente no estado será escolhido para revelar a probabilidade do risco de hanseníase
em cada município fluminense, para o ano de 2000.
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
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
todos os municípios e o efeito aleatório β 0 também seja constante.
Este modelo contém todas as variáveis e interações de duplas possíveis, é o
modelo complexo.
Assim, o primeiro modelo proposto é o seguinte:
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.
β 1 - efeito no log(θ i ) , se aumentar em 1% a proporção de domicílios com coleta
de lixo adequada.
β 2 - efeito no log(θ i ) , se aumentar em 1% a proporção de domicílios com
abastecimento de água (rede geral).
β 3 - efeito no log(θ i ) , se aumentar em 1% a proporção de domicílios com
esgotamento sanitário (rede geral).
β 4 - efeito no log(θ i ) , se aumentar em 1 unidade a densidade demográfica.
β 5 - efeito no log(θ i ) , se aumentar em 1 unidade a renda per capita.
β 6 - efeito no log(θ i ) , se aumentar em 1 unidade a interação entre as taxas de
domicílios com coleta adequada de lixo e taxas de domicílios com abastecimento de
água.
51
domicílios com coleta adequada de lixo e taxas de domicílios com esgotamento
sanitário.
domicílios com coleta adequada de lixo e densidade demográfica.
domicílios com coleta adequada de lixo e renda per capita.
domicílios com abastecimento de água e taxas de domicílios com esgotamento sanitário.
domicílios com abastecimento de água e densidade demográfica.
domicílios com abastecimento de água e renda per capita.
domicílios com esgotamento sanitário e densidade demográfica.
domicílios com esgotamento sanitário e renda per capita.
β 15 - efeito no log(θ i ) , se aumentar em 1 unidade a interação entre densidade
demográfica e renda per capita.
X1i – Taxa de domicílios com coleta de lixo adequada no i-ésimo município
fluminense.
X2i – Taxa de domicílios com abastecimento de água (rede geral) no i-ésimo
município fluminense.
52
X3i – Taxa de domicílios com esgotamento sanitário (rede geral) no i-ésimo
município fluminense.
X4i – Densidade demográfica no i-ésimo município fluminense.
X5i – Renda Per Capita 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 
 
 
A resposta à este modelo é apresentado nas Tabelas 3 e 4.
Tabela 3 - Teste de significância individual dos parâmetros do 1º modelo
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
Pelo teste de significância individual, Tabela 3, percebe-se que o efeito, das
interações das duplas água e esgoto (P-valor 0,1818), água e renda per capita (P-valor
0,2605) e esgoto e densidade demográfica (P-valor 0,8432) apresentaram P-valores
muito altos além disso, a variável coleta de lixo adequada passou a ter um P-valor acima
do critério pré-estabelecido neste estudo.
Tabela 4 - Teste de DIC do 1º modelo

Source Deviance DF Chi-Square Pr > ChiSq
Intercept 2180,5070
Lixo 1569,8676 1 610,64 <.0001
_gua 1500,1038 1 69,76 <.0001
Esgoto 1329,6247 1 170,48 <.0001
Dens_Demo 1237,3670 1 92,26 <.0001
Renpcapita 918,6410 1 318,73 <.0001
lixo*_gua 909,4187 1 9,22 0,0024
lixo*esgoto 803,5730 1 105,85 <.0001
lixo*Dens_Demo 719,9923 1 83,58 <.0001
lixo*renpcapita 719,7273 1 0,26 0,6068
_gua*esgoto 704,9252 1 14,8 0,0001
_gua*Dens_Demo 662,9467 1 41,98 <.0001
_gua*renpcapita 626,5074 1 36,44 <.0001
Esgoto*Dens_Demo 625,9133 1 0,59 0,4408
Esgoto*renpcapita 615,3769 1 10,54 0,0012
Dens_Demo*renpcapita 610,4504 1 4,93 0,0264
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
nível de 5%, com a inclusão da interação entre esgoto e densidade demográfica,
rejeitaria a hipótese H1 ao nível de 5%, no entanto, o efeito da interação entre
densidade demográfica e renda per capita é significativo quando considera-se no
modelo todas as variáveis explicativas obrigando portanto, a aceitar a hipótese H1 ,
condição de aceitação do modelo.
Neste modelo, obteve-se deviance igual a 610,4504 porém, com a inclusão de
muitas covariáveis, a análise se tornou confusa e de acordo Cordeiro (1986) “um grande
número de covariáveis, visando reduzir o desvio, significa um grau de complexidade na
interpretação do modelo”. Sendo assim, a melhor solução será a de redução no número
de covariáveis para melhor análise dos dados.

1400
1200
1000
mod3$probest
800
600
400
200
0
0 200 400 600 800 1000 1200
mod3$Preval
Gráfico 10 – Observados vs Previstos
55
No Gráfico 10, parece haver alguma tendência nas estimativas de p para uma
determinada categoria da prevalência de hanseníase de cada município, p̂ aumenta
conforme as variáveis do modelo aumentam.
Normal Q-Q Plot

8
6
4
Sample Quantiles
2
0
-2
-4
-6
-2 -1 0 1 2
Theoretical Quantiles
Gráfico 11 – Resíduo de Deviance do Modelo 1
No Gráfico 11, percebe-se que os resíduos mostram-se
apresentar uma reta aproximadamente a 45°. Quer dizer, os
dados revelam-se de forma linear.
56
Histogram of model3$Resdev
30
25
20
Frequency
15
10
5
0
-5 0 5
model3$Resdev
Gráfico 12 – Histograma dos resíduos da Deviance do Modelo 1
Através do Gráfico 12 vê-se que os resíduos seguem uma normalidade entre os
dados.
Quadro 5 – Resumo dos resíduos da Deviance
Min. 1st Qu. Median Mean 3rd Qu. Max. Sd Cv
-6.1170 -2.1720 -0.7129 -0.4436 1.0880 7.5710 2.56589 -578.3895
4.3.2 Modelo 2: Risco esperado em relação as variáveis com exclusão das

interações de dupla
Continuando a verificar o efeito de interações entre as variáveis, excluindo desta
vez, todas as interações que não se mostraram significativas no teste de significância
individual chegamos neste modelo, que apresenta seis interações de duplas e se
mostram significativos quanto o teste de Wald, sempre respeitando o propósito inicial
de investigação tendo como base um p-valor menor que 5%.
57
Resultado do modelo apresentado nas tabelas 5 e 6.

Standard
Intercept 1 -5,1460 0,3340 237,3900 <.0001
lixo 1 -0,0135 0,0049 7,6000 0,0058
_gua 1 -0,0641 0,0089 51,4100 <.0001
esgoto 1 0,0776 0,0088 78,3600 <.0001
Dens_Demo 1 -0,0008 0,0002 12,2900 0,0005
renpcapita 1 -0,0051 0,0009 29,6900 <.0001
lixo*_gua 1 0,0008 0,0001 54,2100 <.0001
lixo*esgoto 1 -0,0011 0,0001 83,9700 <.0001
lixo*Dens_Demo 1 0,0000 0,0000 30,3300 <.0001
_gua*Dens_Demo 1 0,0000 0,0000 64,4000 <.0001
esgoto*renpcapita 1 0,0000 0,0000 3,8500 0,0499
Dens_Demo*renpcapita 1 0,0000 0,0000 6,2100 0,0127
Scale 0 1,0000 0,0000
Pelo teste de significância individual, todas as variáveis e covariáveis
mostraram-se significativas ao nível de 5%.
Com deviance de 627,3952.
Tabela 6 – Teste de DIC do Modelo 2

Intercept 2180,5070
lixo 1569,8676 1 610,64 <.0001
_gua 1500,1038 1 69,76 <.0001
esgoto 1329,6247 1 170,48 <.0001
Dens_Demo 1237,3670 1 92,26 <.0001
renpcapita 918,6410 1 318,73 <.0001
lixo*_gua 909,4187 1 9,22 0,0024
lixo*esgoto 803,5730 1 105,85 <.0001
lixo*Dens_Demo 719,9923 1 83,58 <.0001
_gua*Dens_Demo 665,2756 1 54,72 <.0001
esgoto*renpcapita 633,6822 1 31,59 <.0001
Dens_Demo*renpcapita 627,3952 1 6,29 0,0122
Rejeita-se H 0 ao nível de 5%, o efeito da interação entre densidade demográfica
e renda per capita é significativo quando considera-se no modelo todas as variáveis
explicativas porque possui uma probabilidade de erro na escolha do modelo menor que
5% (P-valor 0,0122).
58
1400
1200
1000
mod7$probest
800
600
400
200
0
0 200 400 600 800 1000 1200
mod7$Preval
Gráfico 13 – Observados vs Previstos
Normal Q-Q Plot

5
Sample Quantiles
0
-5
-2 -1 0 1 2
59
Pelo Gráfico 14, os resíduos da deviance seguem uma tendência linear,
mostrando-se satisfatórios quanto à normalidade.
30
25
20
Frequency
15
10
5
0
-5 0 5 10
model7$Resdev
No Gráfico 15, percebe-se uma normalidade entre os dados.
-7.0950 -2.0530 -0.6875 -0.4850 0.9361 8.7200 2.594854 -535.0749
4.3.3 Modelo 3: Risco esperado em relação as variáveis principais
A idéia deste modelo é a de verificar se o efeito das variáveis principais se
mostram significativos sem a inclusão de interações de duplas.
A resposta à este modelo é dada nas Tabelas 7 e 8.
60
Standard
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
Pelo teste de significância individual, verifica-se que todas as variáveis
estudadas podem ser identificadas como variáveis indutoras da doença no Estado. Todos
os p-valores se mostraram inferiores a 5%, o que permite a confiança de aceitar o
modelo com a menor probabilidade possível de erro nesta escolha (Braule, 2001).
Tabela 8 - Teste de DIC do 3º modelo

Intercept 2180,5070
Lixo 1569,8676 1 610,64 <.0001
_gua 1500,1038 1 69,76 <.0001
Esgoto 1329,6247 1 170,48 <.0001
Dens_Demo 1237,3670 1 92,26 <.0001
Renpcapita 918,6410 1 318,73 <.0001
No acumulativo, dado pelo teste de deviance, Tabela 8, encontra-se uma
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
considera-se no modelo todas as variáveis explicativas.
61
A deviance do modelo resulta em 918,6410.
1400
1200
1000
mod2$probest
800
600
400
200
0
0 200 400 600 800 1000 1200
mod2$Preval
Gráfico 16 – Observados vs Previsto
62
Normal Q-Q Plot
10
5
Sample Quantiles
0
-5
-2 -1 0 1 2
O Gráfico 17 informa que os resíduos da deviance do Modelo 3 apresentação
relação linear com alguns pontos se distanciando da reta, mostrando-se satisfatórios
quanto à normalidade.
30
25
20
Frequency
15
10
5
0
-10 -5 0 5 10
model2$Resdev

63
O Gráfico 18 também mostra uma normalidade nos dados dos resíduos
revelando que não há muita discrepância entre o valor observado e o valor ajustado pelo
Modelo 3.
-8.3490 -2.6490 -1.2600 -0.7934 0.7170 10.6600 3.093654 -389.9395
4.4 MODELO ESCOLHIDO
O modelo 3 é o modelo escolhido, por ser o modelo mais parcimonioso, esse
critério de escolha foi aplicado porque todos os modelos apresentados mostraram uma
tendência a normalidade nos histogramas dos resíduos. Seguindo esse mesmo critério,
poderia ter selecionado o modelo 2, porém ao analisar detalhadamente seu resultado,
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,
porém, a inclusão de interações dificultou na análise do problema e segundo Cordeiro
(1986) “procura-se, na prática, modelos simples com desvios moderados, situados entre
os modelos mais complicados e os que mal se ajustam aos dados”.
No modelo 3 os efeitos principais das variáveis explicativas lixo coletado,
abastecimento de água, esgotamento sanitário, densidade demográfica e renda per capita
são significativamente diferentes de zero ao nível de significância de 5%, quer dizer,
embora a magnitude do efeito da variável densidade demográfica seja pequeno, ele é
positivo e significativo ao nível de 5%.

64
Modelo escolhido:
log(θ i ) = −6,1734 − 0,0052 ⋅ X 1i − 0,0027 ⋅ X 2i − 0,0066 ⋅ X 3i + 0,0000 ⋅ X 4i − 0,0019 ⋅ X 5i
Quer dizer, o risco de ter hanseníase em um município implica que, na reta da
regressão logística, para cada aumento de 1% na taxa de lixo coletado, o logaritmo da
chance de que o indivíduo contraia a doença diminui de 0,0052, em média. Para cada
aumento de 1% na taxa de abastecimento de água, o logaritmo da chance de que o
indivíduo contraia a doença diminui de 0,0027, em média. Para cada aumento de 1% na
taxa de esgotamento sanitário, o logaritmo da chance de que o indivíduo contraia a
doença diminui de 0,0066, em média, e para cada aumento de 1% na densidade
demográfica, o logaritmo da chance de que o indivíduo contraia a doença aumente
porém, a uma magnitude razoavelmente pequena, pouco maior que 0,0000, em média.
E, diminua em 0,0019, em média, quando aumenta a renda per capita 1 unidade
monetária.
Uma vez escolhido o modelo final é possível estimar as probabilidades de
prevalência de hanseníase no município, a partir das variáveis a elas associadas.
A Tabela 9 mostra detalhadamente o risco de hanseníase em cada município
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
Cartograma 13 – Risco estimado de ter hanseníase nos municípios fluminenses, 2000.
O Cartograma 13, mostra que, diante situação socioeconômica encontrada nos
municípios fluminenses, o risco de ter hanseníase no Estado é Alto10 e destaca-se como
problema de saúde pública, necessitando de planos urgentes e eficazes de combate e
eliminação.
Esta situação problemática já tinha sido destacada no Capítulo 2, porém, este
Cartograma, revela que, a situação epidemiológica atual está fortemente relacionada
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.
4.5 ANÁLISE ESPACIAL DA HANSENÍASE
Como vimos, o Cartograma 13 mostra o valores estimados da probabilidade de
ter hanseníase nos municípios fluminenses, calculados no modelo 3. Essa probabilidade
tem influência das variáveis relacionadas ao percentual de domicílios com coleta de
lixo adequada, ao percentual de domicílios com abastecimento de água, ao percentual
de domicílios com esgotamento sanitário, à densidade demográfica e à renda per capita
na taxa de prevalência da hanseníase no Estado.
Ainda segundo o Cartograma 13, todos os municípios do Estado do Rio de
Janeiro se encontraram em níveis Médio, Alto, Muito Alto e Hiperendêmico11 em risco
de ter hanseníase, sendo São José de Ubá e São Francisco de Itabapoana os municípios
em situações mais alarmantes de endemia.
Por outro lado, municípios como do Rio de Janeiro, de Niterói, a maioria dos
municípios pertencentes à Região do Médio Paraíba12, entre outros, apresentam-se
menos susceptibilidade à doença em razão de muitos fatores, entre eles, melhores
índices de infra-estrutura urbana como exposto a seguir.
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.
Segundo Cartograma 1413, existem quatro municípios cujos índices de coleta
de lixo e os níveis de hanseníase apresentam-se de forma mais alarmantes, São José de
Ubá e São Francisco de Itabapoana que revelaram situação de hiperendemia de
hanseníase e Trajano de Morais e São Sebastião do Alto com níveis muito alto de
endemia. Pode-se então relacionar, como já visto no cálculo da probabilidade do risco 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
municípios pertencentes à Região Serrana15 como Nova Friburgo, Macuco, Teresópolis e
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
percentuais de domicílios com coleta de lixo adequada, repercutindo assim, em menores
riscos de hanseníase.
Portanto, ao comparar o Cartograma 14 (proporção de domicílios com coleta
de lixo adequada) com o Cartograma 13 (risco estimado de ter hanseníase), percebe-se
que a falta de infra-estrutura e serviços urbanos provindos do poder público local é
diretamente proporcional ao número de casos de hanseníase. Sendo assim, supõe-se que
quanto maior a proporção de domicílios com coleta de lixo adequada o município pode
estar menos susceptível à doença.
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.
Em relação à variável proporção de domicílios com abastecimento de água,
demonstrado no Cartograma 1516, três municípios se destacaram com baixos índices:
Maricá, Saquarema e Rio das Ostras.
No entanto, esses municípios não apresentaram níveis elevados da doença em
comparação com os outros municípios do Estado. Sendo assim, percebeu-se que a
variável porporção de domicílios com abastecimento de água não parece ser um fator
tão preponderante na variação dos níveis da doença.
Porém, este indicador avaliado junto à outros indicadores, mostrou relevante
influência no risco de um indivíduo ter hanseníase nos municípios estudados.
72
Cartograma 16 – Proporção de domicílios com esgotamento sanitário, Rio de Janeiro,
2000.
Em relação à proporção de domicílios com esgotamento sanitário, Cartograma
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
menores níveis da doença.
Entretanto, os municípios de São Francisco de Itabapoana e de São José de Ubá
se destacaram por revelar um percentual mais baixo de domicílios com esgotamento
sanitário. Portanto, ao cruzar os dados espacializados, nota-se uma relação direta entre
os níveis endêmicos e o acesso dos domicílios com esgotamento sanitário.
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.
Cartograma 17 – Densidade demográfica segundo municípios do Rio de Janeiro, 2000.
No Cartograma 1717, a maioria dos municípios fluminenses apresenta uma
razoável densidade demográfica se encontrando as maiores taxas nos municípios da
região metropolitana do Estado. É por causa desses municípios que a variável
densidade demográfica se mostrou relevante na probabilidade do risco de ter
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
indicadores de infra-estrutura urbana demonstra importante significância na
probabilidade do risco da doença no Estado.
Cartograma 18 – Renda per capita segundo municípios, Rio de Janeiro, 2000.
Quanto à variável Renda per capita, Cartograma 1819, os municípios que
demonstraram menores percentuais nos indicadores de infra-estrutura são os mesmos
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,
São Sebastião do Alto, Trajano de Morais e Belford Roxo.
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
Apesar do progresso no controle da hanseníase que tem ocorrido no Brasil e em
algumas unidades da federação, como no Estado do Rio de Janeiro nos últimos anos, o
coeficiente de prevalência ainda não atingiu a meta para eliminação da doença.
Quer dizer, embora o Brasil tenha assumido o compromisso com a Organização
Mundial de Saúde, em 1991, de alcançar um coeficiente de prevalência de 1/10 mil
habitantes até o início do terceiro milênio, a meta ainda não foi alcançada e a doença
continua sendo um problema de saúde pública nos estados brasileiros.
O Brasil é o segundo país do mundo em número absoluto de casos, perdendo
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
de 77.676 infectados, com um coeficiente de prevalência de 4,68/10.000 habitantes,
considerado nível médio de endemicidade de acordo critérios da OMS.
O estado do Rio de Janeiro se mostra estável na prevalência da hanseníase ao
longo dos anos, indicando que não houve favoráveis mudanças nas condições
epidemiológicas.
Apesar de nos depararmos com níveis médios de prevalência da doença em
alguns municípios, o Estado não pode deixar de pensar na Hanseníase como um
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
casos em 2000 e o segundo em prevalência com 5,36/10.000 habitantes, também para o
ano de 2000, destacando-se, portanto, com nível alto de endemia.
76
O não preenchimento total do formulário do Sistema de Informação de
Notificação de Agravos – SINAN e a baixa resolução deste sistema na agilização dos
dados dificultam no conhecimento da doença, seja na monitoração, supervisão e
avaliação dos dados de hanseníase.
Ainda que trabalhando com dados pouco confiáveis, pudemos constatar, pelo
modelo de Regressão Logística, que a hanseníase, no Rio de Janeiro, está
correlacionada a fatores ligados a condições desfavoráveis de vida.
Foi concluído através do modelo 3 explicado nesta dissertação que, com o
aumento dos percentuais de domicílios com coleta de lixo adequada, abastecimento de
água, esgotamento sanitário e a uma diminuição na densidade demográfica e aumento
na renda per capita dos municípios as condições de vida da população melhorariam
significativamente.
Esta verificação foi confrontada com os cartogramas das variáveis estudadas em
relação a taxa estimada da prevalência da hanseníase no Estado possibilitando a
suposição de que os municípios que apresentaram melhores percentuais nos indicadores
socioeconômicos e infra-estrutura retratam menores taxas da prevalência da doença e
vice-versa.
Supõe-se então que, com a solução dos problemas voltados à melhoria nas
condições socioeconômicas da população e com melhores índices de infra-estrutura
urbana poderia-se reduzir a taxa de prevalência da hanseníase no Estado. Levando a
pensar que, não só teríamos a redução do coeficiente de prevalência da hanseníase, mas,
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
responsáveis por medidas de intervenção e combate a doenças, precisam preocupar-se
na inversão da imagem da doença na comunidade, uma vez que, a hanseníase, ainda é
vista como uma doença de caráter sujo, promíscuo e irresponsável ao portador do
bacilo, o que gera o medo e o preconceito ainda visto na sociedade.
O uso do Modelo de Regressão Logística na análise dos dados possibilitou a
descrição de como o risco de ter hanseníase está associado com as variáveis explicativas
e apresentou probabilidades muito pequenas de estarmos escolhendo um modelo que
não estivesse representando a situação presente no Estado do Rio de Janeiro, estimando
a probabilidade de uma pessoa contrair a doença a partir das variáveis explicativas a ele
associadas.
Recomenda-se para estimular o alcance da meta de eliminação da hanseníase,
portanto, ações imediatas de melhoria nas condições de vida da população e ainda a
permanência de campanhas e projetos que visem assegurar a população que a doença
pode envolver qualquer pessoa e que tem cura. E ainda, qualificação de agentes de
saúde na identificação da doença visando agilidade no processo de descoberta, antes que
o indivíduo infectado tenha algum órgão acometido levando às seqüelas irreversíveis e
também minimizando o tempo de transmissão para as pessoas do seu meio.
Para trabalhos futuros sugere-se verificar a dependência espacial da doença em
relação ao espaço e tempo nos municípios do estado utilizando-se outras técnicas como
Inferência Bayesiana, identificando assim, o reflexo e a extensão de disseminação da
doença em um município em relação aos municípios vizinhos.
78
REFERÊNCIAS BIBLIOGRÁFICAS
Amigo, H.; Marques, N.; Brito, A.; Siqueira, L. Mortalidade

em menores de 5 anos na cidade de Recife-PE (Brasil):
Tendências e associações. Recista de Saúde Pública, São
Paulo, 19:531-42, 1985.
Assunção, Renato Martins. Estatística espacial com

aplicações em epidemiologia, economia, sociologia. – ABE
(Associação Brasileira de Estatísticos) - São Carlos:
UFSCar, 2001. 129p.
Braule, Ricardo. Estatística aplicada com Excel: para

cursos de administração e economia. Rio de Janeiro: Campus,
2001.
Bekman, Otto Ruprechet.; Costa Neto, Pedro Luiz de

Oliveira. Análise estatística da decisão. São Paulo: Edgard
Blücher, 1980.
Carvalho, Marcia Siqueira de. Zequim, Maria Angelina. Doenças Infecto-Contagiosas

Relacionadas as Carências Habitacionais na Cidade De Londrina - Paraná
(Brasil).DEGEO-UEL, Londrina-Paraná, Brasil. Em: Revista Electrónica de
Geografía y Ciencias Sociales. Universidad de Barcelona. ISSN: 1138-9788. Depósito
Legal: B. 21.741-98. Vol. VII, núm. 146(113), 1 de agosto de 2003.
Claro, Lenita B. L. Hanseníase. Representações sobre a doença. Rio de Janeiro: Ed.

Fiocruz, 1995. p.31
Cordeiro, Gauss Moutinho. Modelos lineares generalizados. Campinas: ABE, 1986,

286p.
Cunha, Ana Zoé Schilling da. Hanseníase: a história de um

problema de saúde pública/Ana Zoé S. da Cunha. – Santa Cruz
do Sul: EDUNISC, 2000. 112p. – (Série conhecimento; 1)
79
Demétrio, Clarice Garcia Borges. Modelos Lineares
Generalizados em Experimentação Agrônoma. Piracicaba/SP:
ESALQ/USP, 2002.
Diniz, Alexandre Magno Alves. Estatística espacial.

Geoprocessamento 2000. Apostila II. Minas Gerais: UFMG,
2000.
Dobson, A. J. Na Introduction to Statistical Modelling,

Londres, Champman and Hall, 1983.
Franciscon, Luziane. Quatis Residuais. Academia de

Estatística. Paraná: UFPR, 2004.
FCIDE – Centro de Informações e Dados do Rio de Janeiro.

Anuário Estatístico do Estado do Rio de Janeiro. Centro de
Informações e Dados do Rio de Janeiro. Rio de Janeiro:
CIDE, 2003.
McCullagh, P. e Nelder, J.A. Generalized Linear Models 2nd

ed. Chapman and Hall, Londres: 1989.
MS - Ministério da Saúde. Guia para o controle da

hanseníase/ Ministério da Saúde, Secretaria de Políticas de
Saúde. Secretaria de Políticas de Saúde. Departamento de
Atenção Básica. – 1º edição – Brasília: Ministério da
Saúde, 2002, 90p.
________________________. Guia Brasileiro de Vigilância

Epidemiológica. 4ª Edição, Fundação Nacional de Saúde,
Brasília: 1998, 282p.
________________________. Legislação sobre o controle da

Hanseníase no Brasil. Secretaria de Políticas de
Saúde/Departamento de Atenção Básica/ Área Técnica de
Dermatologia Sanitária. 1 ed., Brasília: 2000, 48p.
Nelder, J. A. Generalized linear models and quase-

likelihood. 1ª Escola de Modelos Lineares. ABE: IME/USP,
1989.
80
Nelder, J. A. e Wedderburn, R. W. M. Generalized linear
models. Journal of the Royal Statistical Society, A, 135,
3, 370-84, 1972.
Nogueira, Wagner. A hanseníase 2002: 22 a 26 de abril

campanha de combate. Programa de Controle da Hanseníase.
SES/CIP/CVE. – São Paulo, 2002. Disponível em::
http://www.entreamigos.com.br/Semimagem/noticias/xcampanhae
stadual.htm - Acesso em 01 de março de 2003.
OMS - Organização Mundial da Saúde. Guia para a Eliminação

da Hanseníase como Problema de Saúde Pública. 1ª Edição,
Geneva: 2000, 38p.
OPAS - Organização Panamericana da Saúde. Descentralizacion

de los sistemas de salud: conceptos, aspectos y
experiencias nacionales. Organizacion Mundial de la Salud,
Genebra: 1999, 162p.
____. – Sistemas de informação geográfica: conceitos

básicos / Organización Panamericana de la Salud; tradução
de Luz Maria Montiel da Rocha. Brasília: Organização Pan-
Americana da Saúde, 2002, 124p.
____. – Hanseníase hoje: Eliminação da hanseníase das

Américas. Organização Pan Americana da Saúde/Organização
Mundial da Saúde, nº10, Dezembro 2002, 4p.
____. – Monitoramento da informação da Hanseníase (LEM). Brasil 2003. Brasília:

Organização Pan Americana da Saúde/Organização Mundial da Saúde , 2004, 40p.
Pagano, Marcello. Gauvreau. Kimberlee,. Princípios de

Bioestatística. Tradução: Paiva, Luiz Sérgio de Castro.
Revisão técnica: Barroso, Lúcia Pereira. 2º edição norte-
americana – São Paulo: Pioneira Thomson Learning, 2004.
Pereira, G. F. M. Características da hanseníase no Brasil:

situação e tendência no período de 1985 a 1996. São Paulo:
81
Mestrado em epidemiologia. Escola Paulista de Medicina.
Universidade de São Paulo, 1999, 109p.
PNUD. Relatório de Desenvolvimento Humano. Idealização do

economista paquistanês Mahbub ul Haq. Programa das Nações
Unidas para o Desenvolvimento. Brasil, 1990.
Silva, S. R. R. e Strauch, J. C. M. Evolução da Hanseníase no

Estado do Rio de Janeiro. In: IX Encontro Nacional da Associação Brasileira de
Estudos Populacionais, 2004, Caxambú – MG.
Spiegelhalter, D.J.; Best, N.G.; Carlin, B.P. e Linde, A.

Bayesian measures of model complexity and fit. Journal of
the Royal Statistical Society, B, 2002, 64, 583-639.
Thomas, A.; Spiegelhalter, D.J. e Gilks, W.R. BUGS: A

program to perform Bayesian inference using Gibbs Sampling.
Em Bayesian Statistics 4, 837-842 (Editors Bernardo, J.M.,
Berger, J.O., Dawid, A.P. e Smith, A.F.M.), 1992.
Toledo, Geraldo Luciano. Ovalle. Ivo Izidoro,. Estatística

Básica. 2º edição. São Paulo: Atlas, 1985.
Velloso, Alda Py.; Andrade, Vera. Hanseníase: curar para

eliminar. – Porto Alegre: edição das autoras, 2002, 112p.
Viola, Denise Nunes. Redução no vício da distribuição da deviance para dados de

contagem. Dissertação de mestrado em agronomia. São Paulo: ESALQ/USP, 2001.
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
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.
Fonte: MS, 2002.

86
87
88
89
Anexo 3 – Quadro de indicadores epidemiológicos e operacionais de hanseníase
90
91
92
Anexo 4 - Coeficiente de prevalência da Hanseníase no Brasil, segundo Regiões e Unidades da Federação - 1993 a 2000.
Fonte: MS, 2002

2

Sheila Rebeca Rodrigues Da Silva TC

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Sheila Rebeca Rodrigues Da Silva TC

Încărcat de

Drepturi de autor:

Formate disponibile

ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NO

ESTADO DO RIO DE JANEIRO

Sheila Rebeca Rodrigues da Silva

Sheila Rebeca Rodrigues da Silva

Dissertação submetida ao corpo docente da Escola Nacional de Ciências Estatísticas –

Muitos foram os que me ajudaram e torceram por mim

Mas não citá-los aqui neste espaço seria ingratidão

Primeiramente, quero agradecer a Deus por ter me

Dentre estas pessoas estão meus pais, duas riquezas

Também agradeço a meus irmãos que sentem muito minha

Ricardo, cunhadinho do coração, muito obrigada pela

Não poderia esquecer inclusive de todos os meus

Claro que não posso deixar de lembrar de Missilene,

Quero agradecer ainda a meus orientadores Júlia e

Agradeço ainda ao professor e amigo Cezar Cerqueira,

Ao professor Marcos Ferreira, da UFRJ, obrigada pela

Meus amigos, obrigada pelo incentivo, apoio e momentos

Agradeço a todos os colegas do mestrado, em especial

Agradeço também a todos os funcionários da ENCE, em

Aos colegas da graduação obrigada pela força.

Por fim, quero agradecer a Cristiane Ferle e Carina,

Autora: Sheila Rebeca Rodrigues da Silva

PALAVRAS CHAVES: Epidemiologia; Hanseníase; Regressão logística;

“Não se pode ensinar tudo a

“Escrever é fácil: você começa

Milton Nascimento/F. Brant

CAPÍTULO 2 - HANSENÍASE NO ESTADO DO RIO DE JANEIRO: ESTUDO

CAPÍTULO 3 – REVISÃO DOS CONCEITOS ESTATÍSTICOS 31

3.1 CORRELAÇÃO LINEAR 31

CAPÍTULO 4 – JUSTIFICATIVA DA HANSENÍASE NO ESTADO DO RIO DE

4.5 ANÁLISE ESPACIAL DA HANSENÍASE 69

CAPÍTULO 5 – CONSIDERAÇÕES FINAIS 76

Cartograma 2 - Municípios do Estado do Rio de Janeiro, 2000. _________________ 8

Cartograma 3 - Índice de Desenvolvimento Humano Municipal, Rio de Janeiro, 2000. 9

Cartograma 4 – Coeficiente de prevalência da Hanseníase no Estado do Rio de

Janeiro, 1999. ________________________________________________________ 25

Cartograma 5 - Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,

Cartograma 6 - Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,

Cartograma 7 - Coeficiente de detecção anual da Hanseníase no Estado do Rio de

Janeiro, 1999. ________________________________________________________ 27

Cartograma 8 - Coeficiente de detecção anual da Hanseníase no Estado do Rio de

Janeiro, 2000. ________________________________________________________ 28

Cartograma 9 - Coeficiente de detecção anual da Hanseníase no Estado do Rio de

Janeiro, 2001. ________________________________________________________ 28

Cartograma 10 – Coeficiente de detecção anual da Hanseníase em menores de 15 anos

no Estado do Rio de Janeiro, 1999. _______________________________________ 29

Cartograma 11 - Coeficiente de detecção anual da Hanseníase em menores de 15 anos

no Estado do Rio de Janeiro, 2000. _______________________________________ 30

no Estado do Rio de Janeiro, 2001. _______________________________________ 30

Cartograma 13 – Risco estimado de ter hanseníase nos municípios fluminenses, 2000.

Cartograma 14 – Proporção de domicílios com coleta de lixo adequada, Rio de

Janeiro, 2000. ________________________________________________________ 70

Cartograma 15 - Proporção de domicílios com abastecimento de água (rede geral),

Rio de Janeiro, 2000. __________________________________________________ 72

Cartograma 16 – Proporção de domicílios com esgotamento sanitário, Rio de Janeiro,

Cartograma 17 – Densidade demográfica segundo municípios do Rio de Janeiro, 2000.

poliquimioterapia (PQT) e a detecção nos 16 principais países endêmicos. _______ 17

Tabela 3 - Prevalência registrada de casos de Hanseníase em tratamento com

poliquimioterapia (PQT) e a detecção _____________________________________ 18

Tabela 4 - Teste de significância individual dos parâmetros do 1º modelo_________ 53

Tabela 5 - Teste de DIC do 1º modelo _____________________________________ 54

Tabela 6 - Teste de significância individual dos parâmetros do 2º modelo_________ 58

Tabela 7 – Teste de DIC do Modelo 2 _____________________________________ 58

Tabela 8 - Teste de significância individual dos parâmetros do 3º modelo_________ 61