CÂMPUS APUCARANA/LONDRINA
IARA DA SILVA
RELAÇÃO DA TEMPERATURA E DA UMIDADE RELATIVA COM INTERNAÇÕES E MORTES POR DOENÇAS CARDIOVASCULARES, RESPIRATÓRIAS E
DISTÚRBIOS MENTAIS
DISSERTAÇÃO DE MESTRADO
LONDRINA 2020
RELAÇÃO DA TEMPERATURA E DA UMIDADE RELATIVA COM INTERNAÇÕES E MORTES POR DOENÇAS CARDIOVASCULARES, RESPIRATÓRIAS E
DISTÚRBIOS MENTAIS
Dissertação de mestrado apresentada ao Programa de Pós-Graduação em Engenharia Ambiental, da Universidade Tecnológica Federal do Paraná, Câmpus Apucarana e Londrina, como requisito para obtenção do título de Mestre em Engenharia Ambiental. Área de Concentração: Engenharias I. Linha de Pesquisa: Poluição do ar e Processos Atmosféricos.
Orientadora: Profa. Dra. Leila Droprinchinski Martins
Coorientadora: Profa. Dra. Elizabeth Mie Hashimoto
LONDRINA 2020
comercial/compartilhamento sob a mesma licença 4.0 Brasil . Pa ra ver uma cópia desta licença , visite o endereço http://crea tivecommons.org/licenses/by-nc-sa /4.0/ ou envie uma ca rta pa ra Crea tive Commons, 171 Second Street, Suite 300, Sa n Fra ncisco, Ca lifórnia 94105, USA.
Pró-Reitora de Pesquisa e Pós-Graduação Programa de Pós-Graduação em Engenharia Ambiental
Câmpus Apucarana e Londrina
TERMO DE APROVAÇÃO
RELAÇÃO DA TEMPERATURA E DA UMIDADE RELATIVA COM INTERNAÇÕES E MORTES POR DOENÇAS CARDIOVASCULARES, RESPIRATÓRIAS E
DISTÚRBIOS MENTAIS por
IARA DA SILVA
Dissertação de Mestrado apresentada no dia 22 de setembro de 2020, como requisito parcial para a obtenção do título de MESTRE EM ENGENHARIA AMBIENTAL pelo Programa de Pós-Graduação em Engenharia Ambiental, Câmpus Apucarana e Londrina, da Universidade Tecnológica Federal do Paraná. A mestranda foi arguida pela Banca Examinadora composta pelos membros abaixo assinados. Após avaliação, a Banca Examinadora considerou a Dissertação APROVADA.
Profa. Dra. Leila Droprinchinski Martins – Orientadora
(UTFPR – Câmpus Londrina)
Prof. Dr. Paulo Hilario Nascimento Saldiva – Membro Titular (Universidade de São Paulo)
Prof. Dr. Thiago Gentil Ramires – Membro Titular (UTFPR – Câmpus Apucarana)
Prof. Dr. Alesandro Bail
Coordenador do Programa de Pós-Graduação em Engenharia Ambiental
O Termo de Aprovação assinado encontra-se na Coordenação do Programa de Pós- Graduação em Engenharia Ambiental – PPGEA.
À minha mãe Claudia, e a todos aqueles que me acompanharam em alguma parte do caminho. Em especial para os que acreditaram.
AGRADECIMENTOS
Gostaria de agradecer a todos que de alguma forma colaboraram para a realização desse trabalho e para meu crescimento profissional e pessoal. Este trabalho representa muito além do que a obtenção de um título, é o encerramento de uma fase e alcance de um objetivo. Muito obrigada a todos!
Agradeço às minhas orientadoras Profa. Dra.Leila Droprinchinski Martins e Profa.
Dra. Elizabeth Mie Hashimoto que dividiram a tarefa de me guiar nos dois anos de
mestrado. Muito obrigada pela dedicação, conhecimento e gentileza.
Sou grata também a todos os meus colegas de trabalho do Laboratório de Análises em Poluição do Ar (LAPAR) e do Laboratório de Eventos Atmosféricos Extremos (EAE), por todo o companheirismo, auxílio e por nossas tardes de conversas e cafés.
Ao professor Jorge Alberto Martins por ser sempre visionário e entusiasta e impulsionar a todos.
Agradeço à Universidade Tecnológica Federal do Paraná e ao Programa de Pós-Graduação em Engenharia Ambiental e a todos os servidores pela estrutura, auxilio e suporte. E à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pe lo apoio financeiro.
À minha mãe Claudia, obrigada pelo apoio, conselhos e cumplicidade.
Agradeço de forma especial aos professores da banca Prof. Dr. Paulo Hilario Nascimento Saldiva e Prof. Dr. Thiago Gentil Ramires, por terem aceitado o convite e partilharem seus conhecimentos.
Por fim, gostaria de agradecer a todos os meus amigos, pessoas sem as quais eu não teria me mantido firme para chegar até aqui. E a todos que contribuíram de alguma forma para a realização desse trabalho.
RESUMO
DA SILVA, I. Relação da temperatura e da umidade relativa com internações e mortes por doenças cardiovasculares, respiratórias e distúrbios mentais. 2020. 143 p. Dissertação (Mestrado). Programa de Pós-Graduação em Engenharia Ambiental (PPGEA), Câmpus Apucarana/Londrina, Universidade Tecnológica Federal do Paraná. Londrina, 2020.
As mudanças no clima do Paraná, com o aumento gradual das temperaturas e a alteração da umidade relativa, somadas ao envelhecimento populacional, podem representar problemas de saúde pública, dado que cenários futuros preveem alterações ainda mais acentuadas no clima assim como a inversão da pirâmide etária. Sendo assim, essa pesquisa teve como objetivo avaliar o efeito das temperaturas máximas, mínimas e umidade relativa sobre as internações e mortes por doenças cardiovasculares, respiratórias e mentais em adultos e idosos, de ambos os sexos para o estado do Paraná. Análises estatísticas foram realizadas em séries temporais (1996-2015) de dados diários de saúde e meteorológicos de domínio público de 16 regiões metropolitanas (representando 84% da área e 85% da população). Os dados de saúde foram estratificados em seis grupos, de acordo com o sexo e a faixa etária para cada região. Para a investigação das características temporais das séries, aplicou-se o teste de Mann-Kendall, em conjunto com bootstrap e a transformada wavelet de Morlet, para os casos de internações e mortes. Para a análise de regressão, foram testadas duas distribuições (Poisson e binomial negativa), ambas inflacionadas ou não de zeros, para a série completa e em percentis. Por fim, foram calculados os riscos relativos (RR) e avaliados os efeitos em até sete dias de defasagem. Os resultados demonstraram que há uma tendência de redução da prevalência de internações por doenças cardiovasculares, respiratórias e mentais, porém um aumento, na maioria das regiões, das mortes por causas respiratórias. A distribuição binomial negativa foi a mais adequada na maioria dos casos e o lag 0 foi o mais significativo, mas com outras defasagens também significativas para alguns grupos e doenças. Altas temperaturas em conjunto com baixas umidades foram os fatores de risco mais relevantes para as internações por doenças cardiovasculares, enquanto as temperaturas mínimas foram os fatores mais significativos para as internações causadas por doenças respiratórias. Os extremos de temperatura, tanto das máximas, como das mínimas, foram os fatores de risco mais importantes para as doenças mentais. Os grupos com idade acima de 60 anos apresentaram maiores riscos para doenças cardiovasculares e respiratórias, enquanto para as doenças mentais, o fator mais significativo foi o grupo de adultos (40 -59 anos). De forma geral, não foram encontradas diferenças entre os resultados dos grupos de homens e mulheres e, na comparação entre as regiões, aquelas com maior índice de urbanização apresentaram riscos, principalmente para doenças respiratórias, enquanto as com menor índice de urbanização, para as doenças cardiovasculares. Palavras-chaves: Clima; doenças cardiovasculares; respiratórias e mentais; análise de regressão; risco relativo.
ABSTRACT
DA SILVA, I. Relationship of temperature and relative humidity with hospitalizations and deaths due to cardiovascular, respiratory, and mental disorders. 2020. 143 p. Dissertation (Master’s degree). Environmental Engineering Master’s Program (PPGEA), Campus Apucarana/Londrina, Federal University of Technology Paraná. Londrina, 2020.
The changes in the Paraná climate, with a gradual increase in temperatures and changes in the relative humidity, and also taking into account the aging population, may represent problems for public health, given that future scenarios predict even more marked changes in meteorological variables and age pyramid. Thus, this study aimed to evaluate the effects of maximum and, minimum temperatures and, relative humidity on hospitalizations and deaths from cardiovascular, respiratory and mental diseases in adults and the elderly, of both sexes, in the Paraná state. Statistical analyzes were performed on time series (1996-2015) of public health and meteorological data in the public domain from 16 metropolitan regions (representing 84% of the area and 85% of the population). Health data were stratified into six groups, according to sex and an age range for each region. For the investigation of the series temporal characteristics, it was applied Mann-Kendall test in conjunction with bootstrap and a transformed Morlet
wavelet, for hospitalizations and deaths. For regression analysis, two distributions
(Poisson and binomial negative) were tested, with and without zeros adjustment, by considering the excess or not, for a complete series and percentiles. Finally, the related risks (RR) were calculated and the effects were evaluated up to seven days after the occurrence. The results showed a tendency to reduce the prevalence of cardiovascu lar, respiratory and mental diseases, but it increases, in the most regions the number of the deaths due to respiratory causes. The negative binomial distribution better fitted the data and the lag 0 was the most significant, but with other lags also significant to some groups and diseases. High temperatures, in conjunction with low temperatures, were the most relevant risk factors for hospitalizations for cardiovascular diseases, while minimum temperatures were the most relevant factor for respiratory diseases. Temperature extremes, both high and low, were the most important risks factors for mental illnesses. Groups over 60 years presented higher risks for cardiovascular and respiratory diseases, while for mental disease, the higher risk was for the adult group (40-59 years). In general, was not found differences between men and women and, when comparing the regions, those with higher urbanization levels were the ones that presented the biggest risks, mainly for respiratory diseases, while those with lower urbanization levels were the ones that stood out for cardiovascular diseases.
Keywords: Climate; cardiovascular, respiratory and mental diseases; regression analysis; relative risk.
LISTA DE ILUSTRAÇÕES
Figura 1 - Mudança observada na temperatura média global e respostas modeladas
para emissão antrópica... 21
Figura 2 - Figura 2 - Esquema de causa e efeito associada as mudanças climáticas.... 23
Figura 3 - Esquema da reação do organismo às variáveis meteorológicas. ... 25
Figura 4 - Projeções etárias do Brasil e do Paraná... 26
Figura 5 - Exemplo de superdispersão (média e variância diferentes) de um conjunto de dados. ... 29
Figura 6 - Área de estudo. ... 33
Figura 7 - Exemplo de árvore de decomposição de wavelet... 38
Figura 8 - Formato de algumas famílias de wavelets. ... 38
Figura 9 - Multicolinearidade em dados climáticos da RML. ... 40
Figura 10 – Exemplo da separação em partes do banco de dados. ... 43
Figura 11 - Diagrama do processo das análises. ... 47
Figura 12 - Média das temperaturas (A) máximas, (B) mínimas e (C) umidade relativa para o período de estudo... 49
Figura 13 - Perfil mensal da temperatura e umidade relativa para o período de estudo. ... 50
Figura 14 - Série temporal de temperaturas máximas (°C) para as regiões metropolitanas. ... 51
Figura 15 - Série temporal de temperaturas mínimas (°C) para as regiões metropolitanas. ... 52
Figura 16 - Série temporal de umidade relativa (%) para as regiões metropolitanas. .... 53
Figura 17 – Gráfico de boxplot das variáveis meteorológicas (A – temperatura máxima; B – temperatura mínima; C – umidade relativa) para o período de estudo. ... 54
Figura 18 - Curvas de tendência das temperaturas máximas (vermelho – eixo à esquerda (°C)) e mínimas (azul – eixo à direita (°C)) para as regiões, com exclusão de sazonalidade e ruído... ... ...57
Figura 19 - Curvas de tendência das umidades relativas (verde (%)) para as regiões, com exclusão de sazonalidade e ruído. ... 58
Figura 20 - Curvas de tendência para a incidência de internações (número/100.000 habitantes) para o Paraná (a - cardiovasculares; b - respiratórias) e mortes (c -
cardiovasculares; d - respiratórias), com exclusão de sazonalidade e ruído. ... 59 Figura 21 - Comportamento das internações por mês e por dia para o estado,
ponderado pela população total das RM’s. ... 62 Figura 22 - Comportamento das mortes por mês e por dia para o estado, ponderado pela população total das RM’s... 63 Figura 23 - Incidência de casos (número/100.000 habitantes) por ano para o Paraná. . 66 Figura 24 - Gráfico de boxplot das internações por doenças: A) Cardiovasculares, B) Respiratórias, C) Mentais. ... 67 Figura 25 - Gráfico de boxplot das mortes por: A) Cardiovasculares. B) Respiratórias. 68 Figura 26 - Média anual por grupo dos casos de internação por doenças
cardiovasculares (RML). ... 69 Figura 27 - Espetros de Wavelets das internações (A - cardiovasculares; B -
respiratórias) e mortes (C - cardiovasculares; D - respiratórias) para o estado... 71 Figura 28 - Exemplo de gráfico de resíduos para avaliação de modelo final, Grupo 1 de mulheres (GM1) da RM de Curitiba para doenças respiratórias. ... 75 Figura 29 - Exemplo de adequabilidade dos modelos sem e com ajustes (GM1, RM de Paranaguá). ... 76 Figura 30 - Comportamento das variáveis sobre as doenças do aparelho cardiovascular por região estudada, A) internações; B) Mortes. ... 78 Figura 31 - Curvas de risco para as internações (coluna esquerda) e mortes (coluna direita) por doenças cardiovasculares. ... 79 Figura 32 - Risco relativo de internação (A) e morte (B) por doenças cardiovasculares para os grupos e regiões nas faixas de percentil com risco em lag 0. ... 80 Figura 33 - Comportamento das variáveis sobre as doenças do aparelho respiratórios por região estudada. A) internações; B) Mortes. ... 85 Figura 34 - Curvas de risco para as internações (coluna esquerda) e mortes (coluna direita) por doenças respiratórias. ... 86 Figura 35 - Risco relativo de internação (A) e morte (B) por doenças respiratórias para os grupos e regiões nas faixas de percentil com risco em lag 0. ... 87
Figura 36 - Comportamento das variáveis sobre as doenças e transtornos mentais por região estudada... 91 Figura 37 - Curvas de risco para as internações por doenças e transtornos mentais. ... 92 Figura 38 - Risco relativo de internação por doenças e transtornos mentais para os grupos e regiões nas faixas de percentil com risco em lag 0. ... 93
LISTA DE TABELAS
Tabela 1 – Regiões metropolitanas analisadas nesse estudo com seus respectivos números de municípios que compõem a região e período de dados disponível ... 34 Tabela 2 – Tendências por teste de Mann-Kendall das variáveis meteorológicas para os períodos estudados de cada região ... 55 Tabela 3 – Tendências por teste de Mann-Kendall das internações e mortes pelas doenças nos períodos estudados de cada região ... 60 Tabela 4 - Resumo das doenças para o período estudado ... 64 Tabela 5 - Valores calculados de fator de inflação de variância para as variáveis ambientais de cada região ... 72 Tabela 6 – Componentes principais ... 73 Tabela 7 - Porcentagem do RR por lag para os grupos de internações e mortes ... 76 Tabela 8 – Risco relativo de internação por doenças cardiovasculares para os grupos e regiões. Valores de RR associados as variáveis com intervalo de confiança (95%) e o
lag mais significativo entre parênteses ... 81
Tabela 9 – Risco relativo de morte por doenças cardiovasculares para os grupos e regiões. Valores de RR associados as variáveis com intervalo de confiança (95%) e o
lag mais significativo entre parênteses ... 83
Tabela 10 – Risco relativo de internação por doenças respiratórias para os grupos e regiões. Valores de RR associados as variáveis com intervalo de confiança (95%) e o
lag mais significativo entre parênteses ... 88
Tabela 11 – Risco relativo de morte por doenças respiratórias para os grupos e regiões. Valores de RR associados as variáveis com intervalo de confiança (95%) e o lag mais significativo entre parênteses ... 90 Tabela 12 – Risco relativo de internação por doenças e transtornos mentais para os grupos e regiões. Valores de RR associados as variáveis com intervalo de confiança (95%) e o lag mais significativo entre parênteses ... 94
Sumário
1. INTRODUÇÃO... 15 2. OBJETIVOS ... 19 2.1. Objetivo geral ... 19 2.2. Objetivos específicos ... 19 3. REFERENCIAL TEÓRICO ... 203.1. Clima e mudanças climáticas ... 20
3.2. Interação clima-ambiente-saúde ... 23
3.3. Modelagem estatística ... 27
3.4. Aspectos socioeconômicos do Paraná ... 31
4. METODOLOGIA ... 32
4.1. Local e período de estudo ... 32
4.2. Dados meteorológicos ... 34
4.3. Dados de saúde ... 35
4.4. Análise estatística ... 35
4.4.1. Estatística descritiva ... 36
4.4.2. Análise de regressão e distribuições de probabilidade ... 41
4.4.3. Ajustes do modelo e tendências temporais de curto prazo ... 44
4.4.4. Cálculo do risco relativo ... 45
5. RESULTADOS ... 47
5.1. Características das variáveis de estudo ... 47
5.1.1. Descrição das variáveis ... 47
5.1.2. Análise temporal dos dados de saúde pela transformada de wavelet ... 70
5.2. Análise de regressão ... 72
5.2.1. Seleção de variáveis e modelos e tendências de curto prazo ... 72
5.2.2. Capítulo IX – Doenças cardiovasculares ... 77
5.2.3. Capítulo X – Doenças respiratórias ... 84
5.2.4. Capítulo V – Doenças mentais ... 91
6. DISCUSSÃO ... 96
7. CONCLUSÕES ... 103
REFERÊNCIAS ... 106
APÊNDICE II ... 126
APÊNDICE III ... 132
APÊNDICE IV ... 137
APÊNDICE V ... 140
1 INTRODUÇÃO
Todas as atividades humanas, por mais sustentáveis que sejam, geram algum tipo de mudança no ambiente, com impactos em escala local a global (GIELEN; BOSHELL; SAYGIN, 2016). Apesar de mudanças no clima serem recorrentes, se considerado uma escala de tempo geológica, a influência do homem na velo cidade dessa mudança é imensurável, e os efeitos dessa intervenção são historicamente inéditos, principalmente em menores escalas, uma vez que a maioria dos estudos engloba grandes áreas (IPCC, 2014a).
O homem sempre modificou o meio, primeiro para a subsistência através da caça, pesca e coleta de alimentos, depois com a agricultura e criação de animais e, posteriormente com a revolução industrial ampliou o processo produtivo e o uso de matéria prima, causando a degradação de ecossistemas. A interferência das atividades humanas no clima é notável, com registros frequentes de diversos fenômenos climáticos, anteriormente esporádicos, como as ilhas de calor, ondas de calor, enchentes, secas, entre outros (BARNOSKY et al., 2012; MANTON, 2014; WOOD, 2015). Segundo o Painel Intergovernamental sobre Mudanças Climáticas (Intergovernmental Panel on Climate Change – IPCC) (2018), as atividades humanas pós-industriais causaram em seis décadas aproximadamente 1°C de aquecimento global, com variação de 0,8°C a 1,2°C.
A mudança climática é o resultado de um conjunto de ações danosas ao planeta, como o acúmulo de gases do efeito estufa, emitidos em excesso para a atmosfera por diversas atividades humanas, como o uso inadequado do solo, água e dos recursos naturais. Portanto, pode ser definida como a manifestação do impacto da humanidade no sistema terrestre (CHAKRABARTY, 2017).
Diversas áreas do conhecimento tem buscado analisar e estabelecer a relação dos impactos dessa interferência humana nos ecossistemas (NORDHAUS, 2014). A mudança climática tem sido apresentada como um dos problemas mais desafiadores no cenário mundial do século XXI, estando diretamente ligada a problemas de saúde pública (O’BRIEN et al., 2004; IPCC, 2014c; ZHAO et al., 2018a).
O ser humano interage com o meio ambiente em que vive, influenciando-o e alterando-o, bem como recebendo influências. Variações bruscas estimulam respostas no organismo (LAWSON et al., 2015; SINCLAIR et al., 2016) que muitas vezes pode representar prejuízos à saúde do indivíduo, dependendo da intensidade do estímulo (GILMAN; WETHEY; HELMUTH, 2006). O corpo se adapta às condições frequentes do clima da região, portanto, diante da ocorrência de fenômenos anômalos, os indivíduos mais sensíveis tenderão a apresentar maiores índices de ocorrência de doenças relacionadas às variáveis ligadas à percepção do ambiente (FRANCHINI; MANNUCCI, 2015).
A temperatura e a umidade relativa do ar, por exemplo, são variáveis climatológicas ligadas diretamente à sensação térmica (HAMDI; LACHIVER; MICHAUD, 2002; FIALA et al., 2003). Sendo assim, as doenças relacionadas com a percepção de calor e frio terão seu índice de ocorrência influenciado pelas flutuações dessas variáveis. Entre essas doenças estão principalmente aquelas ligadas aos sistemas circulatório e respiratório (GASPARRINI et al., 2015; YANG et al., 2015; BUNKER et al., 2016a). Além disso, existem diversos estudos relacionando os extremos térmicos com transtornos mentais, devido à influência direta da temperatura no sistema neurológico (TRANG et al., 2016a; PENG et al., 2017; RODRIGUES; SANTANA; ROCHA, 2019).
A relação da temperatura com doenças cardiovasculares e respiratórias, o excesso de internações e mortes por essas doenças e a influência desta, mais especificamente em determinados grupos etários, são amplamente explorados em estudos epidemiológicos pelo mundo (BUNKER et al., 2016a; PHUNG et al., 2016a; SONG et al., 2017; SHERBAKOV et al., 2018; CUI et al., 2019).
As mudanças no ambiente são sentidas por toda a população, no entanto, devido às características individuais e etárias, existem grupos mais afetados por essas variações. Normalmente são os indivíduos que apresentam fragilidade fisiológica, como crianças, idosos e doentes crônicos (THACKERAY et al., 2016; GHISLETTA et al., 2018). O envelhecimento é um agravante para doenças relacionadas às variáveis meteorológicas, pois com o passar da idade há um decréscimo na atividade metabólica,
o que altera a velocidade e a intensidade das reações estimuladas pela variável externa (PÖRTNER; FARRELL, 2008; HUEY et al., 2012).
A congruência entre o envelhecimento populacional e o aumento de eventos climáticos extremos representa maiores taxas de doenças ligadas direta ou indiretamente às mudanças climáticas, como já mencionado anteriormente. Esse cenário acarreta em maiores gastos para o Estado com tratamentos e internações que apresentem diagnósticos dessas doenças. Assim, estudos dessas relações são importantes, em escala espacial apropriada, que possibilitem determinar de forma mais assertiva as associações e riscos entre as variáveis ambientais atmosf éricas e de saúde, considerando o clima e as populações de cada região (WATTS; ADGER; AGNOLUCCI, 2015).
Para se ter uma ideia dos gastos com saúde, no Brasil, em 2013, gastou-se com adultos entre 20 a 59 anos, quase 365 milhões de reais com Internações por Condições Sensíveis à Atenção Primária (ICSAP), enquanto que com indivíduos acima de 60 anos, o valor gasto ultrapassou 540 milhões de reais, ou seja, 60% do valor total gasto foi com 11% da população, os idosos. Entre as doenças mais expressivas estão as relacionadas ao aparelho circulatório e cerebrovasculares (SOUZA et al., 2017).
Além de toda a configuração fisiológica etária, de sexo e das características particulares das áreas em estudo, há outra variável a ser considerada: a condição socioeconômica do grupo, que reflete diretamente em seus hábitos, e ainda determina a qualidade de vida dessas pessoas (MORGADO; TALAIA; TEIXEIRA, 2017). Logo, pressupõe-se que em regiões com índices mais elevados de desenvolvimento humano, uma maior parcela de pessoas tenha condições melhores de vida, o que abrangeria o acesso ao atendimento de serviços de saúde, a possibilidade de acompanhamento clínico e climatização de ambientes (BALCERZAK; PIETRZAK, 2017; KOOHI et al., 2017; PHILLISKIRK, 2017).
Segundo a World Health Organization (WHO), é importante compreender como as mudanças climáticas interferem nos números registrados de doenças, a fim de identificar oportunidades e meios para a abordagem das determinantes ambientais nos
desfechos de saúde. Portanto, tem-se como pressupostos que diversas enfermidades estão ligadas às flutuações climáticas, desde problemas cardiovasculares, respiratórios e até doenças infecciosas (PATZ et al., 2005).
2 OBJETIVOS
2.1. OBJETIVO GERAL
Esse estudo tem como objetivo principal avaliar o efeito das temperaturas máximas, mínimas e umidade relativa do ar sobre as internações e mortes por doenças cardiovasculares, respiratórias e mentais em adultos e idosos, de ambos os sexos para o estado do Paraná.
2.2. OBJETIVOS ESPECÍFICOS
• Determinar a prevalência das doenças analisadas e sua tendência temporal; • Selecionar a distribuição de probabilidade pertencente à família exponencial que
melhor se ajusta ao conjunto de dados;
• Obter a estimativa dos parâmetros do modelo de regressão para o conjunto de dados;
• Caracterizar os grupos mais sensíveis às variações climáticas para as doenças estudadas, através da estratificação etária e de sexo;
• Calcular o risco relativo à saúde pela ocorrência das doenças estudadas para as faixas estratificadas;
3 REFERENCIAL TEÓRICO 3.1 Clima e mudanças climáticas
O clima, em linhas gerais, é um estado médio de longo prazo das condições atmosféricas, caracterizando um local em determinada época do an o. Pode ser interpretado como a descrição estatística das condições climáticas durante um intervalo de tempo específico, normalmente várias décadas (LOVEJOY, 2001; ACHESON et al., 2019).
Com o avanço da poluição do ar, ocorrem mudanças nas condições atmosféricas, as quais passam a registrar episódios extremos. O IPCC afirma que o consenso da opinião cientifica é que o clima da Terra está sendo afetado por atividades humanas, e o aquecimento do planeta é um indicativo dessa mudança (IPCC, 2014a, p.12).
“A inf luência humana no sistema climático é clara e as recentes emissões antrópicas de gases de ef eito estuf a são as mais altas da história. Mudanças recentes no clima tiveram impactos generalizados em sistemas humanos e naturais [...]. O aquecimento do sistema climático é inequívoco e, desde a década de 1950, muitas das mudanças observadas são inéditas ao longo de décadas e milênios. A atmosf era e o oceano aqueceram, as quantidades de neve e gelo diminuíram e o nível do mar subiu.”
O aumento das temperaturas médias globais observado nos últimos 50 anos foi causado e/ou agravado pelo aumento das concentrações de gases de efeito estufa. As concentrações elevadas desses gases, normalmente atribuídas às emissões humanas, tendem a aumentar a variabilidade das temperaturas em todo o globo, ou seja, maior amplitude térmica (LIMAYE et al., 2018). Como resultado, prevê-se instabilidade climática, com ondas de calor mais frequentes, persistentes e intensas (MEEHL; TEBALDI, 2004; GOODESS, 2013), e ondas de frio menos frequentes, porém mais intensas (PITICAR et al., 2018). O IPCC (2018) aponta um aumento de até 1,5°C na temperatura média global entre as décadas de 2030 e 2050, se o ritmo atual de emissões for mantido (Figura 1).
Figura 1 - Mudança observada na temperatura média global e respostas modeladas para emissão antrópica.
Temperatura média global da superf ície observada mensalmente (linha cinza) até 2017, a partir dos dados de HadCRUT4, GISTEMP, Cowtan–Way e NOAA, e aquecimento global antrópico estimado (linha laranja sólida até 2017, com sombreamento laranja indicando uma variação avaliada como provável). A seta tracejada laranja e a barra de erro laranja horizontal demonstram , respectivamente a estimativa central e a variação provável de tempo no qual se atinge 1,5°C, caso o ritmo atual de aquecimento seja mantido. A f aixa azul ilustra a resposta a reduções mais rápidas das emissões de CO2. A pluma lilás
ilustra a resposta à diminuição das emissões líquidas de CO2 a zero em 2055, com a f orçante radiativa
não-CO2 líquida permanecendo constante após 2030. Fonte: Adaptado de IPCC (2018).
Com o aumento da temperatura global, eventos extremos se tornarão recorrentes. Um evento climático extremo é definido como o registro de valores incomuns de uma ou mais variáveis em um determinado lugar e tempo do ano (IPCC, 2014b). Portanto, pode ser desencadeado por diversos fatores, entre eles forçantes tanto naturais quanto antrópicas. Outra classificação desses episódios é baseada em três aspectos bem definidos: a frequência, a intensidade e a duração dos eventos (RAFIUDDIN; AHMED; KOLLI, 2001; GOODESS, 2013; VAN DEN BESSELAAR; KLEIN TANK; BUISHAND, 2013). 1 0 1 80 2000 2020 201 2040 20 0 2080 2100 2.0 1. 1.0 0. 0
Os diversos episódios de clima extremos e persistentes registrados nas últimas décadas, como a onda de calor europeia de 2003, a enchente no Paquistão de 2010 e a seca em 2011 no Texas, traz à tona a discussão relativamente antiga e estabelecida nos meios acadêmicos, da relação entre as atividades antrópicas e as mudanças climáticas (THORNES, 2002; MANN et al., 2017).
Dentre tantos fenômenos classificados como extremos, as ondas de calor são apresentadas como as principais protagonistas de diversos problemas de saúde, sendo estas classificadas e identificadas de muitas formas. Não há uma definição universal para uma onda de calor, mas em geral está relacionada à noção de calor intenso registrado durante um período de dias (WEISSKOPF et al., 2002), que ao longo do tempo resulta em uma sobrecarga térmica (SANDERSON, 2011; KHAN et al., 2019).
Essas ocorrências climáticas atingem desde escala regional (ANDERSON G. BROOKE; MICHELLE L. BELL, 2009; NAIRN; FAWCETT, 2014), à global (MEEHL; TEBALDI, 2004; DAVIS; MCGREGOR; ENFIELD, 2016) e estão diretamente ligadas à saúde pública (KOVATS; HAJAT, 2007; BUSCAIL; UPEGUI; VIEL, 2012). Elas afetam diversas atividades e ambientes (UNEP, 2003; HALLEGATTE, 2009), sendo, portanto, responsáveis por perdas humanas, econômicas e redução da qualidade de vida de vários seres vivos (RAUF et al., 2017).
O problema central da mudança do clima, causada pela ação do homem, é justamente a implicação da relação de causa e efeito dessas mudanças, já que essas alterações acabam por causar danos na saúde dos indivíduos, que estão em constante interação com o ambiente, e danos ao próprio ambiente. Além disso, ainda há a cadeia de efeitos (Figura 2). Por exemplo, o aumento da temperatura, devido às mudanças climáticas, causa ondas de calor que, por sua vez, têm efeito nas doenças cardiovasculares e mentais.
Figura 2 - Esquema de causa e ef eito associada às mudanças climáticas.
Fonte: Autoria própria (2019). 3.2 Interação clima-ambiente-saúde
A relação entre o meio ambiente, clima e saúde é íntima e complexa. No entanto, o homem se adapta às condições do meio. Em contrapartida, as mudanças climáticas alteram as características ambientais da área e afetam de forma negativa a saúde das populações em todo o mundo. Estes impactos normalmente são maiores em países em desenvolvimento, devido ao despreparo estrutural e/ou condição econômica da população (MCMICHAEL; WOODRUFF; HALES, 2006; WHO, 2014).
As manifestações e desenvolvimento das doenças sofrem interferência de fatores ambientais e climáticos. Estes naturalmente apresentam certa variabilidade, mas que estão sendo amplificadas pelas mudanças climáticas em curso. Essas alternâncias apresentam in úmeros riscos para a saúde humana, especialmente à exposição a temperaturas extremas. Esses impactos podem ser diretos ou indiretos, imediatos ou ao longo do tempo, e podem ser fator de risco para diversos tipos de doenças e, inclusive, ao óbito (MCMICHAEL; WOODRUFF; HALES, 2006; BASU, 2009; MCADAM, 2018). Desta forma, com o cenário de mudança climática e o registro frequente de episódios com altas temperaturas, a tendência é o aumento da incidência
e da gravidade desses efeitos, portanto, aumento de pessoas atingidas por esses fenômenos (KJELLSTROM et al., 2016).
O estresse causado pelo excesso de calor ou de frio é prejudicial e compromete o desempenho do organismo. O calor recebido pelo ambiente externo afeta a taxa de transferência intracorpo, portanto, em condições extremas de temperatura, com essa transferência limitada há o aumento ou a diminuição acentuada da temperatura corporal, o que representa danos ao organismo, reduzindo suas atividades, incluindo as laborais (WILSON, 2003).
As variáveis ambientais interagem com o organismo através da pele (Figura 3), que atua como receptora desses estímulos (Figura 3, (1)), e envia sinais ao hipotálamo que por ações hormonais, ativa uma série de mecanismos de termorregulação (Figura 3, (2)). O processo de vasodilatação permite uma redução da pressão sanguínea e libera calor para o ambiente (Figura 3, (3)), enquanto glândulas sudoríparas secretam calor e resfriam o corpo através da evaporação (Figura 3, (4)). No entanto, se esses mecanismos não atuam em conjunto ou levam mais tempo para serem ativados, o equilíbrio térmico não é atingido e há uma sobrecarga no sistema cardiovascular e respiratório, aumentando a fragilidade desses sistemas e o risco de doenças em ambos (Figura 3, (5)). A exposição prolongada a temperaturas extremas, principalmente as máximas, causa ainda danos às células nervosas (Figura 3, (6)) (CRAMER; JAY, 2016; LESK; ROWHANI; RAMANKUTTY, 2016).
Figura 3 - Esquema da reação do organismo às variáveis meteorológicas.
Fonte: Autoria própria (2019).
Os impactos sobre a saúde devido à exposição ao calor são avaliados através dos índices de mortalidade ou internações hospitalares. Idosos, crianças e pessoas com problemas de saúde crônicos são mais vulneráveis às exposições, principalmente devido ao decréscimo da atividade metabólica provenien te da idade, ou à fragilidade do organismo (KOVATS; HAJAT, 2007; HANSEN et al., 2008a; KNOWLTON et al., 2009; GASPARRINI et al., 2015). Portanto, o envelhecimento da população representa um aumento da parcela mais sensível às variações climáticas (MENDES et al., 2015; MCADAM, 2018).
O envelhecimento populacional é um processo irreversível e presente na maioria dos países. No Brasil, o número de indivíduos com idade acima de 60 anos passou de três milhões em 1960 para mais de vinte milhões em 2010, o que representa aproximadamente 11% da população total do país atualmente. O crescimento foi de 700% em 50 anos, sendo a faixa de indivíduos com 80 anos ou mais a que mais
cresceu. Em 2010 essa parcela de habitantes já representava 1,5% da população do país.
O estado do Paraná apresenta o mesmo padrão de envelhecimento que o país. O Censo de 2010 apontou que os idosos somam pouco mais de 11% da população paranaense, ou seja, a cada 100 jovens de 0 a 15 anos haviam 49 idosos no estado (IBGE, 2018a). De acordo com as projeções realizadas pelo IBGE, a partir de 2030 o número de idosos passará a ser maior do que o de crianças, com aproximadamente 118 idosos para cada 100 crianças, chegando a cerca de dois milhões e mei o de habitantes acima de 65 anos n o estado (IBGE, 2018b). A projeção de envelhecimento do Brasil e do Paraná (Figura 4), realizada pelo IBGE sugere a inversão acentuada da pirâmide etária.
Figura 4 - Projeções etárias do Brasil e do Paraná.
3.3 Modelagem estatística
A modelagem de um fenômeno de interesse é pautada sobre duas componentes fundamentais, o conjunto de variáveis selecionadas e a distribuição de probabilidade associada à variável resposta, que deve ser a mais adequada para descrever o fenômeno, permitindo assim que se realize inferências sobre o comportamento assim como entre as associações das variáveis. O processo de modelagem se traduz na utilização de modelos para descrever um fenômeno real e sua evolução a partir da linguagem matemática que simplifica a realidade descrita (MONTGOMERY, D. C.; PECK, E. A.; VINING, 2006; PAIVA DJACYR MAGNA CABRAL ; CECATTI, J. G., 2008).
Os modelos lineares generalizados (MLGs) apresentados em 1972 por Nelder e Wedderburn, abrangem os modelos de regressão linear simples e múltiplas. São amplamente utilizados para o estudo de dados de contagem, em aplicações onde a variável resposta segue uma distribuição pertencente à família exponencial. Esses modelos são uma extensão dos modelos clássicos de regressão e são formados por três componentes básicas: a componente aleatória, a sistemática ou preditor linear e a função de ligação que conecta as anteriores (TADANO; UGAYA; FRANCO, 2010; FAHRMEIR et al., 2013).
Uma extensão dos MLGs são os modelos aditivos generalizados (GAM), em que a função de ligação permite descrever possíveis relações não linearidades entre a variável resposta e as variáveis preditoras, por meio de funções de suavização, como por exemplo, splines, loess, etc, (HASTIE; ROBERT, 1990).
Embora os modelos mencionados acima sejam ainda muito utilizados na literatura, esses permitem modelar apenas a média em função de variáveis explanatórias. Os modelos aditivos generalizados para locação, escala e forma (GAMLSSs), propostos por Rigby e Stasinopoulos (2007) são uma extensão dos MLGs. Sua vantagem principal é a viabilidade de utilizar distribuições de probabilidades que não pertencem à família exponencial (FAHRMEIR et al., 2013; KNEIB et al., 2019). Este modelo é semi-paramétrico, pois, possibilita relacionar as variáveis explanatórias com
os parâmetros dos modelos dos utilizando funções paramétricas ou não paramétricas (GUNEY; GOODWIN; RIQUELME, 2019).
Para definir um GAMLSS, suponha y1, ..., yn uma amostra aleatória proveniente
de uma distribuição com função de probabilidades ou densidade f(y) condicionada à u m vetor de parâmetros desconhecidos 𝜽 = (𝜃1, 𝜃2, 𝜃3, 𝜃4)𝑇 = (𝜇, 𝜎, 𝜐, 𝜏)𝑇. Os parâmetros
𝜃1 = 𝜇 e 𝜃2 = 𝜎 geralmente estão relacionados à locação e escala, respectivamente, enquanto que 𝜃3 = 𝜐 e 𝜃4 = 𝜏 quando presentes, são condicionados à forma, como a assimetria e curtose, respectivamente (HASTIE; ROBERT, 1990; RIGBY et al., 2017; RAMIRES et al., 2018). Considere, ainda, 𝒙𝑖𝑘 = (𝑥1𝑖, … , 𝑥𝑛𝑖)𝑇 um vetor coluna de
variáveis explicativas da 𝑖-ésima observação do 𝑘-ésimo parâmetro (𝑘 = 1,2,3,4). Então a função de ligação monótona 𝑔𝑘(∙) relacionando o 𝑘-ésimo parâmetro 𝜃𝑘 as variáveis preditoras por meio de um modelo aditivo dado por:
𝑔𝑘(𝜃𝑘𝑖) = 𝛼 + ∑𝑝𝑘 𝛽𝑗𝑘
𝑗=1 𝑥𝑗𝑖+ ∑ ℎ𝑚𝑘(𝑥𝑚𝑖)
𝐽𝑘
𝑚=1 , (1)
em que 𝑖 = 1, … , 𝑛; 𝛼 é um coeficiente de regressão, 𝜷𝑘 = (𝛽1𝑘, … , 𝛽𝑝
𝑘𝑘)
𝑇
é um vetor de coeficientes de regressão de ordem 𝑝𝑘 e a função ℎ𝑚𝑘(∙) é uma função suavizadora não-paramétrica da variável explicativa 𝑥𝑚𝑖. O modelo (1) é conhecido como GAMLSS (RIGBY; STASINOPOULOS, 2007).
Atualmente existem aproximadamente 150 diferentes modelos probabilísticos disponíveis no pacote GAMLSS, dentre elas as contínuas (normal, exponencial, gama, beta, etc.) e as discretas (Poisson, binomial, binomial negativa, etc.) ou de mistura (Poisson zero inflacionada, binomial zero inflacionada, Gaussiana inversa zero ajustada, etc.).
No contexto de análise de dados de contagem, ou seja, valores inteiros que representam o número de ocorrência de um determinado fenômeno; a distribuição Poisson é um dos modelos mais utilizados para analisar dados de natureza discreta (LORD; MANNERING, 2010). Contudo, essa distribuição apresenta uma limitante, já que obrigatoriamente a média deve ser igual à variância. Essa condicionante quando não satisfeita pode ocasionar um fenômeno conhecido como superdispersão (Figura 5),
que acontece quando a dispersão dos dados é maior do que prescrita pelo modelo. Dessa forma, um ajuste inadequado do modelo pode provocar uma subestimação dos parâmetros. Como alternativa, há o modelo de regressão binomial negativa, que apresenta um parâmetro a mais no cálculo da variância, sendo que seu valor positivo pode ser maior que a média, incorporando assim, o fenômeno da superdispersão (TURKMAN; SILVA, 2000; PAYNE et al., 2018).
Figura 5 - Exemplo de superdispersão (média e variância d if erentes) de um conjunto de dados.
Fonte: Autoria própria (2019).
Um outro evento que pode levar a uma superdispersão nos dados é a presença de excessos de zeros, representado neste trabalho pela alta quantidade de não registro do desfecho estudado).Nesse casos, a solução é utilizar modelos inflacionados de zeros, que nada mais são do que a combinação de distribuições de probabilidade com uma componente referente aos valores nulos (OB, 2017).
Nesste contexto, JOHNSON; KOTZ (1969), propõem o ajuste para a distribuição Poisson, no qual os parâmetros são definidos pela proporção de zeros e a média da distribuição excluindo-se os valores nulos; LAWLESS (2006) adaptou o ajuste para a distribuição binomial negativa, que segue o mesmo princípio de Poisson .Portanto de acordo com Johnson; Kotz (1969) e Lawless (2006), um modelo inflacionado de zeros é definido como a mistura de duas componentes:
Variância = 467 Média = 50
I) Componente composta dos valores nulos do conjunto de dados:
𝑝 + (1 − 𝑝)𝑃(𝑌 = 0)
II) Componente formada por valores diferentes de zero:
𝑃(𝑌 = 𝑦) = (1 − 𝑝)𝑃(𝑌 = 𝑦), 𝑦 = 1, 2, …,
em que 0 < p < 1 é probabilidade de zeros e 𝑌 uma variável aleatória que segue uma distribuição de probabilidade discreta. Em particular, nesse estudo, tem-se o interesse nas distribuições Poisson ou binomial negativa. No que diz respeito aos excessos, na literatura, não há uma porcentagem mínima de zeros presentes na amostra que caracterizam um excesso de zeros. Por exemplo, LAMBERT (1992) utilizou o modelo Poisson inflacionado de zeros para analisar dados cuja a porcentagem de zeros foi de 81%. RIDOUT et al. (2001) compararam os modelos Poisson inflacionado de zeros e binomial negativa inflacionado de zeros utilizando um conjunto de dados com 71% de zeros e o outro com 24% de zeros. Dessa forma, utilizar um modelo inflacionado de zeros fica a critério do pesquisador para julgar se a frequência de zeros é natural da amostra ou não. Nesse trabalho, dados com porcentagens de não registro de desfecho acima de 30% foram analisadas por meio de modelos inflacionados de zeros.
3.4 Aspectos socioeconômicos do Paraná
O estado do Paraná é considerado atualmente a quinta economia do País, apresentando no ano de 2015 um PIB de quase 377 bilhões de reais (IBGE, 2018b). Geograficamente, a economia é distribuída entre a região metropolitana da capital do estado (Curitiba), que apresenta cerca de 44% do PIB e 34% da população, e os municípios de médio e pequeno portes, nas proximidades da capital e das regiões ao norte e oeste, áreas com importante concentração do setor de serviços do estado. Já nos demais municípios de pequeno porte, a atividade agropecuária é a principal atividade econômica (IPARDES, 2018).
A economia do estado apresenta um marcante perfil agroindustrial, sendo um grande produtor de grãos. A atividade industrial é bem diversificada, indo desde a produção de bens de consumo não duráveis, de insumos, até bens duráveis como automóveis, e ainda bens de capital como equipamentos mecanizados. Além de suprir o mercado interno nacional, uma porção significativa da produção paranaense é exportada para outros países (IPARDES, 2018).
O Índice de Desenvolvimento Humano Municipal (IDHM) é uma medida composta por indicadores que levam em consideração três dimensões do desenvolvimento humano: a longevidade (expectativa de vida), a educação (anos médios de estudo) e a renda (renda média per capita do município). Variando entre 0 (nenhum desenvolvimento) e 1 (desenvolvimento total), o IDHM segue as mesmas diretrizes do IDH (Índice de Desenvolvimento Humano) global. Esse índice é calculado e divulgado no relatório anual do PNUD, programa da Organização das Nações Un idas (ONU).
O IDH pontuado pelo estado no último censo foi de 0,749, portanto, o quinto no
ranking nacional, estando o Brasil atualmente com um valor de IDH de 0,755 (PNUD,
2013; PNUD; IPEA; FJP, 2013). Dentre os municípios do estado, a capital e Maringá apresentam valores muito altos de IDHM, ou seja, de 0,8 a 1. Aproximadamente 40% (157) dos municípios do estado apresentam índice alto, na faixa de 0,7 a 0,79; enquanto valores médios de IDHM são registrados em 234 municípios (entre 0,6 - 0,69). Com valores entre 0,5 e 0, que são classificados como baixo ou muito baixo, há apenas 6 municípios.
Em termos populacionais, o estado concentra cerca de 5% da população do país, aproximadamente 11 milhões de habitantes, segundo o Instituto Brasileiro de Geografia e Estatística (IBGE). Destes, quase 9 milhões de habitantes residem em áreas urbanas (IBGE, 2018a). Ainda segundo o instituto, o estado apresenta fortes indícios de envelhecimento populacional gradativo, apresentando um aumento de aproximadamente 16% da população idosa (acima de 60 anos) em cinco anos (2012-2017). O aumento de pessoas nesta faixa etária é quatro vezes maior que o índice de crescimento total de habitantes do estado, de 3,8% no mesmo período. Os idosos
representam cerca de 11% da população do estado, que apresenta uma expectativa de vida de 72 anos para os homens e 78 anos para as mulheres.
Em 2010, ano do último censo do IBGE, a parcela de indivíduos idosos foi responsável por 20% das internações hospitalares no Sistema Único de Saúde (SUS), representado 24% dos gastos com saúde para o estado (SECRETARIA DE ESTADO DE SAÚDE DO PARANÁ, 2013). A primeira causa de morte são as doenças do aparelho cardiocirculatório, que representam 31,2% de todos os óbitos (SSP-PR, 2013). No período de 2008 a 2012, os custos com internações por doenças do aparelho circulatório para idosos na região metropolitan a de Curitiba foram de aproximadamente 172 milhões de reais, enquanto que para as internações por problemas no aparelho respiratório foram de 43 milhões de reais (KERNKAMP et al., 2016).
4 METODOLOGIA
4.1. Local e período de estudo
O estudo foi realizado no estado do Paraná, escolhido devido suas características climáticas com estações definidas e acentuada amplitude térmica entre as regiões, assim como pela disponibilidade de dados.
O Paraná tem seu clima dividido em três tipos: subtropical cfa, no litoral, com chuvas bem distribuídas durante o ano (≅ 1.500 mm/ano) e altas temperaturas no verão, nas áreas mais altas do estado têm-se chuvas regulares (≅ 1.200 mm/ano), mas com verões amenos, caracterizando o clima subtropical cfb, enquanto que ao noroeste os verões são intensos com temperaturas altas e chuvas concentradas e os invernos tendem a ser secos (ALVARES et al., 2013; IAP, 2013; APARECIDO et al., 2016).
O estado foi dividido em 16 regiões metropolitanas (Figura 6), das quais oito são oficiais: Curitiba (2), Londrina (5), Apucarana (7), Cascavel (11), Campo Mourão (8), Toledo (10), Umuarama (9) e Maringá (6) – nomeadas no texto como: RMC, RML, RMA, RMCA, RMCM, RMTol, RMUmu e RMMar, respectivamente, e oito foram propostas: Foz do Iguaçu (12), Paranaguá (1), Pato Branco (14), Palmas (15),
Francisco Beltrão (13), Guarapuava (16), Telêmaco Borba (3) e Bandeirantes (4) – nomeadas no texto como: RMFoz, RMPar, RMPB, RMP, RMFB, RMG, RMTB, RMB , respectivamente. Essa classificação proposta foi realizada de acordo com as características geográficas, populacionais, socioeconômicas e climáticas das cidades que as compõe (BLAIR; LACY, 2000).
Figura 6 - Área de estudo.
Fonte: Autoria própria (2020).
A separação de porções do estado em regiões metropolitanas (RM’s) consiste em agrupar áreas que apresentem núcleo urbano densamente povoado reunidas com áreas vizinhas menos povoadas. Essa junção se dá devido a essas localidades partilharem das atividades econômicas, infraestrutura e habitações (RADAVICIUS, 2015).
As subdivisões do estado em regiões metropolitanas são realizadas por legislações que orientam o agrupamento de áreas de acordo com as características socioeconômicas e políticas (LOBO; CARDOSO; ALMEIDA, 2018). As oito regiões metropolitanas oficiais do Paraná abrangem aproximadamente 34% do território, 85 % das cidades e 64% da população (IPARDES, 2018). Com a inclusão de outras oitos regiões, 335 municípios foram estudados, ou seja, qu ase 84% da área do estado e 85% da população.
4.2 Dados meteorológicos
Os dados meteorológicos usados no estudo são provenientes das estações do IAPAR (Instituto Agronômico do Paraná), SIMEPAR (Sistema Meteorológico do Paraná) e do INMET (Instituto Nacional de Meteorologia). As variáveis analisadas são médias diárias de temperatura máxima e mínima (°C) e umidade relativa do ar (%) - variáveis essas relacionadas diretamente com a sensação térmica (KRÜGER; ROSSI, 2011).
Para cada região metropolitana estudada, há pelo menos uma estação meteorológica, totalizando 23 estações utilizadas no estudo. O período de disponibilidade dos dados diários de temperatura, umidade relativa e de saúde variam em algumas regiões, limitando o tamanho da série analisada n as mesmas. A Tabela 1 resume as regiões e período de dados analisados.
Tabela 1 – Regiões metropolitanas analisadas nesse estudo com seus respectivos números de municípios que compõem a região e período de dados disponível.
Região Metropolitana Período N°. de municípios Estação Apucarana 1996-2012 23 Apucarana Bandeirantes 1996-2015 13 Bandeirantes
Campo Mourão 1996-2015 29 Campo Mourão
Cascavel 1996-2015 24 Cascavel e Planalto
Curitiba 1996-2015 29 Curitiba e Lapa
Foz do Iguaçu 1999*-2015 8 Foz do Iguaçu
Francisco Beltrão 1996-2015 23 Francisco Beltrão
Guarapuava 1996-2012 22 Guarapuava e Fernandes Pinheiro
Londrina 1996-2015 25 Londrina, Ibiporã e Bela Vista
Maringá 1996-2015 26 Maringá e Paranavaí
Palmas 1996-2015 5 Palmas
Paranaguá 1996-2015 7 Paranaguá e Morretes
Pato Branco 1996-2015 13 Pato Branco
Telêmaco Borba 1996-2015 22 Telêmaco Borba
Toledo 1996-2012 18 Palotina
Umuarama 1996-2012 24 Umuarama
4.3 Dados de saúde
Os dados de saúde consistem no número diário de internações hospitalares (Sistema Público de Saúde e os privados conveniados, saúde complementar, ao SUS) e mortes (sistema público e privado de saúde) de adultos e idosos registrados no período de 1996 a 2015 nas regiões em estudo. Os dados de internação são disponibilizados livremente na plataforma online do DATASUS1 - Departamento de
Informática do Sistema Único de Saúde e os dados de óbito na plataforma online SIM2 -
Sistema de Informações sobre Mortalidade do Sistema Único de Saúde – SUS.
Os casos estudados apresentam diagnósticos de doenças pertencentes a três capítulos do Código Internacional de Doenças (CID10). O Capítulo IX de doenças cardiovasculares (I00-I99), que compreende doenças hipertensivas (I10-I15), doenças isquêmicas do coração (I20-I25), doenças cerebrovasculares (I60-I69), entre outras relacionadas ao sistema circulatório e cardíaco. O Capítulo X de doenças respiratórias (J00-J99), que engloba desde a gripe (influenza) até pneumonia (J09-J18), doenças das vias aéreas superiores (J30-J39), doenças pulmonares devidas a agentes externos (J60-J70), entre outras. E o Capítulo V que agrupa os transtornos mentais e comportamentais (F00-F99), abrangendo as demências, esquizofrenia, fobias e afins.
O número de casos diários de internações e mortes foi estratificado em três faixas etárias: 40 a 59 anos, 60 a 79 anos e acima de 80 anos; e por sexo, sendo, portanto, compilados em seis grupos nomeados no texto como: GH1, GH2 e GH3 para os homens e GM1, GM2 e GM3 para as mulheres de acordo com as faixas etárias citadas. Essa divisão se baseia nas características biológicas do organismo que determinam as reações fisiológicas (WACHTER; FINCH, 1997; GHISLETTA et al., 2018; XIONG et al., 2019).
4.4 Análise estatística
As análises estatísticas utilizadas foram: a descritiva, para conhecimento da série de dados estudado, e a análise de regressão, as quais permitem inferir sobre o
1http://www2.datasus.gov.br/DA TASUS/index.php?area=0901&item=1&acao=25 2http://www2.datasus.gov.br/DATASUS?index.php?area=0901&item=1&acao=27
comportamento das variáveis e a existência de relação entre as variáveis preditoras e as respostas. As análises foram realizadas no software R versão 3.6.1 (R Core Team, R: A language and environment for statistical computing, 2013). Os riscos relativos foram obtidos por meio das estimativas dos coeficientes de regressão do modelo em estudo.
4.4.1 Estatística descritiva
As medidas de posição e dispersão das variáveis resumem e descrevem o comportamento do conjunto de dados, os gráficos dos dados de saúde foram ponderados pela população do censo de 2010 do IBGE.
A análise de tendência foi realizada pelo teste de Mann-Kendall. Esse teste avalia estatisticamente se existe tendência monótona (ascendente ou descendente) de uma variável ao lon go do tempo, sendo essa tendência linear ou não (MANN, 1945; KENDALL, 1975; GILBERT, 1987). O teste de Mann-Kendall é não-paramétrico, portanto, não depende da suposição de uma distribuição de probabilidade. Por outro lado, a autodependência dos dados pode prejudicar a observação do comportamento da série, portanto, o método de bootstrap que, por meio de reamostragens, calcula as probabilidades do S obtido ser significativo, foi utilizado para validação dos resultados obtidos por Mann-Kendall (RUBIN, 1981; CABRAL; LUCENA, 2020). Nesse estudo as reamostragens foram realizadas até metade da amostra.
Para 𝑥1, … , 𝑥𝑛 uma série temporal de comprimento 𝑛, a estatística do teste de Mann-Kendall é dada por:
𝑆 = ∑ ∑ 𝑠𝑔𝑛(𝑥𝑗− 𝑥𝑘) 𝑛 𝑗=𝑘+1 𝑛−1 𝑘=1 ,
onde 𝑠𝑔𝑛(∙) é uma função sinal. Se o valor da estatística S é positivo provavelmente as próximas observações a serem medidas serão maiores do que as anteriores e vice e versa, uma vez que a hipótese alternativa de existência de tendência significativa na série é confirmada (MILIVOJ et al., 2016). O teste aplicado aos dados diários avalia diariamente os resultados, somando cada estatística em uma geral.
Ainda, para observar o comportamento da série estudada, utilizou-se a transformada de wavelet. Uma wavelet é uma função em forma de onda com média zero que depende da frequência (ω) e do tempo (t). A análise de wavelet permite uma visão completa da série de dados. Através do espectro pode-se observar as variações no intervalo de tempo estudado. A transformada de wavelet é usada em séries de dados que apresentam energia em frequências diferentes, o sinal original pode ser decomposto de duas formas: com o alongamento ou compressão do sinal da wavelet (escalonamento), ou com o deslocamento da onda no intervalo de tempo do banco de dados (DAUBECHIES, 1990).
A transformada contínua permite mapear comportamentos específicos em séries não estacionárias. Ela é a soma do sinal escalonado ou deslocado em todo o período da série da função wavelet ψ(t) escolhida, originando coeficientes em função da frequência e do tempo. A junção dos sinais demanda tempo e recursos computacionais, o que inviabiliza a ampla utilização dessa modalidade. Por outro lado, a transformada discreta fraciona o escalonamento/deslocamento em intervalos, dividindo os sinais em componentes de alta (porção de baixa frequência da série) e baixa (porção de alta frequência) escalas (DAUBECHIES, 1992; RADUNOVIC, 2009). A cada etapa, cria-se uma nova subsérie que agrupa os sinais específicos da periodicidade, dando origem a árvore de decomposição da wavelet (Figura 7).
A série original (S0) é decomposta em quatro níveis, no exemplo, em cada decomposição o nível de detalhamento dos sinais aumenta, retirando-se os “ruídos”, que podem ser, considerando um banco de dados de variáveis climáticas, sazonalidade, ocorrência de eventos específicos como El Niño, ondas de calor, etc. Assim permitindo que se estude o comportamento da variável sem esses efeitos, ou com aqueles que são de interesse. As sucessivas decomposições podem ser realizadas até o limite de resolução de apenas uma unidade amostral.
Figura 7 - Exemplo de árvore de decomposição de wavelet.
Fonte: Autoria própria (2020).
A função base da wavelet não é pré-definida, ela pode ser escolhida dentre as várias famílias, Haar, Daubechies, Gaussiana, Meyer, Morlet, Coiflets, entre outras (Figura 8). Essas bases devem apresentar características específicas: caráter oscilatório, ter energia localizada e fin ita com média zero (DAUBECHIES, 1992; CHANDA; KISHORE; SINHA, 2003). A escolha da forma deve ser feita a partir das características da série temporal. Se ela apresenta degraus acentuados, a função Haar seria a melhor escolha; já se as variações da série são suaves, outras famílias são mais adequadas. Entretanto, para a observação da potência dos sinais, todas as funções fornecerão a mesma qualidade qualitativa (TORRENCE; COMPO, 1998).
Figura 8 - Formato de algumas f amílias de wavelets.
Fonte: Autoria própria (2020). S0
D1 D2 D3 D4
No presente estudo, utilizou-se a wavelet de Morlet para observação da evolução das internações e mortes do Paraná ao longo dos anos. Ela é uma função não -ortogonal complexa, com mais oscilações do que outras funções comuns, essa particularidade permite que os picos positivos e negativos se combin em gerando um único sinal amplo.
A wavelet de Morlet é escrita de diversas formas na literatura. Ela consiste de uma onda plana modulada por uma função Gaussian a (TORRENCE; COMPO, 1998; PAGLIAROLI et al., 2020). Pode ser definida por:
ψ (t) = 𝜋
−1
4 e[iω0t−
𝑡2 2],
onde ψ (t) é a função wavelet, ω0 é a frequência central e t é o tempo adimensional.
Por fim, as variáveis independentes foram testadas e ajustadas para composição dos modelos finais de regressão. Para a obtenção da significância das variáveis preditoras e seleção das mesmas para composição do modelo final, utilizou-se o método de seleção de Stepwise, no qual cada variável é verificada através de suas estatísticas separadamente. Esse método é baseado em um algoritmo que verifica a importância de cada preditor, incluindo ou excluindo do modelo a partir da re gra de decisão, que considera a significância estatística do coeficiente associado ao modelo (SHARMA; YU, 2015; ZHANG, 2016).
Quando se estuda dados climáticos é necessário que se observe a multicolinearidade, relação aproximadamente linear entre as variáveis independentes (Figura 9), já que a interação entre elas acontece naturalmente na atmosfera. Se as variáveis são intimamente conectadas, é impossível distinguir a influência individual de cada uma sobre a variável dependente, uma vez que há a superestimação dos coeficientes da regressão (YÜZBAŞI; EJAZ AHMED, 201 ; ÖZBAY; TOKER, 2018).
Figura 9 - Multicolinearidade em dados climáticos da RML.
Fonte: Autoria própria (2020).
Pequenas mudanças nos dados de entrada podem gerar grandes alterações nos modelos, resultando até em mudança no sinal das estimativas de parâmetros. Sendo assim, a avaliação da multicolinearidade entre as variáveis preditoras foi realizada por meio da correlação de Pearson e pelo fator de inflação de variação generalizado (Generalized variance inflation factor – GVIF) proposto por FOX; MONETTE (1992). Valores de GVIF entre 5 e 10 indicam que as variáveis são altamente correlacionadas.
Quando variáveis correlacionadas foram selecionadas para o modelo final, a técnica de componentes principais foi aplicada para a solução do problema de multicolinearidade. Esse método utiliza uma transformação ortogonal para juntar variáveis correlacionas em um novo conjunto de variáveis não correlacionadas (WOLD; ESBENSEN; GELADI, 1987; AÏT-SAHALIA; XIU, 2019). Então, essa nova variável pode ser modelada como preditora, já que considera a influência de cada variável original sobre a variável dependente (FERRÉ, 1995; CHEN; JIANG, 2017).
4.4.2 Análise de regressão e distribuições de probabilidade
A análise de regressão foi realizada utilizando-se o pacote GAMLSS, na qual pode-se modelar o conjunto de dados por diversas famílias de distribuição. Assim, foram testadas as distribuições Poisson e a binomial negativa, pois são as mais utilizadas para analisar dados de contagem (DUNN; SMYTH, 2018; KLAKATTAWI; VINCIOTTI; YU, 2018; PAYNE et al., 2018). A distribuição com resposta Poisson é dada por:
𝑃(𝑌 = 𝑦) = 𝑒
−𝜆𝜆𝑦
𝑦! , 𝑦 = 0, 1, …,
em que 𝜆 > 0. O valor esperado e a variância da variável resposta são, E(Y) = Var (Y)
= 𝜆 . No entanto, se essa suposição não é atendida ou seja, a variância descrita pelos dados é maior do que a variância da distribuição Poisson, tem-se a ocorrência da superdispersão e, então, faz-se necessário considerar um modelo que leva em consideração essa informação (MCCULLAGH, PETER; NELDER, 1972).
Nessa situação, uma alternativa é a utilização da distribuição binomial negativa, pois apresenta um parâmetro adicional em relação a Poisson, e sua função de probabilidade é dada por:
𝑃(𝑌 = 𝑦) = Γ(𝜙 + 𝑦)
Γ(𝑦 + 1)Γ(𝜙) (1 − 𝜋)
∅𝜋𝑦, 𝑦 = 0, 1, …,
em que 𝜋 = μ/(μ + ∅), E(Y) = μ, Var(Y) = μ + μ2/∅ e Γ(∙) é a função gama.
As distribuições Poisson e binomial negativa são amplamente utilizadas em estudos epidemiológicos (ARAB, 2015; HARARI et al., 2016; HÜLS et al., 2017; MAHMOOD et al., 2019; MUTUURA, 2019). Porém, devido à alta proporção de zeros (ocorrência não registrada) em alguns grupos, além das distribuições clássicas, foram considerados os modelos inflacionados de zeros.
A distribuição Poisson in flacionada de zeros (ZIP – Zeros Inflated Poisson
𝑃 (𝑌 = 𝑦) = {
𝑝 + (1 − 𝑝)𝑒−λ, 𝑦 = 0
(1 − 𝑝)𝑒
−λλ𝑦
𝑦! , 𝑦 = 1, 2, 3, …
em que 0 ≤ p < 1, λ >0, sendo, p a proporção de zeros e λ a taxa média de ocorrência do evento do conjunto de dados com esperança E(y) = (1 – p) λ e variância Var (Y) = λ
(1 – p) (1 – pλ).
A distribuição binomial negativa inflacionada de zeros (ZANBI – Zeros Inflated
Negative Binomial Distribution) é dada por (NELDER; WEDDERBURN, 1972):
𝑃 (𝑌 = 𝑦) = { 𝑝 + (1 − 𝑝) ( 1 1 + 𝜎𝜇) 1/𝜎 , 𝑦 = 0 (1 − 𝑝) Γ (𝑦 + 1 𝜎) Γ ( 𝜎1) Γ (y + 1) ( 𝜎𝜇 1 + 𝜎𝜇) 𝑦 ( 1 1 + 𝜎𝜇) 1/𝜎 , 𝑦 = 1, 2, 3, …
onde 0 < p < 1 é a proporção de zeros, 𝜇 > 0 é a média, e 𝜎 > 0 é o parâmetro de dispersão. Com esperança E(Y) = (1 – p) 𝜇 e variância Var(Y) = (1 – p) (1 + 𝜇𝜎 + p𝜇) 𝜇.
Os modelos de regressão finais foram ainda executados levando-se em consideração partes do banco de dados (Figura 10). A partir dos percentis 25, 75 e 99 da série meteorológica, analisando-se as associações dos efeitos da temperatura ou umidade relativa nas faixas de mínimo até percentil 25 (Faixa 1), entre os percentis 75 e 99 (Faixa 2) e acima do percentil 99 (Faixa 3), para todos os grupos etários por região. Separar o conjunto de dados em algumas partes e estudar a relação desses subconjuntos permite que se observem os efeitos a partir de valores extremos das variáveis explicativas (GALEANO et al., 2017).
