Sheila Rebeca Rodrigues da Silvalivros01.livrosgratis.com.br › cp079406.pdf · ii ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NO ESTADO DO RIO DE JANEIRO Sheila Rebeca Rodrigues

i

ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NOESTADO DO RIO DE JANEIRO

Sheila Rebeca Rodrigues da Silva

Rio de JaneiroAgosto, 2005

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

ii

ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NOESTADO 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 JaneiroAgosto, 2005

iii

SILVA, SHEILA REBECA RODRIGUES DAAnálise da distribuição espacial da hanseníaseno Estado do Rio de Janeiro. [Rio de Janeiro]2005.

87p. (ENCE/IBGE, M. Sc. EstudosPopulacionais e Pesquisas Sociais, 2005)

Tese – Escola Nacional de CiênciasEstatísticas, ENCE.1. Hanseníase no Estado do Rio de Janeiro2. Regressão Logística3. Correlação de variáveis sociais4. Geoprocessamento

iv

Dedico esta dissertação àmeus pais Cleide e Severino e ameus irmãos Sademberg e Saadia

v

AGRADECIMENTOS

Muitos foram os que me ajudaram e torceram por mimpara conquista de mais uma vitória na minha vida. Agradeçode todo coração o conforto, carinho, atenção dada a mim sema preocupação de algo em troca.

Mas não citá-los aqui neste espaço seria ingratidãominha, mas acredito que posso perder a lembrança de alguéme por isso, desde já, peço desculpa por um eventualesquecimento.

Primeiramente, quero agradecer a Deus por ter metomado em suas mãos e não ter permitido a minha queda;várias foram às vezes que pensei em desistir e se não fossepor sua intervenção, colocando pessoas maravilhosas no meucaminho, não teria conseguido.

Dentre estas pessoas estão meus pais, duas riquezasinestimáveis na minha vida. É por causa deles que venhorealizando meus sonhos e vontades, sempre cruzando batalhasem busca do meu sucesso. A eles, muito obrigada.

Também agradeço a meus irmãos que sentem muito minhafalta e estão constantemente orando por mim. Sademberg,Saadia muito obrigada.

Ricardo, cunhadinho do coração, muito obrigada pelapresteza e resolução dos meus problemas em Pernambuco. Vocêtambém foi muito importante nesta minha trajetória.

Não poderia esquecer inclusive de todos os meusfamiliares que estão sempre torcendo e me aplaudindo de pé,citar nomes seria exaustivo, a família é grande, por isso atodos meus parentes muito obrigada.

Claro que não posso deixar de lembrar de Missilene,uma prima distante que mesmo sem me conhecer, me acolheu emsua casa, na Ilha do Governador e permitiu minha estadiapelo tempo necessário.

Quero agradecer ainda a meus orientadores Júlia eCássio que com atenção me ajudaram a continuar, sempre meauxiliando e me conduzindo ao caminho certo e ao sucesso domeu trabalho, a vocês meus orientadores muitíssimoobrigada.

Agradeço ainda ao professor e amigo Cezar Cerqueira,da UNICAP, que não negou esforços na tentativa de me ajudara entender um software.

Ao professor Marcos Ferreira, da UFRJ, obrigada pelaatenção e apoio.

vi

Ao grande amigo José Rodrigo muito obrigada pelaatenção, carinho e dedicação.

Meus amigos, obrigada pelo incentivo, apoio e momentosde alegria dispensados a mim. Em especial, agradeço aAlessandra Silveira, Daniela Chaves, Celso leite, Renato,Gláucio Brandão, Luciana, Fábio, Darlene, Adão, Talita,Vânia, Juliana, Geovana, Alceu e Léa por sempre estarem aomeu lado e nunca esquecendo de mim, sempre me dando carinhoe atenção nas horas certas.

Agradeço a todos os colegas do mestrado, em especialaos que me marcaram e que nunca esquecerei porque estarãosempre no meu coração, Fatmato Hany, Mônica Pichet,Cristina Lins, Italmar, Denise, Vítor Stuart, Herbert,Juciano, Leonardo, Arlindo, Rita, Humberto e Augusto, meusamigos, muito obrigada.

Agradeço também a todos os funcionários da ENCE, emespecial aos do GERINF e a Neuzinha que se tornaram meusamigos 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 vontadede continuar seguindo meus sonhos acreditando sempre nospropósitos de Deus.

vii

ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASENO ESTADO DO RIO DE JANEIRO

Autora: Sheila Rebeca Rodrigues da SilvaOrientadores: Júlia Célia Mercedes Strauch

Cássio Freitas Pereira de Andrade

RESUMO

As doenças transmissíveis guardam estreita relação com as condições sociais eeconômicas de indivíduos e populações representando, portanto, um indicador sensívelde seus níveis de saúde e de vida. A importância de se estudar a hanseníase, doençainfecto-contagiosa, se dá ao fato de esta ser uma doença transmissível, mutilante eincapacitante e, por ter permanecido até muito recentemente sem tratamento específico.Foi durante séculos o agravo à saúde que mais atemorizou a população, levando osmédicos a recomendarem o isolamento compulsório dos doentes. Essa atitudecontribuiu fortemente com o preconceito social ainda hoje observado na população emgeral, mesmo com a descoberta da cura.

A despeito dos avanços em seu controle advindos do emprego dos esquemaspoliquimioterápicos recomendados pela Organização Mundial da Saúde (OMS), ahanseníase ainda persiste como problema de saúde pública em quinze países endêmicos,entre eles o Brasil (WHO, 2002). Entre os seis maiores países endêmicos, o Brasilpossui o segundo maior número de casos de Hanseníase em todo o mundo, sendoclassificado como um país com nível alto de endemia que necessita de atividades deintensificação de reversão do quadro epidemiológico (WHO, 2002). No ano de 2000, aHanseníase 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 incidênciada doença com 7.469 novos casos em 2000 e o segundo em prevalência com 5,36 por10.000 habitantes, também para o ano de 2000. Sendo assim, este trabalho se propõe averificar a situação epidemiológica da doença, analisando através de cartogramas, noperíodo de 1998 a 2000, e verificar por meio de Regressão Logística quais as possíveisvariáveis que podem estar influenciando no risco de ter hanseníase nos municípiosfluminenses. Os dados de hanseníase utilizados foram do SINAN (Sistema deInformações de Agravos de Notificação) do Ministério da Saúde cedidos peloDepartamento de Dermatologia Sanitária da Secretaria de Saúde do Estado do Rio deJaneiro e os dados socioeconômicos utilizados são do IBGE (Instituto Brasileiro deGeografia e Estatística).Na análise dos resultados pudemos constatar que a hanseníase está correlacionada afatores ligados a condições desfavoráveis de vida sugerindo que, deve-se haver umaintensificação nos planos para soluções dos problemas voltados à melhoria dascondições socioeconômicas da população.

PALAVRAS CHAVES: Epidemiologia; Hanseníase; Regressão logística;Geoprocessamento.

viii

ANALYSIS OF LEPROSY DISEASE SPATIAL DISTRIBUTION INRIO DE JANEIRO STATE

Author: Sheila Rebeca Rodrigues da SilvaAdvisers: Júlia Célia Mercedes Strauch

Cássio Freitas Pereira de Andrade

ABSTRACT

The transmissible diseases keep close relationshipwith individuals and population social and economicalconditions representing, therefore, a sensitive indicatorof their health and life levels. The importance of Leprosystudy is due to be an infect-contagious disease which istransmissible and that deforming and disabling sick personsand because until very recently this disease did not havespecific treatment. It was during centuries the offence tothe health that more frightened the population, taking thedoctors to recommend patients compulsory isolation. Thisattitude contributed strongly with the social preconceptionuntil today observed in the population in general, evenwith the cure discovery.

In spite of progresses in disease control throughtherapy using poly chemistry, recommended by the WorldHealth Organization (WHO), the Leprosy still persists aspublic health problem in fifteen endemic countries, amongthem Brazil (WHO, 2002). Among the six larger endemiccountries, Brazil possesses the second largest number ofLeprosy cases all over the world, being classified as acountry with high level of endemic that needs activities toreversion of epidemic state (WHO, 2002). In 2000 year,Leprosy was centered, particularly, in 15 endemic BrazilianStates: Maranhão, Pernambuco, Rio de Janeiro, Goiás, SãoPaulo, Minas Gerais, Pará, Mato Grosso, Bahia, Ceará,Amazônia, Paraná, Piauí, Espírito Santo and Roraima.

Rio de Janeiro is the first state of southeast areawith major in disease incidence with 7.469 new cases in2000 year and the second in prevalence with 5,36 for 10.000inhabitants, also for 2000 year. So this work has as a goalto verify the epidemic situation of Leprosy disease,analyzing through maps, in the period from 1998 to 2000,and to verify through Logistic Regression what possiblevariables that can be influencing in the Leprosy risk inthe municipal districts of Rio de Janeiro state. We use theLeprosy data from SINAN (Offences Notification InformationSystem) of Health Ministry given by Sanitary DermatologyDepartment of Health General Office of Rio de Janeiro Stateand socioeconomic data from IBGE (Geography and StatisticsBrazilian Institute).

In results analysis we could verify that Leprosy disease is correlated to factorslinked to life unfavorable conditions. It suggest that should be had an intensification inplans for problems solutions related to improvement of population socioeconomicconditions.

ix

KEY WORDS: Epidemiology; Leprosy; Regression logistics;Geoprocessing

“Não se pode ensinar tudo aalguém, pode-se apenas ajudá-lo aencontrar por si mesmo”.

Galileu Galilei

“Escrever é fácil: você começacom uma letra maiúscula etermina com um ponto final. Nomeio você coloca as idéias”.

Pablo Neruda

x

"Mas é preciso ter manha, épreciso ter graça, é preciso tersonho, sempre, quem traz na peleessa marca possui a estranhamania de ter fé na vida".

Milton Nascimento/F. Brant

SUMÁRIO

AGRADECIMENTOS vRESUMO viiABSTRACT viiiLISTA DE CARTOGRAMAS xiiLISTA DE TABELAS xivLISTA DE GRÁFICOS xv

CAPÍTULO 1 - INTRODUÇÃO 1

1.1 MOTIVAÇÃO 11.2 OBJETIVO 61.3 CARACTERIZAÇÃO DA ÁREA DE ESTUDO: RIO DE JANEIRO 71.4 ORGANIZAÇÃO DA DISSERTAÇÃO 10

CAPÍTULO 2 - HANSENÍASE NO ESTADO DO RIO DE JANEIRO: ESTUDOEPIDEMIOLÓGICO 11

2.1 A HANSENÍASE 112.2 DESCRIÇÃO DOS DADOS UTILIZADOS 202.3 INDICADORES EPIDEMIOLÓGICOS E OPERACIONAIS 212.4 ANÁLISE PRELIMINAR DA SITUAÇÃO EPIDEMIOLÓGICA DA HANSENÍASENO ESTADO DO RIO DE JANEIRO PARA OS ANOS DE 1999 A 2001. 222.4.1 – COEFICIENTE DE PREVALÊNCIA 242.4.2 – COEFICIENTE DE DETECÇÃO ANUAL 272.4.3 – COEFICIENTE DE DETECÇÃO ANUAL EM MENORES DE 15 ANOS 29

CAPÍTULO 3 – REVISÃO DOS CONCEITOS ESTATÍSTICOS 31

3.1 CORRELAÇÃO LINEAR 313.2 REGRESSÃO LINEAR 323.3 COEFICIENTE DE DETERMINAÇÃO OU R2 323.4 MODELOS LINEARES GENERALIZADOS 323.4.1 MODELO DE REGRESSÃO LOGÍSTICA 353.4.2 O TESTE SEGUNDO A ESTATÍSTICA DE WALD 383.4.3 QUALIDADE DO AJUSTAMENTO 393.4.5 ANÁLISE DA ‘DEVIANCE’ 40

CAPÍTULO 4 – JUSTIFICATIVA DA HANSENÍASE NO ESTADO DO RIO DEJANEIRO 43

xi

4.1 RELAÇÃO ENTRE A PREVALÊNCIA DA HANSENÍASE E AS CONDIÇÕES DEVIDA E DENSIDADE DEMOGRÁFICA NO ESTADO 434.2 MODELAGEM DOS DADOS 494.3 PROPOSIÇÃO DE MODELOS PARA A REGRESSÃO LOGÍSTICA 504.3.1 Modelo 1: Risco esperado em relação as variáveis lixo, água, esgoto, densidadedemográfica, renda per capita e todas as interações de duplas entre as variáveis 504.3.2 Modelo 2: Risco esperado em relação as variáveis com exclusão das interações de dupla574.3.3 Modelo 3: Risco esperado em relação as variáveis principais 604.4 MODELO ESCOLHIDO 64

4.5 ANÁLISE ESPACIAL DA HANSENÍASE 69

CAPÍTULO 5 – CONSIDERAÇÕES FINAIS 76

REFERÊNCIAS BIBLIOGRÁFICAS 79

ANEXOS 83

xii

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

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

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


xiii

Cartograma 12 - Coeficiente de detecção anual da Hanseníase em menores de 15 anos


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

xiv

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

xv

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 16 – Observados vs Previsto ____________________________________________________62



xvi

1

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 físicoquanto psicológico, com graves repercussões na vida familiar, no trabalho e no convívio social.

2

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).

3

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.

4

Gráfico 2 - Coeficiente de Prevalência de Hanseníase nasérie 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.

5

Gráfico 3 - Coeficiente de Detecção de Casos Novos de Hanseníase na série histórica1991 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).

__ __ __ Brasil ______ Rio de Janeiro

6

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.

7

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 DEJANEIRO

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.

8

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).

Minas Gerais

Oceano Atlântico

Esprito Santo

MACAE

CAMPOS DOS GOYTACAZES

VALENCA

PARATI

RESENDE

PIRAI

RIO CLARO

RIO DE JANEIRO

SILVA JARDIMMAGE

PETROPOLIS

CANTAGALO

TERESOPOLIS

SAPUCAIA

VASSOURAS

SAO FRANCISCO DE ITABAPOANA

PORCIUNCULA

SAO GONCALO

NITEROI

SAO PEDRO DA ALDEIA

SAO JOSE DE UBA

100 0 100 200 Kilometers

N

EW

S

-45

-45

-44

-44

-43

-43

-42

-42

-41

-41

-23 -23

-22 -22

-21 -21

9

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.

10

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.

11

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 deHansen.3 Pesquisadores advogam que o bacilo pode também ser transmitido por via cutânea, no caso de lesõesulceradas ou de traumas na pele, conforme referência PEREIRA, 1999.

12

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

13

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 humanoe 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 doençaclinicamente evidente, ou seja, poucos dos infectados adoecem.

14

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.

15

17

Tabela 1 - Prevalência registrada de casos de Hanseníase em tratamento com poliquimioterapia (PQT) e a detecção nos 16 principaispaíses endêmicos.

País CasosRegistrados

PrevalênciaPor 10.000

Tratamentocom PQT

Curadoscom

PQT (totalAcumulado)

Curadoscom

PQT (totalAcumulado)

CasosNovos

Detectados

Índice deDetecçãoPor 10.000

Índia 542.511 5,9 504.535 93,0 6.570.000 416.685 45,4Brasil 137.908 8,8 101.417 73,5 181.763 35.922 22,9Indonésia 41.649 2,1 40.295 96,8 175.104 16.477 8,5Myanmar 21.071 4,7 21.071 100,0 144.661 6.577 14,7Nigéria 17.371 2,0 17.371 100,0 39.713 7.147 8,1Nepal 12.764 6,0 11.905 93,3 3.722 4.783 22,7Bangladesh 12.343 1,0 12.434 100,0 61.241 8.782 7,2Filipinas 11.410 1,7 11.368 99,6 66.941 4.202 6,1Moçambique 11.072 6,2 8.003 72,3 7.414 3.429 19,1Etiópia 9.627 1,8 9.927 100,0 71.291 4.513 8,3Zaire 6.082 1,5 6.069 99,8 49.422 5.526 13,4Madagascar 6.130 4,9 6.130 100,0 20.360 4.676 37,5Sudan 5.718 2,1 5.718 100,0 7.500 1.765 6,4Tanzania 3.924 1,4 3.924 100,0 35.720 2.537 8,8Guiné 3.873 5,0 3.873 100,0 25.662 3.194 41,5Camboja 2.886 3,2 2.833 98,2 5.884 229 24,7Fonte: WHO, 1996. P.12.Elaboração: Ana Zoé Schilling da Cunha

18

Tabela 2 - Prevalência registrada de casos de Hanseníase em tratamento com poliquimioterapia (PQT) e a detecção

nos países americanos.

País CasosRegistrados

PrevalênciaPor 10.000

CasosDetectados

Detecçãopor

10.000

Casos dePQT

Percentual decasos tratados

com PQT

TotalAcumulativo deCuras com PQT

Argentina 3.396 1,01 509 1,5 3.231 95,1 5842Bolívia 864 1,12 86 1,1 859 99,4 562Brasil 137.908 8,81 35.922 22,9 101.417 73,5 181.763Colombia 4.738 1,39 692 2,0 4738 100,0 1.668Costa Rica 195 0,60 15 0,5 142 72,8 2Cuba 684 0,63 252 2,3 648 94,7 4.295Rep. Dominicana 528 0,69 229 3,0 486 92,1 5.072Equador 518 0,46 115 1,0 518 100,0 1.234Guatemala 106 0,11 7 0,1 25 23,6 5Haiti 689 1,00 124 1,8 689 100,0 -México 6.106 0,68 523 0,6 4.725 77,4 7.946Paraguai 828 1,78 401 8,6 817 98,7 3718Peru 240 0,10 90 0,4 240 100,0 215Suriname 264 5,92 64 14,4 264 100,0 326Estados Unidos 640 0,02 157 0,1 571 89,2 351Venezuela 3.954 1,92 490 2,4 3.261 82,5 8.799Fonte: WHO, 1996. P.54.Elaboração: Ana Zoé Schilling da Cunha

19

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

20

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 transmissãoquando o agravo deixa de ser um problema de Saúde Pública. Eliminar é diferente de erradicar, situaçãoem que o agente causador, de fato, desaparece. Portanto, o termo eliminação significa a redução da fontede infecção que diminui a magnitude do problema, levando ao desaparecimento natural da doença, cujocorte estabelecido pela OMS é de menos de 1 caso por 10 mil habitantes.7 Ver modelo do questionário no Anexo 1.

21

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.

22

Quadro 1 - Indicadores epidemiológicos

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 SITUAÇÃOEPIDEMIOLÓGICA DA HANSENÍASE NO ESTADO DO RIO DEJANEIRO 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.

Indicadores epidemiológicos Construção (*) Parâmetros

1, Coeficiente de detecção anual de casos novos, por 10,000

Casos novos residentes diagnosticados no ano População total residente em residente em 01/07/ano por 10,000

Hiperendêmico ≥ 4,0/10,000 hab. Muito Alto 4,0 -| 2,0/10,0000 hab Alto 2,0 -| 1,0/10,0000 hab Médio 1,0 -| 0,2/10,0000 hab Baixo < 0,2/10,0000 hab

2. Coeficiente de detecção anual de casos novos na população de 0 a 14 anos, por 10,000

Casos novos residentes com 0 a 14 anos de idade diagnosticados no ano População residente com idade entre 0 e 14 anos em 01/07/ano


3, Coeficiente de prevalência por 10,000

Casos existentes residentes (em registro ativo) em 31/12/ano População total Residente em 31/12/ano


x 10.000

x 10.000

x 10.000

Fonte: SINAN, SES, MS_____________________ * Todos os indicadores devem ser calculados utilizando-se dados de casosresidentes, independentemente do local de detecção do tratamento.

23

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.

24

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.

25

Cartograma 4 – Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,1999.

Cartograma 5 - Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,2000.

ES

MG

SP

Oceano Atlântico

ES

MG

SP

26

Cartograma 6 - Coeficiente de prevalência da Hanseníase no Estado do Rio de Janeiro,2001.

0,00

4,00

8,00

12,00

16,00

20,00

ano 1999 ano 2000 ano 2001

Coe

ficie

nte

de p

reva

lênc

ia AperibéAraruamaBelford RoxoCardoso MoreiraCasimiro de AbreuIguaba GrandeItaboraíParatiTrajano de Morais

Gráfico 4 - Evolução dos municípios com alto coeficiente de Hanseníase no Rio deJaneiro para os anos de 1999 a 2001.

ES

MG

SP

Oceano Atlântico

27

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.

Cartograma 7 - Coeficiente de detecção anual da Hanseníase no Estado do Rio deJaneiro, 1999.

ES

MG

SP

Oceano Atlântico

28



ES

MG

SP

Oceano Atlântico

ES

MG

SP

Oceano Atlântico

29

2.4.3 – COEFICIENTE DE DETECÇÃO ANUAL EM MENORESDE 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.

Cartograma 10 – Coeficiente de detecção anual da Hanseníase em menores de 15 anosno Estado do Rio de Janeiro, 1999.

E

MG

SP

Oceano Atlântico

30

Cartograma 11 - Coeficiente de detecção anual da Hanseníase em menores de 15 anosno Estado do Rio de Janeiro, 2000.

Cartograma 12 - Coeficiente de detecção anual da Hanseníase em menores de 15 anosno Estado do Rio de Janeiro, 2001.

ES

MG

SP

Oceano Atlântico

ES

MG

SP

Oceano Atlântico

31

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:

( )( )

( ) ( )

−

−

−=

∑∑∑ ∑

∑ ∑∑

nY

YnX

X

nYX

XYrXY

22

22

, Equação 1

onde n = número de observações.

O valor de r está sempre entre -1 e +1, com r = 0 correspondendo a não

associação.

Quando 0>r , diz-se que existe uma correlação positiva e, nesse caso, à medida

que x cresce também cresce y, e correlação negativa quando 0<r , 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, 1=r ou 1−=r então todos os pontos no gráfico de dispersão caem

exatamente numa linha reta. No outro extremo, se r = 0 não existe nenhuma associação

linear.

32

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

33

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, εµ +=Y , Equação 2

sendo: Y o vetor, de dimensões n x 1, da variável resposta,

( ) βµ ⋅== XYE , o componente sistemático.

X a matriz de dimensões n x p do modelo,

( )Tpβββ ,,1 L= , o vetor dos parâmetros,

( )Tnεεε ,,1 L= , o componente aleatório com ( ) niNi ,,1 ,,0~ 2 L=σε .

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 ( ) βµ ⋅== XYE para o componente

sistemático e nem para se restringir à distribuição normal para o componente aleatório

e à suposição de homogeneidade de variâncias.”

34

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

GammaInversa Contínua Inverse polynomials

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;

35

(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

36

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 nnxxxy xxxn

ββββµ ++++= LK 22110,,,| 21 ajustando um modelo da forma

nn xxxY ββββ ++++= L22110 . 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,

( )( )""

1sucessoPYPp

===

.

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 xp ββ += 0 , onde x representa

a variável explicativa, 0β é o intercepto da linha e β sua inclinação. Porém, o termo

xββ +0 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

xep ββ += 0 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 logaritmosnaturais.

37

problema, o termo xe ββ +0 pode não resultar em estimativas negativas para p, mas pode

responder um valor maior que 1. A solução é ajustar o modelo utilizando função

logística, fazendo x

x

eep ββ

ββ

+

+

+=

0

0

1, impossibilitando, portanto, valores negativos e

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

( )pp −1 para 1. Sendo assim, a chance em favor de sucesso é

( )( )

x

x

xx

ee

ee

pp ββ

ββ

ββ

ββ

+

+

+

+

=

+

+=

−0

0

0

0

11

11

. Tomando o logaritmo natural de cada lado dessa

equação,

[ ] xep

p x ββββ +==

−

+0

0ln1

ln . Equação 3

Assim, assume-se que a relação entre ( )[ ]pp −1ln 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

xp

pββ))

)

)+=

− 01

ln .

38

Para modelar a probabilidade p como função de duas variáveis explicativas ou

mais, ajusta-se o modelo da forma

nn xxxp

pββββ)

L)))

)

)++++=

− 221101

ln . Equação 4

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:

( )ββ

)

)

VarW = .

39

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 s'β 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.

40

Os passos principais da sua construção podem ser vistos em Dobson (1990). A

expressão final é dada por ( ) ( ) ( )[ ]{ }iiiii

N

ii bbYwD θθθθ

))−−−= ∑

=

~~21

que depende apenas dos

dados. E segundo Nelder (1989) esta expressão segue formas para cinco distribuições

padrões (quadro 3).

Quadro 3 – Deviance para distribuições padrões

Normal ( )∑ − 2µ)y

Poisson ( )

−−

∑ µµ

)) yyy ln2

Binomial ( ) ( ) ( )[ ]∑

−−−+

µµ

)) nynynyy /lnln2

Gamma ( )∑

−+

− µµµ

))) /ln2 yy

Inverse Gaussian ( ) ( )∑ − yy 22 / µµ ))

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).

41

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”.

42

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:

( ) [ ]);();(2ˆsin iiiiiii ylyblyalD βµ −−=

43

Capítulo 4 – JUSTIFICATIVA DA HANSENÍASE NO ESTADO DORIO 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 HANSENÍASEE AS CONDIÇÕES DE VIDA E DENSIDADE DEMOGRÁFICA NOESTADO

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

44

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

0 20 40 60 80 100 120

Lixo Coletado

Taxa

de

Prev

alên

cia

da H

anse

nías

e

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.

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.

45

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.

Gráfico 6 - Correlação entre abastecimento de água e prevalência da hanseníase noEstado 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.

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

0 20 40 60 80 100 120

Abastecimento de água

Taxa

de

Prev

alên

cia

da H

anse

nías

e

46

Gráfico 7 - Correlação entre esgotamento sanitário e prevalência de hanseníase

no Estado do Rio de Janeiro, 2000.

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.

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

0 10 20 30 40 50 60 70 80 90 100

esgotamento sanitário

Taxa

de

Prev

alên

cia

da H

anse

nías

e

47

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.

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

0,00 2000,00 4000,00 6000,00 8000,00 10000,00 12000,00 14000,00

Densidade demográfica

Taxa

de

Prev

alên

cia

da H

anse

nías

e

48

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

0,000 100,000 200,000 300,000 400,000 500,000 600,000 700,000 800,000 900,000

Renda per capita

Taxa

de

prev

alên

cia

da H

anse

nías

e

Gráfico 9 – Correlação linear entre renda per capita e prevalência da hanseníase noEstado do Rio de Janeiro, 2000.

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,

49

“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:

( ) 6655443322110ˆˆˆˆˆˆˆ

ˆ1ˆ

lnln xxxxxxp

pβββββββθ ++++++=

−

= .

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%.

50

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 REGRESSÃOLOGÍSTICA

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 asvariáveis

51

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 0β 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:

( )

iiii

iiiiiiiiiiii

iiiiiiiiii

XXXXXXXXXXXXXXXX

XXXXXXXXX

54155314

4313521242113210519418

31721655443322110log

⋅+⋅++⋅+⋅+⋅+⋅+⋅+⋅+

+⋅+⋅++++++=

ββββββββ

ββββββββθ

0β - intercepto.

1β - efeito no ( )iθlog , se aumentar em 1% a proporção de domicílios com coleta

de lixo adequada.

2β - efeito no ( )iθlog , se aumentar em 1% a proporção de domicílios com

abastecimento de água (rede geral).

3β - efeito no ( )iθlog , se aumentar em 1% a proporção de domicílios com

esgotamento sanitário (rede geral).

4β - efeito no ( )iθlog , se aumentar em 1 unidade a densidade demográfica.

5β - efeito no ( )iθlog , se aumentar em 1 unidade a renda per capita.

6β - efeito no ( )iθlog , 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.

52


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.

15β - efeito no ( )iθlog , 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.

53

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:

⋅++⋅+⋅+⋅+

+⋅+⋅+⋅++⋅+⋅+⋅++

+++++=

−

=

⋅+⋅+⋅++⋅+⋅+⋅+

+⋅+⋅+⋅++

+++++=

−

=

renpcapitademodensrenpcapitaesgotodemodensesgotorenpcapitaágua

demodenságuaesgotoáguarenpcapitalixodemodenslixoesgotolixoágualixorenpcapita

demodensesgotoágualixop

p

H

renpcapitaesgotodemodensesgotorenpcapitaáguademodenságuaesgotoáguarenpcapitalixo

demodenslixoesgotolixoágualixorenpcapita

demodensesgotoágualixop

p

H

..

..

.1

ln :completo modelo

..

.

.1

ln :reduzido modelo

15

141312

11109

8765

43210

1

141312

11109

8765

43210

0

ββββ

βββββββ

βββββ

ββββββ

ββββ

βββββ

A resposta à este modelo é apresentado nas Tabelas 3 e 4.

Tabela 3 - Teste de significância individual dos parâmetros do 1º modelo

54

Parameter DF EstimateStandard

Error Chi-Square Pr>ChiSqIntercept 1 -7,8560 0,7631 105,9700 <.0001lixo 1 0,0199 0,0106 3,5500 0,0595_gua 1 -0,0609 0,0094 41,7700 <.0001esgoto 1 0,0577 0,0106 29,6800 <.0001Dens_Demo 1 -0,0007 0,0003 6,7700 0,0093renpcapita 1 0,0093 0,0037 6,1400 0,0132lixo*_gua 1 0,0007 0,0001 27,3200 <.0001lixo*esgoto 1 -0,0009 0,0002 31,5700 <.0001lixo*Dens_Demo 1 0,0000 0,0000 17,2200 <.0001lixo*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 0,2605esgoto*Dens_Demo 1 0,0000 0,0000 0,0400 0,8432esgoto*renpcapita 1 0,0001 0,0000 5,7900 0,0161Dens_Demo*renpcapita 1 0,0000 0,0000 4,8500 0,0277Scale 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 > ChiSqIntercept 2180,5070Lixo 1569,8676 1 610,64 <.0001_gua 1500,1038 1 69,76 <.0001Esgoto 1329,6247 1 170,48 <.0001Dens_Demo 1237,3670 1 92,26 <.0001Renpcapita 918,6410 1 318,73 <.0001lixo*_gua 909,4187 1 9,22 0,0024lixo*esgoto 803,5730 1 105,85 <.0001lixo*Dens_Demo 719,9923 1 83,58 <.0001lixo*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 <.0001Esgoto*Dens_Demo 625,9133 1 0,59 0,4408Esgoto*renpcapita 615,3769 1 10,54 0,0012Dens_Demo*renpcapita 610,4504 1 4,93 0,0264

55

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 1H ao

nível de 5%, com a inclusão da interação entre esgoto e densidade demográfica,

rejeitaria a hipótese 1H 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 1H ,

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.

0 200 400 600 800 1000 1200

020

040

060

080

010

0012

0014

00

mod3$Preval

mod

3$pr

obes

t

Gráfico 10 – Observados vs Previstos

56

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.

-2 -1 0 1 2

-6-4

-20

24

68

Normal Q-Q Plot

Theoretical Quantiles

Sam

ple

Qua

ntile

s

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.

57

Histogram of model3$Resdev

model3$Resdev

Freq

uenc

y

-5 0 5

05

1015

2025

30

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 dasinterações 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%.

58

Resultado do modelo apresentado nas tabelas 5 e 6.



Error Chi-Square Pr>ChiSqIntercept 1 -5,1460 0,3340 237,3900 <.0001lixo 1 -0,0135 0,0049 7,6000 0,0058_gua 1 -0,0641 0,0089 51,4100 <.0001esgoto 1 0,0776 0,0088 78,3600 <.0001Dens_Demo 1 -0,0008 0,0002 12,2900 0,0005renpcapita 1 -0,0051 0,0009 29,6900 <.0001lixo*_gua 1 0,0008 0,0001 54,2100 <.0001lixo*esgoto 1 -0,0011 0,0001 83,9700 <.0001lixo*Dens_Demo 1 0,0000 0,0000 30,3300 <.0001_gua*Dens_Demo 1 0,0000 0,0000 64,4000 <.0001esgoto*renpcapita 1 0,0000 0,0000 3,8500 0,0499Dens_Demo*renpcapita 1 0,0000 0,0000 6,2100 0,0127Scale 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 2Source Deviance DF Chi-Square Pr > ChiSqIntercept 2180,5070lixo 1569,8676 1 610,64 <.0001_gua 1500,1038 1 69,76 <.0001esgoto 1329,6247 1 170,48 <.0001Dens_Demo 1237,3670 1 92,26 <.0001renpcapita 918,6410 1 318,73 <.0001lixo*_gua 909,4187 1 9,22 0,0024lixo*esgoto 803,5730 1 105,85 <.0001lixo*Dens_Demo 719,9923 1 83,58 <.0001_gua*Dens_Demo 665,2756 1 54,72 <.0001esgoto*renpcapita 633,6822 1 31,59 <.0001Dens_Demo*renpcapita 627,3952 1 6,29 0,0122

Rejeita-se 0H 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).

59

0 200 400 600 800 1000 1200

020

040

060

080

010

0012

0014

00

mod7$Preval

mod

7$pr

obes

t

Gráfico 13 – Observados vs Previstos




-2 -1 0 1 2

-50

5

Normal Q-Q Plot


Sam

ple

Qua

ntile

s


60

Pelo Gráfico 14, os resíduos da deviance seguem uma tendência linear,

mostrando-se satisfatórios quanto à normalidade.


model7$Resdev

Freq

uenc

y

-5 0 5 10

05

1015

2025

30


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.

61



Error Chi-Square Pr>ChiSqIntercept 1 -6,1734 0,1252 2430,8200 <.0001Lixo 1 -0,0052 0,0019 7,5100 0,0062_gua 1 -0,0027 0,0012 5,4400 0,0197Esgoto 1 -0,0066 0,0010 40,4300 <.0001Dens_Demo 1 0,0000 0,0000 81,7700 <.0001Renpcapita 1 -0,0019 0,0001 307,2300 <.0001Scale 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

Source Deviance DF Chi-Square Pr > ChiSqIntercept 2180,5070Lixo 1569,8676 1 610,64 <.0001_gua 1500,1038 1 69,76 <.0001Esgoto 1329,6247 1 170,48 <.0001Dens_Demo 1237,3670 1 92,26 <.0001Renpcapita 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 0H ao

nível de 5%, quer dizer, o efeito da variável Renda per Capita é significativo quando

considera-se no modelo todas as variáveis explicativas.

62

0 200 400 600 800 1000 1200

020

040

060

080

010

0012

0014

00

mod2$Preval

mod

2$pr

obes

t

A deviance do modelo resulta em 918,6410.

Gráfico 16 – Observados vs Previsto




63

-2 -1 0 1 2

-50

510

Normal Q-Q Plot


Sam

ple

Qua

ntile

s


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.


model2$Resdev

Freq

uenc

y

-10 -5 0 5 10

05

1015

2025

30


64

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%.

65

Modelo escolhido:

( ) iiiiii XXXXX 54321 0019,00000,00066,00027,00052,01734,6log ⋅−⋅+⋅−⋅−⋅−−=θ

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.

66

Tabela 9 – Probabilidade estimada do risco de ter hanseníase segundo municípiosfluminenses, 2000.

Municípios POP

Coeficiente

Prevalência

Probabdo risco

Logaritmodo risco

Riscoestimado

Angra dos Reis 119247 17,33 0,000433 -7,743898 0,000433Aperibé 8018 9,67 0,000410 -7,799843 0,000410Araruama 82803 111,33 0,000658 -7,324941 0,000659Areal 9899 2,67 0,000536 -7,531258 0,000536Armação de Búzios 18204 2,67 0,000569 -7,471834 0,000569Arraial do Cabo 23877 10,33 0,000404 -7,813411 0,000404Barra do Piraí 88503 23,33 0,000465 -7,672105 0,000466Barra Mansa 170753 25,33 0,000368 -7,907381 0,000368Belford Roxo 434474 373,67 0,000699 -7,264624 0,000700Bom Jardim 22651 2,00 0,000560 -7,486296 0,000561Bom Jesus de Itabapoana 33655 22,00 0,000381 -7,872093 0,000381Cabo Frio 126828 108,33 0,000513 -7,575374 0,000513Cachoeiras de Macacu 48543 27,67 0,000573 -7,464627 0,000573Cambuci 14670 11,33 0,000619 -7,386719 0,000619Campos dos Goytacazes 406989 230,67 0,000541 -7,522429 0,000541Cantagalo 19835 7,00 0,000446 -7,715284 0,000446Carapebus 8666 0,33 0,000619 -7,387391 0,000619Cardoso Moreira 12595 10,67 0,000779 -7,156167 0,000780Carmo 15289 9,67 0,000513 -7,575046 0,000513Casimiro de Abreu 22152 17,67 0,000446 -7,715107 0,000446Comendador LevyGasparian 7924 2,00 0,000513 -7,574611 0,000513

Conceição de Macabú 18782 6,00 0,000558 -7,490562 0,000558Cordeiro 18601 3,67 0,000359 -7,932638 0,000359Duas Barras 10334 1,00 0,000615 -7,393464 0,000615Duque de Caxias 775456 515,00 0,000533 -7,536012 0,000534Engenheiro Paulo deFrontim 12164 6,00 0,000602 -7,415156 0,000602

Guapimirim 37952 30,33 0,000675 -7,300840 0,000675Iguaba Grande 15089 11,67 0,000528 -7,545309 0,000529Itaboraí 187479 306,67 0,000831 -7,091716 0,000832Itaguaí 82003 51,33 0,000524 -7,554271 0,000524Italva 12621 2,33 0,000599 -7,419992 0,000599Itaocara 23003 11,67 0,000456 -7,693607 0,000456Itaperuna 86720 59,67 0,000386 -7,858818 0,000386Itatiaia 24739 13,33 0,000387 -7,856081 0,000387Japeri 83278 48,00 0,000851 -7,068734 0,000851Lage do Muriaé 7909 2,33 0,000716 -7,241427 0,000716Macaé 132461 38,67 0,000312 -8,072918 0,000312Macuco 4886 1,33 0,000531 -7,540708 0,000531Magé 205830 160,00 0,000670 -7,307083 0,000671Mangaratiba 24901 18,00 0,000539 -7,524509 0,000540Marica 76737 23,67 0,000704 -7,257628 0,000705

67

Mendes 17289 4,00 0,000492 -7,616714 0,000492Miguel Pereira 23902 6,33 0,000553 -7,499942 0,000553Miracema 27064 17,00 0,000400 -7,823156 0,000400Natividade 15125 6,33 0,000479 -7,642515 0,000480Nilópolis 153712 69,67 0,000475 -7,650886 0,000476Niterói 459451 132,33 0,000163 -8,722946 0,000163Nova Friburgo 173418 31,00 0,000321 -8,044402 0,000321Nova Iguaçu 920599 423,33 0,000527 -7,547872 0,000527Paracambi 40475 13,00 0,000447 -7,712747 0,000447Paraíba do Sul 37410 6,67 0,000444 -7,718219 0,000445Parati 29544 28,33 0,000589 -7,436550 0,000589Paty de Alferes 24931 3,33 0,000733 -7,218124 0,000733Petrópolis 286537 37,00 0,000342 -7,981420 0,000342Pinheral 19481 5,00 0,000467 -7,668561 0,000467Piraí 22118 4,33 0,000496 -7,608231 0,000496Porciúncula 15952 6,67 0,000569 -7,471280 0,000569Porto Real 12095 3,67 0,000497 -7,605538 0,000498Quatis 10730 5,33 0,000519 -7,562331 0,000520Queimados 121993 90,00 0,000682 -7,289179 0,000683Quissamã 13674 2,00 0,000758 -7,184684 0,000758Resende 104549 36,33 0,000281 -8,178524 0,000281Rio Bonito 49691 10,33 0,000606 -7,407708 0,000607Rio Claro 16228 9,00 0,000557 -7,492778 0,000557Rio das Flores 7625 2,00 0,000682 -7,290310 0,000682Rio das Ostras 36419 16,00 0,000676 -7,298935 0,000676Rio de Janeiro 5857904 1345,00 0,000235 -8,356958 0,000235Santa Maria Madalena 10476 3,67 0,000728 -7,224052 0,000729Santo Antônio de Pádua 38692 16,00 0,000444 -7,719731 0,000444São Fidélis 36789 11,33 0,000499 -7,602192 0,000499São Francisco deItabapoana 41145 4,33 0,001209 -6,716934 0,001210

São Gonçalo 891119 662,00 0,000573 -7,464081 0,000573São João da Barra 27682 17,67 0,000719 -7,237307 0,000719São João de Meriti 449476 256,33 0,000742 -7,205928 0,000742São José de Ubá 6413 1,67 0,001030 -6,877230 0,001031São José do Vale do RioPreto 19278 0,67 0,000719 -7,237074 0,000719

São Pedro da Aldeia 63227 16,67 0,000494 -7,613429 0,000494São Sebastião do Alto 8402 3,33 0,000964 -6,942970 0,000965Sapucaia 17157 4,00 0,000456 -7,692711 0,000456Saquarema 52461 30,67 0,000759 -7,182506 0,000760Seropédica 65260 33,67 0,000656 -7,328438 0,000657Silva Jardim 21265 7,00 0,000777 -7,159414 0,000778Sumidouro 14176 0,67 0,000936 -6,973185 0,000937Tanguá 26057 14,33 0,000757 -7,185138 0,000758Teresópolis 138081 17,00 0,000523 -7,555861 0,000523Trajano de Morais 10038 8,00 0,000911 -7,000391 0,000912Três Rios 71976 25,00 0,000371 -7,898457 0,000371Valença 66308 42,67 0,000387 -7,856971 0,000387

68

Varre e Sai 7854 1,00 0,000888 -7,025429 0,000889Vassouras 31451 8,00 0,000507 -7,586842 0,000507Volta 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 deparâmetros do Quadro 1, localizado na página 20 desta dissertação, situação endêmica Alta.

69

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 doPiraí, Barra Mansa, Itatiaia, Pinheiral, Piraí, Porto Real, Quatis, Resende, Rio Claro, Rio das Flores,Valença e Vota Redonda.

70

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

71

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 noAnexo 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 doVale do Rio Preto, São Sebastião do Alto, Sumidouro, Teresópolis e Trajano de Morais.

72

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.

73

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 noAnexo 1.

74

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.

75

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 oindivíduo contraia a doença aumente a uma magnitude pouco maior que 0,0000 em média.19 Renda per capitã dos municípios fluminenses no anexo 1.

76

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.

77

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).

78

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.

79

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)

80

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.

81

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:

82

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.

83

ANEXOS

84

Anexo 1 – Indicadores de Condições de vida e probabilidade de ter hanseníase noEstado do Rio de Janeiro, 2000.

Municípios RENPCAPITA DENSDEMO LIXO AGUA ESGOTO probestAngra dos Reis 275,657 148,98 96 87 50 0,00517Aperibé 240,163 90,31 82 90 78 0,00033Araruama 259,361 130,65 79 80 7 0,00545Areal 246,751 88,79 95 61 37 0,00053Armação de Búzios 376,182 262,73 92 38 4 0,00104Arraial do Cabo 303,297 156,77 98 68 59 0,00096Barra do Piraí 274,572 152,99 91 66 52 0,00412Barra Mansa 286,406 311,91 96 82 75 0,00628Belford Roxo 182,326 5445,15 88 72 53 0,03039Bom Jardim 242,709 58,84 68 52 56 0,00127Bom Jesus de Itabapoana 242,489 56,24 84 84 89 0,00128Cabo Frio 311,034 316,52 94 53 31 0,00650Cachoeiras de Macacu 219,202 50,79 71 69 50 0,00278Cambuci 199,087 26,12 63 69 50 0,00091Campos dos Goytacazes 247,200 100,94 87 68 39 0,02200Cantagalo 254,143 26,49 76 74 72 0,00088Carapebus 203,222 28,37 79 36 50 0,00054Cardoso Moreira 166,050 24,46 63 65 26 0,00098Carmo 270,972 47,60 87 87 32 0,00078Casimiro de Abreu 286,863 48,07 91 74 51 0,00099Comendador Levy Gasparian 204,318 73,87 87 85 52 0,00041Conceição de Macabú 213,908 53,92 88 33 57 0,00105Cordeiro 275,430 160,29 95 91 78 0,00067Duas Barras 204,890 27,54 74 49 49 0,00064Duque de Caxias 226,138 1669,18 89 69 56 0,04135Engenheiro Paulo de Frontim 243,173 87,51 87 31 39 0,00073Guapimirim 234,770 105,18 78 46 25 0,00256Iguaba Grande 332,745 281,51 95 68 13 0,00080Itaboraí 202,289 441,94 60 24 28 0,01558Itaguaí 246,447 301,97 89 75 41 0,00429Italva 212,045 42,61 72 70 44 0,00076Itaocara 287,500 53,69 67 75 66 0,00105Itaperuna 261,874 78,44 87 87 78 0,00335Itatiaia 295,867 109,97 97 90 59 0,00096Japeri 156,450 1005,38 58 63 27 0,00708Lage do Muriaé 166,939 31,57 69 70 32 0,00057Macaé 392,943 108,94 94 89 67 0,00413Macuco 230,846 63,39 93 91 32 0,00026Magé 209,612 533,66 84 47 31 0,01380Mangaratiba 330,353 70,81 89 65 15 0,00134Marica 321,411 211,70 72 22 9 0,00540Mendes 306,135 497,28 91 61 39 0,00085Miguel Pereira 379,551 83,18 90 25 13 0,00132Miracema 236,979 89,22 90 88 77 0,00108Natividade 242,384 39,08 80 77 60 0,00073Nilópolis 298,295 8023,80 99 96 78 0,00731Niterói 809,179 3551,31 97 78 73 0,00748

85

Nova Friburgo 366,842 185,94 95 79 74 0,00556Nova Iguaçu 237,503 1757,24 88 81 51 0,04851Paracambi 269,846 225,65 90 68 60 0,00181Paraíba do Sul 264,554 64,41 86 81 59 0,00166Parati 312,069 31,82 82 70 10 0,00174Paty de Alferes 209,984 78,13 70 45 26 0,00183Petrópolis 399,933 369,91 96 51 67 0,00979Pinheral 240,535 253,68 94 77 55 0,00091Piraí 265,410 43,76 86 71 46 0,00110Porciúncula 180,796 52,79 77 77 54 0,00091Porto Real 212,553 239,09 95 71 55 0,00060Quatis 237,538 37,49 89 70 45 0,00056Queimados 183,001 1585,95 87 66 33 0,00833Quissamã 181,911 19,10 78 65 14 0,00104Resende 365,445 93,89 97 95 86 0,00293Rio Bonito 276,194 107,52 79 50 27 0,00301Rio Claro 203,345 19,29 75 58 60 0,00090Rio das Flores 186,451 15,96 77 76 25 0,00052Rio das Ostras 331,432 157,92 93 4 3 0,00246Rio de Janeiro 596,646 4954,68 99 98 78 0,13749Santa Maria Madalena 203,235 12,84 65 53 29 0,00076Santo Antônio de Pádua 242,034 63,22 78 76 74 0,00172São Fidélis 212,837 35,78 71 73 71 0,00184São Francisco de Itabapoana 156,004 37,02 35 24 1 0,00497São Gonçalo 268,787 3576,75 91 80 40 0,05106São João da Barra 177,326 60,36 76 63 26 0,00199São João de Meriti 233,119 12901,89 98 95 64 0,03333São José de Ubá 199,513 25,59 40 36 4 0,00066São José do Vale do RioPreto 215,827 80,34 85 34 20 0,00139São Pedro da Aldeia 259,388 186,16 90 84 41 0,00312São Sebastião do Alto 171,428 21,15 43 40 18 0,00081Sapucaia 249,968 31,75 69 65 79 0,00078Saquarema 266,644 147,91 73 22 12 0,00398Seropédica 234,746 229,96 80 86 12 0,00428Silva Jardim 194,357 22,66 66 36 28 0,00165Sumidouro 218,621 35,87 57 26 4 0,00133Tanguá 180,775 177,71 78 25 32 0,00197Teresópolis 366,612 179,21 91 64 9 0,00722Trajano de Morais 209,260 17,03 46 51 9 0,00091Três Rios 262,505 221,81 88 92 82 0,00267Valença 267,720 50,82 89 78 78 0,00257Varre e Sai 176,022 41,61 59 42 16 0,00070Vassouras 285,551 56,93 81 71 41 0,00159Volta 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.

86

Anexo 2 – Ficha de Notificação – Hanseníase.

Fonte: MS, 2002.

87

88

89

90

Anexo 3 – Quadro de indicadores epidemiológicos e operacionais de hanseníase

91

92

2

Anexo 4 - Coeficiente de prevalência da Hanseníase no Brasil, segundo Regiões e Unidades da Federação - 1993 a 2000.

Fonte: MS, 2002

Livros Grátis( http://www.livrosgratis.com.br )

Milhares de Livros para Download: Baixar livros de AdministraçãoBaixar livros de AgronomiaBaixar livros de ArquiteturaBaixar livros de ArtesBaixar livros de AstronomiaBaixar livros de Biologia GeralBaixar livros de Ciência da ComputaçãoBaixar livros de Ciência da InformaçãoBaixar livros de Ciência PolíticaBaixar livros de Ciências da SaúdeBaixar livros de ComunicaçãoBaixar livros do Conselho Nacional de Educação - CNEBaixar livros de Defesa civilBaixar livros de DireitoBaixar livros de Direitos humanosBaixar livros de EconomiaBaixar livros de Economia DomésticaBaixar livros de EducaçãoBaixar livros de Educação - TrânsitoBaixar livros de Educação FísicaBaixar livros de Engenharia AeroespacialBaixar livros de FarmáciaBaixar livros de FilosofiaBaixar livros de FísicaBaixar livros de GeociênciasBaixar livros de GeografiaBaixar livros de HistóriaBaixar livros de Línguas










http://www.livrosgratis.com.br/cat_1/administracao/1







http://www.livrosgratis.com.br/cat_2/agronomia/1







http://www.livrosgratis.com.br/cat_3/arquitetura/1







http://www.livrosgratis.com.br/cat_4/artes/1







http://www.livrosgratis.com.br/cat_5/astronomia/1







http://www.livrosgratis.com.br/cat_6/biologia_geral/1









http://www.livrosgratis.com.br/cat_8/ciencia_da_computacao/1











http://www.livrosgratis.com.br/cat_9/ciencia_da_informacao/1











http://www.livrosgratis.com.br/cat_7/ciencia_politica/1









http://www.livrosgratis.com.br/cat_10/ciencias_da_saude/1











http://www.livrosgratis.com.br/cat_11/comunicacao/1







http://www.livrosgratis.com.br/cat_12/conselho_nacional_de_educacao_-_cne/1















http://www.livrosgratis.com.br/cat_13/defesa_civil/1









http://www.livrosgratis.com.br/cat_14/direito/1







http://www.livrosgratis.com.br/cat_15/direitos_humanos/1









http://www.livrosgratis.com.br/cat_16/economia/1







http://www.livrosgratis.com.br/cat_17/economia_domestica/1









http://www.livrosgratis.com.br/cat_18/educacao/1







http://www.livrosgratis.com.br/cat_19/educacao_-_transito/1









http://www.livrosgratis.com.br/cat_20/educacao_fisica/1









http://www.livrosgratis.com.br/cat_21/engenharia_aeroespacial/1









http://www.livrosgratis.com.br/cat_22/farmacia/1







http://www.livrosgratis.com.br/cat_23/filosofia/1







http://www.livrosgratis.com.br/cat_24/fisica/1







http://www.livrosgratis.com.br/cat_25/geociencias/1







http://www.livrosgratis.com.br/cat_26/geografia/1







http://www.livrosgratis.com.br/cat_27/historia/1







http://www.livrosgratis.com.br/cat_31/linguas/1







Baixar livros de LiteraturaBaixar livros de Literatura de CordelBaixar livros de Literatura InfantilBaixar livros de MatemáticaBaixar livros de MedicinaBaixar livros de Medicina VeterináriaBaixar livros de Meio AmbienteBaixar livros de MeteorologiaBaixar Monografias e TCCBaixar livros MultidisciplinarBaixar livros de MúsicaBaixar livros de PsicologiaBaixar livros de QuímicaBaixar livros de Saúde ColetivaBaixar livros de Serviço SocialBaixar livros de SociologiaBaixar livros de TeologiaBaixar livros de TrabalhoBaixar livros de Turismo

http://www.livrosgratis.com.br/cat_28/literatura/1







http://www.livrosgratis.com.br/cat_30/literatura_de_cordel/1











http://www.livrosgratis.com.br/cat_29/literatura_infantil/1









http://www.livrosgratis.com.br/cat_32/matematica/1







http://www.livrosgratis.com.br/cat_33/medicina/1







http://www.livrosgratis.com.br/cat_34/medicina_veterinaria/1









http://www.livrosgratis.com.br/cat_35/meio_ambiente/1









http://www.livrosgratis.com.br/cat_36/meteorologia/1







http://www.livrosgratis.com.br/cat_45/monografias_e_tcc/1







http://www.livrosgratis.com.br/cat_37/multidisciplinar/1





http://www.livrosgratis.com.br/cat_38/musica/1







http://www.livrosgratis.com.br/cat_39/psicologia/1







http://www.livrosgratis.com.br/cat_40/quimica/1







http://www.livrosgratis.com.br/cat_41/saude_coletiva/1









http://www.livrosgratis.com.br/cat_42/servico_social/1









http://www.livrosgratis.com.br/cat_43/sociologia/1







http://www.livrosgratis.com.br/cat_44/teologia/1







http://www.livrosgratis.com.br/cat_46/trabalho/1







http://www.livrosgratis.com.br/cat_47/turismo/1







Documents

Sheila Rebeca Rodrigues da Silvalivros01.livrosgratis.com.br › cp079406.pdf · ii ANÁLISE DA DISTRIBUIÇÃO ESPACIAL DA HANSENÍASE NO ESTADO DO RIO DE JANEIRO Sheila Rebeca Rodrigues