Modelagem temporal das notificações de leptospiroses em Salvador entre 1996 e 2006

Transcrição

1 Fundação Oswaldo Cruz. Escola Nacional de Saúde Pública Projeto: Modelagem de doenças transmissíveis: contexto, clima e espaço Modelagem temporal das notificações de leptospiroses em Salvador entre 1996 e 2006 Marcel Quintana marcel@fiocruz.br PROCC/FIOCRUZ Marilia Carvalho carvalho@fiocruz.br PROCC/FIOCRUZ ENCE/IBGE 23 de setembro de 2008

2 1 Introdução 2 Objetivo 3 Dados 4 Metodologia Modelos dinâmicos Modelos Lineares Generalizados Métodos PDL (Polynomial Distributed Lag) 5 Resultados Escolha da Distribuição e Variáveis Climatológicas 6 Conclusão 7 Referências

3 Introdução Considerações: Quais variáveis climáticas temos que levar em consideração? Faz sentido definirmos pontos de corte para o índice pluviométrico? Quanto tempo após as chuvas veremos a repercussão dos casos de leptospirose? Até que ponto variáveis sócio-econômicas se relacionam com os casos da doença?(trabalhos futuros.)

4 Objetivo Objetivo

5 Objetivo Objetivo O Objetivo geral deste trabalho: Propor; Utilizar; Adequar; Modelos Estatísticos capazes de incorporar a complexidade necessária à compreensão da relação dos casos de leptospirose com algumas variáveis climatológicas de Salvador. Estes modelos levarão em conta a estrutura de dependência temporal inerente ao problema analisado.

6 Dados Resumo dos Dados

7 Dados Dados Dados Epidemiológicos: Fonte: Estudo LVIGI Estudo de identificação de pacientes com leptospirose grave identificados no Hospital Couto Maia em Salvador-BA, do projeto Emerging Infectious Diseases and Urbanization (Fiocruz-Salvador & Universidade de Cornell/USA). Número de pacientes: 1766 (Banco gerado no dia 08/02/2007). Dados Climatológicos: Fonte: Estação (Ondina): Convencional - Operante - INMET Variáveis Iniciais: Precipitação (mm), Temperatura Máxima (oc), Temperatura Mínima (oc) Umidade Relativa ( % ) Variáveis Criadas: Dias de chuva na semana, Dias na semana com Precipitação acima de 1,2,3,4,5,10,15,20,25,30,35,...,80 mm (por que?) Frequência: Semanal. O período dos dados é de dez anos (1996 a 2006).

8 Metodologia Metodologia O porquê dos métodos.

9 Metodologia Modelos dinâmicos Bayesianos - Utilizando MCMC e inferência bayesiana, com o Winbugs (R2WinBUGS do R) - para modelar a série temporal (Gamerman, D. e Lopes, H. F., 2006); Modelos Lineares Generalizados (Bayesiano e Clássico) - na identificação do efeito das covariáveis climáticas (Dobson, A.J., 1989) ajustado no R (R Development Core Team, 2008 e Venables, W. N. e Ripley, B. D., 2002); Métodos PDL (Polynomial Distributed Lag) - no tratamento da estrutura de colinearidade das variáveis climáticas (Schwartz, 2000).

10 Resultados Resultados

11 Resultados Dados Semanais SE Casos Precipitação Figura: Séries históricas dos casos de Leptospirose e das médias semanais da Precipitação SE Casos Dias com precipitação acima de 5 mm Figura: Séries históricas dos casos de Leptospirose e dos dias na semana com Precipitação acima de 5mm

12 Resultados Dados Semanais SE Casos Temperatura Máxima Figura: Séries históricas dos casos de Leptospirose e das médias semanais da Temperatura Máxima SE Casos Temperatura Mínima Figura: Séries históricas dos casos de Leptospirose e das médias semanais da Temperatura Mínima

13 Resultados Escolha da Distribuição e das Variáveis climatológicas

14 Resultados Distribuição dos dados epidemiológicos? Número de Casos Distribuição Poisson? Over-dispersion? Excesso de zeros? Density Casos variância = média = empírica Poisson(média) Poisson(variância) Figura: Casos semanais

15 Resultados Escolha da Distribuição e Variáveis Climatológicas Comparamos as distribuições: Poisson, Poisson Inflacionada de Zeros, Binomial Negativa e Binomial Negativa Inflacionada de Zeros e obtivemos melhor ajuste avaliados pelos critérios, Deviance, BIC, EQM e EAM para a distribuição Binomial Negativa. Quais são as variáveis climatológicas que tem maior relação com a incidência de leptospirose? Figura: Deviance e AIC dos modelos com apenas uma variável climática. O modelo reduzido que apresentou o menor deviance e AIC foi o com a variável climática sendo: Precipitação 5 mm.

16 Resultados Escolha da Distribuição e Variáveis Climatológicas Coeficientes: Tabela: Modelo com Dias na semana com Indice Pluviométrico acima de 5 mm exp(lim.inf(5%)) exp(coef) exp(lim.sup(5%)) lag(pluv05,0) lag(pluv05,1) lag(pluv05,2) lag(pluv05,3) lag(pluv05,4) Verifica-se: Lag 0 é não significativo Lag 2 apresenta o maior efeito Risco aumenta em 34 % no lag 2

17 Resultados Escolha da Distribuição e Variáveis Climatológicas Foram ajustados modelos incluindo as covariáveis Umidade e Temperatura Máxima. Entrando com cada defasagem uma a uma das variáveis acima, a sua maioria é significativa; porém se forem colocadas conjuntamente não são. Portanto como nos preocupamos mais com a defasagem de duas semanas, visto que nela se encontra o maior risco da doença, optamos por inserir as covariáveis acima nesta defasagem. Quando inserida no modelo (apenas com a covariável principal) a variável Temperatura Máxima com defasagem de duas semanas, esta apresenta-se como fator de proteção diminuindo o risco da doença em 5% para cada grau aumentado. Percebemos que a variável Umidade é uma variável que afeta a variável principal, portanto faz-se necessária pois controla o risco desta passando do risco bruto de 34% para o risco ajustado de 17%. Modelos AIC Deviance PLUV PLUV05+TMAX PLUV05+UMID

18 Conclusão Conclusão

19 Conclusão Conclusões O modelo proposto foi adequado para ajustar o número de ocorrências de leptospirose e assim, podemos afirmar que, em Salvador, chuva acima de 5mm/dia aumenta o risco de leptospirose grave. Este resultado pode ser útil para a vigilância epidemiológica da leptospirose, mesmo considerando que os casos ocorrem de forma endêmica, sem eventos extremos de clima. Mobilizar a população e os serviços de saúde quando da ocorrência de chuva acima de 5mm pode contribuir para diminuir o número de casos e aumentar o diagnóstico precoce.

20 Referências Referências Bibliográficas Dobson, A.J., An Introduction to Generalized Linear Models, Gamerman, D. e Lopes, H. F., Markov chain Monte Carlo: stochastic simulation for Bayesian inference, R Development Core Team,2008. Venables, W. N. e Ripley, B. D Modern Applied Statistics With S-PLUS, Joel Schwartz The Distributed Lag between Air Pollution and Daily Deaths, 2000.