Aglomerados Espaciais da Hanseníase no Estado do Pará

Transcrição

1 Aglomerados Espaciais da Hanseníase no Estado do Pará Iralice Cristina dos Santos Segtowick 1 Cristiane Alves dos Santos 2 Anna Alice Garcia Caldas Nunes 3 Adrilayne dos Reis Araújo 4 1 Introdução Dentre as várias doenças que são alvo de investigações no Brasil, está a Hanseníase, uma doença infecto-contagiosa, de evolução lenta, que se manifesta principalmente. É uma endemia que ainda hoje continua sendo um sério problema de saúde pública no mundo, o que exige um plano de aceleração e de intensificação das ações de eliminação e de vigilância resolutiva e contínua (BRASIL, 2009). O Brasil é o país que possui o maior número absoluto de casos de Hanseníase (WHO, 2006), com grande expressão na Região Norte, onde sua distribuição é heterogênea. E segundo, Amador (2004) o Estado do Pará acumula 80% dos casos novos em todo o Brasil. Neste contexto, este trabalho tem como objetivo determinar a aglomeração espacial da Hanseníase no estado do Pará, no período de janeiro de 2001 a julho de Material e Métodos 2.1 Descrição dos dados Os dados utilizados no presente estudo são referentes aos casos notificados de suspeita da Hanseníase, no período de janeiro de 2001 a julho de 2010, no Estado do Pará, obtidos junto à base de dados oficial do Sistema de Informação de Agravos de Notificação (SINAN), por meio da Secretaria de Saúde do Estado do Pará (SESPA), tratando-se, portanto, de dados secundários que são passíveis de atualizações ao término de cada ano, o conjunto de dados possui observações. 2.2 Análise espacial De maneira geral, a análise de dados espaciais consiste em um conjunto de ferramentas e procedimentos que procura descrever, explorar padrões e avaliar a existência de 1 FAEST - UFPA. irasegtowick@gmail.com 2 NCG IDESP. cristiane.santos@idesp.pa.gov.br 3 DET UFV. anna.nunes@ufv.br 4 ICEN UFPA. adrilayne@ufpa.br

2 relações entre um conjunto de dados obtidos a partir de um processo gerador atuando no espaço. As ferramentas de análise são classificadas em três categorias: visualização, exploração e modelagem de dados espaciais (QUEIROZ, 2010). 2.3 Análise exploratória de dados espaciais (AEDE) Segundo Almeida et al. (2005), o método de análise exploratória de dados espaciais descreve a distribuição espacial do fenômeno, seus padrões de associação global e local (clusters), além de verificar a existência de regimes espaciais diferenciados, bem como outros modos de instabilidade espacial (não-estacionariedade) e identifica observações atípicas (outliers). 2.4 Autocorrelação espacial Camara (2002) avalia que a autocorrelacão espacial ocorre quando situações próximas espacialmente possuem valores parecidos, necessitando de análises profundas para medir esses relacionamentos. A ideia básica é estimar a magnitude da correlação espacial entre as áreas (polígonos). Neste caso, uma das ferramentas mais utilizada é o Índice Global de Moran. Porém quando se tem um alto número de áreas e fatores que são levados em conta na análise, é provável que não exista somente uma relação global dos objetos, mas também haja uma correlação entre menos objetos em sub-regiões. Para destacar estas relações espaciais, podem-se utilizar os indicadores locais de autocorrelação espacial e o diagrama de dispersão de Moran. 2.5 Índice de Moran Global e o Índice de Moran Local O Índice de Moran fornece uma medição genérica da correlação espacial que um conjunto de dados possui, seu valor varia de -1 a +1. Quando há correlação espacial, os valores de uma classe ou polígono tende a ser semelhante ao de seus vizinhos, ou seja, o valor tende a ficar perto de +1, ficando perto de 0 quando não há autocorrelação espacial e perto de -1 quando a autocorrelação espacial é negativa. Já o Índice de Moran Local ou LISA identifica e classifica áreas que possam ter correlação espacial, além de mostrar a dependência dos dados no âmbito local em relação a seus vizinhos. Este tipo de técnica permite a ocorrência de agrupamentos visualizados, por meio de um diagrama (ou mapa), e também por meio da identificação de áreas que possuem correlação a partir do grau de similaridade entre os vizinhos (NEVES et al., 2000).

3 3 Resultados e Discursões 3.1. Análise exploratória de dados espaciais Utilizou-se para a análise estatística espacial o programa de livre acesso GeoDa. O mapa de distribuição espacial foi gerado no programa ArcGis Na Figura 1 observa-se que dentre os 143 municípios do Estado, Belém teve o maior número de notificações, com casos de suspeita da doença. Seguido dos municípios de Altamira, Ananindeua, Itaituba, Jacundá, Marabá, Marituba, Parauapebas, Paragominas, Redencão e Tucuruí, com valores que variam de a casos. Figura 1: Distribuição Espacial de Casos Notificados de Suspeita da Hanseníase, no Período de Janeiro de 2001 a Julho de 2010, no Estado do Pará. 3.2 Autocorrelação espacial Por meio do método de análise espacial, procurou-se identificar a existência de padrões espaciais na distribuição territorial. Sendo assim, a fim de verificar a presença de autocorrelação espacial, realizou-se o teste de normalidade de Kolmogorov-Smirnov com o objetivo de verificar se os dados seguem uma distribuição normal, onde as hipóteses testadas são: : os dados seguem distribuição normal versus : os dados não seguem distribuição normal, ao nível de significância de 5% (α), no entanto o teste apresentou um nível descritivo com p < 0,001 sendo menor que o α = 0,05 ou 5%, portanto a distribuição não segue uma distribuição normal. Sendo assim foi necessário realizar uma transformação nos dados em

4 estudo utilizando-se o Box-Cox um procedimento automático que escolhe a melhor transformação a ser aplicada aos dados, desta forma a normalidade exigida para os dados foi atendida, com p > 0,150. Porém, com o resultado fez-se a aplicação do índice moran global para verificar a existência de autocorrelação espacial que mostrou que os dados não foram significativos. Padrões globais detectam a autocorrelação espacial de todo o espaço analisado, no entanto o Índice de Moran Global pode esconder padrões locais ou ser influenciado por eles. Para superar esses problemas estatísticos, torna-se imprescindível verificar a formação de clusters (agrupamentos). Cada quadrante do diagrama de dispersão de Moran indica um cluster. No Quadrante 1, o cluster é do tipo Alto-Alto (AA), no Quadrante 2: Baixo-Baixo (BB), no Quadrante 3: Baixo-Alto (BA) e no Quadrante 4: Alto-Baixo (AB), conforme especificado nos procedimentos metodológicos (KLEINSCHMITT et al., 2010). Para facilitar a visualização das informações, definiu pela exclusão do município de Almerim para o uso da ferramenta LISA cluster map, cujo resultado encontra-se expresso na Figura 3. Com base na visualização da Figura 3, verificou-se a presença de três tipos de clusters. Baixo-Baixo: Melgaço, Portel, Senador José Porfírio, Breu Branco e xinguara. Alto-Baixo: Pacajá, Cannã dos Carajás e Piçarra. Baixo-Alto:Santarém, Ourém e Nova Esperança do Piriá. Figura 3: LISA Cluster Map de Casos Notificados de Suspeita da Hanseníase, no Período de Janeiro de 2001 a Julho de 2010, no Estado do Pará.

5 4 Conclusões Neste trabalho, buscou-se avaliar sob o contexto da epidemiologia espacial, a importância de se detectar aglomerados espacial da Hanseníase, dos casos ou áreas de alto risco no Estado do Pará. Sob tal objetivo, ferramentas de Sistema de Informação Geográfica e Análise Espacial de Dados foram importantes, mostrando que o modelo da análise pode ser usado para desenhar estratégias de monitoramento e controle da doença. Entende-se que o modelo de análise, neste trabalho não explica completamente outros fatores de riscos adicionais, possivelmente envolvidos na agregação espacial da doença. Entretanto, este trabalho demonstra a aplicabilidade da técnica, sendo capaz de identificar possíveis surtos e assim acelerar a intervenção dos gestores de saúde, a partir de ações de prevenção e controle. Referências [1] ALMEIDA, E.S.; PEROBELLI, F.S.; FERREIRA, P.G.C. Existe convergência espacial da produtividade agrícola no Brasil? Mimeo, CMEA/FEA/UFJF, Juiz de Fora, [2] AMADOR, M.P.S.C. Soroprevalência para hanseníase em áreas endêmicas do Estado do Pará p. Dissertação (Mestrado em Patologia das Doenças Tropicais), Núcleo de Medicina Tropical, Universidade Federal do Pará, Belém, [3] BRASIL. Guia de vigilância epidemiológica. Ministério da Saúde, Secretaria de Vigilância em Saúde, Departamento de Vigilância Epidemiológica. 7.ed., Brasília: Ministério da Saúde; 12 p.; Série A. Normas e Manuais Técnicos, [4] CAMARA, G. Análise espacial de áreas. São José dos Campos: INPE, [5] KLEINSCHMITT, S.C.; WADI, Y.M.; STADUTO, J.A. Evolução Espaço-Temporal dos Homicídios no Estado do Paraná. REBESP, Goiânia, v.4, n.3, p , jan./jul., [6] NEVES, M.C.; CAMARA, G.; ASSUNÇÃO, R.M.; FREITAS, C.C. Procedimentos Automáticos e Semi-automáticos de Regionalização por Árvore Geradora Mínima. In: Simpósio Brasileiro de Geoinformática, 2000, Caxambú - MG, v.4, p , [7] QUEIROZ, J.W. Sistemas de informação geográfica e análise espacial de dados como ferramentas para determinação de agregação espacial de doenças: a hanseníase como modelo p. Doutorado (Programa de Pós-Graduação em Ciências da Saúde), Centro de Ciências da Saúde, Universidade Federal do Rio Grande do Norte, Natal [8] WHO. World Health Organization. Global leprosy situation 2006.Weekly Epidemiology Record. August, v.81, n.32, p , 2006.