O TerraView foi construído pela biblioteca de geoprocessamento TerraLib. Trata-se de uma biblioteca que contribui para o desenvolvimento de várias ferramentas de Sistemas de Informações Geográficas de código aberto para aplicações ambientais e socioeconômicas.
Nesse sentido, o TerraView tem como objetivo possibilitar uma fácil visualização de dados geográficos, com recursos de consulta e análise de dados à comunidade. Além disso, esse software possibilita aos seus utilizadores a manipulação de dados vetoriais (pontos, linhas e polígonos) e matriciais (grades e imagens), ambos armazenados em um Sistema de Gerenciamento de Banco de Dados (SGBD), relacionais ou georelacionais (INEP, 2010).
O TerraView - 4.2.2 permite a realização da análise espacial dos dados estudados para verificação de valores dos Clusters, não só como conjunto dos dados, mas também em relação aos vizinhos. Para avaliar a dependência espacial foi utilizado o coeficiente de autocorrelação global de Moran, em que essa autocorrelação espacial pode ser fraca, média ou forte.
Um Índice de Moran com valores:
Abaixo de 0,50, tem-se uma autocorrelação fraca; De 0,50 a 0,75, tem-se uma autocorrelação média; Acima de 0,75, tem-se uma autocorrelação forte.
As cores foram expressas de acordo com a matriz de proximidade gerada por cada região. Nas figuras geradas, foram avaliadas a formação de aglomerados Alto-Alto, Baixo-Baixo, Alto- Baixo e Baixo-Alto e a significância dessas autocorrelações pelas figuras de LISAsignifcance.
D) Uso do GeoDa:
Na determinação da dependência dos dados com relação aos seus vizinhos e da análise bivariada através do Índice de Moran Local (LISA) foram construídos mapas de correlação e análise de repressão com o software GeoDa.
O GeoDa é um software de código aberto, criado na Universidade de Chicago e desenvolvido pelo Dr. Luc Anselin e sua equipe, em 2013. Foi projetado para facilitar novos conhecimentos da análise de dados, explorando e modelando padrões espaciais. O programa realiza análise espacial exploratória, autocorrelação espacial e análise básica de regressão espacial (pontos e polígonos). Ainda, pode-se realizar uma correlação bivariada com a apresentação em gráficos de dispersão, além de realizar teste de Moran's: Moran global ou Local, com mapa de Cluster (GEODA, 2003).
Com esse software observou-se a correlação espacial do período entre as variáveis: Taxa de Internação Hospitalar e Taxa de Mortalidade Infantil;
Taxa de Internação Hospitalar e IDH;
Taxa de Internação Hospitalar e Índice de Gini;
Taxa de Internação Hospitalar e Escolaridade Materna;
Taxa de Internação Hospitalar e Cobertura da Atenção Básica; Taxa de Internação Hospitalar e Consultas de Puericultura; Taxa de Mortalidade Infantil e IDH;
Taxa de Mortalidade Infantil e Índice de Gini;
Taxa de Mortalidade Infantil e Escolaridade Materna;
Taxa de Mortalidade Infantil e Cobertura da Atenção Básica;
Causas de Internação Hospitalar /Mortalidade e Cobertura da Atenção Básica; Causas de Internação Hospitalar /Mortalidade e Consultas de Puericultura.
A fim de identificar a correlação espacial e a significância estatística entre tais variáveis, além das figuras com a correlação supracitada, também foram criados gráficos de dispersão para avaliar o Espalhamento de Moran e identificar um padrão espacial, que pode ser aglomerado, regular ou aleatório.
Nesse sentido, esse gráfico permite a comparação do valor de determinada região com a média das regiões vizinhas. No espalhamento de Moran, também é capaz de identificar se a associação espacial é positiva ou negativa em relação aos vizinhos com valores semelhantes.
4.6 ASPECTOS ÉTICOS
No que diz respeito aos aspectos éticos e legais, para este estudo não foi necessária a aprovação de Comitê de Ética e Pesquisa (CEP), tendo em vista que utilizou dados de domínio público, conforme versa a Resolução 510/2016, do Conselho Nacional de Saúde.
5 RESULTADOS E DISCUSSÃO
A fim de melhorar o formato de apresentação deste tópico optou-se por apresentá-los em três capítulos, onde cada capítulo foi escrito em formato de artigo científico. O primeiro capítulo objetivou espacialisar a mortalidade infantil com as variáveis independentes. O segundo capítulo objetivou espacialisar a morbidade infantil com as variáveis independentes. E o terceiro capítulo objetivou avaliar as causas de morbidade e mortalidade infantil além de correlacionar com cobertura da Atenção Básica e consultas de Puericultura.
5.1 CAPITULO 1
O primeiro artigo a seguir diz respeito à análise espacial da mortalidade e sua associação com IDH, índice de GINI, escolaridade e cobertura da Atenção Básica.
ANÁLISE ESPACIAL DA MORTALIDADE INFANTIL E A DESIGUALDADE SOCIAL NO BRASIL
Dayane Caroliny Pereira Justino Fábia Barbosa de Andrade
RESUMO
Introdução: A mortalidade infantil é uma preocupação mundial, tendo em vista que a
fragilidade imunológica desta faixa etária os deixa vulneráveis e susceptíveis. O objetivo desse estudo foi avaliar a correlação espacial entre a taxa de mortalidade infantil, a cobertura da Atenção Básica e fatores socioeconômicos no período de 2000 a 2015. Método: Trata-se de um estudo ecológico com correlação espacial, realizado no Brasil com coleta de dados em bancos de domínio público acerca dos óbitos de menores de um ano de idade, no período de 2000 a 2015. Resultados: A autocorrelação da Taxa de Mortalidade Infantil apresentou Clusters Alto- Alto nas regiões Norte e Nordeste. Quando correlacionado com a Taxa de analfabetismo a Cobertura da Atenção Básica, o Índice de Desenvolvimento Humano e o Índice de GINI observaram-se Clusters nas regiões Nordeste, Centro-Oeste, Sudeste e Sul. Conclusão: Observa-se que as variáveis independentes demonstraram interferir na ocorrência de mortalidade infantil na maioria das regiões com exceção da região Norte, embora esta tenha apresentado alta taxa de mortalidade infantil, revelando a necessidade de uma atenção maior às necessidades da população e a um planejamento específico dessas a fim de mudar a realidade dos resultados aqui apresentados.
Palavras-Chaves: Mortalidade Infantil; Atenção Primária à Saúde; Fatores Socioeconômicos;
INTRODUÇÃO
A mortalidade infantil, embora muito estudada, continua sendo uma preocupação a nível mundial, tendo em vista que, nessa faixa etária há vulnerabilidade e susceptibilidade às doenças que, com uma assistência adequada, podem ser evitadas. Nas duas últimas décadas, vários países buscaram reduzir as taxas de mortalidade infantil, procurando descobrir os fatores que podem estar interferindo na elevação desse indicador. Além disso, foram criadas políticas públicas de saúde para melhor atender essa população.
Nesse sentido, essa atenção para a mortalidade infantil, perpassa pelos determinantes socioeconômicos da realidade brasileira. Os determinantes sociais de saúde são apresentados em níveis de organização no modelo de Dahlgren e Whitehead (1991), partindo das características individuais, passando por estilo de vida dos indivíduos, redes sociais e comunitárias até as condições de vida e trabalho. Para esses autores, as estratégias de políticas públicas precisam entender os fatores que interferem diretamente na saúde da população.
O Índice de Gini mede a concentração de renda de determinada população e aponta a diferença do rendimento entre os 20% mais pobres e os 20% mais ricos (WOLFFENBÜTTEL, 2014). Alguns estudos mostram que o nível socioeconômico, medido pelo índice de Gini, das mães interfere negativamente na capacidade de responder às necessidades da criança (STACK et al., 2010; FERREIRA e LIMA, 2012; CAVALCANTE et al., 2017).
Outro fator que pode interferir na saúde infantil é o Índice de Desenvolvimento Humano (IDH). Tendo em vista que a Saúde, Educação e Renda são os três pilares do IDH, no qual a saúde da população é medida pela expectativa de vida. O acesso à educação é medido pela média de anos estudados por pessoas com mais de 25 anos de idade e expectativa dos anos de escolaridade que crianças podem receber. O padrão de vida (renda) é medido pela Renda Nacional Bruta (RNB) per capita expressa em poder de paridade de compra constante, cotada em dólar e tendo como referência o ano de 2005 (PNUD, 2017).
Nesse sentido, o estudo de Fernald, et al. (2012) analisou as condições que afetam diretamente a saúde das crianças em seus primeiros anos de vida nos países da Índia, Indonésia, Peru e Senegal. Durante o estudo, observou-se que os fatores socioeconômicos, especificamente, a escolaridade, renda, habitação pobre, bairros perigosos, aglomeração doméstica, poluição, entre outros, afetam diretamente o desenvolvimento infantil.
No Brasil, para reduzir a mortalidade infantil, foram aplicadas algumas ações e intensificadas outras como, por exemplo: a imunoprevenção em menores de cinco anos de
idade, atenção às mulheres desde o planejamento familiar até a gestação, atenção ao parto, pós- parto e ao recém-nascido e ações de promoção a saúde em busca de fortalecer a Atenção Primária (OLIVEIRA, COSTA e MATHIAS, 2012).
A maioria dessas ações teve mais força em sua execução a partir do Pacto pela Saúde, firmado em 2006, pelo Ministério da Saúde. Além disso, em dezembro de 2010 através da Portaria nº 4.279, que dispõe sobre as Redes de Atenção à Saúde (RAS), foi estabelecido que um dos fundamentos das RAS seja a qualidade do acesso ao serviço de saúde. Tal qualidade é descrita pela ausência de barreiras geográficas, financeiras, organizacionais, socioculturais, étnicas e de gênero, ao cuidado, que pode ser avaliado através da disponibilidade, comodidade e aceitabilidade do serviço pelos usuários. Uma das formas de verificar o acesso é mediante a análise da cobertura da Atenção Básica.
Com o intuito de melhoria contínua da qualidade, a avaliação do serviço de saúde vem sendo cada vez mais utilizada a fim de averiguar as estratégias utilizadas e repercutem em alcançar tal intuito, viabilizando a população um cuidado integral.
A partir disso, este estudo tem por objetivo analisar a distribuição espacial da mortalidade infantil no período de 2000 a 2015 e correlacionar com indicadores socioeconômicos e do acesso à Atenção Primária à Saúde no Brasil.
METODOLOGIA
Este estudo é do tipo ecológico de tendência temporal com uma análise espacial, realizado no Brasil. Como unidade de análise foi utilizada as Regiões Intermediárias de Articulação Urbana, composta por 161 regiões.
Os dados utilizados integram o DATASUS, o Sistema de Informação sobre Mortalidade (SIM) para a variável dependente, no período de 2000 a 2015. Para essa variável utilizou-se a taxa de mortalidade infantil, a qual foi calculada da seguinte forma:
Mo talidade de meno es de 1 ano ano a ano
ascidos ivos ano a ano
Como variáveis independentes têm-se: Índice de Desenvolvimento Humano (IDH), Índice de GINI, Taxa de Analfabetismo das mães com idade entre 11 e 29 anos e Cobertura da Atenção Básica. Essas foram extraídas do Programa das Nações Unidas para o
Desenvolvimento (PNUD) explorando o Atlas do Desenvolvimento Humano no Brasil, no Departamento de Atenção Básica (DAB) para dados do Histórico de Cobertura de Atenção Básica e no Instituto Brasileiro de Geografia e Estatística (IBGE) as malhas para a espacialização dos dados. Tais dados foram coletados no período de Janeiro a Abril de 2017
Foi utilizado o software Statistical Package for the Social Sciences Statistical Package
for the Social Sciences (SPSS), versão nº 22 com número de série 10101141047. No qual os
municípios foram agrupados de 5.565 para 161 regiões de RIAU, cálculo da taxa de mortalidade anual e uma análise com base na estatística descritiva, que foi avaliando média, mediana, desvio padrão e test t Student para comparações entre médias.
Na análise espacial foi utilizado o software Terra View 4.2.2 para construção de Mapas temáticos, distribuição espacial da Taxa de Mortalidade Infantil e formação de Clusters, além da estatística espacial para obtenção do Índice Moran e significância. No GeoDa realizou-se correlação espacial para averiguar os Clusters de área.
Foi construído o mapa com a TMI, em escalas de cinza com quatro partes iguais, as maiores taxas são localizadas pelas regiões mais escuras. Para avaliação da autocorrelação espacial foi utilizado o Índice de Moran global, que é utilizado para verificação de dependência espacial onde pode apresentar valores positivos, indicando uma correlação direta e valores semelhantes tendem a existir entre os vizinhos e valores negativos, indicando uma correlação inversa, em que os valores altos estarão cercados de vizinhos com valores baixos ou o inverso.
Utilizou-se, ainda, a correlação espacial bivariada da variável dependente com as variáveis independentes. Na correlação espacial bivariada a dependência espacial poderá ser direta e inversa, além de avaliar a corelação das variáveis por área, podendo assim ser dos tipos: Alto-Alto (altas taxas de TMI e altas taxas da variável independente), Baixo-Baixo (baixas taxas de TMI e baixas taxas da variável independente), Alto-Baixo (altas taxas de TMI e baixas taxas da variável independente), Baixo-Alto (baixas taxas de TMI e altas taxas da variável independente).
Para esse estudo não foi necessário apreciação do Comitê de Ética e Pesquisa (CEP) por se apropriar de dados de domínio público.
RESULTADOS
De acordo com os dados apresentados na tabela 1, observa-se uma redução significativa nas médias da taxa de mortalidade infantil entre o primeiro e segundo quinquênio, porém, um aumento entre o segundo e terceiro.
Tabela 1 – Distribuição da taxa de mortalidade infantil por mil crianças por quinquênio do
período estudado, Brasil, 2018.
Quinquênio N Média* Mediana DP IC p
Mínimo Máximo
2000-2004 161 100,87 98,80 25,55 96,89 104,85 <0,01
2005-2009 161 82,42 81,28 17,56 79,68 85,15 <0,01
2010-2015 161 83,25 81,79 16,40 80,69 85,80 <0,01
*(Soma da taxa anual de mortalidade infantil por mil nascidos vivos)
Fonte: Autoria própria
Por outro lado, o Intervalo de Confiança (IC) apresentaram oscilações importantes de serem consideradas. O alvo de redução da TMI tem sido um esforço na proposição de ações voltadas para saúde da criança no Brasil, Estados e municípios brasileiros, a partir do elenco de ações de prevenção de doenças e promoção da saúde publicado do ano de 2000, onde trouxe um conjunto de metas assistências no nível da Atenção Básica.
Nas figuras 1a e 1b, pode-se perceber a análise espacial da TMI do período com um índice de Moran Global de 0,59 com um valor de p=0,01 o que mostra uma autocorrelação média com significância estatística. Esses dados mostram que é possível encontrar altas taxas de mortalidade infantil com associação positiva quando comparados com as taxas das regiões circunvizinhas.
A figura 1a, que se refere ao BoxMap da TMI, pode ser visto altas taxas nas regiões Norte e Nordeste. A figura 1b diz respeito ao MoranMap, nela pode ser visto que grande parte dos Cluster apresentados anteriormente no BoxMap não apresentam significância estatística.
Figura 1 - BoxMap(a) e MoranMap (b) da autocorrelação espacial da Taxa de Mortalidade Infantil de 2000 a 2015, Brasil, 2018.
Seção 1: Fatores relacionados à mãe
A figura 2, refere-se a correlação espacial da TMI com a Taxa de analfabetismo de mulheres com idade entre 11 e 29 anos, com um Índice de Moran 0,30 e a correlação obteve uma representação de área positiva. Nesta figura, observa-se alta correlação regiões Nordeste e Sudeste e Sul. Esta figura mostra ainda alguns locais na região Nordeste, estado do Rio Grande do Norte e no litoral no Piauí, apresentaram uma correlação Baixo-Alto (baixa taxa de mortalidade infantil e alta taxa de analfabetismo), assim como nas regiões Sudeste e Sul, os estados de Espirito Santo, São Paulo e Paraná.
Figura 2 – Correlação espacial entre a Taxa de Mortalidade Infantil e a Taxa de analfabetismo
de 2000 a 2015, Brasil, 2018.
Fonte: Autoria própria
Seção 2: Fatores relacionados à assistência
A figura 3, diz respeito à correlação espacial da Taxa de Mortalidade Infantil e a Cobertura da Atenção Básica do período estudado, com um índice de Moran 0,35 e uma representação de área positiva. Os pontos no mapa representam a cobertura da Atenção Básica, dessa forma, sendo proporcionalmente maior conforme a cobertura. Os polígonos da figura
representam a espacialização da TMI. Os polígonos que representam as maiores TMI também apresentaram os maiores valores de cobertura da Atenção Básica, nos estados do Rio Grande do Norte, Paraíba, Alagoas, Bahia, Ceará, Piauí, Maranhão, Sergipe, Tocantins, Amazonas, Acre, Amapá, Mato Grosso.
Por outro lado, pode ser observado é que os polígonos que representam os menores TMI possuem baixas coberturas, nos estados de São Paulo, Minas Gerais, Paraná e Rio Grande do Sul.
Figura 3 – Correlação espacial entre a Taxa de Mortalidade Infantil e a Cobertura da Atenção
Básica de 2000 a 2015, Brasil, 2018
Fonte: Autoria própria
Seção 3: Fatores Socioeconômicos
A figura 4a revela a correlação espacial da TMI do período com o IDH, em que se obteve um índice de Moran -0,16, uma representação de área negativa, com significância de 95% de confiança. Observa-se alta correlação nos estados de Mato Grosso, Minas Gerais e Paraná. E uma pequena área com Cluster Alto-Baixo no Ceará (alta taxa de mortalidade infantil e baixo IDH).
Na imagem da figura 4b, têm-se a correlação espacial da TMI e o Índice de GINI, com um Índice de Moran -0,03, representação de área negativa e significância de 95% de confiança. Nesta figura observa-se uma alta correlação em pequenas áreas nos estados da Paraíba, Alagoas, Minas Gerais e Paraná (alta taxa de mortalidade infantil e alto índice de GINI), além de áreas Baixo-Alto, nos estados de Mato Grosso, Mato Grosso do Sul, Maranhão, Paraíba, Minas Gerais, São Paulo, Santa Catarina e Rio Grande do Sul (baixa taxa de mortalidade infantil e alto Índice de GINI).
Figura 4 – Correlação espacial entre a Taxa de Mortalidade Infantil com IDH(a) e Índice de GINI (b) no período de 2000 a 2015, Brasil, 2018
DISCUSSÃO
A tabela 1 revela o aumento das taxas de mortaliadde infantil no terceiro quinquênio. Tais dados são preocupantes, tendo em vista que a Política Nacional de Atenção Integral à Saúde da Criança (PNAISC) criada pelo Ministério da Saúde tem por objetivo dar uma atenção especial às crianças na primeira infância e às populações de maior vulnerabilidade, em busca da redução da morbimortalidade e um ambiente que ofereça boas condições para o crescimento e desenvolvimento da criança (BRASIL, 2015).
Na figura 1, observa-se que as regiões Norte e Nordeste têm os maiores valores de TMI. Além disso, sabe-se que as regiões Sul e Sudeste possuem um maior número de profissionais atuantes, com mais oportunidades de qualificação e também um maior número de serviços de saúde. Além disso, esta abarca uma população com uma maior renda e melhor Índice de GINI. Nas regiões Norte e Nordeste ocorre, exatamente, o oposto, o que explica as altas taxas de mortalidade infantil.
Isso pode estar associado a qualidade da assistência recebida nessas regiões, qualificação da equipe que assiste essa população, ao Acesso ao serviço de saúde, Longitudinaidade do cuidado prestado, Integralidade, Coordenação do cuidado, além da estruturação das RAS, as condições socioeconômicas familiares e escolaridade materna (STARFILD, 2002).
A quantidade de profissionais atuantes nas regiões Norte e Nordeste é menor quando comparado a outras regiões. Na região Sudeste, Sul e Centro-Oeste, chegam a ser quase o dobro quando comparado aos profissionais atuantes nas regiões Norte e Nordeste. Assim haverá um acesso facilitado da população ao serviço de saúde (BRASIL, 2010).
Corroborando com tal argumento a maioria dos serviços nas regiões Sul e Sudeste vem viabilizando maiores oportunidades de fluxos necessários dos usuários nesses serviços em conformidade os mais necessitados.
Além disto, grandes centros de pesquisas, renomados internacionalmente encontram-se nessas regiões, bem como instituições formadoras. Desta forma, pode-se inferir que houve um aumento de oportunidades de qualificação das equipes que assistem os serviços e, por consequência, maior probabilidade de efetivação dos princípios da longitudinalidade.
Quando avaliada a média de anos estudados, observa-se que a menor média está na região Nordeste (IBGE, 2010). Estudo mostra que a inserção de graduandos dos cursos de Medicina, Enfermagem e Odontologia no serviço de saúde da Atenção Primária à Saúde através do PET-Saúde nas regiões Nordeste e Sudeste, contribuiu significativamente para formação diferenciada desses alunos de forma que estes passaram a ter um olhar diferenciado para a Atenção Básica (FARIAS-SANTOS e NORO, 2017). Porém, mesmo que os alunos das duas regiões tenham participado desse programa, os dados revelam a falta de atenção pelos profissionais por esse nível de atenção à saúde.
Outro fator influenciador são os aspectos culturais que se fazem presentes nas regiões Norte e Nordeste, podendo interferir na intervenção realizada pelos profissionais destas áreas como, por exemplo, os costumes passados de geração em geração. Todavia, embora se tenha uma alta TMI nesse território quando avaliado estatisticamente este não demonstrou significância na região Norte e na maior parte da região Nordeste.
Quando correlacionada a TMI com a Taxa de analfabetismo materno observa-se alta correlação na região Nordeste e baixa correlação nas regiões Sudeste e Sul. A