Introdução
As práticas públicas brasileiras de enfrentamento do Aedes aegypti não têm alcançado um nível de controle satisfatório. No Brasil, uma revisão de literatura indicou picos epidêmicos de dengue nos anos de 2002, 2008 e 2010.1 Dados extraídos do Sistema de Informação de Agravos de Notificação (Sinan)2 apontam que, em 2013, 2015 e 2016, superou-se a barreira de 1,5 milhão de casos no país, resultando em níveis de incidência muito acima da incidência considerada de risco pela Organização Mundial da Saúde (OMS), de 300 casos/100 mil habitantes.
Repetidas epidemias e marcante sazonalidade requerem estratégias de ação específicas. Entretanto, boa parte do insucesso nessas ações decorre da metodologia de cobertura universal e indiscriminada dos imóveis, pautada em ciclos, visando ao controle da forma imatura do vetor Aedes aegypti. Completa-se o programa de vigilância utilizando-se o marcador ‘casos notificados de dengue’, para adoção de medidas de combate da forma alada do vetor. A realidade tem mostrado, todavia, que, mesmo quando se atingem metas de cobertura, a equipe de vigilância ambiental municipal, frequentemente, se encontra a reboque da transmissão de dengue. Sendo assim, é mais do que sugerível a necessidade de alterações nas estratégias vigentes e o aprimoramento das ações de vigilância e controle.3
Com as fragilidades do modelo de enfrentamento atual, tem crescido em importância o estudo para definição de áreas estratégicas de intervenção, mediante técnica de análise de agrupamentos sob uma perspectiva espacial.4-8 O tronco comum desses trabalhos consiste na categorização de áreas com fatores de riscos conhecidos e identificação de clusters, para intensificação direcionada das ações de controle.
Estruturar o planejamento de políticas públicas eficientes de vigilância em saúde é fundamental para a compilação e análise de um grande número de informações confiáveis e atualizadas. Nesse contexto, as rotinas de avaliação podem ser geridas e automatizadas de forma competente, mediante técnicas de geoprocessamento.
Este estudo teve por objetivo, com o uso de software de Sistema de Informações Geográficas (SIG), apresentar uma sequência metodológica prática e direta resultante de análise multicritério, para indicação automática de áreas prioritárias de intervenção e planejamento das ações contra o Aedes aegypti.
Métodos
Na avaliação multicritério para o estabelecimento de áreas prioritárias, utilizaram-se fatores já explorados pelo meio científico e que interferem,9 decisivamente, no comportamento biológico e prevalência da fêmea de Aedes aegypti em determinados locais. Tais fatores são a densidade habitacional e a presença de sítios de oviposição. A geoespacialização das notificações de dengue também foi utilizada, para expressar a convergência de situações que levam à ocorrência da doença.
Elaborou-se um índice auxiliar, denominado Índice de Deslocamento da Fêmea de Aedes, IDFAedes. Partiu-se da premissa de que áreas com maior densidade de hospedeiros e maior histórico de sítios de oviposição e notificações de casos de dengue agregam condições para o menor deslocamento da fêmea de Aedes aegypti. Consequentemente, essas regiões apresentam maior vulnerabilidade à transmissão de dengue, haja vista reunirem condições de maior prevalência biológica do vetor. Entendimento semelhante foi obtido em experimentos de marcação-soltura-recaptura em diferentes arranjos urbanos no estado do Rio de Janeiro.10
As quadras urbanas foram utilizadas como unidade primária de inserção e análise de dados. Importou-se do Sistema de Monitoramento Aedes Zero do Estado de Goiás (SIMAZ)11 o shapefile das quadras urbanas. Na elaboração do IDFAedes, combinou-se densidade populacional, histórico de focos do Aedes aegypti e de notificações de dengue. Os valores dos parâmetros foram agrupados em quintis e assumiram, individualmente, escores de 1 a 5. Cada quadra foi representada pela soma de seus escores individuais, totalizando no mínimo 3 e no máximo 15 pontos. As faixas foram definidas com a seguinte segmentação: 3 a<6 (prioridade muito baixa), 6 a<8 (prioridade baixa), 8 a<10 (prioridade média), 10-12 (prioridade alta) e maior que 12 (prioridade muito alta), conforme se apresentam na Tabela 1. Os níveis de prioridade para intervenção foram divididos em quintis, de acordo com o somatório dos escores individuais (Tabela 1). As análises foram realizadas utilizando-se o software SIG QGIS 2.14 Essen e a planilha eletrônica Excel® 2013. Utilizou-se a base de dados do município de Anápolis, município do estado de Goiás (GO), referentes aos anos de 2016 e 2017, para exemplificar o modelo de seleção automática de áreas prioritárias.
Classe de percentil | Parâmetros | IDFAedes a | |||
Densidade habitacional | Histórico de focos do vetor | Histórico de notificações de casos de dengue | |||
Escore | Faixa | Prioridade para intervenção | |||
1º quintil | 5 | 5 | 5 | >12 | Muito alta |
2º quintil | 4 | 4 | 4 | 10 a 12 | Alta |
3º quintil | 3 | 3 | 3 | 8 a <10 | Média |
4º quintil | 2 | 2 | 2 | 6 a <8 | Baixa |
5º quintil | 1 | 1 | 1 | 3 a <6 | Muito baixa |
a) IDFAedes: Índice de Deslocamento da Fêmea de Aedes.
As informações populacionais, por quadra, foram obtidas do Sistema de Informação da Atenção Básica (SIAB), do Ministério da Saúde, geradas pelas equipes da Estratégia Saúde da Família (ESF) e agentes comunitários de saúde (ACS). O histórico de focos, também por quadra, foi importado do programa SIMAZ. As notificações foram extraídas do Sinan e tabuladas pelo software Excel®. Geocodificou-se 8.737 registros de endereços de notificações com o algoritmo Web Service Geocode do QGIS. Nesta etapa, em virtude de posicionamentos erráticos devolvidos pelo algoritmo, algumas correções manuais e eventuais descartes foram necessários (geocodificação manual) e, para tanto, contou-se com o apoio da equipe de vigilância epidemiológica municipal. Com o algoritmo nativo count points in polygon, consolidou-se o somatório de notificações de dengue por quadra georreferenciada.
Adotou-se o software Excel® para calcular a média de focos entre 2016 e 2017, segregados em dois períodos anuais: outubro a março e maio a setembro, respectivamente os períodos chuvoso e seco em Goiás. Para a criação de categorias de IDFAedes, cada parâmetro individual foi dividido em quintis, atribuindo-se o escore 1 para a menor condição de deslocamento da fêmea de Aedes aegypti, progredindo até o escore 5 para a maior. O somatório dos escores dos parâmetros individuais representou o IDFAedes por quadra urbana, sendo tanto maior o IDFAedes quanto maior a tendência de a fêmea de Aedes aegypti deslocar-se em busca de condições favoráveis a sua sobrevivência. Em última análise, apoiado em um indicador composto, o IDFAedes procura expressar os diferentes níveis de interação entre os parâmetros utilizados, consolidado por quadra urbana.
Desenvolveu-se um modelo para execução no software QGIS, aliado às ferramentas GRASS, GDAL/OGR e SAGA (Figura 1).
Esse modelo compreende uma sequência de rotinas computacionais, logicamente estruturadas para incorporar, processar e dispor dados. Basicamente, ele é carregado sobre a base territorial e os dados tabulares associados. Estes são processados e preparados para execução do algoritmo ‘curvas de densidade de Kernel’. Finalmente, são realizadas formatações de classes e de estilo, tornando o resultado mais amigável ao usuário. O encadeamento detalhado das ações e a descrição dos algoritmos e produtos obtidos encontram-se listados na Tabela 2.
Etapa | Descrição | Algoritmo/biblioteca utilizados | Produto obtido |
1 | Carregar a camada de quadras do município | -/GDALb | Camada vetorial de tipo polígono adicionada ao projeto |
2 | Carregar a tabela previamente formatada, com indicação do IDFAedesa por quadra | -/GDALb | Tabela adicionada ao projeto |
3 | União da tabela à camada de quadras | Union/GDALb | Camada vetorial de tipo polígono vinculada com tabela de atributos |
4 | Gerar centroide da camada de quadras | Centroides de polígonos/GDALb | Camada vetorial de tipo ponto vinculada a camada de polígono |
5 | Reprojeção da camada centroide para projeção UTM adequada à região (DATUM 31982) | Reproject Layer/GRASS c | Camada de centroide com SRC 31982 |
6 | Polígono envolvente na camada de quadras | Polygon from layer extent/GRASSc | Poligono envolvente criado |
7 | Reprojeção do polígono envolvente para projeção UTM adequada à região (DATUM 31982) | Reproject Layer/GRASSc | Camada de centroide com SRC 31982 |
8 | Contornos da camada vetorial do polígono envolvente | Contornos da camada vetorial/GRASSc | Delimitação espacial das coordenadas do polígono envolvente reprojetado |
9 | Mapa de calor multiponderado utilizando-se o peso da coluna IDFAedes e os dados da delimitação produzida na etapa 8 | Mapa de calor/SAGAd | Camada do tipo raster criada |
10 | Migração das informações ‘Média’ dos valores do raster consolidado por quadra urbana | Zonal Statistical/GDALb | Criação de coluna“mean”na camada de quadras |
11 | Aplicação de estilo na camada produzida na etapa 10, categorizando-se cinco classes da coluna“mean”em intervalos iguais | Set style for vector layer/GDALb | Quadras estratificadas em cinco categorias |
a) IDFAedes: Índice de Deslocamento da Fêmea de Aedes.
b) GDAL: Geospatial Data Abstraction Library.
c) GRASS: Geographic Resources Analysis Support System.
d) SAGA: Sistema de Análises Geocientíficas Automatizado.
Resultados
O resultado direto da aplicação do modelo gráfico construído pode ser visto na Figura 2. A estratificação indicou os seguintes níveis de prioridade de intervenção nas quadras urbanas: 17,5% de prioridade muito baixa; 37,3% de prioridade baixa; 33,6% de prioridade média; 10,2% de prioridade alta; e 1,4% de prioridade muito alta. As classes de prioridades apresentaram-se em padrão de agrupamento, distribuídas em todas as regiões do município.
A técnica utilizada distinguiu microrregiões com diferentes predisposições à transmissão de dengue. As classes de maior prioridade para intervenção congregaram os maiores valores, entre todos os parâmetros utilizados. De acordo com Tabela 3, a densidade de focos (focos de Aedes aegypti por hectare [ha], sendo 1ha = 10 mil m2) aumentou 1.600% entre a classe de prioridade muito baixa e a de prioridade muito alta. A densidade habitacional e a densidade de casos de dengue também apresentaram gradação compatível com o nível de prioridade proposto: variações de 13,2 hab./ha a 203,6 hab./ha, e de 0,03 caso de dengue/ha a 3,96 casos de dengue/ha, respectivamente.
Parâmetros | Categorias de prioridade para intervenção | ||||
Muito baixa | Baixa | Média | Alta | Muito alta | |
Quantidade (nº de quadras) | 1.341 | 2.848 | 2.569 | 778 | 106 |
Área (ha) | 5.713 | 2.875 | 1.986 | 471 | 40 |
Densidade de focos (nº/ha) | 0,003 | 0,020 | 0,029 | 0,055 | 0,051 |
Densidade habitacional (hab./ha) | 13,2 | 89,4 | 128,6 | 144,8 | 203,6 |
Densidade de casos de dengue (no/ha) | 0,03 | 0,42 | 1,67 | 2,56 | 3,96 |
Incidência (casos/100 mil hab.) | 359,9 | 749,9 | 2.045,5 | 2.785,5 | 3.054,6 |
Discussão
O modelo apresentado pressupõe a geocodificação precisa dos parâmetros utilizados. Os focos de dengue são inseridos no SIMAZ, permitindo correspondência geográfica em nível de quadra urbana. Entretanto, as notificações de dengue podem apresentar alguns problemas de conversão. O algoritmo utilizado apresenta limitações de interpretação dos níveis hierárquicos, conforme a variação dos endereços de entrada. O fato mostra-se mais grave para cidades de pequeno porte onde, geralmente, o sistema de endereçamento é incompleto e/ou desatualizado.
Explorar detalhadamente as nuances da geocodificação de endereços transcende os objetivos deste trabalho, razão pela qual ele se ateve aos sistemas comumente empregados (Web Service Geocode e baseline do Google Maps). Contudo, correções automáticas de erros de geocodificação, inclusive a correção de entradas despadronizadas e do indicador de certeza geográfica, são possíveis.12
Pontua-se que dificuldades de geocodificação de endereços poderiam ser facilmente contornadas em nível nacional, se o sistema de informação de entradas (Sinan) migrasse ou sincronizasse a forma de endereçamento urbano para endereços geográficos. Problemas na geocodificação na base do Sinan podem representar até 16% dos dados, por insuficiência do banco.13 Em nível estadual, dada a preexistência do SIMAZ, a solução seria a integração do setor notificante com esse sistema de informação geográfica.
A proposta de recorte espacial deste trabalho colide com os níveis de agregação usuais. Estes, geralmente, recorrem a divisões político-administrativas (bairro, setor censitário, distrito sanitário, município). Tal vínculo persiste por inércia, tradição ou, ainda, por indexação com os atuais sistemas de informações. Os processos, tanto ambientais como sociais, que promovem ou restringem situações de risco à saúde não se limitam a fronteiras político-administrativas.4 Cabe ressaltar que a evolução das ferramentas de análise espacial de agregação permite boa interpretação do sistema ambiente-doença, e romper com tais divisões é fundamental para aperfeiçoar o entendimento da modulação desse processo.
A Tabela 3 traz informações segregadas segundo o nível de estratificação proposto neste trabalho. É importante ressaltar que as áreas tidas como de maior prioridade de intervenção (muito alta e alta) representaram 11,6% das quadras do território e apenas 4,61% da extensão da área urbana. Contudo, nesses clusters convergiu, com maior intensidade, a interação dos parâmetros que os tornam mais vulneráveis e, por conseguinte, prioritários. Essa interpretação do território representa uma alternativa de intensificação direcionada, promissora para o modelo vigente (cobertura universal e indistinta).
O recorte espacial criado neste trabalho está de acordo com as premissas do modelo heterogêneo de transmissão de dengue, segundo o qual a probabilidade de o vetor contaminar um hospedeiro é distinta entre as diferentes regiões municipais.14 Essa diferença emana da estrutura populacional, e o modelo gráfico proposto, por sua vez, procura fazer essa distinção.
Mediante a análise de dados secundários e aplicação dos métodos k-média e de curvas de densidade de Kernel de avaliação de conglomerados, foi proposto instrumento de planejamento para as ações de controle do Aedes aegypti em Niterói, RJ,4 e Natal, RN,7 respectivamente.
A adoção das curvas de densidade de Kernel na avaliação multicritério trouxe para a estratificação territorial aplicada em vigilância em saúde a análise de vizinhança e sua influência na produção de fatores de risco, nos diferentes locais do município. Isto representa um ganho interpretativo, na medida em que cada célula do grid preestabelecido no algoritmo de entrada assume um score resultante da influência ponderada dos fatores avaliados na vizinhança (casos de dengue, densidade habitacional e presença de focos de Aedes aegypti).
Técnicas de análise de vizinhança e dependência espacial na dinâmica de transmissão da dengue têm sido investigadas. Estudo realizado em 157 bairros, dos 160 existentes no município do Rio de Janeiro, RJ, no ano de 2006, avaliou a correlação espacial entre os indicadores Índice de Gini, índice pluviométrico e Índice de Breteau, e o total de casos de dengue. Observou-se correlação espacial positiva para todos os casos indicados pelo índice global de Moran, em um recorte no tempo-espaço.14 Isto significa que havia um padrão geral de dependência espacial na distribuição desses indicadores, ou seja, as vizinhanças contíguas exibiam maior similaridade do que as vizinhanças distantes.13 Ressalta-se que a autocorrelação espacial positiva das notificações de dengue, demonstrada pelos autores do artigo citado, bem como dos demais parâmetros avaliados, revela a importância da inserção da análise de vizinhança na estratificação de áreas.
Diferentes protocolos de controle (‘Diretrizes Nacionais para a Prevenção e Controle de Epidemias de Dengue’, em âmbito federal; e ‘Goiás contra Aedes’, na perspectiva estadual) adotam a visita domiciliar em 100% da malha urbana com a mesma gradação. Nesse modelo de trabalho, independentemente do perfil social, ambiental, entomológico e epidemiológico das áreas de intervenção, elas recebem o mesmo tratamento. O produto aqui proposto (estratificação em categorias de risco) pode ser inserido como parâmetro de intensificação das ações de controle em determinadas áreas, ou de alteração na dinâmica de intervenção vigente.
Este trabalho apresentou uma proposta de parâmetros e de interação entre eles, na confecção da matriz que subsidiou a elaboração da tabela-base para os recortes espaciais. Não obstante, outros critérios podem ser utilizados e essa discussão pormenorizada foge aos objetivos precípuos do estudo em tela, quais sejam, apresentar e discutir os resultados de um mecanismo automático de seleção de áreas com uso de software SIG.
Sugere-se que outros arranjos sejam testados na estratificação de áreas, a exemplo da inserção de dados secundários,7-8 especialmente socioeconômicos.8 Outras formas de sequenciamento das séries (percentil) podem ser testadas, como o uso de quebras naturais, desvio-padrão ou intervalo igual. Agregações temporais distintas da utilizada (período seco de 2016 e 2017) também podem ser avaliadas. Ressalta-se que, independentemente da matriz construída, a tabela formada deverá integrar o modelo gráfico proposto.
A inserção de outros atributos entomológicos, especialmente índices de Aedes aegypti adultos, poderá refinar a sensibilidade do modelo. Indicadores como o Índice de Desenvolvimento Humano (IDH) e o índice de Gini, graus de instrução e renda, e nível de saneamento, também poderão ser testados e validados. Ademais, é de fundamental importância, na medida em que as ações de controle se pautem no modelo de estratificação aqui proposto, estabelecer a modulação de respostas em estágios,7 além de mecanismos de avaliação da efetividade e previsão de retroalimentação dos parâmetros utilizados.
Foi elaborado um modelo gráfico em software SIG de código aberto (QGIS 2.14 Essen), cujas entradas são simples (tabela em formato csv, com parâmetros usuais dos programas vigentes e shapefile de qualquer base geográfica inframunicipal). Apesar de sua complexidade analítica inclusa (curvas de densidade de Kernel), o produto do modelo é intuitivo e a interface com o usuário se dá através de rampa, com distintas intensidades colorimétricas, características que o tornam de fácil integração com os sistemas de informações em saúde atuais e, dessa maneira, podem auxiliar na geração de novas rotinas de trabalho de vigilância em saúde.