Programa - Poster dialogado - PD25.9 - Métodos e técnicas em estudos epidemiológicos e vigilância em saúde

Objetivo: Construir um banco unificado de sistemas de informação em saúde no Município do Rio de Janeiro (MRJ), com uma estratégia de linkage
Métodos: Foi desenvolvida uma estratégia para o relacionamento de 4 bases de dados ligadas à vigilância da COVID-19: sistema de informação do programa nacional de vacinação (SIPNI); e-SUS notifica; sistema de informação da vigilância epidemiológica da gripe (SIVEP-Gripe); e sistema de informação sobre mortalidade (SIM). As estratégias incluíram limpeza e deduplicação das bases, escolha da melhor estratégia de linkage por mais de um algoritmo e estratégias de eliminação de falsos-positivos.
Resultados: Após a seleção dos registros de residentes no MRJ, o banco recuperou informações de 6.233.288 indivíduos. Este total e também as distribuições por sexo e faixa etária ficaram bastante próximas das projeções do IBGE para o ano de 2023. Vários registros foram encontrados em mais de uma base, tendo a grande maioria vindo exclusivamente do SIPNI (77,7%), seguido do e-SUS (1,45%), com registros vindos exclusivamente do SIVEP e do SIM somando 1,6%. Os 19,25% restantes tiveram registros encontrados em pelo menos duas das bases.
Conclusões: Os procedimentos implementados foram bem sucedidos em estabelecer um banco de dados de usuários do sistema de saúde no MRJ, que pode ser usado para futuros estudos, inclusive com a adição de informação de outras bases. Podem, ainda, ajudar outras instituições a implementar procedimentos semelhantes para a criação de bases que permitam o acompanhamento dos usuários do sistema de saúde em diferentes locais no Brasil.

Objetivos. Avaliar a concordância entre duas classificações de feminicídios, bem como comparar características relacionadas a vitimização letal entre registros concordantes e discordantes, em contexto de substancial violência urbana. Método. Estudo de mortalidade proporcional em maiores de 9 anos, residentes em Manaus (2016-2022). Os dados são oriundos de fontes secundárias (Ministério da Saúde, Tribunal de Justiça e imprensa online), com abordagem baseada na vigilância da informação. Das 498 mortes elegíveis, 203 foram classificadas como feminicídio presumível por dois advogados criminalistas (avaliação jurídica), com base na legislação e jurisprudência existente - a avaliação ocorreu de forma independente e discordâncias foram equacionadas por consenso. Pesquisadores com experiência em violência contra a mulher e feminicídios também classificaram os 203 óbitos (avaliação não jurídica) como “feminicídio presumível”, “feminicídio não presumível” e “inconclusivo”. Utilizou-se a estatística Kappa, χ2 e Wilcoxon (α=5%). Resultados. A concordância entre as classificações foi de 73,3% (IC: 67,4-79,2) e foram observadas diferenças significativas entre os registros concordantes e discordantes na idade mediana, violência sexual e ser companheiro ou ex-companheiro. Para o sexo do agressor, dias da semana e uso de álcool não foram observadas diferenças significativas. Conclusão. O nível de concordância foi substancial e a subanálise permitiu identificar variáveis potencialmente úteis à predição preliminar de feminicídios. Nossos achados sugerem que a classificação de feminicídios por indivíduos familiarizados com a metodologia deste estudo e não operadores do direito pode ser útil para fins de vigilância, em contexto de substancial violência urbana, onde a distinção entre feminicídios e não feminicídios é crucial.

O ganho de peso gestacional (GPG) é um indicador importante na avaliação da saúde durante a gravidez, influenciando diretamente o bem-estar tanto da mãe quanto do feto. Um ganho inadequado de peso, seja excessivo ou insuficiente, está associado a complicações de saúde significativas, como o maior risco de desenvolver diabetes gestacional e hipertensão. Este estudo buscou desenvolver e avaliar modelos de machine learning para predizer as categorias de GPG – abaixo, dentro ou acima das recomendações do Instituto de Medicina – utilizando uma coorte de mulheres grávidas de Araraquara, Brasil.

Os dados provêm da Coorte de Araraquara, que consiste em 1557 mulheres com idade gestacional de até 19 semanas, recrutadas nas Unidades Básicas de Saúde locais. As variáveis analisadas incluem aspectos socioeconômicos, demográficos, de estilo de vida, morbidades e fatores antropométricos.

Entre os algoritmos testados, o modelo LightGBM apresentou o melhor desempenho, com AUC-ROC de 0,79 para a classe “GPG dentro das recomendações”, 0,756 para classe “abaixo” e 0,624 para classe “acima”. Fatores significativos para a predição incluíram IMC pré-gestacional, idade materna, perfil glicêmico, níveis de hemoglobina e circunferência do braço.

Os modelos de machine learning mostraram-se eficazes na predição das categorias de GPG, oferecendo uma ferramenta importante para a identificação precoce de gestações em risco e para a implementação de intervenções personalizadas que promovam uma gravidez mais saudável.

Objetivos: Apresentar e comparar modelos existentes de nowcasting com uma versão modificada proposta, incluindo adaptação para mudanças no atraso de notificação ao longo do tempo. Métodos: Tomando como cenário a epidemia de dengue ocorrida em 2024 no Rio de Janeiro, aplicou-se de forma concomitante modelos consolidados de nowcasting para correção dos atrasos de notificação de Dengue e o novo modelo proposto. As adaptações se deram por mudanças nas estruturas temporais do modelo Bayesiano, incorporando termos de interação que permitem a variação do efeito do atraso de notificação ao longo do tempo, e adicionando um efeito de dia da semana. As estimações ao final de cada semana entre os modelos foram comparadas através da métrica RMSE. Resultados: Houve uma mudança significativa nos padrões do atraso de notificação ao longo dos anos de 2023 e 2024 no município do Rio, possivelmente devido a mudanças de estratégias na vigilância e a momentos distintos de atenção na epidemia, justificando a reestruturação do modelo. Por conta disso, o modelo padrão de nowcasting performou uma superestimação dos casos semanais durante a epidemia de Dengue, enquanto o modelo adaptado se adequou melhor nas estimações e capturas da mudança da curva epidêmica. Entre as semanas 9 - quando se implementou o modelo alternativo - e 19 de 2024 o RMSE para o modelo proposto foi 9,85 vezes menor.
Conclusões: Os resultados evidenciam o ganho ao realizar as adaptações propostas, resultando em estimações mais adequadas em um contexto de mudança de dinâmica da doença e de rotinas da vigilância.

Objetivos: Estimar a prevalência de dupla carga de má nutrição (DCMN) em cidades remotas e comunidades rurais da Amazônia brasileira, mediante modelos latentes Bayesianos. Métodos: Estudo transversal com crianças urbanas e rurais de 6-59 meses (n=585), considerou-se DCMN como a coexistência de desnutrição crônica e excesso de peso no mesmo indivíduo. Avaliamos quatro municípios dependentes de acesso fluvial e incluímos domicílios selecionados aleatoriamente em cada cidade e 60 comunidades ribeirinhas. Estimamos a dupla carga latente de má nutrição (DCLMN), intervalos de credibilidade (IC) e probabilidade de excedência de DCLMN. As análises foram efetuadas no programa Julia. Resultados: A prevalência de DCLMN foi maior nas áreas rurais de Jutaí (3,3%; IC:1,5-6,7) e Ipixuna (1,2%; IC:0,3-3,8) e na área urbana de Caapiranga (0,9%; IC:0,3-2,4) e abaixo de 2,0% nas demais áreas rurais e urbanas. A probabilidade da prevalência de DCLMN exceder 1,0% foi muito alta na zona rural de Jutaí (99,7%) e na zona rural de Ipixuna (63,2%), e muito baixa (<2%) nas outras subpopulações rurais. As probabilidades de excedência variaram amplamente entre as subpopulações urbanas, de 6,7% em Maués a 41,2% em Caapiranga. A probabilidade de excedência da prevalência da DCLMN ultrapassar 3,0% foi alta na zona rural de Jutaí (59,7%). Conclusões: Avaliamos satisfatoriamente desfecho de baixa prevalência em amostras relativamente pequenas, onde políticas de saúde pública tendem a concentrar-se na desnutrição. Nossa abordagem pode ajudar a obter estimativas mais precisas e apoiar a tomada de decisão em serviços de saúde pública, sobretudo em países de baixa e média renda.