Monografia Renata Stella 4f421j

Instituto Brasileiro de Geografia e Estatística Escola Nacional de Ciências Estatísticas

Fatores associados com a mortalidade por câncer do colo do útero, no Estado do Rio de Janeiro, no período de 2007 a 2009.

Renata da Cruz Pereira e Stella Cipriano Queiroz

Orientador: Cosme Marcelo Furtado os da Silva Co-orientadora: Karina Cardoso Meira

Rio de Janeiro, Julho de 2012.

Fatores associados à mortalidade por câncer do colo do útero, no Estado do Rio de Janeiro, no período de 2007 a 2009.

Renata da Cruz Pereira e Stella Cipriano Queiroz

Monografia apresentada à Escola Nacional de Ciências Estatísticas, como parte dos requisitos necessários à obtenção do grau de Bacharel em Estatística.

Orientador: Cosme Marcelo Furtado os da Silva Co-orientadora: Karina Cardoso Meira

Rio de Janeiro, Julho de 2012.

II

P436f Pereira, Renata da Cruz

Fatores associados à mortalidade por câncer do colo do útero, no Estado do Rio de Janeiro, no período de 2007 a 2009 / Renata da Cruz Pereira, Stella Cipriano Queiroz . – Rio de Janeiro, 2012. 72 f. Inclui referências, anexos e apêndice.

Orientador: Prof. Dr. Cosme Marcelo Furtado os da Silva. Coorientador: Prof. Dr. Karina Cardoso Meira. Monografia (Graduação em Ciências Estatísticas) – Escola Nacional de Ciências Estatísticas. 1. Estatística matemática. I. Queiroz, Stella Cipriano. II. Silva, Cosme Marcelo Furtado os da. III. Meira, Karina Cardoso. IV. Escola Nacional de Ciências Estatísticas (Brasil). IV. IBGE. V. Título. CDU: 519.2

III

Folha de Exame

Fatores associados com a mortalidade por câncer do colo do útero, no Estado do Rio de Janeiro, no período de 2007 a 2009.

Renata da Cruz Pereira e Stella Cipriano Queiroz

Monografia apresentada à Escola Nacional de Ciências Estatísticas, como parte dos requisitos necessários à obtenção do grau de Bacharel em Estatística.

Aprovada em______de_________________de 2012.

BANCA EXAMINADORA

Prof. Cosme Marcelo Furtado os da Silva Doutor em Engenharia Biomédica – COPPE / UFRJ

Prof.a Karina Cardoso Meira Mestre em Saúde Pública – ENSP / FIOCRUZ

Prof.a Renata Pacheco Nogueira Duarte Mestre em Estatística – USP / SP

IV

Aos nossos familiares, Com todo carinho Dedicamos.

V

AGRADECIMENTO (Renata)

Primeiramente a Deus, por mais uma conquista, pelos meus erros e acertos. A tudo, dai graças. Aos meus pais, Edson Pereira e Lindenalva Pereira, e minha irmã Roberta Pereira, pelo apoio nas minhas decisões, pelo o amor, carinho e paciência em todos os momentos, principalmente nas dificuldades. Obrigada pelo amor sem medidas, vocês são a razão da minha vida. Ao meu namorado e pai do meu bebê, Vinicius Flammarion, pela compreensão na minha ausência, devido às horas dedicadas aos estudos e por todo carinho dedicado a mim. O seu apoio foi fundamental para que eu pudesse ar tudo. Também dedico esta vitória a você. A todos da minha família que sempre torceram por mim e me ajudaram no que foi preciso. Aos meus amigos que de alguma maneira ajudaram para esta realização. Em especial à minha amiga Verônica, que foi fundamental na minha formação desde o ensino fundamental, onde estudamos juntas, até o apoio na faculdade. À minha amiga Sumaia, pela a paciência e horas dedicadas a mim e à minha irmã na época do vestibular, nas horas do choro por causa das provas e na compreensão da minha ausência. Su, você fez parte do início dessa jornada. Ao meu professor e orientador Cosme Marcelo, pela paciência, carinho, amizade, risadas e conversas na sala de aula e pela contribuição na minha formação profissional nas aulas de planejamento de experimentos e na orientação do trabalho final. À mestre em saúde pública Karina Meira, pela sua dedicação ao trabalho, pelos esclarecimentos das dúvidas, orientação e competência nas tomadas de decisão. À amiga e parceira de trabalho Stella, por sua compreensão, paciência, carinho e dedicação ao nosso trabalho, neste período de gravidez. Este trabalho só pode ser realizado por causa do seu desempenho, pois sozinha não conseguiria. Aos professores e funcionários da Escola Nacional de Ciências Estatística, em especial à professora Renata Duarte, pela paciência em me ouvir nos momentos difíceis da minha vida, e à tia Neuza, pelo seu carinho e atenção não só comigo, mas com todos os alunos.

VI

À amiga Lívia, por todas as dificuldades, desesperos e alegrias que amos juntas na ENCE. Hoje a vitória também é sua, pois lutamos por um sonho, conseguimos superar cada obstáculo e estamos colhendo bons frutos, cada uma no seu tempo. Não posso esquecer dos amigos Natalie, Bianca, Suelen, Thaís, Silvana, Monique, Fernanda, Samir, Vicente, Thallys e Érica, que também aram por esta luta e dificuldades na faculdade ao meu lado. Vocês foram fundamentais nesta minha trajetória na ENCE. Enfim a todos que de alguma forma contribuíram para este acontecimento.

VII

AGRADECIMENTO (Stella) Primeiramente, à Escola Nacional de Ciências Estatística pela boa qualidade do ensino disponibilizado para nós, alunos, e pela oportunidade de fazer parte do seu quadro discente.

Aos meus pais, André e Leda, pelo apoio nos momentos difíceis e nas minhas escolhas, principalmente pela paciência e carinho com que cuidaram de mim durante todos estes anos de estudo. Obrigada por não medirem esforços para me verem feliz e realizada neste momento. A todos os meus familiares, especialmente à minha querida Família Lucas, que de alguma maneira fez parte desta vitória mesmo estando tão longe, em outro estado. A torcida e o apoio de vocês foi fundamental para que eu pudesse ar todas as dificuldades. Aos meus amigos, todos eles. E são muitos. Obrigada pela compreensão na minha ausência devido às várias horas de estudo, e pela motivação de sempre. Sem vocês, teria sido mais fácil desistir. Um agradecimento especial aos amigos da época do colégio: Fernanda, Leticia, Matheus, Pedro, Paula, Clarissa, Elisa, Luciana, Henrique, Ivan e tantos outros. Muitos anos se aram e nós continuamos amigos. Esta amizade e todos os momentos de dificuldades, desesperos e alegrias que amos juntos foi muito importante na minha formação pessoal e profissional. Aos amigos de faculdade que sofreram, estudaram, apresentaram inúmeros trabalhos, choraram e sorriram junto comigo. Só vocês estiveram presentes em cada o dado e sabem melhor ainda o significado desta vitória. Agradeço especialmente aos amigos Pedro, Thiago, Daniela, Gisele e Ingrid pelos belos momentos que amos juntos durante a graduação. Ao professor e orientador Cosme Marcelo e à co-orientadora Karina Meira pela paciência e dedicação no auxílio à realização do sonho da graduação em estatística. Seu conhecimento foi fundamental para o desenvolvimento do estudo e não poderia ser ter sido realizado de maneira mais zelosa. Me sinto muito grata e honrada por ter trabalhado com vocês. À parceira de monografia e mamãe mais feliz do mundo, Renata, por todas as horas dedicadas a este trabalho. Sem sua dedicação, o sucesso deste desafio não teria sido o mesmo. Aos professores e funcionários da ENCE, pela dedicação e paciência em nos atender sempre que precisamos. Seu conhecimento também foi muito importante para que hoje possamos nos tornar bons estatísticos.

VIII

Por último, o meu eterno agradecimento à Família Rangel da Costa e à Família Pereira, as minhas famílias do coração. Vocês são tão vitoriosos quanto eu nesta jornada. A todos que não foram citados, mas que de alguma forma fizeram parte da minha vida acadêmica, minha eterna gratidão por participarem desta etapa tão importante, que está apenas se iniciando.

IX

Que os vossos esforços desafiem as impossibilidades, Lembrai-vos de que as grandes coisas do homem Foram conquistadas do que parecia impossível. Charles Chaplin

X

RESUMO

O objetivo deste trabalho foi analisar os fatores demográficos e socioeconômicos que estão associados com a mortalidade por câncer de útero no Estado do Rio de Janeiro, no período de 2007 a 2009. Trata-se de um estudo ecológico, utilizando como unidade geográfica os municípios do Estado do Rio de Janeiro. Os dados foram obtidos do Sistema de Informações sobre Mortalidade (SIM/DATASUS), do Instituto Brasileiro de Geografia e Estatística (IBGE) e da FIRJAN. As taxas de mortalidade foram calculadas utilizando o número total de óbitos da população feminina residente no período de 2007 a 2009, dividido pela a população feminina total estimada do ano de 2008. Foi construído um mapa com a distribuição espacial das taxas de mortalidade por 100.000 mulheres padronizadas pela população mundial. Testou-se a correlação espacial através dos índices de Moran e Geary e observou-se a sua inexistência. Testou-se também a normalidade das taxas de mortalidade, também inexistente. No processo de modelagem foram utilizados os modelos lineares generalizados. O número de casos de óbitos por câncer do colo do útero nos municípios seria modelado pela distribuição Poisson, mas com o indício de superdispersão dos dados, foi utilizada a distribuição Binomial Negativa. O processo resultou em quatro modelos, onde os critérios de escolha foram: verificação da colinearidade e dos coeficientes de correlação, parcimônia e comparação dos AIC. Finalmente, verificou-se que a melhor variável explicativa é o IFDM Saúde. Os municípios de Comendador Levy Gasparian, Macuco e Areal foram os que apresentaram as maiores taxas por 100.000 mulheres no período. E os que apresentaram menores taxas foram os municípios de Itatiaia, Tanguá e Porciúncula. Verificou-se maiores taxas de mortalidade nas mulheres brancas, idosas, sem companheiros e com baixo nível de escolaridade, permitindo uma melhor compreensão da doença e possibilitando um melhor direcionamento dos recursos.

XI

SUMÁRIO

1. Introdução.................................................................................................1 2. Revisão de literatura................................................................................4 2.1 – Transição epidemiológica do câncer............................................................ .............4 2.1.1 – Transição epidemiológica no Brasil......................................................................4 2.2 – Câncer do Colo do Útero...........................................................................................4 2.3 – A relação do HPV com o Câncer do Colo do Útero..................................................6 2.4 – Câncer do Colo do Útero no Rio de Janeiro...............................................................7 3. Objetivos...............................................................................................9 3.1 – Objetivo geral.............................................................................................................9 3.2 – Objetivos específicos..................................................................................................9 4. Materiais e Métodos...............................................................................10 4.1 – Delineamento do Estudo..........................................................................................10 4.2 – Fonte de dados e Variáveis do Estudo....................................................................10 4.3 – Análise dos Dados...................................................................................................12 4.3.1 – Analise Exploratória Espacial.............................................................................12 4.3.2 – Modelos de Regressão Espacial..........................................................................14 4.3.3 – Modelos Lineares Generalizados........................................................................14 5. Resultados...........................................................................................20 5.1 – Perfil da mortalidade por câncer de útero no Estado do Rio de Janeiro ................20 5.2 – Análise exploratória espacial da mortalidade por câncer do colo do útero no Estado do Rio de Janeiro.................................................................................................................23 5.3 – Modelagem..............................................................................................................26 5.4 – Escolha entre os modelos........................................................................................31 5.4.1 – Verificação de Colinearidade..............................................................................32 5.4.2 – Critérios de Informação de Akaike (AIC)...........................................................33 5.4.3 – Parcimônia...........................................................................................................33 5.4.4 – Problemas com o Modelo Escolhido...................................................................35

6. Considerações Finais............................................................................37 7. Referências...........................................................................................39

XII

LISTA DE QUADROS

Quadro 4.1: Variáveis utilizadas no estudo. Quadro 4.2: Distribuições importantes da família exponencial, com seus identificadores: distribuições Normal, Gama, Normal Inversa, Binomial, Poisson e Binomial Negativa.

XIII

LISTA DE TABELAS

Tabela 5.1: Distribuição etária dos casos de morte por câncer de útero, segundo faixa etária, no período de 2007 a 2009. Tabela 5.2: Distribuição dos óbitos e taxa de mortalidade (por 100.000 habitantes) segundo a faixa etária, no período de 2007 a 2009. Tabela 5.3: Distribuição dos óbitos segundo raça/cor, no período de 2007 a 2009. Tabela 5.4: Distribuição dos óbitos segundo situação conjugal, no período de 2007 a 2009. Tabela 5.5: Distribuição dos óbitos segundo escolaridade (anos de estudo concluídos), no período de 2007 a 2009. Tabela 5.6: Ranking das taxas de mortalidade por câncer do colo do útero, padronizadas pela população mundial (Segi, 1960), no período de 2007 a 2009. Tabela 5.7: Resultado dos testes de independência espacial das taxas de mortalidade. Tabela 5.8: Resultado do teste de normalidade de Shapiro-Wilk para as taxas de mortalidade. Tabela 5.9: Resultados da modelagem univariada com todas as variáveis do estudo. Tabela 5.10: Resultado da modelagem multivariada com variáveis selecionadas nos modelos univariados. Tabela 5.11: Resultado da modelagem multivariada com todas as variáveis do estudo. Tabela 5.12: Resultado da modelagem multivariada com variáveis selecionadas no modelo multivariado completo. Tabela 5.13: Resultado da verificação de colinearidade entre as variáveis dos dois modelos propostos. Tabela 5.14: Correlação entre as variáveis dos dois modelos propostos. Tabela 5.15: Resultados dos dois modelos univariados mais significativos. Tabela 5.16: População mundial proposta por Segi em 1960. Tabela 5.17: Códigos CID-10 para neoplasias malignas do útero.

XIV

LISTA DE FIGURAS

Figura 5.1: Distribuição espacial das taxas de mortalidade por 100.000 mulheres, padronizadas pela população mundial, no período de 2007 a 2009. Figura 5.2: Histograma da taxa de mortalidade por câncer do colo do útero no Estado do Rio de Janeiro, no período de 2007 a 2009. Figura 5.3: Resumo das variáveis componentes do IFDM por área de desenvolvimento. Figura 5.4: Distribuição espacial das variáveis significativas dos dois modelos propostos. Figura 5.5: Distribuição espacial do IFDM Saúde nos municípios do Estado do Rio de Janeiro, no período de 2007 a 2009.

XV

LISTA DE ABREVIATURAS E SIGLAS

CID-10: Classificação Estatística Internacional de Doenças e Problemas relacionados à saúde – 10a Revisão C53: CID 10 câncer do colo do útero C54: CID 10 câncer do corpo do útero C55: CID 10 câncer de útero de porção não especificada DATASUS: Departamento de Informática do SUS DST: Doenças Sexualmente Transmissíveis FIRJAN: Federação das Indústrias do Estado do Rio de Janeiro HPV: Human Papilloma Virus IBGE: Instituto Brasileiro de Geografia e Estatística IARC: Agência Internacional para a Pesquisa do Câncer INCA: Instituto Nacional de Câncer IFDM: Índice FIRJAN de Desenvolvimento Municipal NIC: Neoplasia Intraepitelial Cervical OMS: Organização Mundial de Saúde PAISM: Programa de Assistência Integral à Saúde da Mulher PIB: Produto Interno Bruto PNAD: Pesquisa Nacional por Amostra de Domicílios PNCCC: Programa Nacional de Controle do Câncer do Colo do Útero RCBP: Registros de Câncer de Base Populacional SIM: Sistema de Informação sobre Mortalidade SINASC: Sistema de Informação de Nascidos Vivos SUS: Sistema Único de Saúde VIF: Variance Inflation Factor

XVI

XVII

1 – Introdução A incidência e a mortalidade por câncer têm aumentado bastante nas últimas décadas. Com base nas estimativas Globocan de 2008 (ANEXO A), houve cerca de 12,7 milhões de casos de câncer e 7,6 milhões de mortes e, destes, 56% dos casos e 64% dos óbitos ocorreram nos países em desenvolvimento (Ahmedin Jemal et al., 2011). Neste cenário, o câncer do colo do útero foi responsável, em 2008, por 9% (529.800) dos casos e 8% (275.100) do total dos óbitos por câncer. Mais de 85% desses óbitos ocorreram em países em desenvolvimento, representando uma taxa de mortalidade de 9,8 óbitos por 100.000 mulheres, enquanto nos países desenvolvidos esse valor foi de 3,2 óbitos por 100.000 mulheres (Ahmedin Jemal et al., 2011). A urbanização, a industrialização e o aumento da expectativa de vida foram os principais fatores que contribuíram para o aumento da incidência das doenças crônicas degenerativas, entre elas o câncer, pelo fato destes fatores aumentarem a exposição dos seres humanos a agentes potencialmente cancerígenos (Risi e Nogueira, 2002). A distribuição dos tipos de câncer certamente resulta da exposição a fatores ambientais associados à industrialização, como agentes químicos, físicos e biológicos, e das condições de vida, que variam de intensidade em função das desigualdades sociais. Assim, ao mesmo tempo em que é nítido o aumento da prevalência de cânceres associados ao melhor nível socioeconômico – mama, próstata e cólon e reto –, temos também incidência elevada de tumores geralmente associados à pobreza – colo do útero, pênis, estômago e cavidade oral. No Brasil, a distribuição dos diferentes tipos de câncer evidencia uma transição epidemiológica em andamento. Com o recente envelhecimento da população, que projeta o crescimento exponencial da quantidade de idosos, torna-se possível identificar um aumento expressivo na prevalência do câncer. Isto demanda do Sistema Único de Saúde (SUS) um imenso esforço para a assistência adequada aos doentes. Esta perspectiva deixa clara a necessidade de grande investimento em projetos na área da saúde, em busca de modificar a situação atual de alta exposição aos fatores de risco para o câncer. Na população feminina, o câncer do colo do útero é a quarta causa de morte por neoplasias e, em algumas regiões mais pobres do país, assume a segunda posição (INCA, 2005). É o segundo tumor maligno mais frequente nas mulheres brasileiras quando se exclui o de pele não melanoma, sendo previsto um risco de 19 casos para cada 100.000

mulheres em 2008 (INCA, 2007). No mundo, as maiores taxas de mortalidade dessa enfermidade são encontradas na América Latina e em países do Caribe, África, Sudoeste da Ásia, enquanto as menores, na América do Norte, Austrália e norte e nordeste da Europa (WHO, 2003). Esta patologia tem uma característica singular: há longo tempo está disponível um exame de rastreamento, o Papanicolaou, capaz de detectá-la em fase incipiente e curável com medidas relativamente simples. A redução nas taxas de mortalidade por esta neoplasia, observada em países desenvolvidos desde a década de 60, é atribuída à introdução dessa prática. Mesmo assim, um estudo desenvolvido nos Estados Unidos identificou que mais da metade das mulheres com diagnóstico recente de câncer de colo de útero nunca realizaram o exame preventivo ou o realizaram há muito tempo (Kiney et al., 1998). Como na maior parte dos países da América Latina, o rastreamento citológico do câncer de colo de útero foi introduzido no Brasil ao final dos anos 50 e início dos 60, porém limitado ao contexto da prática clínica e não como iniciativa de saúde coletiva. Esta inclusão veio ocorrer em meados da década de 70, ampliando-se em 1983 com a criação do PAISM (Programa de Assistência Integral à Saúde da Mulher). Em 1988, o Ministério da Saúde ou a seguir a recomendação da Organização Mundial de Saúde (OMS) para a realização do teste a cada três anos em mulheres entre 25 e 60 anos de idade e, após, dois controles anuais consecutivos normais. Em 1996, o Ministério da Saúde em parceria com o Instituto Nacional de Câncer implantou o Programa “Viva Mulher” que envolvia algumas cidades brasileiras, tendo como população-alvo mulheres na faixa etária de 35 a 49 anos. Em 1998, esse programa foi estendido a todo o território brasileiro intitulado como Programa Nacional de Controle do Câncer do Colo do útero (PNCCC) (Teixeira et al., 2011). Após a implantação do PNCCC, intensificou-se a oferta e o o ao exame de rastreamento foi ampliado. Os dados das Pesquisas Nacionais por Amostra de Domicílios (PNAD) de 2003 e 2008 estimaram, respectivamente, uma cobertura de 68,7% e 84,5% do preventivo ginecológico entre mulheres com 25 anos ou mais (PNAD 2003; PNAD 2008). O aumento da cobertura desse exame de rastreamento promoveu queda nas taxas de mortalidade em nosso país. Contudo, as mesmas continuam altas quando comparadas

2

às taxas dos países desenvolvidos, onde se situam em torno de 5,0 óbitos por 100.000 mulheres. (Levi et al., 2000; Bosseti et al., 2005). Esta realidade pode, em parte, ser explicada pela presença de programas de rastreamento organizados, que priorizam a identificação e mobilização das mulheres de maior risco para o desenvolvimento da doença nesses países. Enquanto isso, no Brasil, o mesmo é realizado de maneira oportunística e desigual, permitindo que algumas mulheres realizem mais exames do que o necessário, enquanto outras nunca o realizam (Teixeira et al., 2011).

3

2 - Revisão de literatura 2.1 – Transição epidemiológica do câncer No século ado, o processo de industrialização conduziu uma crescente integração das economias e das sociedades de diversos países. Esta integração possibilitou uma significativa alteração no padrão de vida das pessoas, reduzindo as taxas de mortalidade e natalidade, aumentando a expectativa de vida e o envelhecimento populacional. Essa realidade promoveu modificação no processo saúde-doença das populações, diminuindo as taxas de mortalidade por doenças infecto-contagiosas e aumentando as taxas de mortalidade por doenças crônico-degenerativas, especialmente as doenças cardiovasculares e o câncer. Esta modificação é chamada de transição epidemiológica (Guerra et al., 2005).

2.1.1 – Transição epidemiológica do câncer no Brasil A distribuição epidemiológica do câncer no Brasil sugere uma transição em andamento, envolvendo um aumento entre os tipos de câncer normalmente associados a alto status sócio-econômico – câncer de mama, próstata e cólon e reto – e, simultaneamente, a presença de taxas de incidência persistentemente elevadas de tumores geralmente associados com a pobreza – câncer do colo do útero, pênis, estômago e cavidade oral. Esta distribuição certamente resulta de exposição a um grande número de diferentes fatores de risco ambientais relacionados ao processo de industrialização – agentes químicos, físicos e biológicos – e de exposição a outros fatores relacionados às disparidades socioeconômicas (Guerra et al., 2005).

2.2 – Câncer do Colo do Útero O exame de rastreamento para o câncer do colo do útero, baseado na análise de alterações citológicas cervicais, foi criado pelo o médico grego Geórgios Papanicolau em 1940 e tem o nome de Papanicolau. Por meio do esfregaço vaginal, este exame detecta alterações nas células. Este procedimento é utilizado em diversos países para obter o rastreamento populacional para identificação da doença. Com isso, a chance de cura torna-se maior.

4

Dos tumores malignos que atingem os órgãos genitais femininos, sem dúvida o câncer do colo do útero é o mais frequente. Por isso, o estudo epidemiológico desta patologia é de grande importância para a prática médica, e sua finalidade baseia-se na identificação dos fatores que mais se relacionam ao controle da doença, podendo-se estabelecer um grupo de risco, visando viabilizar o processo de detecção ou mesmo a prevenção primária. Estes fatores podem ser genéticos, ambientais, nutricionais, comportamentais, infecciosos e iatrogênicos (Medeiros, 2006). Desta forma, evidenciou-se em vários trabalhos a existência de fatores de risco para o câncer de colo uterino, como: a) Idade: o câncer de colo tem maior incidência a partir dos 25 anos e o risco cresce gradativamente até os 60 anos, quando tende a diminuir (Medeiros, 2006; Meira, 2009). b) Estado civil: estudos têm evidenciado maior incidência de câncer do colo do útero em mulheres solteiras, viúvas e divorciadas (Meira, 2009). c) Vida sexual: pacientes com vida sexual ativa e que tiveram início precoce de sua atividade sexual apresentam um maior risco, além de não usarem preservativos frequentemente (Medeiros, 2006). d) Paridade: a história obstétrica da paciente possui relevante papel na etiologia do câncer do colo uterino. Quando o primeiro parto se dá antes dos 20 anos, além de multiparidade e partos vaginais, há uma maior probabilidade do desenvolvimento de câncer (Medeiros, 2006). e) Promiscuidade sexual: a incidência do câncer do colo uterino é mais elevada entre as mulheres que exercem atividade sexual com múltiplos parceiros ou quando a mulher é monogâmica, porém o parceiro não o é (Medeiros, 2006). f) Doenças Sexualmente Transmissíveis (DST): o histórico de outras doenças sexualmente transmissíveis está diretamente relacionado com lesões malignas do colo uterino. O Papiloma Vírus Humano (HPV) é o que está mais associado, mas outros agentes como o Trichomonas vaginalis também têm mostrado a sua participação neste processo (Medeiros, 2006). g) Nível sócio-econômico: baixa condição socioeconômica contribui para uma maior incidência de câncer, estando relacionado à dificuldade de ar os serviços de saúde (Medeiros, 2006; Meira, 2009). No Brasil, o programa Viva Mulher foi criado em 1997 pelo Ministério da Saúde. Este programa tem como principal objetivo à redução da mortalidade feminina por este 5

tipo de câncer, possibilitando à mulher o diagnóstico mais precoce e um tratamento adequado através do o mais efetivo ao exame de Papanicolau (Pinho e Coutinho, 2007). Para esse tipo de câncer, são propostos os seguintes tratamentos: radioterapia, cirurgia, quimioterapia ou combinação dessas modalidades. A doença e os efeitos do seu tratamento trazem grandes mudanças na vida dessas mulheres, como: no seu bem-estar e na sua qualidade de vida (Fernandes et al., 2010).

2.3 – A relação do HPV com Câncer do Colo do Útero O papiloma vírus humano, mais conhecido como HPV é um dos principais responsáveis pela ocorrência do câncer do colo do útero. A partir da década de 60, houve um aumento no número de casos de mulheres infectadas pelo o vírus, coincidindo com o aumento da utilização de contraceptivos orais, diminuição da utilização de métodos de barreira e o avanço tecnológico para a detecção do vírus (Meira, 2009). A transmissão do vírus HPV se dá pela via sexual, e a infecção cura-se espontaneamente na maioria dos casos, ou seja, a persistência da infecção e a evolução para o câncer são raras (Boletim Brasileiro de Avaliação de Tecnologias em Saúde, 2011). Este vírus é o DST mais comum do mundo. Estima-se que 10% da população mundial sejam portadores do vírus e que 80% da população feminina entrarão em contato com o mesmo em algum momento da vida (Pinheiro, 2012). Existem mais de 150 subtipos deste vírus. Os HPV tipo 2 e tipo 4 estão associados a verrugas comuns de pele. Este tipo de infecção é normalmente contraído quando há lesões como cortes e arranhões, que permitem a invasão do vírus dentro do organismo. A transmissão é de pele para pele (Pinheiro, 2012). Os HPV tipo 6 e tipo 11 são os responsáveis pela a formação de verrugas genitais, conhecidas popularmente como crista de galo. São lesões esteticamente inconvenientes, mas com baixo risco de malignização (Pinheiro, 2012). Os subtipos mais comuns associados ao câncer do colo do útero são os HPV-16 e HPV-18. Estes não costumam apresentar sintomas, como as verrugas genitais visíveis. O tipo 16 é responsável por 50 a 60% dos casos carcinoma invasor no mundo, e o tipo 18 por

6

10 a 15%. Sua detecção é feita através do exame papanicolau (Meira, 2009; Pinheiro, 2012). A neoplasia intraepitelial cervical (NIC) é a lesão pré-maligna identificada no exame de Papanicolaou. A NIC não é um câncer, mas é uma lesão do tecido do colo uterino com alto risco de se transformar em câncer. As neoplasias intraepiteliais cervicais são dividas em 3 grupos, em ordem crescente de risco de transformação maligna: NIC 1, NIC 2 e NIC 3. Esta divisão depende de fatores como tamanho e local da lesão, e do subtipo tipo de HPV detectado (Pinheiro, 2012). Cerca de 60% das mulheres têm uma regressão espontânea quando apresentam lesão de baixo grau de NIC 1. Aquelas que apresentam lesão persistente são 30%, e as demais, apenas 10%, evoluirão para displasia de alto grau, NIC 3, sendo a progressão para o câncer menor do que 1%. Estudos também têm demonstrado que o tabagismo, idade precoce da atividade sexual, número de gestações e partos, números de parceiros e comportamento sexual do parceiro são outros fatores que contribuem para a progressão de lesões precursoras e do câncer (Meira, 2009). O intervalo entre a infecção por HPV e a progressão maligna é maior que 10 anos. A incidência da doença começa aumentar a partir dos 25 anos (Meira, 2009). Atualmente existem duas vacinas de prevenção contra o HPV: uma inclui os subtipos 6, 11, os mais prevalentes no Brasil e no mundo, e a outra os subtipos 16 e 18. Há fortes evidências de que ambas são seguras e eficazes na prevenção da infecção pelos subtipos incluídos em suas formulações. Entretanto, esta eficácia é reduzida quando a mulher já teve contato com o vírus antes de tomar a vacina. Logo, a vacinação não elimina a necessidade do exame preventivo anual, já que não exclui em totalmente o risco de câncer (Pinheiro, 2012).

2.4 – Câncer do Colo do Útero no Rio de Janeiro As estimativas de incidência de câncer no Brasil para o ano de 2010 indicaram um risco de 19 casos de câncer do colo do útero para cada 100.000 mulheres, sendo previstos 2.120 casos no estado do Rio de Janeiro e 860 casos no município do Rio de Janeiro (INCA, 2007). Dentre as mortes por neoplasias no Estado do Rio de Janeiro, o câncer de mama tem taxa de mortalidade de 25 mulheres por 100.000 mulheres, sendo maior que a taxa de mortalidade nacional. Também foi o mais incidente no município com taxas de 139,79 7

casos por 100.000 em 2003. O câncer de colo de útero apresentou uma taxa de incidência de 94,15 para cada 100.000 mulheres em 2003 (Secretaria de Gestão Participativa, 2005). A variação anual da mortalidade por câncer do colo do útero no Estado do Rio de Janeiro foi de 1,01% de 1979 a 1985, 0,93% de 1986 a 1992 e 2,64% de 1993 a 1999. Vale ressaltar que grande parte do aumento nas taxas de mortalidade se deve à melhoria da qualidade da informação da declaração de óbito e diminuição na taxa de óbitos por câncer de útero de porção não especificada (INCA, 2002).

8

3 – Objetivo 3.1– Objetivo geral  Analisar os fatores demográficos e socioeconômicos que estão associados à mortalidade por câncer de útero no Estado do Rio de Janeiro, no período 20072009.

3.2– Objetivos específicos  Descrever o perfil da mortalidade por câncer de útero na população feminina residente no Estado do Rio de Janeiro, no período de 2007 a 2009.  Verificar a existência de padrão espacial na mortalidade por câncer de colo de útero, nos 92 municípios do Estado do Rio de Janeiro, no período de 2007 a 2009.  Identificar os principais fatores demográficos e socioeconômicos relacionados à mortalidade por câncer do colo de útero nos municípios do Estado do Rio de Janeiro, no período 2007-2009.  Descrever os municípios do Estado do Rio de Janeiro que apresentaram as maiores taxas de mortalidade por câncer do colo do útero, no período de 2007 a 2009.

9

4 – Materiais e Métodos 4.1 – Delineamento do Estudo Trata-se de um estudo ecológico utilizando como unidade geográfica os municípios do Estado do Rio de Janeiro. Procuramos analisar características desta população relacionando a ocorrência de óbitos por câncer do colo do útero com o espaço, tentando identificar fatores que possam estar envolvidos diretamente nessa relação. As taxas de mortalidade foram calculadas por município, utilizando o número total de óbitos da população feminina residente com idade maior que 20 anos, no período de 2007 a 2009, dividido pela a população feminina com idade maior que 20 anos estimada no ano de 2008, extraída do Instituto Brasileiro de Geografia e Estatística (IBGE). Foram utilizadas as seguintes faixas etárias: 20-29, 30-39, 40-49, 50-59, 60-69 e 70 ou mais. Quando desejamos comparar diferentes populações, ou mesmo períodos distintos para uma mesma população, é preciso considerar as diferentes estruturas etárias populacionais. A padronização das taxas de mortalidade permite eliminar ou minimizar o efeito destas diferenças entre populações ou períodos, para que as diferenças geográficas ou temporais não sejam atribuídas às diferenças na estrutura etária. Assim, também foram calculadas as taxas de mortalidade padronizadas pela população mundial (ANEXO B), por idade, para efeito de comparação.

4.2 – Fonte de Dados e Variáveis do Estudo Os dados sobre os óbitos por câncer do colo do útero foram obtidos do Sistema de Informações sobre Mortalidade (SIM/DATASUS), e os dados socioeconômicos e demográficos dos municípios do Estado do Rio de Janeiro foram extraídos dos sites do Instituto Brasileiro de Geografia e Estatística (IBGE) e da Federação das Indústrias do Estado do Rio de Janeiro (FIRJAN). Foram considerados como óbitos válidos para o estudo os registros dos grupos C53 (câncer de colo de útero) e C55 (câncer de útero de porção não especificada), extraídos do capítulo II da CID-10 (Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde, 10ª Edição de Novembro de 2006) (ANEXO C), e que apresentaram como município de residência qualquer um dos 92 municípios do Estado do Rio de Janeiro. Foram excluídos os registros que apresentaram as características abaixo:

10

 Não possuíam a informação do município de residência;  Tinham idade ignorada ou menor que 20 anos.

Estudos anteriores nos mostraram que as variáveis demográficas e as que expressam desigualdade social são potencialmente explicativas da ocorrência de óbitos por câncer. Desta forma, o quadro abaixo apresenta as variáveis independentes utilizadas neste estudo.

Quadro 4.1: Variáveis utilizadas no estudo. Variáveis

Descrição

Variáveis

CODMUN

Código do município

PROP_ABAST

NOMMUN

Nome do município

PROP_LIXO

POP_TOTAL CASOS POP_FEM

População total - população no ano de 2008 para cada município Casos - número de óbitos acontecidos em cada município População feminina - população feminina maior de 20 anos no ano de 2008 em cada município

PROP_SUPERIOR

Descrição Proporção de domicílios com abastecimento de água Proporção de domicílios com coleta de lixo Proporção de pessoas acima de 10 anos de idade com ensino superior

EXP_VIDA

Expectativa de vida

DENSIDADE

Densidade demográfica - habitantes/ km² Proporção de domicílios que possuem energia elétrica com medidor do consumo de energia elétrica Produto Interno Bruto per capita do ano de 2008 Proporção de pessoas acima de 10 anos de idade com renda abaixo de 1/2 salário mínimo

TAXA_BRUTA

Taxa bruta de mortalidade no período: CASOS/ POP_FEM

PROP_ENERGIA

TAXA_PAD

Taxa média de mortalidade no período padronizada pela população mundial

PIB_PERCAPITA

IFDM_T

Índice FIRJAN de Desenvolvimento Municipal Total (ANEXO D)

PROP_RENDA

IFDM_EMP_REND

Índice FIRJAN de Desenvolvimento Municipal para Emprego e Renda (ANEXO D)

PROP_SANEA

Proporção de domicílios com saneamento inadequado

IFDM_EDU

Índice FIRJAN de Desenvolvimento Municipal para Educação (ANEXO D)

PROP_DESOCUP

Proporção de pessoas acima de 10 anos de idade economicamente ativas desocupadas

IFDM_S

Índice FIRJAN de Desenvolvimento Municipal para Saúde (ANEXO D)

PROP_INSTRUCAO

Proporção de pessoas acima de 10 anos de idade sem instrução e ensino fundamental incompleto

PROP_NEGROS

Proporção de negros na população

PROP_70ANOS

Proporção de mulheres acima de 70 anos

PROP_ESGOTO

Proporção de domicílios com rede de esgoto

Fonte: SIM-DataSUS/IBGE/FIRJAN

11

Além disso, as variáveis idade (agrupada por faixas etárias), estado civil, raça e escolaridade, contidas no banco de dados do SIM, foram analisadas com o objetivo de conhecer o perfil da mortalidade por câncer de útero nas mulheres do Estado do Rio de Janeiro. O banco de dados resultante do procedimento descrito foi transferido para o programa estatístico R, versão 2.15.0, no qual se realizou toda a análise estatística com o auxílio das bibliotecas rJava, xlsx, sp, foreign, rgeos, maptools, spdep, spatstat, RColorBrewer, car e MASS.

4.3 – Análise dos Dados 4.3.1 – Análise Exploratória Espacial Como os dados são localizados no espaço, podemos considerar que, possivelmente, seu arranjo espacial é de grande importância na análise. A forma usual de apresentação de dados agregados por áreas é o uso de mapas com polígonos em cores com o padrão espacial do fenômeno (Câmara et al., 2004). O objetivo da análise exploratória espacial é avaliar a presença de valores extremos no mapa de uma maneira mais simples e intuitiva. Pode-se usar diferentes pontos de corte (percentis e desvio padrão), e cada um deles permite a visualização de diferentes aspectos. Em sua aplicação são utilizadas técnicas matemáticas, estatísticas e computacionais para o tratamento das informações. Podemos considerar a existência de um processo estocástico Zi, i = 1,..., n, onde Zi é a realização do processo espacial na área i e n é o total de áreas Ai. Queremos construir uma aproximação para a distribuição conjunta de variáveis aleatórias Zi,..., Zn, estimando sua distribuição (Câmara et al., 2004). Um processo é considerado estacionário se os efeitos de 1a ordem (média do processo no espaço) e de 2a ordem (covariância entre as áreas) são constantes em toda a região estudada, ou seja, não há tendência. Ou ainda, um processo é isotrópico se a covariância depender somente da distância entre os pontos e não da direção entre eles (Meira, 2009). Uma análise de autocorrelação espacial também é importante para identificar a estrutura de correlação espacial que melhor descreva os dados. Para isso, as ferramentas mais utilizadas são o índice global de Moran e o índice de Geary. Tais indicadores são

12

construídos a partir do cálculo da matriz de vizinhança e da definição de vizinhança adotada na análise. Dado um conjunto de n áreas {A1,..., An}, construímos a matriz de vizinhança W(1), n x n, onde cada um dos elementos wij representa uma medida de proximidade entre Ai e Aj. Esta medida pode ser calculada a partir de três critérios: da distância entre os centróides, do lado comum e do comprimento da fronteira (Câmara et al., 2004). No presente trabalho, o critério utilizado foi o de fronteira com lado comum, ou seja, se dois municípios quaisquer fizerem fronteira um com o outro, serão considerados municípios vizinhos. Assim, wij = 1 se Ai compartilha um lado comum com Aj, ou wij = 0 caso contrário. Os índices I de Moran e C de Geary são dados pelas seguintes expressões: a) I de Moran:

n

I



n



n wij z i  z z j  z



i 1 j 1



 n n  n   wij  z i  z    i 1 j 1  i 1



2

O índice global de Moran é a expressão da autocorrelação espacial considerando apenas o primeiro vizinho. Ele realiza o teste cuja hipótese nula é de independência espacial. Sua interpretação é semelhante à interpretação de um coeficiente de correlação comum: quanto mais próximo de 0, indica falta de associação espacial; e para valores próximos de 1, indica forte associação (Silva, 2006).

b) C de Geary:

n  1 wij z i  z j 2 n

C

n

i 1 j 1

n

 i 1

n

n

j 1

i 1

 wij  zi

2

13

O índice de Geary difere do de Moran por utilizar a diferença entre os pares. Sua interpretação é feita de maneira oposta: quanto mais próximo de 1, há indícios de que não existe associação espacial; e quanto mais próximo de 0 mais forte é a associação entre localidades vizinhas (Silva, 2006).

4.3.2 – Modelos de Regressão Espacial O processo de modelagem consiste na busca de um modelo, o mais simples possível, que descreva bem os dados observados. Um modelo de regressão é uma ferramenta estatística que utiliza o relacionamento existente entre duas ou mais variáveis de maneira que uma delas possa ser descrita ou o seu valor possa ser estimado a partir das demais. A análise de regressão em dados espaciais incorpora na modelagem a dependência espacial entre os dados, melhorando a capacidade do modelo em fazer predições (Câmara et al., 2004). Tipicamente, procura-se alcançar dois objetivos: (a) encontrar um bom ajuste entre os valores preditos pelo modelo e os valores observados da variável dependente; (b) descobrir quais das variáveis explicativas contribuem de forma significativa para este relacionamento linear. Para tanto, pressupõe-se que as observações são nãocorrelacionadas, e, consequentemente, que os resíduos do modelo também são independentes e não-correlacionados com a variável dependente, tem variância constante, e apresentam distribuição normal com média zero (Câmara et al., 2004). No entanto, no caso de dados espaciais, é muito pouco provável que a hipótese padrão seja verdadeira. Caso a distribuição da variável dependente não seja normal, os modelos espaciais se tornam enviesados e não devem ser utilizados. Uma solução para este caso é a utilização dos modelos lineares generalizados, pois estes não necessitam seguir o pressuposto de normalidade. Tal fato pode ser observado com a construção do histograma da variável dependente e também testado através de um teste de normalidade, como o de Shapiro–Wilk, por exemplo (Bailey e Gatrell, 1995).

4.3.3 – Modelos Lineares Generalizados Os modelos lineares generalizados são uma extensão dos modelos lineares clássicos, ou seja, unificam as teorias para os diversos tipos de variável resposta, sejam

14

elas do tipo categóricas, discretas ou contínuas (McCullagh & Nelder, 1989). Este tipo de modelagem é utilizado, principalmente, quando um ou mais pressupostos dos modelos de regressão linear clássicos não são satisfeitos. Além disso, iti-se que as variáveis respostas possuam distribuição diferente da Normal e que sua média se expresse como diferentes funções de covariáveis e de seus respectivos coeficientes (Silva, 2006). No processo de modelagem, considera-se que o comportamento da variável resposta pode ser representado por dois componentes: um componente sistemático e um componente aleatório. O primeiro se refere à variável resposta, cuja distribuição deve pertencer à família Exponencial, e o segundo é referente às variáveis explicativas, que compõem um modelo linear (Kotz & Johnson, 1983). O elo entre as duas partes é feito através de uma função denominada função de ligação. Dado um vetor aleatório Y = {Y1,..., Yn}, das variáveis resposta, consideramos que sua distribuição pertence à família Exponencial se sua função de distribuição puder ser escrita da seguinte forma:

 1  y i i  bi   cy i ;  f y i ; ,   exp   a i   As funções ai(.), bi(.) e ci(.) são funções conhecidas, e θi é chamado de parâmetro canônico. Além disso, E(Yi) = μi = b’i(θi) e Var (Yi) = ai(ϕ) bi’’(θi), onde b’ e b’’ representam, respectivamente, a primeira e a segunda derivadas. Se ϕ é conhecido, então temos um modelo com a variável resposta pertecente à família exponencial (Meira, 2009). As variáveis que compõem a parte sistemática formam uma combinação linear, dando origem a um preditor linear da forma:

 i  Xi  onde Xi é a matriz de covariáveis e β é o vetor de parâmetros desconhecidos a serem estimados. A função de ligação g(.) é uma função conhecida e diferenciável, que tem o objetivo de relacionar o componente aleatório μi e o componente sistemático ɳi, ou seja, relaciona a média ao preditor linear:

15

g i   i  Xi Se a função de ligação é g(μi) = θi, então o preditor linear modela diretamente o parâmetro canônico. Assim, a função de ligação pode ser obtida, diretamente, da distribuição de probabilidade escrita na forma da família exponencial (Silva, 2006; Dobson, 1983). O quadro abaixo mostra as principais distribuições da família exponencial usadas em modelos lineares generalizados:

Quadro 4.2: Distribuições importantes da família exponencial, com seus identificadores: distribuições Normal, Gama, Normal Inversa, Binomial, Poisson e Binomial Negativa.

Distribuição

a 

Normal



N ,  2



Gama



2

Normal Inversa



IG ,  2



2





1  y2    ln 2 2 2   2

 

1 

 ln  

 ln y  ln y  ln  

1

  21 2

1 1   ln 2 2 y 3   2   2 y 

2 2



1

ln 

e

1

    ln  k

 k ln 1  e 







m ln 1  e 

Binomial Negativa

BinNeg, k 

2 2

   ln   1  

Poisson

P 



cy; 

1

Binomial

Bm, 

b



 1

G,  





m ln   y  ln y!



 k  y  ln    k y! 

Geralmente, quando a variável resposta é uma contagem de casos, é indicado utilizar os modelos generalizados de Poisson. Quando a variável resposta é do tipo

16

Poisson, a função de ligação canônica é a logarítmica, ou seja, g(μ) = η = log (μ). O modelo é definido como:

Y~Poisson

 i  Xi  g ( i )  log(  i )  X i

 i  exp( X i ) A distribuição de Poisson também pode ser utilizada para estimar taxas. Por exemplo, a taxa de mortalidade é definida por T = n/p, onde n é o número de óbitos e p é a população em risco. Neste caso temos o seguinte modelo:

log( n / p)  X i log( n)  log( p)  X i log( n)  log( p)  X i

Dessa forma, modelamos a taxa levando em conta a população e a contagem de casos. A parcela do modelo apresentada como log(p) é denomidada “Offset”, pois seu coeficiente não é estimado (McCullagh & Nelder, 1989). Na distribuição de Poisson, a média é igual à variância, ou seja, E[Y] = VAR[Y]. Porém, é muito difícil que essa característica seja encontrada na prática. Logo, quando ocorre da variância ser maior que a média, isto é, VAR[Y] > E[Y], temos um indício de superdispersão, e devemos então assumir que precisamos encontrar outra forma de ajustar os dados, por exemplo, utilizando a distribuição Binomial Negativa, que inclui um termo de erro ao modelo, conforme abaixo (McCullagh & Nelder, 1989). Além disso, o excesso de zeros também pode fazer com que exista superdispersão nos dados, sendo necessário aplicar os modelos para dados de contagem inflacionados de zero, como o modelo de Binomial Negativa Inflacionada de Zeros (Montoya, 2009).

Y~Binomial Negativa

g ( i )  log(  i )  X i   i ,  i ~ Ga( , )

17

E[Y ]   e Var[Y ]   

2 

A estimação dos parâmetros do vetor ˆ pode ser realizada utilizando, dentre outros métodos, o método da Máxima Verossimilhança. Essas estimativas são obtidas através do método iterativo de Newton-Raphson, ou do método de escore de Fisher, ou do método de mínimos quadrados ponderados. (Silva, 2006; Dobson, 1983). Um número muito grande de variáveis explicativas, embora possa descrever muito bem os dados, implica também na complexidade da interpretação. Por outro lado, um número muito pequeno pode não ser suficiente para descrever bem os dados, embora possua fácil interpretação. No ajuste de um modelo linear generalizado queremos encontrar uma estrutura de análise que possibilite identificar o modelo, estimar os parâmetros, avaliar o seu ajuste e avaliar a sua adequação. Portanto, dentre os possíveis modelos encontrados, devemos encontrar a estrutura que possa representar o mais próximo possível a realidade dos dados (Silva, 2006). Para escolha entre modelos, deve-se levar em consideração se os modelos candidatos são aninhados, ou seja, dado um modelo Mq (modelo com q parâmetros) e outro modelo Mm (modelo com m parâmetros), temos Mm ⊂ Mq, logo, m < q. Neste caso o procedimento utilizado para a escolha é a análise de deviance (McCullagh & Nelder , 1989). A análise de Deviance testa, sob H0, a hipótese de que o modelo mais simples, Mm, é melhor. Sejam Dm e Dq as medidas de discrepância dos modelos Mm e Mq, respectivamente, denominadas “deviances”. Esta é uma medida da distância dos valores ajustados ˆ i em relação aos dados observados yi (Silva, 2006; Dobson, 1983). Assim, encontramos a seguinte estatística de teste, onde ϕ é o parâmetro de dispersão:

W

Dm  Dq



~  q2 m

2 A regra de decisão é: se W >  q m tabelado, então rejeita-se a hipótese nula de que

o menor modelo é o melhor. Já para os modelos que não são aninhados, isto é, Mm ⊄ Mq, a seleção do melhor modelo se dá pelo uso do Critério de Informação de Akaike (AIC). Neste critério, há um viés no log da função de verossimilhança dado assintoticamente pelo número de

18

parâmetros do modelo. Desta maneira, AIC = - 2 log L + 2p, sendo log L o log da função de verossimilhança e p o número de parâmetros do modelo. Usamos para o critério de AIC a regra de que quanto menor o valor do AIC, melhor o modelo (McCullagh & Nelder, 1989). Para avaliar a adequação do modelo, utilizamos também a deviance, onde o teste tem a hipótese nula de que o modelo está adequado aos dados. A estatística de teste tem a seguinte forma:

W

D



~  n2 p

2 A hipótese nula é rejeitada se verificamos W >  n p tabelado. (McCullagh &

Nelder, 1989). O processo de modelagem é uma aproximação que consiste basicamente em representar a realidade de forma simplificada. Este processo envolve suposições a respeito da variável resposta e da sua relação com as variáveis explicativas. Logo, na escolha das variáveis que serão inicialmente utilizadas no modelo, devem ser consideradas somente aquelas que possuem alguma ligação lógica com o problema em questão, ou seja, as variáveis devem ser escolhidas de acordo com a sua relevância para estudo. Além disso, deve-se tomar cuidado na inclusão de variáveis que apresentem autocorrelação serial ou dependência entre si, para evitar problemas na hora de escolha do melhor modelo (Silva, 2006). Este aspecto pode ser visto na verificação da multicolinearidade, que consiste em investigar se alguma das variáveis independentes pode ser escrita como combinação linear de outra. Deve-se também atentar para os casos onde possivelmente exista estrutura espacial na variável resposta. Neste caso, ao utilizar modelagem linear generalizada, faz-se o gráfico dos resíduos no mapa para ver se existe algum padrão espacial. É indicado também realizar o teste de Moran sobre os resíduos e avaliar a existência de estrutura espacial (Carvalho & Bivand, 2003).

19

5 – Resultados 5.1 – Perfil da mortalidade por câncer de útero no Estado do Rio de Janeiro. No período 2007 a 2009, ocorreram 164.728 óbitos em mulheres com idade acima de 20 anos residentes no Estado do Rio de Janeiro, sendo 2.199 por câncer de útero, tendo uma representatividade de 1,3% nas mortes femininas do período. Destes, foram excluídos 9 registros que não possuíam informação sobre o município de residência e 2 registros com idade ignorada ou menor que 20 anos, restando 2188 registros. Dos óbitos válidos para o estudo, 1536 (70,2%) foram por câncer do colo do útero e 652 (29,8%) por câncer do útero de porção não especificada (Tabela 5.1). Observa-se o aumento progressivo por faixa etária na proporção de óbitos por câncer do colo do útero de porção não especificada. A partir dos 50 anos, 80,8% das mulheres estão nesta classificação.

Tabela 5.1: Distribuição etária dos casos de morte por câncer de útero, segundo faixa etária, no período de 2007 a 2009. Faixa Etária (%) Causa Básica do Óbito 20-29 30-39 40-49 50-59 60-69 70 ou mais Total 32 172 348 343 297 344 1536 Câncer do Colo do Útero (2,1%) (11,2%) (22,7%) (22,3%) (19,3%) (22,4%) (70,2%) 9 19 97 135 149 243 652 Câncer do Útero de porção não especificada (1,4%) (2,9%) (14,9%) (20,7%) (22,9%) (37,3%) (29,8%) 41 191 445 478 446 587 2188 Total (1,9%) (8,7%) (20,3%) (21,8%) (20,4%) (26,8%) (100,0%) Fonte: SIM-DataSUS

Considerando o total das duas classificações, a faixa etária mais atingida foi a de 70 anos ou mais, que somou 587 mortes (26,8%), seguida pela faixa de 50 a 59 anos, com 478 casos (21,8%). Analisando as taxas de mortalidade, observou-se maior risco de mortalidade por essa neoplasia nas mulheres mais velhas (Tabela 5.2). Estes dados mostram que as mulheres com idades avançadas são as principais vítimas do câncer do colo do útero, que raramente atinge mulheres com menos de 30 anos. Esta questão está relacionada ao aumento da expectativa de vida das populações, obesidade, hipertensão,

20

menor paridade, mudança de estilo de vida, sedentarismo, modernização e estresse (Meira, 2009). Tabela 5.2: Distribuição dos óbitos e taxa de mortalidade (por 100.000 habitantes) segundo a faixa etária, no período de 2007 a 2009. Taxas de Mortalidade por 100.000 hab. por faixa etária 20-29 30-39 40-49 50-59 60-69 70 ou mais Número de casos 41 191 445 478 446 587 Taxa de mortalidade 3,03 15,20 37,87 50,94 77,21 104,06

Total 2188 37,31

Fonte: SIM-DataSUS/ IBGE

Foi verificado que as mulheres brancas são mais atingidas por esta doença, representando 54,8% dos casos (Tabela 5.3). As mulheres de cor parda são as segundas mais atingidas, com 27,9% dos registros, seguidas das mulheres negras com 17,0%. Mulheres amarelas ou indígenas raramente morrem por esta patologia. Tabela 5.3: Distribuição dos óbitos segundo raça/cor, no período de 2007 a 2009.

Causa Básica do Óbito Câncer do Colo do Útero Câncer do Útero de porção não especificada Total

Branca 804 (53,9%) 361 (57,0%) 1165

Raça/ Cor (%) Preta Parda 244 440 (16,3%) (29,5%) 118 153 (18,6%) (24,2%) 362 593

(54,8%)

(17,0%)

(27,9%)

Amarela Indígena Total 2 3 1493 (0,1%) (0,2%) (70,2%) 1 0 633 (0,2%) (0,0%) (29,8%) 3 3 2126 (0,1%)

(0,1%)

(100,0%)

* 62 registros (2,8%) foram excluídos por apresentar informação da cor da pele vazia ou ignorada, sendo 43 casos de câncer do colo do útero e 19 casos de cancer do útero de porção não especificada. Fonte: SIM-DataSUS

Analisando a situação conjugal, vimos que a maior parte das mortes acontece em mulheres solteiras, representando 37,1% dos casos (Tabela 5.4). Ou ainda, podemos dizer que as mulheres sem companheiro (solteiras, viúvas ou separadas judicialmente) são grande maioria. Na análise desagregada, os números indicam maior risco de mortalidade por câncer do colo do útero nas mulheres solteiras (40,1%), enquanto por câncer do útero de porção não especificada o maior risco está nas mulheres viúvas (34,5%).

21

Tabela 5.4: Distribuição dos óbitos segundo situação conjugal, no período de 2007 a 2009. Situação Conjugal (%) Causa Básica do Óbito

Casada

Câncer do Colo do Útero

438 (28,9%) 192 (29,8%) 630 (29,1%)

Câncer do Útero de porção não especificada Total

Separadas Solteira Judicialmente 105 (6,9%) 36 (5,6%) 141 (6,5%)

609 (40,1%) 194 (30,1%) 803 (37,1%)

Viúva

Total

366 (24,1%) 222 (34,5%) 588 (27,2%)

1518 (70,2%) 644 (29,8%) 2162 (100,0%)

* 26 registros (1,2%) foram excluídos por apresentar informação da cor da pele vazia ou ignorada, sendo 18 casos de câncer do colo do útero e 8 casos de cancer do útero de porção não especificada. Fonte: SIM-DataSUS

Em relação ao nível de escolaridade (Tabela 5.5) houve mais casos de mortalidade por câncer do colo do útero em mulheres com 4 a 7 anos de estudo (40,5%) e menor mortalidade nas mulheres com 12 anos ou mais (6,5%). Já o câncer de útero de porção não especificada apresentou maior mortalidade nas mulheres com até 3 anos de estudo (40,4%) e menor também nas mulheres com 12 anos ou mais (9,3%). Tabela 5.5: Distribuição dos óbitos segundo escolaridade (anos de estudo concluídos), no período de 2007 a 2009. Escolaridade - Anos de estudo concluídos (%) Causa Básica do Óbito

Nenhuma

1a3 anos

4a7 anos

8 a 11 anos

12 ou mais

Total

Câncer do Colo do Útero

167

338

532

190

86

1313

(12,7%)

(25,7%)

(40,5%)

(14,5%)

(6,5%)

(71,8%)

66

142

171

88

48

515

(12,8%)

(27,6%)

(33,2%)

(17,1%)

(9,3%)

(28,2%)

233

480

703

278

134

1828

(12,7%)

(26,3%)

(38,5%)

(15,2%)

(7,3%)

(100,0%)

Câncer do Útero de porção não especificada Total

* 360 registros (16,5%) foram excluídos por apresentar informação da cor da pele vazia ou ignorada, sendo 223 casos de câncer do colo do útero e 137 casos de cancer do útero de porção não especificada. Fonte: SIM-DataSUS

22

5.2 – Análise exploratória espacial da mortalidade por câncer do colo do útero no Estado do Rio de Janeiro. Foram feitas análises exploratória e descritiva dos dados e análises exploratórias de dados espaciais, a fim de se observar o comportamento das taxas de mortalidade no espaço. Para isso, foram utilizados mapas sombreados para detecção de possíveis municípios com excesso do agravo em estudo. A taxa padronizada de mortalidade por câncer do colo do útero é de 35,02 por 100.000 mulheres no Estado do Rio de Janeiro no período. Podemos ver na Tabela 5.6 que existem 49 municípios com taxas acima da taxa estadual. Os municípios de Comendador Levy Gasparian (156,46), Macuco (145,48) e Areal (94,26) apresentaram as maiores taxas por 100.000 mulheres no período. As menores taxas ocorreram nos municípios de Itatiaia (7,99), Tanguá (9,73) e Porciúncula (10,18).

Tabela 5.6: Ranking das taxas de mortalidade por câncer do colo do útero, padronizadas pela população mundial (Segi, 1960), no período de 2007 a 2009.

23

Município

Taxas de mortalidade padronizadas

Município

Taxas de mortalidade padronizadas

Comendador Levy Gasparian

156,46

Nova Friburgo

36,00

Macuco

145,48

Macaé

35,18

Areal

94,26

Nilópolis

35,08

Conceição de Macabu

74,99

Resende

34,05

Paraty

74,37

Niterói

33,77

Cardoso Moreira

74,22

Iguaba Grande

33,32

Piraí

67,85

Seropédica

32,61

Duas Barras

64,79

Cabo Frio

32,42

Cordeiro

63,62

Mesquita

31,87

Cambuci

63,22

Volta Redonda

31,78

Queimados

61,89

Casimiro de Abreu

31,75

São João da Barra

60,21

Campos dos Goytacazes

30,89

Arraial do Cabo

59,34

Rio de Janeiro

30,43

Varre-Sai

59,26

Rio das Flores

28,86

Mangaratiba

59,06

São Fidélis

28,53

Miguel Pereira

59,00

Rio Bonito

26,22

Paraíba do Sul

55,72

Cantagalo

25,83

Itaboraí

55,59

Sapucaia

25,36

Pinheiral

55,05

Saquarema

25,03

Cachoeiras de Macacu

54,35

Sumidouro

23,89

Belford Roxo

50,97

Itaocara

22,59

Santa Maria Madalena

50,82

Laje do Muriaé

22,45

Carmo

50,42

Carapebus

22,25

Valença

49,43

Itaperuna

21,71

Três Rios

48,87

Quissamã

21,25

Magé

47,49

São José do Vale do Rio Preto

20,80

Trajano de Moraes

46,75

Vassouras

19,57

Paracambi

46,44

Barra Mansa

19,46

Teresópolis

46,18

São Sebastião do Alto

18,73

São Francisco de Itabapoana

46,12

Natividade

16,93

São Pedro da Aldeia

44,50

Italva

16,89

Paty do Alferes

43,91

Barra do Piraí

15,88

Duque de Caxias

43,86

Angra dos Reis

15,67

Nova Iguaçu

42,26

Silva Jardim

14,76

Araruama

42,25

Mendes

13,77

São Gonçalo

41,73

Guapimirim

12,44

Rio das Ostras

40,44

Porciúncula

10,18

Maricá

40,42

Tanguá

9,73

Japeri

40,03

Itatiaia

7,99

Armação dos Búzios

39,83

Aperibé

0,00

Petrópolis

39,30

Engenheiro Paulo de Frontin

0,00

Bom Jesus do Itabapoana

38,49

Miracema

0,00

São João de Meriti

37,44

Porto Real

0,00

Bom Jardim

36,78

Quatis

0,00

Itaguaí

36,66

Rio Claro

0,00

Santo Antônio de Pádua

36,53

São José de Ubá

0,00

24

Na Figura 5.1, observa-se estas taxas distribuídas em seus respectivos municípios. Vale destacar que os municípios de Aperibé, Engenheiro Paulo de Frontin, Miracema, Porto Real, Quatis, Rio Claro e São José de Ubá (7,6%) não apresentaram óbito por câncer do colo de útero no período.

Figura 5.1: Distribuição espacial das taxas de mortalidade por 100.000 mulheres, padronizadas pela população mundial, no período de 2007 a 2009.

Taxas de Mortalidade Padronizadas pela População Mundial 140 120 100 80 60 40 20 0

Pelo mapa, inicialmente, não é possível ver claramente a existência de um padrão espacial das taxas de mortalidade. Podemos confirmar esta hipótese aplicando os testes de independência espacial de Moran e Geary. A Tabela 5.7 mostra os resultados dos testes.

Tabela 5.7: Resultado dos testes de independência espacial das taxas de mortalidade.

I de Moran C de Geary

Teste de Independência Espacial* Estatística de teste Variância 0,03865 0,00456 0,91261 0,00854

p-valor 0,2311 0,1799

* Os testes foram avaliados ao nível de signicância de 5%.

Fonte: SIM-DataSUS/ R 2.15.0

25

Os testes de independência espacial demonstraram não haver correlação espacial entre os dados, uma vez que a hipótese nula de completa aleatoriedade espacial não foi rejeitada.

5.3 – Modelagem Para a utilização da análise de regressão espacial, é importante verificar sobretudo a dependência espacial. Além disso, se as taxas de mortalidade não apresentam distribuição Normal, devemos fazer um tratamento da variável para que este tipo de regressão seja utilizado. O resultado do teste de normalidade de Shapiro-Wilk para as taxas de mortalidade (Tabela 5.8) nos leva à rejeição da hipótese nula de normalidade dos dados. E também, pelo histograma das taxas (Figura 5.2), verificamos que a distribuição não parece ser Normal.

Tabela 5.8: Resultado do teste de normalidade de Shapiro-Wilk para as taxas de mortalidade.

Teste de Normalidade de Shapiro-Wilk* Estatística de teste p-valor W 0,9093 0,00886 * Os testes foram avaliados ao nível de signicância de 5%.

Fonte: SIM-DataSUS/ R 2.15.0

26

Figura 5.2: Histograma da taxa de mortalidade por câncer do colo do útero no Estado do Rio de Janeiro, no período de 2007 a 2009.

15 0

5

10

frequência

20

25

30

Histograma da Taxa de Mortalidade

0

50

100

150

taxa de mortalidade

Visto que não há dependência espacial, não devemos utilizar modelos de regressão espacial, e sim modelos lineares generalizados. Vimos também que a distribuição da variável dependente não atende o pressuposto de normalidade. Como os dados do estudo representam uma contagem de casos, optamos primeiramente por utilizar a distribuição de Poisson. Porém, encontramos uma média de 23,78 casos e uma variância de 7911,67. Este é um indício de superdispersão dos dados, o que nos levou a utilizar a distribuição Binomial Negativa. Cada variável foi testada em modelos univariados, e aquelas com significância inferior ou igual a 25% foram selecionadas para inclusão em um modelo multivariado (Tabela 5.9).

27

Tabela 5.9: Resultados da modelagem univariada com todas as variáveis do estudo.

Modelos univariados com todas as variáveis Estimativa Erro padrão Estatística t PIB_PERCAPITA 0,0000 0,0000 -1,8520 IFDM_S -1,9623 1,0470 -1,8740 IFDM_T -1,1455 0,8427 -1,3590 IFDM_EDU -0,4169 0,8840 -0,4720 IFDM_EMP_REND -0,2380 0,3168 -0,7510 DENSIDADE 0,0000 0,0000 0,0900 EXP_VIDA -0,0007 0,0312 -0,0210 PROP_LIXO -0,2064 0,9327 -0,2210 PROP_ESGOTO -0,3182 0,3887 -0,8190 PROP_ABAST -0,9417 0,9064 -1,0390 PROP_SUPERIOR -0,3769 1,7705 -0,2130 PROP_NEGROS 2,2538 1,6542 1,3620 PROP_RENDA -4,5305 3,7137 -1,2200 PROP_SANEA -0,0011 0,0111 -0,0970 PROP_ENERGIA -0,5119 1,4825 -0,3450 PROP_DESOCUP 0,6501 2,5817 0,2520 PROP_INSTRUCAO 0,1190 0,7376 0,1610 PROP_70ANOS 2,3050 3,3263 0,6930

p-valor 0,0672 0,0641 0,1770 0,6380 0,4540 0,9280 0,9830 0,8250 0,4150 0,3020 0,8320 0,1760 0,2260 0,9230 0,7310 0,8020 0,8720 0,4900

AIC 553,33 553,19 553,67 554,01 554,01 554,15 554,16 554,14 553,97 553,83 554,14 553,62 553,76 554,15 554,12 554,14 554,15 554,03

Fonte: SIM-DataSUS/ IBGE-Censo2010/ R 2.15.0

Dos

resultados

da

modelagem

univariada,

retiramos

as

variáveis

PIB_PERCAPITA, IFDM_S, IFDM_T, PROP_NEGROS e PROP_RENDA. No modelo multivariado, foram retiradas uma a uma as variáveis com o maior p-valor, restando finalmente IFDM_T e PROP_RENDA com p-valor abaixo de 5% (Tabela 5.10).

28

Tabela 5.10: Resultado da modelagem multivariada com variáveis selecionadas nos modelos univariados.

Modelo multivariado com variáveis selecionadas nos modelos univariados Estimativa Erro padrão Estatística t p-valor Intercepto -6,188 1,167 -5,301 0,0000 PIB_PERCAPITA 0,000 0,000 -0,82 0,4140 IFDM_T -1,059 1,309 -0,809 0,4210 IFDM_S -0,9231 1,326 -0,696 0,4880 PROP_NEGROS 1,328 1,88 0,707 0,4820 PROP_RENDA -7,346 4,492 -1,635 0,1060 *AIC: 559,87

Intercepto PIB_PERCAPITA IFDM_T PROP_NEGROS PROP_RENDA

-6,663 0,000 -1,469 1,593 -8,046

0,9426 0,000 1,138 1,795 4,281

-7,069 -0,861 -1,29 0,887 -1,879

0,0000 0,3914 0,2005 0,3774 0,0636

-6,3976 -1,9005 1,7253 -8,6855

0,8693 0,998 1,7788 4,2041

-7,36 -1,904 0,97 -2,066

0,0000 0,0601 0,3347 0,0418

-5,9942 -8,8832 -2,1472

0,7926 4,2778 0,9926

-7,563 -2,077 -2,163

0,00000 0,04070 0,03320

*AIC: 558,01

Intercepto IFDM_T PROP_NEGROS PROP_RENDA *AIC: 556,19

Intercepto IFDM_T PROP_RENDA *AIC: 554,48

Fonte: SIM-DataSUS/ IBGE-Censo2010/ R 2.15.0

Posteriormente, as variáveis foram testadas todas juntas num único modelo multivariado, e foram selecionadas também as que apresentaram p-valor igual ou inferior a 25% (Tabela 5.11).

29

Tabela 5.11: Resultado da modelagem multivariada com todas as variáveis do estudo.

Modelo multivariado com todas as variáveis Estimativa Erro padrão Estatística t Intercepto -5,582000 5,01 -1,115 PIB_PERCAPITA -0,000002 0,00 -0,615 IFDM_S -73780000 72470000 -1,018 IFDM_T 221400000 217400000 1,018 IFDM_EDU -73780000 72470000 -1,018 IFDM_EMP_REND -73780000 72470000 -1,018 DENSIDADE 0,000023 0,000 0,518 EXP_VIDA 0,000918 0,040 0,023 PROP_LIXO -2,471000 5,595 -0,442 PROP_ESGOTO -1,185000 0,714 -1,661 PROP_ABAST -1,201000 1,151 -1,044 PROP_SUPERIOR 3,602000 3,866 0,932 PROP_NEGROS 3,421000 2,139 1,599 PROP_RENDA -23,040000 7,919 -2,910 PROP_SANEA -0,023040 0,067 -0,346 PROP_ENERGIA 1,112000 2,926 0,380 PROP_DESOCUP 5,762000 4,285 1,345 PROP_INSTRUCAO 2,681000 2,229 1,203 PROP_70ANOS 0,921400 6,101 0,151

p-valor 0,2686 0,5407 0,3120 0,3120 0,3120 0,3120 0,6060 0,9819 0,6600 0,1011 0,3000 0,3546 0,1144 0,0048 0,7306 0,7050 0,1829 0,2330 0,8804

*AIC = 582,35 Fonte: SIM-DataSUS/ IBGE-Censo 2010/ R 2.15.0

Restaram as variáveis PROP_ESGOTO, PROP_NEGROS, PROP_RENDA, PROP_DESOCUP e PROP_INSTRUCAO para um novo modelo multivariado (Tabela 5.12). Retirando também uma a uma as variáveis com maior p-valor, permaneceram PROP_ESGOTO, PROP_NEGROS e PROP_RENDA com p-valor até 5% (Tabela 5.12).

30

Tabela 5.12: Resultado da modelagem multivariada com variáveis selecionadas no modelo multivariado completo.

Modelo multivariado com variáveis selecionadas no modelo multivariado completo Intercepto PROP_DESOCUP PROP_INSTRUCAO PROP_ESGOTO PROP_NEGROS PROP_RENDA

Estimativa -7,0155 1,1357 0,5978 -1,5075 4,3462 -17,2611

Erro padrão 0,9876 2,6743 1,4149 0,6102 1,8134 6,0178

Estatística t -7,103 0,425 0,423 -2,470 2,397 -2,868

p-valor 0,00000 0,67215 0,67370 0,01547 0,01871 0,00519

-6,6719 0,8708 -1,6429 4,5523 -15,8048

0,5394 2,5828 0,5269 1,7838 4,8966

-12,368 0,337 -3,118 2,552 -3,228

0,00000 0,73681 0,00247 0,01246 0,00176

-6,6239 -1,6143 4,5967 -15,796

0,508 0,5248 1,774 4,8818

-13,039 -3,076 2,591 -3,236

0,00000 0,00279 0,01120 0,00171

*AIC: 558,63

Intercepto PROP_DESOCUP PROP_ESGOTO PROP_NEGROS PROP_RENDA *AIC: 556,67

Intercepto PROP_ESGOTO PROP_NEGROS PROP_RENDA *AIC: 554,7

Fonte: SIM-DataSUS/ IBGE-Censo 2010/ R 2.15.0

Assim, temos como resultado final os seguintes modelos propostos:  Modelo 1: TAXA_BRUTA = – 5,994 – 8,883 IFDM_T – 2,147 PROP_RENDA  Modelo 2: TAXA_BRUTA = – 6,624 – 1,614 PROP_ESGOTO + 4,597 PROP_NEGROS – 15,796 PROP_RENDA

5.4 – Escolha entre os Modelos Para a comparação dos modelos, foram utilizadas a verificação da colinearidade das variáveis escolhidas, seus coeficientes de regressão, parcimônia e Critérios de Informação de Akaike (AIC). Uma vez que não é usual fazer análise de resíduos para os

31

modelos com distribuição Binomial Negativa, não se utilizou esta técnica para a comparação de modelos (Lambert, 1992). A análise de Deviance também não pode ser utilizada neste caso, pois nem todas as variáveis do Modelo 1 estão contidas no Modelo 2.

5.4.1 Verificação de Colinearidade Nos dois modelos encontrados, não há colinearidade entre as variáveis, pois todos os valores da verificação de colinearidade (VIF) estão abaixo de 10. Assim, por este critério não podemos descartar nenhum dos modelos propostos.

Tabela 5.13: Resultado da verificação de colinearidade entre as variáveis dos dois modelos propostos.

Verificação de Colinearidade Modelo 1 PROP_RENDA IFDM_T 1,281034 1,281034 Verificação de Colinearidade Modelo 2 PROP_RENDA PROP_ESGOTO PROP_NEGROS 1,838968

1,892302

1,149021

Fonte: SIM-DataSUS/ IBGE-Censo2010/ R 2.15.0

Observou-se também que a correlação entre elas é baixa, exceto as variáveis PROP_ESGOTO e PROP_RENDA, que apresentam, em módulo, uma correlação acima de 0,5, considerada alta.

Tabela 5.14: Correlação entre as variáveis dos dois modelos propostos. Correlação entre as variáveis significativas PROP_ESGOTO PROP_NEGROS PROP_RENDA PROP_ESGOTO 1,0000 0,1971 -0,6211 PROP_NEGROS 0,1971 1,0000 0,0617 PROP_RENDA -0,6211 0,0617 1,0000 IFDM_T 0,3622 -0,2113 -0,4512

IFDM_T 0,3622 -0,2113 -0,4512 1,0000

Fonte: SIM-DataSUS/ IBGE-Censo2010/ R 2.15.0

32

5.4.2 – Critérios de Informação de Akaike (AIC) Verificou-se que o modelo que melhor se ajusta aos dados é o Modelo 1, pois este apresenta o menor valor de AIC (554,48) quando comparado ao Modelo 2 (554,7). Portanto, nesta comparação fica claro que o modelo que melhor descreve os casos de mortalidade por câncer do colo do útero no Estado do Rio de Janeiro é o que utiliza as variáveis IFDM Total e proporção de pessoas com renda até ½ salário mínimo.

5.4.3 – Parcimônia O Modelo 1 é composto das variáveis proporção de pessoas com renda até ½ salário mínimo e IFDM Total. Vimos em estudos anteriores que variáveis indicadoras de desenvolvimento sócio-econômico influenciam bastante na distribuição dos casos de mortalidade por câncer do colo do útero. A renda é um forte indicador sócio-econômico por se tratar de uma informação sobre remuneração da população local e seu poder aquisitivo. Já o IFDM Total, como mostra a Figura 5.3, engloba questões de emprego, educação e saúde, tornando-se um indicador de desenvolvimento municipal bastante completo.

Figura 5.3: Resumo das variáveis componentes do IFDM por área de desenvolvimento.

Fonte: Publicação IFDM 2009 edição 2011, p.7. Documento do site http://www.firjan.org.br/IFDM.

33

Por outro lado, no Modelo 2 os casos de mortalidade por câncer do colo do útero são descritos em função da proporção de pessoas com renda até ½ salário mínimo, proporção de negros e proporção de pessoas com rede de esgoto. Estas duas últimas variáveis não podem ser consideradas como indicadores sócio-econômicos, mas sim uma consequência deles. Ou seja, normalmente as baixas proporções de pessoas com rede de esgoto adequada nos municípios, por exemplo, decorrem de baixo rendimento, e não o contrário. Na Figura 5.4 podemos perceber que, nos municípios onde a proporção da população com renda até ½ salário mínimo é baixa, estão as menores proporções populacionais de negros, os maiores IFDM Totais e as maiores proporções de indivíduos com rede de esgoto adequada. Vale ressaltar que a premissa de que as maiores proporções de negros ocorrem em municípios com baixa renda se contradiz com análise exploratória dos dados, onde percebemos que as maiores vítimas da doença são as mulheres brancas. Figura 5.4: Distribuição espacial das variáveis significativas dos dois modelos propostos.

34

Portanto, embora os dois modelos pareçam razoáveis para descrever as taxas de mortalidade por câncer do colo do útero nos municípios do Estado do Rio de Janeiro, consideramos que o Modelo 1 é mais parcimonioso e explica melhor a variável resposta do nosso estudo.

5.4.4 – Problemas com o Modelo Escolhido Modelo 1: TAXA_BRUTA = – 5,994 – 8,883 IFDM_T – 2,147 PROP_RENDA O Modelo 1 foi escolhido por ser, estatisticamente, o modelo que melhor explica os casos de mortalidade por câncer do colo do útero. Porém, seus coeficientes não estão de acordo com o que ocorre na realidade. Tipicamente, quando o IFDM Total é alto, a proporção de pessoas com baixa renda é pequena. Portanto, estes dois indicadores teriam crescimento em direções opostas e deveriam ter sinais diferentes na equação. No entanto, isto não é o que acontece, e os sinais indicam que eles crescem na mesma direção. Desta forma, o Modelo 1 não pode ser utilizado. Voltando aos resultados dos modelos univariados, observamos que as variáveis PIB_PERCAPITA e IFDM_S têm os menores p-valores e AIC (Tabela 5.15). Embora o nível de significância de 5% não seja suficiente para considerar os modelos significativos, podemos aceitá-los a 7% e utilizá-los para descrever a variável resposta. Com os mesmos critérios de escolha do modelo ideal, analisamos o AIC, os coeficientes de regressão e a parcimonialidade dos modelos. Tabela 5.15: Resultados dos dois modelos univariados mais significativos.

Modelos univariados mais significativos Intercepto IFDM_S

Estimativa -6,2413 -1,9623

Erro padrão 0,8616 1,047

Estatística t -7,244 -1,874

p-valor 0,0000 0,0641

0,07616 0,000002

-101,964 -1,852

0,0000 0,0672

*AIC: 553,19

Intercepto -7,733 PIB_PERCAPITA -0,000005 *AIC: 553,33 Fonte: SIM-DataSUS/ IBGE-Censo2010

35

Os menores valores de AIC e p-valor (553,19 e 0,064, respectivamente) são do modelo que utiliza o IFDM Saúde. E ainda, como estamos tratando de dados de saúde pública, é razoável escolher que um indicador de saúde nos explique melhor que um indicador mais usado em economia. Assim, o modelo final escolhido é: TAXA_BRUTA = – 6,241 – 1,962 IFDM_S

O IFDM Saúde é um importante indicador que objetiva avaliar a qualidade do Sistema de Saúde Municipal. Dentre as variáveis medidas através dele, estão a qualidade do atendimento e disponibilidade de o aos serviços de saúde, isto é, os procedimentos mais básicos que um município deve oferecer à sua população. Dos resultados desta avaliação, é possível a criação de medidas em prol da melhoria da qualidade dos serviços de saúde de pública. A Figura 5.5 mostra a distribuição espacial desta variável nos municípios do Estado do Rio de Janeiro.

Figura 5.5: Distribuição espacial do IFDM Saúde nos municípios do Estado do Rio de Janeiro, no período de 2007 a 2009.

IFDM Saúde 0.95

0.90

0.85

0.80

0.75

0.70

0.65

36

6 – Considerações Finais Neste trabalho foi verificado que, entre os anos de 2007 e 2009, 70,2% dos óbitos analisados foram ocasionados devido à presença do câncer do colo do útero, contra 29,8% de óbitos por câncer do útero de porção não identificada. Também foi observado que a taxa de mortalidade total foi maior em mulheres com idade superior a 50 anos, raramente ocorrendo em mulheres com idade inferior a 30 anos. Este fato pode ser explicado pelo aumento da expectativa de vida das populações, aliado a outros fatores como hipertensão, obesidade e sedentarismo. Um importante fator social identificado no estudo foi o estado civil, onde mais de 70% dos óbitos ocorreram em mulheres sem companheiro, entre viúvas, separadas e solteiras. O que pode contribuir para este fator é a diferença de comportamentos e atitudes entre mulheres casadas e não casadas, tais como a maior frequência nos exames de rastreamento, realização de exercícios físicos e dieta equilibrada, pois as mulheres casadas costumam apresentar condutas de saúde mais positivas (Meira, 2006). Quando diagnosticado precocemente, o câncer do colo do útero pode ser tratado, o que faz reduzir os índices de mortalidade. No entanto, há necessidade de um maior esclarecimento por parte da população, visto que a doença ocorre, em maior parte, em mulheres com menos anos de estudo e que possuem também menos recursos econômicos (Meira, 2006). Este problema pode ser resolvido através de um maior incentivo, por parte do governo, na participação da população desfavorecida em programas de prevenção da doença. Foi observado que os municípios que apresentaram as maiores taxas de mortalidade foram Comendador Levy Gasparian, Macuco e Areal. Já as menores taxas foram observadas nos municípios de Porciúncula, Tanguá e Itatiaia. Uma das causas dessas altas taxas pode ser atribuída à grande dificuldade que os moradores do interior do Estado encontram em ter o a redes de serviço para detecção e tratamento precoce da doença. Na modelagem dos dados, foram encontrados quatro modelos significativos, ou seja, quatro formas diferentes de explicar estatisticamente a distribuição da mortalidade por câncer do colo do útero nos municípios do Estado do Rio de Janeiro. Cada um deles é capaz de fazer uma boa descrição das taxas de mortalidade. Porém, vimos que é

37

importante, além de encontrar um bom modelo, que ele seja parcimonioso e condizente com a realidade dos dados trabalhados. O IFDM Saúde foi escolhido como o principal fator capaz de descrever mortalidade por câncer do colo do útero nos municípios do Rio de Janeiro porque, além de se mostrar significativo estatisticamente, foca na saúde básica da população e utiliza bancos de dados considerados relevantes e confiáveis pelos especialistas no assunto. Em sua construção são priorizados os bancos de dados do SIM e SINASC, e opta-se por indicadores de variáveis de controle local, uma vez que não há unidades hospitalares de ponta para cada especialidade médica em todos os municípios brasileiros. As demais variáveis que compõem os modelos descartados não se mostraram tão relevantes quanto o IFDM Saúde. Observou-se que a proporção de pessoas com renda até ½ salário mínimo era um bom indicador junto com o IFDM Total, mas não nos trouxe um modelo confiável, pois o crescimento das mesmas aconteceu em direções opostas. Além disso, as proporções populacionais de negros e de pessoas com rede de esgoto não são bons indicadores de desenvolvimento, pois geralmente configuram como consequências da evolução dos indicadores sócio-econômicos. Ainda sobre as demais variáveis, seria interessante, futuramente, um estudo mais minucioso de suas características. Nas modelagens, vimos que a proporção de pessoas com renda até ½ salario mínimo apresenta coeficientes sempre negativos, tanto no modelo univariado quanto nos multivariados. Além desta, outras variáveis como IFDM Saúde, IFDM Total e PIB percapita apresentam o mesmo problema. Pode ser que exista alguma estrutura de correlação ou uma diferença de escala entre as variáveis dependentes e a variável resposta que esteja causando isto, e pode ser melhor investigado. Analisar dados de saúde é sempre um grande desafio. Podemos ter, por exemplo, dúvidas sobre quais indicadores utilizar para explicar uma variável resposta, considerando da melhor forma as diferentes realidades brasileiras. Após a escolha, a principal dificuldade está em encontrar dados fidedignos relativos a determinado assunto ou localidade. Um dos motivos deste fato é a própria característica dos sistemas de saúde, que costumam realizar atendimentos em municípios diferentes dos municípios de residência dos pacientes. Há que se registrar também a baixa qualidade dos registros — mesmo os obrigatórios e municipalizados — como os da atenção básica, onde ocorre com frequência a sub ou super notificação.

38

O mais importante durante um estudo de dados agregados é o entendimento do seu objeto de estudo. O resultado da modelagem deve, não só ser plausível numericamente, como também refletir a realidade do tema em questão. Assim, não basta apenas ter o conhecimento estatístico. É necessário conhecer o comportamento biológico e social da doença e apresentar resultados lógicos, para que estes possam ser utilizados como referência por outros pesquisadores.

39

7 – Referências

A situação do câncer no Brasil – INCA; 2006.

Bailey TC, Gatrell AC. Interactive spatial data analysis. Essex: Longman Scientific; 1995. Boletim Brasileiro de Avaliação de Tecnologias em Saúde – nº 17: Câncer de colo de útero: a vacina para prevenção do HPV e o desafio para a melhoria da qualidade do rastreamento no Brasil; 2011.

Bosseti C, Malvezzi M, Chatenoud L, Negri E, Levi F, La Veccia C. Trends in mortality in Americas, 1970 a 2000. Annal Oncol. 2005; 16(1): 489-511.

Brenna SMF, Hardy E, Zeferino LC, Namura I. Conhecimentos, atitude e prática do exame Papanicolau em mulheres com câncer de colo de útero. Cad. Saúde Pública. 2001; 17(4): 909 a 914. Cadernos de Atenção Básica – nº 13: Controle dos cânceres do colo do útero e da mama. Ministério da Saúde; 2006.

Câmara G, Druck S, Monteiro AM, Carvalho MS. Análise Espacial de Dados Geográficos. Brasília: EMBRAPA; 2004. Disponível em: http://www.dpi.inpe.br/gilberto/livro/analise/cap5-areas.pdf Carvalho MS, Bivand R. Exploring and analysing rates of Hansen’s Disease in Olinda, Brazil; 2003.

Centro de Informações e Dados do Estado do Rio de Janeiro(CIDE). Anuário estatístico do Rio de Janeiro. Rio de Janeiro: SELAN; 2002.

CID-10 (Códigos) Disponível em: http://www.bulas.med.br/cid-10/

40

DATASUS. Banco de dados do Sistema Unico de Saude. Disponivel em: www.datasus.gov.br. Dobson AJ. An Introduction to Statistical Modelling. 1 ed. New York,Chapman and Hall; 1983.

Fernandes WC, Kimura M. Qualidade de vida relacionada à saúde de mulheres com câncer de colo uterino; 2010.

Guerra MR, Gallo CVM, Mendonça GAS. Risco de câncer no Brasil: tendências e estudos epidemiológicos mais recentes. Revista Brasileira de Cancerologia. 2005; 51(3): 227-234.

IFDM 2009; Edição 2011. Disponível em: http://www.firjan.org.br/IFDM/

Instituto Nacional de Câncer. Estimativas 2006: Incidência de Câncer no Brasil. Rio de Janeiro. INCA; 2005.

Instituto Nacional de Câncer. Estimativas 2008: Incidência de Câncer no Brasil. Rio de Janeiro. INCA; 2007.

Instituto Nacional de Câncer. Estimativas 2010: Incidência de Câncer no Brasil. INCA; 2009.

Kiney W, SUNG HY, Kearney KA, Geiger AM. Missed

cervical cancer (ICC).

Gynecologic Oncology.1998;71(3): 428-30.

Kotz, S., Johnson, N. L., 1983, Encyclopedia of Statistical Sciences. Vol. 3, 1 ed.New York, John Wiley & Sons.

Lambert, D. Zero-inflated Poisson regression, with an application to defects in manufacturing.Technometrics; 1992

41

Latorre MRO. Câncer em Goiânia: análise da incidência e da mortalidade no período de 1988 a 1997.[ tese de livre-docência]. São Paulo (SP) : Universidade de São Paulo,2001.

Levi, F, Boffetta P, Lucchini F, Negri E, La Vecchia C. Cervical Cancer mortality in young women in Europe : patterny and trends. Eur J Cancer. 2000; 36(1): 2266-2271.

Medeiros VCRDD, Medeiros RCD, Moraes LMD, Menezes Filho JBD, Ramos ESN, Saturnino ACRD. Câncer de Colo de Útero: Análise Epidemiológica e Citopatológica no Estado do Rio Grande do Norte. Sociedade Brasileira De Análises Clínicas; 2006.

Meira KC. Mortalidade por câncer de colo de útero no município do Rio de Janeiro, no período de 1999 a 2006. Dissertação de Mestrado na Escola Nacional de Saúde Pública Sergio Arouca. ENSP; 2009.

Montoya AGM. Inferência e diagnóstico em modelos para dados de contagem com excesso de zeros. Dissertação de Mestrado. Universidade Estadual de Campinas. Campinas; 2009.

Naffah Filho M, Cecilio MAM. Subsídios para um novo modelo de atenção ao câncer no Estado de São Paulo; 2006.

Nelder JA, McCullagh P. Generalized Linear Models.Segunda edição. Chapman and Hall, Londres; 1999.

Nelder JA, Wedderburn RWM. Generalized linear models.Journal of the Royal Statistical Society; 1972.

Pesquisa Nacional Por Amostra de Domicílios. o e Utilização de Serviços de Saúde. PNAD, 2003.

Pesquisa Nacional Por Amostra de Domicílios. Um Panorama da Saúde no Brasil - o e Utilização dos Serviços, Condições de Saúde e Fatores ou Risco e Proteção à Saúde. PNAD, 2008. 42

Pinheiro P. HPV/CÂNCER DO COLO DO ÚTERO/Sintomas e Vacina; 2012. Disponível em: http://www.mdsaude.com/2009/09/hpv-cancer-colo-utero.html

Risi Júnior JB, Nogueira RP. As condições de saúde no Brasil. In: Finkelman J, editor. Caminhos da saúde pública no Brasil. Rio de Janeiro. Ed. Fiocruz; 2002: 109-233.

Secretaria de Gestão Participativa. Quarto Seminário da Região Metropolitana I: Fórum dos Conselhos Municipais de Saúde do Rio de Janeiro da Região Metropolitana I, 2005. Série D. Reuniões e Conferências. Rio de Janeiro (Brasil): Secretaria de Gestão Participativa; 2005.

Silva CMFP. Modelagem dos acidentes com vítima no Município do Rio de Janeiro. [tese]. Rio de Janeiro (Rio de Janeiro): COPPE/UFRJ; 2006.

Taplin SH, Ichikawa L, Yood MU, Manos MM, Geiger AM, Weinmann S, Gilbert J, Mouchawar J, Altaras R, Beverly RK, Casso D, Westbrook EO, Bischoff K, Zapka JG, Barlow WE.Cervical cancer in women with comprehensive health care : attributable factors in screening process. J Natl Cancer Inst.2005; 97(9): 675-83. Teixeira AL, Löwy I. Imperfect tools for a difficult job: Colposcopy, “colpocytogy” and screening for cervical cancer in Brazil. Soc Studies of Science.2011; 41(4):586-608.

WHO (World Health Organization). Global Action Against Cancer. 1 ed, p-24, 2003.

43

Apêndice

44

Apêndice 1 – Script do R require(rJava) require(xlsx) require(sp) require(foreign) require(rgeos) require(maptools) require(spdep) require(spatstat) require(RColorBrewer) require(car) require(MASS) dados=read.csv2("bancoR.csv", header=T) attach(dados) y=readShapeSpatial("33mu2500gsd.shp") summary(dados) hist(TAXA_BRUTA, main="Histograma da Taxa Bruta", xlab="taxa bruta de mortalidade") #Adicionando as taxas padronizadas no mapa slot(y,"data")$TAXAPAD=(TAXA_PAD) #Adicionando o IFDM Total no mapa slot(y,"data")$IFDM_T=(IFDM_T) #Adicionando o IFDM Saúde no mapa slot(y,"data")$IFDM_S=(IFDM_S) #Adicionando a proporção de negros no mapa slot(y,"data")$PNEG=(PROP_NEGROS) #Adicionando a proporção de domicílios com rede de esgoto no mapa slot(y,"data")$PESG=(PROP_ESGOTO) #Adicionando a proporção de domicílios com renda até 1/2 salário mínino no mapa slot(y,"data")$PREND=(PROP_RENDA) #Adicionando o PIB per capita no mapa slot(y,"data")$PIBPC=(PIB_PERCAPITA) #Matriz de vizinhança y.coord <- coordinates(y) y.viz <- poly2nb(y) #Plotando cada variável no mapa # Informação sobre as cores disponíveis brewer.pal.info #TAXA_PAD taxapad.cut <- round(fivenum(y$TAXAPAD), digits=4) cores <-brewer.pal(4, "Reds") spplot(y,"TAXAPAD", at=taxapad.cut,col.regions=cores , main="Taxas de Mortalidade Padronizadas pela População Mundial") #IFDM_T ifdmt.cut <- round(fivenum(y$IFDM_T), digits=4) cores <-brewer.pal(4, "Greens") spplot(y,"IFDM_T", at=ifdmt.cut,col.regions=cores,main="IFDM Total")

45

#IFDM_S ifdms.cut <- round(fivenum(y$IFDM_S), digits=4) cores <-brewer.pal(4, "RdPu") spplot(y,"IFDM_S", at=ifdms.cut,col.regions=cores,main="IFDM Saúde") #PROP_NEGROS pneg.cut <- round(fivenum(y$PNEG), digits=4) cores <-brewer.pal(4, "Oranges") spplot(y,"PNEG", at=pneg.cut,col.regions=cores, main="Proporção de Negros") #PROP_ESGOTO pesg.cut <- round(fivenum(y$PESG), digits=4) cores <-brewer.pal(4, "Blues") spplot(y,"PESG", at=pesg.cut,col.regions=cores, main="Proporção de Domicílios com Rede de Esgoto") #PROP_RENDA prend.cut <- round(fivenum(y$PREND), digits=4) cores <-brewer.pal(4, "Purples") spplot(y,"PREND", at=prend.cut,col.regions=cores, main="Proporção de Pessoas com Renda até 1/2 S.M.") #Teste de normalidade shapiro.test(y$TAXA) hist(y$TAXA, main="Histograma da Taxa de Mortalidade", xlab="taxa de mortalidade", ylab="frequência") #Índice Moran moran.test(y$TAXA, nb2listw(y.viz, style = "W")) #Índice Geary geary.test(y$TAXA, nb2listw(y.viz, style = "W")) #MLG - testando modelos univariados mod.ifdms=glm(formula = CASOS ~ IFDM_S + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.ifdms) mod.neg=glm(formula = CASOS ~ PROP_NEGROS + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.neg) mod.sup=glm(formula = CASOS ~ PROP_SUPERIOR + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.sup) mod.ifdmer=glm(formula = CASOS ~ IFDM_EMP_REND + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.ifdmer) mod.agua=glm(formula = CASOS ~ PROP_ABAST + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.agua) mod.esg=glm(formula = CASOS ~ PROP_ESGOTO + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.esg) mod.lixo=glm(formula = CASOS ~ PROP_LIXO + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.lixo)

46

mod.ifdmt=glm(formula = CASOS ~ IFDM_T + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.ifdmt) mod.instrucao=glm(formula = CASOS ~ PROP_INSTRUCAO + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.instrucao) mod.ev=glm(formula = CASOS ~ EXP_VIDA + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.ev) mod.idh=glm(formula = CASOS ~ IDH + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.idh) mod.dens=glm(formula = CASOS ~ DENSIDADE + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.dens) mod.70=glm(formula = CASOS ~ PROP_70ANOS + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.70) mod.dens=glm(formula = CASOS ~ DENSIDADE + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.dens) mod.ener=glm(formula = CASOS ~ PROP_ENERGIA + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.ener) mod.pibpc=glm(formula = CASOS ~ PIB_PERCAPITA + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.pibpc) mod.rend=glm(formula = CASOS ~ PROP_RENDA + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.rend) mod.sanea=glm(formula = CASOS ~ PROP_SANEA + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.sanea) mod.desocup=glm(formula = CASOS ~ PROP_DESOCUP + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.desocup) mod.ifdmedu=glm(formula = CASOS ~ IFDM_EDU + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod.ifdmedu) #Testando modelos multivariados a partir dos univariados significativos mod.1 = glm(formula = CASOS ~ PROP_RENDA + PIB_PERCAPITA + PROP_NEGROS + IFDM_s + IFDM_T + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod1) #MLG – Testando modelo multivariado completo mod.total=glm(formula = CASOS ~ PIB_PERCAPITA + IFDM_S + IFDM_T + IFDM_EDU+ IFDM_EMP_REND + DENSIDADE + EXP_VIDA + PROP_LIXO + PROP_ESGOTO + PROP_ABAST + PROP_SUPERIOR + PROP_NEGROS + PROP_RENDA + PROP_SANEA + PROP_ENERGIA + PROP_DESOCUP + DENSIDADE + PROP_INSTRUCAO + PROP_70ANOS + offset(log(POP_FEM)), family = neg.bin(1)) 47

summary(mod.total) #Testando modelos multivariados s mod2 = glm(formula = CASOS ~ PROP_DESOCUP + PROP_ESGOTO + PROP_NEGROS + PROP_RENDA + PROP_INSTRUCAO + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod2) #Modelos finais mod1 = glm (formula = CASOS ~ IFDM_T + PROP_RENDA + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod1) mod2 = glm(formula = CASOS ~ PROP_RENDA + PROP_ESGOTO + PROP_NEGROS + offset(log(POP_FEM)), family = neg.bin(1)) summary(mod2) #Verificando a colinearidade entre as variáveis dos modelos significativos vif (mod1) vif (mod2)

48

Anexo

49

Anexo A – Projeto GLOBOCAN

O objetivo do projeto é fornecer estimativas contemporâneas da incidência de, mortalidade e prevalência do principal tipo de câncer, a nível nacional, para 184 países do mundo. As estimativas são apresentadas para Globocan 2008, separadamente para cada sexo e, para dados de incidência e mortalidade, por dez faixas etárias. Os dados de 5 anos de prevalência estão disponíveis para a população adulta (idades 15 e mais anos). Notas: 1.

Estas estimativas baseiam-se nos dados mais recentes disponíveis no IARC (Agência

Internacional para a Pesquisa do Câncer) e em informações disponíveis publicamente na internet, mas os números mais recentes podem estar disponíveis diretamente a partir de fontes locais. 2.

Porque as fontes de dados estão melhorando continuamente em qualidade e extensão,

as estimativas não podem ser de horas extras verdadeiramente comparáveis e deve ser tomado cuidado ao comparar essas estimativas com os publicados anteriormente. As diferenças observadas podem ser o resultado de uma mudança na metodologia e não deve ser interpretado como um efeito tendência do tempo.

Fonte: http://globocan.iarc.fr/

50

Anexo B – Padronização da população mundial, proposta por Segi em 1960 (Latorre, 2001).

Os registros de câncer de base populacional (RCBP) são instituições que coletam informações sobre todos os casos novos de câncer de uma determinada área geográfica definida, através de um processo contínuo e sistemático de coleta. Com isso, é possível obter as taxas de incidência para cada uma das localizações de câncer, segundo variáveis importantes do ponto de vista de distribuição da doença, como sexo, idade, raça ocupação e outras. Essa taxa é definida como o número de casos novos dividido pela população do meio do período, em determinada área, multiplicado por uma base que, no caso do câncer, geralmente é 100.000. Quando trata-se de câncer infantil, a base é 1.000.000. Ao longo da história, houve várias tentativas de implantação dos RCBP em todo o mundo. Porém, muitas não tiveram continuidade devido às dificuldades encontradas na coleta das informações e à pouca aplicabilidade dos dados. Ao comparar-se áreas com estruturas etárias diferentes, ou analisar tendências dentro de uma mesma área durante um período de tempo que possivelmente ocorreram mudanças na distribuição etária da população, deve-se trabalhar não com coeficientes brutos, mas com coeficientes padronizados por idade. Para o cálculo das taxas padronizadas, escolhe-se uma população de referência e estima-se qual será a taxa de incidência para a população padrão caso ela estivesse submetida às taxas por idade específicas da população de estudo. Para comparações internacionais, recomenda-se a população de 1960, com estrutura etária descrita a seguir:

51

Tabela 5.16: População mundial proposta por Segi em 1960. Faixa etária

População Mundial

%

0-4

12.000

12,0

5-9

10.000

10,0

10-14

9.000

9,0

15-19

9.000

9,0

20-29

16.000

16,0

30-39

12.000

12,0

40-49

12.000

12,0

50-59

9.000

9,0

60-69

7.000

7,0

70 ou +

4.000

4,0

Total

100.000

100,0

52

Anexo C – Classificação Internacional de Doenças (CID - 10) A Classificação Internacional de Doenças e Problemas Relacionados à Saúde (também conhecida como Classificação Internacional de Doenças – CID 10) é publicada pela Organização Mundial de Saúde (OMS) e visa padronizar a codificação de doenças e outros problemas relacionados à saúde. A CID 10 fornece códigos relativos à classificação de doenças e de uma grande variedade de sinais, sintomas, aspectos anormais, queixas, circunstâncias sociais e causas externas para ferimentos ou doenças. A cada estado de saúde é atribuída uma categoria única à qual corresponde um código CID 10. De acordo com a CID-10, existem três códigos que definem neoplasias malignas relacionadas ao útero. São eles C53 (Neoplasia maligna do colo do útero), C54 (Neoplasia maligna do corpo do útero) e C55 (Neoplasia maligna do útero, porção não especificada). O código C54 não foi utilizado porque a forma de contágio do câncer do corpo do útero é diferente do câncer do colo do útero. Portanto, os fatores sócio-econômicos associados podem ser distintos. A Tabela 5.17 mostra especificação de cada código. Tabela 5.17: Códigos CID-10 para neoplasias malignas do útero.

C53.0 C53.1 C53.8 C53.9

C53 - Neoplasia maligna do colo do útero Neoplasia maligna do endocérvix Neoplasia maligna do exocérvix Neoplasia maligna do colo do útero com lesão invasiva Neoplasia maligna do colo do útero, não específico

C54.0 C54.1 C54.2 C54.3 C54.8 C54.9

C54 - Neoplasia maligna do corpo do útero Neoplasia maligna do istmo do útero Neoplasia maligna do endométrio Neoplasia maligna do miométrio Neoplasia maligna do fundo do útero Neoplasia maligna do corpo do útero com lesão invasiva Neoplasia maligna do corpo do útero, não específico

C55 - Neoplasia maligna do útero, porção não especificada

Fonte: http://www.medicinanet.com.br/cid10.htm

53

Anexo D – Índice Firjan de Desenvolvimento Municipal (IFDM) O Índice FIRJAN de Desenvolvimento Municipal (IFDM) é o indicador resultante de um estudo anual do Sistema FIRJAN, que acompanha o desenvolvimento de todos os 5.565 municípios brasileiro em três áreas: Emprego & Renda, Educação e Saúde. Ele é feito, exclusivamente, com base em estatísticas públicas oficiais, disponibilizadas pelos ministérios do Trabalho, Educação e Saúde. Mesmo tendo um recorte municipal, é possível gerar um resultado nacional discriminado por unidades da Federação graças à divulgação oficial das variáveis componentes do índice tanto por estados quanto para o país. De leitura simples, este índice varia de 0 a 1. Quanto mais próximo de 1, maior o desenvolvimento da localidade. Além disso, sua metodologia possibilita determinar, com precisão, se a melhora relativa ocorrida em determinado município decorre da adoção de políticas específicas ou se o resultado obtido é apenas reflexo da queda dos demais municípios. Por ter periodicidade anual, recorte municipal e abrangência nacional, a metodologia do IFDM é pioneira e única, na medida em que possibilita o acompanhamento do desenvolvimento humano, econômico e social de todos os municípios brasileiros. A defasagem temporal entre o ano que se refere o IFDM e sua divulgação decorre do fato de serem utilizadas apenas estatísticas. Até a edição de 2010, referente ao ano de 2007, essa diferença era de três anos. A partir da edição de 2011, por esforço do Ministério da Saúde em abreviar os prazos de divulgação de seus dados, foi possível reduzir a essa defasagem do IFDM para apenas dois anos. 

IFDM Emprego&Renda: acompanha o mercado formal de trabalho, com base nos

dados disponibilizados pelo Ministério do Trabalho e Emprego. Como o próprio nome sugere, o indicador trabalha com dois subgrupos, ambos com o mesmo peso (50% do total) no indicador final: emprego formal (postos de trabalho gerados) e renda (remuneração média mensal do trabalhador formal). 

IFDM-Educação: foi idealizado para captar tanto a oferta como a qualidade da

educação infantil e do ensino fundamental nos municípios brasileiros, de acordo com as competências constitucionais dos municípios. Desse modo, apesar de não ser viável e/ou eficiente esperar que haja uma universidade em todo município brasileiro – nem mesmo

54

ensino médio, esse de competência estadual – pode-se ao menos exigir que todo município apresente ensino fundamental de qualidade. 

IFDM-Saúde: Segundo a OMS, a atenção básica é “o primeiro nível de contato dos

indivíduos, da família e da comunidade com o sistema nacional de saúde pelo qual os cuidados de saúde são levados o mais proximamente possível aos lugares onde pessoas vivem e trabalham, e constituem o primeiro elemento de um continuado processo de assistência à saúde”. Partindo da premissa de que o nível primário de atendimento à população é prioritário e deve existir em todos os municípios brasileiros, o IFDM Saúde adotou as variáveis Atendimento Pré-Natal, Óbitos Mal Definidos e Óbitos Infantis por causas evitáveis por se constituírem fatores reconhecidamente de atenção básica.

Fonte: http://www.firjan.org.br/IFDM/

55

Anexo E – Municípios do Estado do Rio de Janeiro. Fonte: http://4.bp.blogspot.com

56