REDE DE BIODIVERSIDADE E BIOTECNOLOGIA DA AMAZÔNIA

LEGAL UNIVERSIDADE FEDERAL DO TOCANTINS

COORDENAÇÃO ESTADUAL DO PROGRAMA DE PÓS-GRADUAÇÃO
EM BIODIVERSIDADE E BIOTECNOLOGIA - PPG-BIONORTE
UFT – UNIVERSIDADE FEDERAL DO TOCANTINS

CAPA

JOÃO PEDRO PEREIRA PASSOS

ESTUDOS EPIDEMIOLÓGICOS SOBRE A COVID-19: HIPÓTESE ENTERAL,

AUMENTO DE MORTES SÚBITAS CARDÍACAS, EFEITOS DO ISOLAMENTO E
DA IMUNIZAÇÃO E ESTUDO DE CORRELAÇÃO ESPACIAL COM ANÁLISE DE
SÉRIES TEMPORAIS COM RUPTURA DE BAYES E IMPACTO CAUSAL PARA
CONCLUSÕES CONTRAFATUAIS

PALMAS- TO, 2024

 JOÃO PEDRO PEREIRA PASSOS

FOLHA DE ROSTO

ESTUDOS EPIDEMIOLÓGICOS SOBRE A COVID-19: HIPÓTESE ENTERAL,

AUMENTO DE MORTES SÚBITAS CARDÍACAS, EFEITOS DO ISOLAMENTO E
DA IMUNIZAÇÃO E ESTUDO DE CORRELAÇÃO ESPACIAL COM ANÁLISE DE
SÉRIES TEMPORAIS COM RUPTURA DE BAYES E IMPACTO CAUSAL PARA
CONCLUSÕES CONTRAFATUAIS

Tese de doutorado apresentada ao Curso

de Doutorado do Programa de Pós-
Graduação em Biodiversidade e
Biotecnologia - Rede BIONORTE, na
Universidade Federal do Tocantins, como
requisito parcial para a obtenção do
Título de Doutor em Biodiversidade e
Biotecnologia.

Orientador(a): Prof. Dr. Sérgio Donizeti

Ascêncio

PALMAS – TO MAIO/2024
FICHA CATALOGRÁFICA
 JOÃO PEDRO PEREIRA PASSOS
FOLHA DE APROVAÇÃO

ESTUDOS EPIDEMIOLÓGICOS SOBRE A COVID-19: HIPÓTESE ENTERAL,

AUMENTO DE MORTES SÚBITAS CARDÍACAS, EFEITOS DO ISOLAMENTO E
DA IMUNIZAÇÃO E ESTUDO DE CORRELAÇÃO ESPACIAL COM ANÁLISE DE
SÉRIES TEMPORAIS COM RUPTURA DE BAYES E IMPACTO CAUSAL PARA
CONCLUSÕES CONTRAFATUAIS

Tese de doutorado apresentada ao Curso de

Doutorado do Programa de Pós-Graduação em
Biodiversidade e Biotecnologia - Rede BIONORTE,
na UFT, como requisito parcial para a obtenção do
Título de Doutor em Biodiversidade e Biotecnologia.
Aprovada em 07/04/2024

Banca examinadora

_____________________________________________
Prof. Dr Sergio Donizeti Ascencio (Orientador)
UFT

______________________________________________
Prof. Dr. Raimundo Wagner de Souza Aguiar
BIONORTE

______________________________________________
Prof. Dr. Victor Hugo Gomes Sales
BIONORTE

_______________________________________________
Prof. Dr. Joenes Mucci Peluzio
BIONORTE
DEDICATORIA

Ao meu irmão e ao meu pai.

 AGRADECIMENTOS
À Deus, por ter me dado vida, saúde, oportunidades e pela força para alcançar mais esta

vitória.

Ao Professor Prof. Dr. Sérgio Donizeti Ascêncio que abriu as portas para meu ingresso

no programa de pós-graduação, pelo crédito em mim depositado, pelas orientações concedidas

guiando meu caminho acadêmico, e que diante dos percalços do caminho proporcionou

soluções e alternativas para que eu pudesse concluir o doutoramento.

À minha esposa e companheira, Nayara Silva do Vale, pelo apoio, paciência, dedicação

e amor.

À Coordenação do Programa de Pós-Graduação em Biodiversidade e Biotecnologia da

Rede BIONORTE, em especial a coordenação estadual do Tocantins.

À minha mãe, Dona Célia, que mesmo a distância guardo sempre em meus pensamentos

e orações.

A todos os professores e mestres que fizeram parte da minha formação acadêmica e

pessoal.

A todos que direta ou indiretamente colaboraram e torceram pela realização desse

projeto.
EPÍGRAFE

“Quem alcança seu ideal vai além” - Nietzsche

 RESUMO
Introdução: A pandemia de COVID-19 teve um impacto profundo na saúde pública global,
afetando múltiplos aspectos da vida social e sanitária. Este trabalho investiga esses impactos
sob quatro perspectivas principais: mortes súbitas cardíacas, saneamento básico, isolamento
social e vacinação.Métodos: Foram realizados quatro estudos distintos utilizando abordagens
epidemiológicas e estatísticas avançadas: Um estudo epidemiológico, observacional e
descritivo, utilizando modelos bayesianos e análise contrafactual para avaliar o impacto da
pandemia nas mortes súbitas cardíacas (MSC) no Brasil. Uma análise de correlação espacial
para explorar a relação entre a qualidade do saneamento básico e as taxas de mortalidade por
COVID-19 em todos os municípios brasileiros. Uma avaliação dos efeitos do isolamento social
no Estado de São Paulo, empregando testes t-pareados, pontos de ruptura bayesianos e análise
de impacto causal. Um estudo transversal em 18 países, utilizando o modelo AMOC e o pacote
changepoint em R para estimar a quantidade de mortes evitadas pela vacinação contra a
COVID-19. Resultados: Observou-se um aumento significativo na média mensal de MSC
durante a pandemia, de 176,6 para 555,03 casos por mês, resultando em um acréscimo de
12.522 casos no período pandêmico. Nos municípios com saneamento básico precário
apresentaram taxas mais altas de incidência e mortalidade por COVID-19, com clusters de alta
mortalidade identificados principalmente nas regiões Norte e Nordeste. A análise do isolamento
social em São Paulo indicou que as medidas de isolamento, inicialmente aparentes como
ineficazes, foram influenciadas por variáveis latentes como a vacinação, alterando
significativamente os resultados. A vacinação foi altamente eficaz nos 18 países estudados,
reduzindo a média de mortes diárias por COVID-19 de 2,53 para 0,54 por milhão, evitando
aproximadamente 2.886.869 mortes. Conclusões: Os resultados evidenciam a influência direta
da COVID-19 na mortalidade cardiovascular, a importância do saneamento básico na gestão da
pandemia, a complexidade dos efeitos do isolamento social e a eficácia das campanhas de
vacinação. As implicações são claras: políticas públicas devem focar em melhorias de
infraestrutura sanitária e na continuidade dos esforços de vacinação. Pesquisas futuras devem
considerar variáveis latentes e avaliar políticas em contextos regionais distintos.

Palavras-chave: COVID-19, Doenças cardiovasculares, Vacinação, Pandemia, Série temporal

 ABSTRACT
Introduction: The COVID-19 pandemic has had a profound impact on global public health,
affecting multiple aspects of social and healthcare systems. This study investigates these
impacts from four main perspectives: sudden cardiac deaths, basic sanitation, social isolation,
and vaccination.Methods: Four distinct studies were conducted using advanced
epidemiological and statistical approaches: An epidemiological, observational, and descriptive
study, utilizing Bayesian models and counterfactual analysis to assess the pandemic’s impact
on sudden cardiac deaths (SCD) in Brazil. A spatial correlation analysis explored the
relationship between the quality of basic sanitation and COVID-19 mortality rates across all
Brazilian municipalities. An assessment of the effects of social isolation in the state of São
Paulo was conducted using paired t-tests, Bayesian breakpoint analysis, and causal impact
analysis. A cross-sectional study in 18 countries employed the AMOC model and the
"changepoint" package in R to estimate the number of deaths prevented by COVID-19
vaccination.Results: A significant increase in the monthly average of SCDs was observed
during the pandemic, rising from 176.6 to 555.03 cases per month, resulting in an additional
12,522 cases over the pandemic period. Municipalities with poor basic sanitation showed higher
rates of COVID-19 incidence and mortality, with high-mortality clusters identified mainly in
the North and Northeast regions. The analysis of social isolation in São Paulo indicated that
isolation measures, initially appearing ineffective, were influenced by latent variables such as
vaccination, which significantly altered the outcomes. Vaccination proved highly effective in
the 18 countries studied, reducing the average daily COVID-19 deaths from 2.53 to 0.54 per
million, preventing approximately 2,886,869 deaths.Conclusions: The results highlight the
direct influence of COVID-19 on cardiovascular mortality, the importance of basic sanitation
in pandemic management, the complexity of social isolation effects, and the efficacy of
vaccination campaigns. The implications are clear: public policies should focus on improving
sanitation infrastructure and continuing vaccination efforts. Future research should consider
latent variables and evaluate policies within distinct regional contexts.

Keywords: COVID-19, Cardiovascular diseases, Vaccination, Pandemic, Time series

 LISTA DE FIGURAS
Figura 1 - Taxas de incidência (Txcasos), 2A; taxas de mortalidade 𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 2B, Indice sem coleta e sem
tratamento (Insem_esg_trat) 2C; Taxas de incidência (Txcasos) de acordo com a média é desvio padrão (2D);
taxas de mortalidade 𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 de acordo com a média é desvio padrão (2E) e Indice sem coleta e sem
tratamento (Insem_esg_trat) de acordo co a média e o desvio padrão (2E). .......................... 51
Figura 2 -3A : Análise de cluster LISA das taxas de mortalidade por 100 mil hab. 𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠; 3B: Análise de
cluster LISA das taxas casos por 10 mil hab. (Txcasos); 3E: Análise de cluster LISA do índice da população sem
coleta e tratamento de esgoto (Insem_esg_trat); 3C: Moran bivariada taxas de mortalidade 𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 e
população sem coleta e tratamento de esgoto (Insem_esg_trat); 3D: Moran bivariada casos por 10 mil hab.
(Txcasos).................................................................................................................................. 52
Figura 3 - Mapa de significância cluster I Moran local bivariado índice da população sem coleta e tratamento de
esgoto (Insem_esg_trat) versus taxas casos por 10 mil hab. (Txcasos); 3B: Mapa de significância cluster I
Moran local bivariado índice da população sem coleta e tratamento de esgoto (Insem_esg_trat) versus taxas de
mortalidade por 100 mil hab. 𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠; ................................................................................ 53
Figura 4 - CART Isolamento e Casos por dia .......................................................................... 79
Figura 5 - CART Isolamento e óbitos por dia .......................................................................... 79
Figura 6 - Isolamento e óbitos por dia de acordo com dia da semana ...................................... 81
 LISTA DE GRÁFICOS
Gráfico 1-Óbitos e casos diários de COViD-19 e Isolamento Social no Estado de São Paulo
entre 17 de março de 2020 e 31/12/2021 (n=655) .................................................................... 71
- Gráfico 2 - Casos de COVID e óbitos no estado de São Paulo entre março de 2020 e
dezembro de 2021(n=650) ........................................................................................................ 72
Gráfico 3 - Impacto e relação causal do isolamento sobre os casos de COVID-19 em São
Paulo (n=650) ........................................................................................................................... 74
Gráfico 4 –(a): Análise do ponto de mudança casos de COVID-19 referente óbitos (n=650);
(b):Análise do ponto de mudança casos de COVID-19 referente casos por dia no Estado de
São Paulo. (n=650); (c):Análise do ponto de mudança casos de COVID-19 referente
isolamento................................................................................................................................. 76
Gráfico 5 - Impacto da eficácia da vacina e duração da proteção sobre qual porcentagem da
população deve ser vacinada no primeiro ano (A) ................................................................... 78
 LISTA DE TABELAS E QUADROS
Tabela 1 - Média pré e pós ruptura entre jan. de 2010 e dez de 2022 na quantidade de mortes
súbitas no Brasil (n=156) e excesso de mortes por faixa etária (teste t student p<0,001)........ 30
Tabela 2 - Estatísticas descritivas e Teste t para 2 Amostras nos municípios do Brasil referente
a ESGOTO (Insem_esg_trat), MORTES Txmortes e CASOS(Txcasos) ............................. 50
Tabela 3 - Estatísticas Descritivas e testes de hipóteses para os CART’s ................................ 73
Tabela 4 - Estatísticas Descritivas e testes de hipóteses para os CART’s ................................ 80

Quadro 1 - Aplicação das diretrizes revisadas de Bradford Hill .............................................. 33

 LISTA DE EQUAÇÕES
Equação 1 - Índice de isolamento ............................................................................................. 67
Equação 2 - Variáveis da análise temporal ............................................................................... 68
Equação 3 - Modelo de ponto de mudança único ................................................................... 90
Equação 4 - Magnitude de deslocamento de tempo ................................................................. 90
Equação 5 - Potencial de mortes............................................................................................... 90
Equação 6 - quantidade mortes evitadas................................................................................... 90
 LISTA DE ABREVIATURAS E SIGLAS
MSC Morte Súbita Cardíaca
SARCOV2 Coronavírus 2 da Síndrome Respiratória Aguda Grave
CDC Centers for Disease Control and Prevention

ACE2 Enzima Conversora de Angiotensina 2

RNA Ácido Ribonucleico

CD4 Grupamento de diferenciação 4
DATASUS. Departamento de Informática do Sistema Único de Saúd
CID-10 Código Internacional de Doenças
AMOC máximo de um ponto de mudança
SIM Sistema de Informações sobre Mortalidade
ABR Associação Brasileira de Recursos em Telecomunicações
AA alto-alto
ARIMA Auto Regressive Integrated Moving Average
BB baixo-baixo
CART Classification and Regression Trees
EUA, Estados Unidos
FIOCRUZ Fundação Osvaldo Cruz
IBGE Instituto Brasileiro de Geografia e Estatística
Insem_esg_trat Indice sem coleta e sem tratamento
MBIC função de penalidade padrão
Instituto de Pesquisas Tecnológicas
RND linha de base aleatória
MCMC Monte Carlo em Cadeia de Markov
Mrna RNA Mensageiro
PIB Produto Interno Bruto
SIMI Sistema de Monitoramento Inteligente de São Paulo
SIM Sistema de Informações sobre Mortalidade
S Spike
 15

SUMÁRIO
FICHA CATALOGRÁFICA ..................................................................................................... 3
FOLHA DE APROVAÇÃO....................................................................................................... 4
DEDICATORIA ......................................................................................................................... 5
AGRADECIMENTOS..................................................................................................................................... 6
EPÍGRAFE .......................................................................................................................................................... 7
RESUMO ............................................................................................................................................................. 8
ABSTRACT ........................................................................................................................................................ 9
LISTA DE FIGURAS .................................................................................................................................... 10
LISTA DE GRÁFICOS ................................................................................................................................. 11
LISTA DE TABELAS E QUADROS ...................................................................................................... 12
LISTA DE EQUAÇÕES ............................................................................................................................... 13
LISTA DE ABREVIATURAS E SIGLAS .............................................................................................. 14
INTRODUÇÃO ............................................................................................................................................... 17
CAPÍTULO 1 .................................................................................................................................................... 19
COVID-19PROVOCOU MAIS DE12MILMORTESSÚBITASNOBRASILNOSPRIMEIROSTRÊSANOS
DE PANDEMIA: ESTUDO EPIDEMIOLÓGICO, OBSERVACIONAL E DESCRITIVO ... 19
1 INTRODUÇÃO .................................................................................................................................... 22
2 MÉTODOS............................................................................................................................................. 24
2.1 LOCAL DA PESQUISA .................................................................................................................... 24
2.2 COLETA DE DADOS........................................................................................................................ 24
2.3 ANÁLISE DOS DADOS ................................................................................................................... 25
3 RESULTADOS..................................................................................................................................... 27
4 DISCUSSÃO ......................................................................................................................................... 31
5 CONCLUSÃO ...................................................................................................................................... 37
CAPÍTULO 2 .................................................................................................................................................... 42
SARS-COV-2 NO BRASIL: ALTAS TAXAS DE MORTALIDADE EM MUNICIPIOS COM
PRECARIEDADE DE SANEAMENTO ................................................................................................. 42
1 INTRODUÇÃO .................................................................................................................................... 45
2 MATERIAIS E MÉTODOS ............................................................................................................. 46
2.1 TIPO DE ESTUDO E DESCRIÇÃO DA ÁREA ....................................................................... 46
2.2 VARIÁVEIS E MEDIDAS ............................................................................................................... 46
2.3 ANÁLISE DE AGRUPAMENTO ESPACIAL .......................................................................... 47
2.4 TESTE DE HIPÓTESE ...................................................................................................................... 47
2.5 PROGRAMAS ...................................................................................................................................... 48
2.6 QUESTÕES ÉTICAS ......................................................................................................................... 48
2.7 DISPONIBILIDADE DE DADOS : ............................................................................................... 48
3 RESULTADOS..................................................................................................................................... 49
4 DISCUSSÃO ......................................................................................................................................... 55
5 CONCLUSÃO ...................................................................................................................................... 58
REFERÊNCIAS ............................................................................................................................................... 58
CAPÍTULO 3 .................................................................................................................................................... 61
PERCEPÇÃO DOS EFEITOS DA VACINAÇÃO E ANÁLISE DA EFICÁCIA DE LONGO PRAZO DO
ISOLAMENTO NO ESTADO DE SÃO PAULO, BRASIL ............................................................. 61
1 INTRODUÇÃO .................................................................................................................................... 64
2 METODOLOGIA ................................................................................................................................ 66
2.1 LOCAL 66
2.2 DADOS 66
2.2.1 ISOLAMENTO..................................................................................................................................... 66
2.2.2 CASOS E ÓBITOS DIÁRIOS POR COVID-19 ........................................................................ 67
2.2.3 SERIES TEMPORAIS ....................................................................................................................... 67
2.2.4 TESTE T PAREADO ......................................................................................................................... 68
2.2.5 PONTO DE RUPTURA BAYESIANO ........................................................................................ 68
2.2.6 IMPACTO CAUSAL .......................................................................................................................... 68
2.2.7 REGRESSÃO CART .......................................................................................................................... 69
2.3 QUESTOES ÉTICAS ......................................................................................................................... 69
2.4 DECLARAÇÃO DE DISPONIBILIDADE DE DADOS ........................................................ 69
3 RESULTADOS E DISCUSSÃO ..................................................................................................... 71
3.1 TESTE DE HIPÓTESES DE SÉRIES TEMPORAIS ............................................................... 72
 16

3.2 ANÁLISE DE IMPACTO CAUSAL ............................................................................................. 74

3.3 PONTO DE MUDANÇA BAYESIANO ...................................................................................... 75
3.4 REGRESSÃO CART .......................................................................................................................... 78
4 CONSIDERAÇÕES FINAIS............................................................................................................ 82
REFERÊNCIAS ............................................................................................................................................... 83
CAPÍTULO 4 .................................................................................................................................................... 85
ESTIMANDO A QUANTIDADE DE MORTES EVITADAS PELA VACINAÇÃO POR COVID-19:UM
ESTUDO TRANSVERSAL EM 18 PAÍSES ENTRE 2020 E 2023 UTILIZANDO OPONTODERUPTURA
DE BAYES........................................................................................................................................................ 85
RESUMO ........................................................................................................................................................... 86
ABSTRACT ...................................................................................................................................................... 87
1 INTRODUÇÃO .................................................................................................................................... 88
2 MÉTODOS............................................................................................................................................. 89
3 FONTES DE DADOS ........................................................................................................................ 91
4 ANÁLISE ESTATÍSTICA ................................................................................................................ 92
4.1 RESULTADOS PRIMÁRIOS ......................................................................................................... 92
4.2 RESULTADOS SECUNDARIOS .................................................................................................. 93
5 DISCUSSÃO ......................................................................................................................................... 96
6 CONCLUSÃO ...................................................................................................................................... 98
7 DECLARAÇÃO DE COMPARTILHAMENTO DE DADOS .............................................. 99
REFERÊNCIAS ............................................................................................................................................. 100
CONCLUSÃO GERAL............................................................................................................................... 102
ANEXO A – PUBLICAÇÕES .................................................................................................................. 105
ANEXO B - ARTIGOS NO PRELO ....................................................................................................... 107
APÊNDICE 1 - MATERIAL COMPLEMENTAR - MSC .............................................................. 108
APÊNDIDE 2 - DADOS DO ESTADO DE SÃO PAULO REFERENTE AO ISOLAMENTO, CASOS E
ÓBITOS DIARIOS DE COVID (N=655) .............................................................................................. 109
APÊNDICE 3 – PROGRAMAÇÃO EM R UTILIZADA ................................................................ 122
 17

INTRODUÇÃO
A doença de coronavírus (COVID-19) causou uma pandemia global entre os anos de

2020 e 2022, contaminando quase um décimo da população global [691.228.421 casos] e

matando cerca de 7 milhões de pessoas, mesmo no ano de 2023 longe do pico da emergência

de saúde global morreram mais pessoas até o mês maio de 2023 de Covid que de Dengue [334]

e cólera [68], permanecendo como a 4º causas de morte não natural em média móvel semanal

com média de 119 mortes por semana, sendo superado somente pela violência [164], infecções

respiratórias inferiores [218] e doenças isquêmicas do coração [310] (1).

Apesar do amplo surto da infecção, observa-se uma assimetria notável no número de

casos e na distribuição da gravidade dos sintomas da COVID-19 em pacientes em relação aos

países/regiões (2).

No Brasil, somente 43% da população possui esgoto coletado e tratado e ainda temos

12% da população utilizando de fossa séptica (solução individual), ou seja, cerca de 55% da

população não possuem tratamento e coleta de esgoto, sendo que do esgoto coletado 18% não

é tratado, o que pode ser considerado como um atendimento precário (3).

O manejo do COVID-19 e a prevenção de sua disseminação rápida e perigosa

continuam sendo um desafio global. Águas residuais monitoramento poderia ser um potencial

indicador da propagação do COVID-19 e, neste contexto, os padrões de espaço-tempo são

ferramentas importantes com qual para elucidar a propagação de doenças e identificar fatores

de risco(4).

Portanto pretendemos desenvolver uma tese a partir de diversas análises que se

completam dentro de um único objetivo que seria defluir de forma latente a importância da

hipótese enteral como fator de incidência do COVID-19 nos períodos iniciais da pandemia

(CAPÍTULO 2), as consequências a longo prazo da pandemia (CAPÍTULO 1), a ruptura

 18

epidemiológica da vacinação (CAPÍTULO 4) e as limitações do isolamento social (CAPÍTULO

3).

Cremos que a noção exata destas hipóteses pode levar a ações efetivas de prevenção e

controle de novos surtos reduzindo os impactos socioeconômicos de medidas que em um

primeiro momento podem parecer eficazes, mas o tempo demonstra ter um custo elevado ou

mesmo inócuas.

Em um primeiro momento vamos nos debruçar sobre o fato de que o COVID-19

provocou mais de 12 mil mortes súbitas no Brasil nos primeiros três anos de pandemia, a partir

de um estudo epidemiológico, observacional e descritivo de análise contrafactual a partir dos

pontos de ruptura observados.

Dando seguimento vamos observar como o COVID-19 possui uma correlação espaço-

temporal nos períodos iniciais da pandemia no Brasil com altas taxas de mortalidade em

municípios com precariedade de saneamento, estudo realizado a partir da análise de correção

espacial dos dados de casos de COVID-19 registrados no Brasil a partir de 28 de fevereiro até

01 de julho de 2020 associado com saneamento básico em todos os mais de 5 mil e 700

municípios do Brasil.

Após em um estudo eminentemente autoral analisamos a percepção dos efeitos da

vacinação e análise da eficácia de longo prazo do isolamento no estado de São Paulo, brasil,

durante a pandemia de covid-19, propondo de método de testar hipóteses referente a séries

temporais.

Por fim consolidamos todas esta analises com um estudo estimamos a quantidade de

mortes evitadas pela vacinação por covid-19, em um estudo transversal em 18 países entre

2020 e 2023 o concepção construída nesta tese de ruptura de series dados (não retorno)

assomando estudo de impacto causal baseada em análise de bayes para gerar conclusões

contrafactuais.
 19

CAPÍTULO 1

COVID-19 PROVOCOU MAIS DE 12 MIL MORTES SÚBITAS NO BRASIL NOS

PRIMEIROS TRÊS ANOS DE PANDEMIA: ESTUDO EPIDEMIOLÓGICO,
OBSERVACIONAL E DESCRITIVO

COVID-19 CAUSED MORE THAN 12 THOUSAND SUDDEN DEATHS IN BRAZIL

IN THE FIRST THREE YEARS OF THE PANDEMIC: EPIDEMIOLOGICAL,
OBSERVATIONAL AND DESCRIPTIVE STUDY

João Pedro Pereira Passos1 (autor correspondente)

[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

Artigo publicado:

PASSOS, J. P. P.; VALE, N. S. do; AGUIAR, R. W. de S.; SOARES, I. M.; SOUSA, A. R.

de; ASCENCIO, S. D. Covid-19 provocou mais de 12 mil mortes súbitas no Brasil nos
primeiros três anos de pandemia: estudo epidemiológico, observacional e
descritivo. Cuadernos de Educación y Desarrollo, [S. l.], v. 16, n. 3, p. e3643, 2024. DOI:
10.55905/cuadv16n3-059. Disponível em:
https://ojs.europubpublications.com/ojs/index.php/ced/article/view/3643 . Acesso em: 24 mar. 2024.
 20

COVID-19 PROVOCOU MAIS DE 12 MIL MORTES SÚBITAS NO BRASIL NOS

PRIMEIROS TRÊS ANOS DE PANDEMIA:
ESTUDO EPIDEMIOLÓGICO, OBSERVACIONAL E DESCRITIVO
COVID-19 CAUSED MORE THAN 12 THOUSAND SUDDEN DEATHS IN BRAZIL
IN THE FIRST THREE YEARS OF THE PANDEMIC:
EPIDEMIOLOGICAL, OBSERVATIONAL AND DESCRIPTIVE STUDY
João Pedro Pereira Passos (autor correspondente)
[email protected] | https://orcid.org/0000-0001-7181-4587

Nayara Silva do Vale

[email protected] | https://orcid.org/0000-0002-5495-1391

Raimundo Wagner de Souza Aguiar

http://lattes.cnpq.br/0364342047724767 / https://orcid.org/0000-0002-5169-4968

Ilsamar Mendes Soares

[email protected] | http://lattes.cnpq.br/2670464322161455

Andressa Ribeiro de Sousa

[email protected]| http://lattes.cnpq.br/2670464322161404

Sergio Donizeti Ascencio

[email protected]| https://orcid.org/0000-0002-5495-1392

RESUMO
Objetivo. A pandemia originou vários problemas de saúde, com elevada morbilidade e
mortalidade e, em alguns casos, condições graves com possível impacto na quantidade de
mortes súbitas cardíacas (MSC) no Brasil. O objetivo deste estudo foi avaliar o impacto da
pandemia de COVID-19 na quantidade de mortes súbitas cardíacas (MSC) no Brasil entre 2020
e 2022. Métodos. Efetuamos um estudo epidemiológico, observacional, descritivo, de série
temporal e análise contrafactual, utilizando uma abordagem bayesiana de modelo estrutural
para séries temporais, com base em uma regressão difusa de espaço-estado calculando o ponto
de ruptura (changuepoint) e o impacto causal referente ao ponto de mudança com a aplicação
das diretrizes revisadas de Bradford Hill para determinar a causalidade. Resultados. Ao longo
dos 13 anos de estudados (2010-2022) foram registrados 40.416 casos de MSC no Brasil,
observamos um aumento significativo na média mensal de MSC durante o período de pandemia
em relação ao período de pré-pandemia, de em média 176,6 casos mensais (DP: 38,78; IC95%
169,65-183,55) para em média 555,03 casos por mês (DP:75,4; IC95% 528,7-581,3) a partir da
pandemia. Seguindo a tendência registrada antes da pandemia, seriam esperados uma resposta
média predita de 186,74 (IC95%: 170-204) casos por mês. Em termos absolutos, houve um
acréscimo de 12.522 (IC95%: 11926-13098) casos de MSC no período de pandemia.
Conclusão. Percebemos que o aumento de casos de MSC ocorreu após o início da pandemia
no Brasil, com significância estatística sendo plausível dado os mecanismos de ação do vírus
não contradizendo estudos semelhantes que tangenciaram o tema, sendo razoável concluir que
há um genuíno efeito do COVID-19 sobre a quantidade de mortes súbitas cardíacas.
Palavras-chave: COVID-19, Doenças cardiovasculares, vacinação, pandemia, série temporal
 21

ABSTRACT
Objective. The COVID-19 (COVID-19) pandemic has led to several health problems, with
high morbidity and mortality and, in some cases, serious conditions with a possible impact on
the number of sudden cardiac deaths (SCD) in Brazil. The aim of this study was to evaluate the
impact of the COVID-19 pandemic on the number of sudden cardiac deaths (SCD) in Brazil
between 2020 and 2022. Methods. We performed an epidemiological, observational,
descriptive, time-series study and counterfactual analysis, using a Bayesian structural model
approach for time series, based on a diffuse state-space regression calculating the changuepoint
and the causal impact of the change point with the application of the revised Bradford Hill
guidelines to determine causality. Results. Over the 13 years studied (2010-2022), 40,416 cases
of SCD were registered in Brazil, and we observed a significant increase in the monthly average
of SCD during the pandemic period compared to the pre-pandemic period, with an average of
176.6 monthly cases (SD: 38.78; 95%CI 169.65-183.55) to an average of 555.03 cases per
month (SD:75.4; CI95%: 528.7-581.3) from the pandemic. Following the trend recorded before
the pandemic, a predicted average response of 186.74 (95%CI: 170-204) cases per month would
be expected. In absolute terms, there was an increase of 12,522 (95%CI: 11926-13098) cases
of SCD during the pandemic period. Conclusion. We noticed that the increase in SCD cases
occurred after the beginning of the pandemic in Brazil, with statistical significance being
plausible given the mechanisms of action of the virus and not contradicting similar studies that
touched on the subject, and it is reasonable to conclude that there is a genuine effect of COVID-
19 on the number of sudden cardiac deaths.

Keywords: COVID-19, cardiovascular diseases, vaccination, pandemic, time series

 22

1 INTRODUÇÃO

Muito se tem ouvido falar na impressa não especializada sobre o aumento na quantidade

das chamadas “mortes súbitas” após o período pandêmico de COVID-19(UOL, 2023), mas será

que realmente existe algo com que se preocupar? Ou mesmo algum indício de causalidade que

poderia ser observada sob prisma de uma análise epidemiológica aprofundada, algo inédito até

o momento.

Embora a mortalidade devido à COVID-19 seja, em sua maioria, fortemente rastreada,

seu efeito indireto em nível populacional por meio de lockdown, mudanças de estilo de vida e

reorganização dos sistemas de saúde não foi devidamente avaliado.

Nosso objetivo foi avaliar a incidência e os desfechos de mortes súbitas cardíacas

(MSC) no Brasil registrados no DATASUS durante a pandemia, em comparação com períodos

não pandêmicos.

A morte súbita cardíaca (MSC) é definida como: uma morte natural e inesperada como

resultado de causas cardíacas que ocorrem dentro de 1 hora após o início de novos sintomas

(EYMAN MORTADA; AKHTAR, 2010). Em geral esta definição ocorre quando um indivíduo

morre sem nenhum histórico anterior de qualquer cardiopatia (ZANIN et al., 2022).

A elucidação do mecanismo molecular pelo qual o estresse causa MSC foi efetuada

recentemente por pesquisados da Universidade de Hokkaido no Japão e dentre as conclusões

deste trabalho podemos ressaltar que é possível induzir doenças relacionadas ao estresse e morte

súbita a partir do excesso de “células T CD4+” patogênicas que causam inflamação no cérebro

(ARIMA et al., 2017).

Neste trabalho procuramos traçar um método para verificar se de fato ocorreu um

aumento na quantidade de mortes súbitas cardíacas no Brasil e se este aumento caso tenha

ocorrido pode ser correlacionado (ou mesmo verificado uma relação causal inicial) com a
 23

pandemia de COVID-19, fato que poderia embasar estudos posteriores aprofundados sobre o

tema.
 24

2 MÉTODOS

Além da pesquisa bibliográfica a respeito da hipótese formulada efetuamos um estudo

epidemiológico, observacional, descritivo, de série temporal e análise contrafactual, com

objetivo de evidenciar com dados observacionais o aumento significativo de MSC no Brasil.

2.1 LOCAL DA PESQUISA

Os dados sobre óbitos por morte súbita cardíaca no Brasil foram obtidos por meio do

Sistema de Informações sobre Mortalidade (SIM) do Departamento de Análise da Informação

de Saúde – Secretaria de Vigilância em Saúde do Ministério da Saúde, utilizando o banco de

dados do DATASUS/SIM e mortes por COVID-19 no site https://ourworldindata.org da

Universidade de Oxford (COVID-19 TESTING POLICIES, MAY 11, 2020, [s. d.]; SUS,

2024).

2.2 COLETA DE DADOS

A coleta de dados ocorreu em janeiro de 2024, coletamos dados referente a todas as

MSC registradas no DATASUS entre janeiro de 2010 e dezembro de 2022 no Brasil (n=156),

ressaltando que de acordo com a 10º Revisão do Código Internacional de Doenças (CID-10)

identificou-se no banco de dados do SIM os óbitos relacionados à morte súbita: R96 - Outras

Mortes súbitas de causa desconhecida; R960 - Morte instantânea; R961 - Morte que ocorre em

menos de 24 horas após o início dos sintomas, que não pode ser explicada (DATASUS, 2024).

Obtivemos a incidência diária de óbitos de COVID classificados pela data de início do

registro no Brasil , qual seja dia 07 de janeiro de 2020 até as datas das últimas atualização, no

mês de setembro de 2023 proveniente no site https://ourworldindata.org/ da Universidade de

Oxford (OXFORD, 2024).

Os dados foram estratificados segundo a faixa etária: [1] menos de 1 ano; [2] entre 1 e

4 anos; [3] entre 5 e 14 anos;[4] entre 15 e 24 anos; [5] entre 25 e 34 anos; [6] entre 35 e 44
 25

anos; [7] entre 45 e 54 anos; [8] entre 55 e 64 anos; [9] entre 65 e 74 anos e [10] mais de 75

anos.

2.3 ANÁLISE DOS DADOS

Concluímos todas as análises no pacote changuepoint e impactcausal em R

(BRODERSEN, Kay H et al., 2015), desenvolvemos um modelo estatístico, baseado no

algoritmo de máximo de um ponto de mudança (AMOC) criado usando o changepoint versão

2.2.4, com ponto de alteração na média entre jan./2010 e dez/2022 (n=156), com método de

análise de no máximo um ponto de ruptura (AMOC) com estatística de teste t-student com

função de penalidade padrão (MBIC) onde inferimos as quantidades de mortes potenciais caso

não ocorresse a ruptura e extraímos posteriormente com base nos dados oficiais de mortes

(KILLICK et al., 2022).

Para determinar a associação entre a quantidade mensal de óbitos por COVID-19 no

Brasil e as quantidade de MSC entre janeiro de 2020 e dezembro de 2022, foi utilizado o teste

qui-quadrado (FIELD, 2009).

Para o cálculo do excesso de mortes (𝑒𝑀) após a detecção do ponto de ruptura com o

algoritmo AMOC utilizamos o pacote R impactcausal baseado no trabalho de Brodersen et al

(BRODERSEN, Kay H et al., 2015). Nessa abordagem, a série temporal original e outra série

temporal de controle são usadas para construir um modelo. O modelo preverá a observação da

situação hipotética (BRODERSEN, Kay H et al., 2015).

O processo é em linguagem R e realiza medição do impacto da decisão real subtraindo

a observação real com a previsão, neste caso realizamos um teste, para verificar a significância

do impacto do pré e pós o ponto de ruptura detectado.

Para confirmar que as médias pré-ruptura são significativamente menores do que as

pós-ruptura efetuamos o teste t-student com nível de significância de 0,001 e IC de 95% para
 26

todas as rupturas observadas, os resultados completos poderão ser consultados no material

complementar disponível em plataforma aberta (https://zenodo.org/records/10480492).

Por último utilizamos os critérios de Bradford Hill (HILL, 1965) revisados por Jeremy

Howick et al (HOWICK et al., 2009) como método para determinar a existência da causalidade,

observando as evidencias diretas relacionadas ao tamanho do efeito e proximidade temporal

entra a causa e o efeito, efeito dose-resposta. Evidências mecanicistas, ou seja, existência de

um mecanismo biológico plausível e evidência paralelas relacionadas a existências de estudos

com resultados próximos.

 27

3 RESULTADOS

Figura 1 - Quantidade de mortes mensais por COVID-19, Novos casos de COVID-19 e Morte Súbitas (R96)
no Brasil entre jan. de 2020 de dez de 2020 (n=36). Valor-p <0,001.

Fonte: autores adaptado de COVID-19 Data Explorer e DATASUS (10,11)

Figura 2- Óbitos totais por residência segundo Ano/mês do Óbito Categoria CID-10: R96 Outras mortes
súbitas de causa desconhecida no Período: jan./2020 a dez/2022 com ponto de ruptura de bayes (p<0,001).

Fonte: Autores adaptado de DATASUS (2024)

 28

Figura 3- Série temporal de mortes por residência segundo Ano/mês do Óbito Categoria CID-10: R96 Outras mortes súbitas de causa desconhecida no Período: jan./2020 a
dez/2022 de acordo com a faixa etária (n=156).

Fonte: Autores adaptado de DATASUS (2024)

 29

Figura 4 - Óbitos totais por residência segundo Ano/mês do Óbito Categoria CID-10: R96 Outras mortes súbitas
de causa desconhecida no Período: jan./2020 a dez/2022 (n=156) de acordo com a faixa etária (entre 1 e 4 anos
não ocorreu ruptura significativa) com ponto de ruptura de bayes (p<0,001). Fonte: autores

Fonte: Autores adaptado de DATASUS (2024)

 30

Figura 5 - Série temporal de mortes por residência segundo Ano/mês do Óbito Categoria CID-10: R96 Outras
mortes súbitas de causa desconhecida no Período: jan./2020 a dez/2022 plotando os dados reais (original),
diferença entre o resultado observado e o resultado previsto (pointwise) e o a diferença cumulativa (cumulative)

Fonte: Autores adaptado de DATASUS (2024)

Tabela 1 - Média pré e pós ruptura entre jan. de 2010 e dez de 2022 na quantidade de mortes súbitas no Brasil
(n=156) e excesso de mortes por faixa etária (teste t student p<0,001)
Excesso
IC de 95% para
Amostra Média DesvPad IC de 95% Total de mortes
μ
(𝒑𝑴𝒆)
< 1 ano pré ruptura 1,193 1,06 (1,0009; 1,3857) 250 55,7 (39,6;71,1)
< 1 ano pós ruptura 2,919 1,534 (2,407; 3,431)
-
1 a 4 anos* 0,853 0,996 (0,6951; 1,0100) 133 0
-
5 a 14 anos pré ruptura 0,752 0,89 (0,5892; 0,9150) 167 39.8 (26,15;53,1)
5 a 14 anos pós ruptura 2 1,281 (1,590; 2,410)
15 a 24 anos pré ruptura 3 1,712 (2,689; 3,311) 606 124,6 (99,5;148,7)
15 a 24 anos pós ruptura 6,73 2,6 (5,863; 7,597)
25 a 34 anos pré ruptura 5,352 2,234 (4,952; 5,753) 1179 342 (311,5;372)
25 a 34 anos pós ruptura 15,471 4,601 (13,865; 17,076)
35 a 44 anos pré ruptura 10,984 3,53 (10,351; 11,616) 2395 677 (628, 725)
35 a 44 anos pós ruptura 31,03 7,44 (28,43; 33,63)
45 a 54 anos pré ruptura 19,213 5,545 (18,219; 20,207) 4139 1130 (1051, 1206)
45 a 54 anos pós ruptura 52,79 9,37 (49,52; 56,06)
55 a 64 anos pré ruptura 25,934 6,903 (24,697; 27,172) 5959 1182 (1796;1976)
55 a 64 anos pós ruptura 82,21 11,08 (78,34; 86,07)
65 a 74 anos pré ruptura 31,926 9,058 (30,303; 33,550) 7339 2317 (2191: 2442)
65 a 74 anos pós ruptura 101,29 16,11 (95,67; 106,91)
>75 anos pré ruptura 78,82 24,29 (74,51; 83,14) 18249 5943 (5593:6287)
>75 anos pós ruptura 264,84 43,57 (249,14; 280,55)
Total pré ruptura 176,6 38,78 (169,65; 183,55) 40416 12522 (11926:13098)
Total pós ruptura 555 75,4 (528,7; 581,3)
*não houve mudança significativa.
Fonte: Autores adaptado de DATASUS (2024)
 31

4 DISCUSSÃO

Nos 13 anos de dados estudados, entre 01 janeiro de 2010 e 31 de dezembro de 2022

(n=156) foram registrados no Brasil 40.416 Mortes Súbitas Cardíacas (MSC) de causa

desconhecida (R96) (SUS, 2024).

No primeiro ano da pandemia muitos estudos em áreas duramente atingidas pela

pandemia como Nova York nos EUA (MOUNTANTONAKIS et al., 2020), a região da

Lombardia na Itália (BALDI et al., 2020) e em Paris na França (MARIJON et al., 2020)

relataram aumento acentuado de mortes súbitas, estes estudos sugeriam uma possível ligação

causal entre o COVID-19 e as mortes cardíacas.

No entanto, estes estudos eram relatórios iniciais, que detalharam uma associação

temporal convincente, mas justamente por estarem em pleno ápice da pandemia falharam em

estabelecer qualquer tipo de ligação causal entre a carga das infecções COVID-19 e o aumento

vertiginoso nas MSC observadas.

Portanto, este estudo é superior a uma mera correlação a medida em implica demonstrar

também uma robusta relação causal, ou seja, ao confirmamos a ruptura na série de dados e

conseguimos inferir uma relação causal com a pandemia dando subsídios para futuros estudos

sobre os mecanismos subjacentes deste fato (BÜHLMANN, 2020; NAGIN; SAMPSON, 2019).

A partir da análise dos dados efetuamos a confirmação da existência de ruptura positiva

nas séries por faixa etária e na totalidade dos registros, Figuras 2 e 4, podemos também inferir

que tais pontos coincidem com o início da pandemia e a circulação do vírus pelo país de acordo

com estudo da Fundação Oswaldo Cruz (LEMOS, 2020).

Durante o período pós-pandemia, a quantidade de MSC por mês apresentou valor médio

de aproximadamente 555,03. Por outro lado, na inexistência da pandemia, teríamos esperado

uma resposta média de 186,74. O intervalo de 95% dessa previsão contrafactual é entre 169,78
 32

e 204,27, os resultados pormenorizados estão disponibilizados no material complementar e

sumarizados na tabela 1.

Ressaltamos que dada a característica da curva AMOC, uma vez que ela calcula a média

sobre todos os pontos de mudança, podendo ter no máximo um, observamos uma tendência

geral nos dados estudados onde à medida que a mudança diminui, todas as curvas se aproximam

da linha de base aleatória (RND) que em nosso caso a linha 122, fevereiro de 2020 (KILLICK;

ECKLEY, 2014).

Ao subtrairmos da predição de MSC caso não ocorresse a pandemia, obtém-se uma

estimativa do efeito causal da pandemia sobre a quantidade de MSC Brasil. Este efeito é de

368,29 mortes por mês (IC95%: 350,76, 385,25) totalizando um excesso de 12.522 (IC95%:

11926-13098) casos MSC relacionadas a pandemia, tabela 1.

Determinados os pontos de ruptura com significância efetuamos uma análise

contrafactual de Brodersen (2015) para estimar o impacto da pandemia na quantidade de MSC

no Brasil, nos três gráficos temos: Original, mostra a observação real (linha sólida) e a previsão

(linha tracejada), observando que o total da amostra de óbitos por MSC no é de 156 meses e o

ponto definimos o período pré-ruptura entre n=1 e n=122 e o pós-ruptura entre n=122 e n=156;

Pointwise, mostra a diferença entre o valor previsto e o valor real por ponto de dados;

Cumulative: mostra a diferença cumulativa entre o valor previsto e o valor real, , Figura 5.

Ao compararmos o perfil etário das rupturas e ao mesmo tempo o perfil demográfico

das morte e hospitalizações por COVID-19 no Brasil onde faixa etária com mais óbitos cerca

de 70% foi de pessoas acima de 60 anos(ORELLANA et al., 2022), temos justamente esta faixa

etária onde ocorreram 79% do excesso de mortalidade (n=10.224), tabela 1.

 33

Quadro 1 - Aplicação das diretrizes revisadas de Bradford Hill

Aumento de casos de MSC no Brasil e pandemia COVID-19
1. Tamanho do efeito não Sim (a média de MSC saltou de 176,6 casos mensais (DP:
atribuível a confusão 38,78; IC95% 169,65-183,55) para em média 555,03 casos
plausível por mês (DP:75,4; IC95% 528,7-581,3).
Evidência direta 2. Proximidade temporal e/ou Sim (o aumento segue imediatamente ao início da
espacial adequada pandemia)
3. Responsividade e Sim (a quantidade de mortes aumentou na medida em que
reversibilidade da dose aumentou a transmissão do COVID-19 na população)
Sim (enzima conversora de angiotensina (ECA)
4. Mecanismo de ação desempenha um papel importante na regulação da pressão
Evidência
plausível arterial e ao mesmo tempo é a principal via de entrada do
Mecanicista
vírus do COVID-19)
5. Coerência Sim (nada contradiz a hipótese causal)
6. Replicabilidade Não testado.
Sim (no primeiro ano da pandemia muitos estudos em
áreas duramente atingidas pela pandemia como Nova York
nos EUA (MOUNTANTONAKIS et al., 2020), a região da
Evidência
Lombardia na Itália (BALDI et al., 2020) e em Paris na
Paralela 7. Semelhança
França (MARIJON et al., 2020) relataram aumento
acentuado de mortes súbitas, estes estudos sugeriam uma
possível ligação causal entre o COVID-19 e as Mortes
cardíacas)
Total 7 «sim» (1, 2, 2,4, 5,7) 0 «não relevante» ou «não testado» (1)
VEREDICTO 6 de 7 orientações satisfeitas
Fonte: autores adaptado de Jeremy Howick et al (2009, p. 192)

O aumento de MSC é sua relação causal com a pandemia é bem robusta, portanto, sobre
isto podemos atribuir que foi devido a pandemia de COVID-19. Todavia quanto à forma como
ocorreu podemos teorizar que poderia se relacionar a resposta imune contra o vírus
estimulações de leucócitos relacionados ao stress cardíaco que levam a MSC (MELENOTTE
et al., 2020; WANG; HAO, 2023), a redução dos atendimentos e exames preventivos no
período ou mesmo a imunização.
Podemos então tirar conclusões sobre causalidade entre a pandemia e o aumento de
MSC a partir desses dados observacionais? o britânico Austin Bradford Hill não foi só o
responsável pelo delineamento dos primeiros estudos randomizados controlados, sendo o
responsável ainda por conduzir a pesquisa que acabou confirmando o elo entre o câncer de
pulmão e o tabagismo, em 1959 Bradford estabeleceu uma lista de critérios que devemos
considerar antes que se possa concluir pela relação de causalidade, com base na versão de
Jeremy Howick et al (HILL, 1965; HOWICK et al., 2009) e no que foi discutido apresentamos
um resumo da aplicação das diretrizes de Bradford Hill revisadas, quadro 2.
 34

Sabe-se que a ECA2 age como um receptor para a proteína estrutural S (espícula) do
COVID-19, através da qual o vírus ganha acesso à célula hospedeira. Esse mecanismo envolve
a interação da proteína S viral com o domínio extracelular da ECA2 (TAVARES et al., 2020).
O periódico Science Advances publicou em setembro de 2022 estudo demostrando que
pacientes infectados com a síndrome respiratória aguda grave podem apresentar desconforto
respiratório com risco de vida, desregulação da pressão arterial (BRIQUEZ et al., 2022).
Este trabalho afirma que isto ocorre por uma atividade prejudicada da enzima
conversora da angiotensina 2 (ACE2), que é o receptor de entrada principal do SARSCoV-2
nas células e que igualmente regula firmemente a pressão arterial, convertendo o peptídeo
vasoconstritor angiotensina II (AngII) a um peptídeo vasopressor (BRIQUEZ et al., 2022;
HENRIQUES et al., 2023; TAVARES et al., 2020).
A enzima conversora de angiotensina (ECA) — uma dicarboxipeptidase zinco-
dependente com dois domínios catalíticos — desempenha um papel importante na regulação da
pressão arterial e ao mesmo tempo é a principal via de entrada do vírus do COVID-19 no
organismo em termos simples podemos inferir que se as células que precisam de tal enzima
para controle da pressão arterial não a receber devido ao bloqueio destes receptores ficariam
disfuncionais, e que uma eventual disfunção deste mecanismo levaria a uma desregulação do
sistema controle da pressão arterial do organismo - sistema renina-angiotensina-aldosterona
(MSD, [s. d.]).
Alguns daqueles que se recuperaram da COVID-19 desenvolvem sintomas persistentes
ou novos que duram semanas ou meses; isso é chamado de "COVID-19 longo", "Long Haulers"
ou "Síndrome pós-COVID-19", dentre os sintomas da Síndrome pós-COVID-19 está a dor
toráxica (GARG et al., 2021; NABAVI, 2020).
O COVID-19 tem impactos diretos e indiretos na saúde cardiovascular, o vírus ataca
frequentemente o sistema circulatório do corpo, causando nova coagulação e inflamação
existindo uma relação latente e carente de ser desvendada entre o MSC, as células T CD4+,
expressão da enzima conversora de angiotensina (ECA), a proteína Spike (S) e as Respostas
imunes adaptativas ao COVID-19 que aumentam a susceptibilidade da população a ocorrência
de mortes súbitas e outras mortes com causa cardiovascular (ARIMA et al., 2017; TAVARES
et al., 2020).
Outro ponto, que se pode atribuir é que durante a pandemia ocorreu procrastinação da
população que tinha doenças cardíacas novas ou existentes e estavam relutantes em procurar
 35

cuidados médicos, este argumento poderia se aplicar nos primeiros anos, todavia nos dois
últimos anos analisados a imunização já estava bem avançada e praticamente todas as restrições
sanitárias de deslocamento já não existiam e a flexibilização iniciou ainda no mês de junho de
2020 (MARTINS; GUIMARÃES, 2022).
Sobre isto o estudo de Almeida et al (2023) et al sobre o impacto da pandemia nos
exames cardiológicos no Brasil no primeiro ano da pandemia observou uma queda de 21,9%
em relação ao ano anterior (2019) no número de exames cardiológico.
Tal situação poderia explicar em parte esta ruptura, especificamente referente ao
primeiro ano, todavia nos anos posteriores estes exames recrudesceram para a média histórica,
como parâmetro levantamos o principal exame cardiológico realizado o teste ergométrico (SUS,
2024).
Foram efetuados na rede pública do brasil entre 2008 e 2023 um total de 7.586.210
testes ergométricos na população, uma média de 39.718 exames por mês (DP: 8.044; IC95%:
38.570-40.866), sendo que o ano de 2020 registrou uma queda na média mensal para 29.160
(DP:11.272; IC95% 21.998-36.322), porquanto esta queda na verdade se concentrou nos meses
de abril (10.446), maio (12.548) e junho (17.395) claramente outlier, não ruptura de dados
(ARANHA; ZAMBALDI, 2005).
A segurança cardiovascular da vacinação é indiscutível na medida que os riscos
cardiovasculares da não vacinação e eventual infecção por COVID-19 são superiores, isto não
implica necessariamente que a vacina não possui riscos, somente que estes são em tese
inferiores aos da infecção viral (MOREIRA et al., 2022).
Henriques et al (2023, p. 2300) publicou um estudo no Brazilian Journal of Health
Review afirmando que após a vacinação surgiram “sintomas que podem estar associados a
vacina do COVID-19, um deles é a miocardite”.
Já quanto ao um risco aumentado de complicações cardíacas após a infecção COVID-
19 e a vacinação do mRNA COVID-19, um estudo publicado Centers for Disease Control and
Prevention (CDC) dos EUA ao analisar as complicações cardíacas após a infecção COVID-19
e as comparar com as decorrentes da vacinação mRNA para COVID-19 nos Estados Unidos de
janeiro de 2021 a janeiro de 2022, apesar de concluir que o risco de complicações cardíacas era
significativamente maior após a infecção SARSCoV-2 do que após a vacinação do mRNA
COVID-19 para homens e mulheres em todas as faixas etárias, o estudo detectou um aumento
 36

incidência de resultados cardíacos após a vacinação COVID-19 do mRNA todavia este aumento
não foi tão acentuado (CDC, 2022) .
Neste ponto ressaltamos que ao final de 2022 o Brasil já havia aplicado 480 milhões de
doses de vacina em 188.553.932 habitantes, ou seja, 90% da população brasileira havia tomado
ao menos uma dose de vacina até o final de 2022 (OXFORD, 2024).
 37

5 CONCLUSÃO

De acordo com dados de 13 anos (156 meses) no Brasil entre 2010 e o final do ano 2022

referente a morte súbitas cardíacas (IC96 DATASUS) observamos um aumento significativo

na média de MSC mensais durante o período pós-pandemia, a quantidade média mensal de

MSC apresentou valor médio de aproximadamente 555,03 (DP:75,4; IC95% 528,7-581,3). Por

outro lado, na ausência de uma intervenção, teríamos esperado uma resposta média predita de

186,74 (IC95%: 170-204) totalizando 12.522 mortes por MSC relacionadas a pandemia

(IC95%: 11926-13098).

Por fim, fazendo um resumo dos critérios de causalidade de Bradford Hill, que teve 6

de 7 orientações satisfeitas, percebemos que o aumento de casos de MSC ocorreu após o início

da pandemia no Brasil, com significância estatística sendo plausível dado os mecanismos de

ação do vírus no aumento dos riscos cardiovasculares, ao mesmo tempo os resultados não

contradizem a ciência corrente havendo estudos semelhantes que tangenciaram o tema, logo é

razoável concluir que há um genuíno efeito do COVID-19 sobre a quantidade de mortes súbitas

cardíacas.

Esses resultados sugerem relacionamento com as infecções por COVID-19, sendo

improváveis relação com os efeitos indiretos associados ao isolamento social e ao ajuste dos

serviços de saúde à pandemia. Quanto a vacinação seriam necessários estudos aprofundados

sobre o tema.
 38

REFERÊNCIAS

ALMEIDA, F. P.; SENZAKI, G.; UEMOTO, vinicius ruis; COSTA, L. Impacto da pandemia de
Covid-19 nos exames cardiológicos no Brasil: uma análise do SUS e da medicina
suplementar. [S. l.: s. n.], 2023. Disponível em:
https://pesquisa.bvsalud.org/portal/resource/pt/biblio-1437997. Acesso em: 10 jan. 2024.

ARANHA, F.; ZAMBALDI, F. Estatística multivariada. Revista de Administração de

Empresas, [s. l.], v. 45, n. 4, p. 128–128, 2005.

ARIMA, Y.; OHKI, T.; NISHIKAWA, N.; HIGUCHI, K.; OTA, M.; TANAKA, Y.; NIO-
KOBAYASHI, J.; ELFEKY, M.; SAKAI, R.; MORI, Y.; KAWAMOTO, T.; STOFKOVA, A.;
SAKASHITA, Y.; MORIMOTO, Y.; KUWATANI, M.; IWANAGA, T.; YOSHIOKA, Y.;
SAKAMOTO, N.; YOSHIMURA, A.; TAKIGUCHI, M.; SAKODA, S.; PRINZ, M.;
KAMIMURA, D.; MURAKAMI, M. Brain Micro-Inflammation at specific vessels dysregulates
organ-homeostasis via the activation of a new neural circuit. eLife, [s. l.], v. 6, 2017.

BALDI, E.; SECHI, G. M.; MARE, C.; CANEVARI, F.; BRANCAGLIONE, A.; PRIMI, R.;
KLERSY, C.; PALO, A.; CONTRI, E.; RONCHI, V.; BERETTA, G.; REALI, F.; PAROGNI, P.;
FACCHIN, F.; BUA, D.; RIZZI, U.; BUSSI, D.; RUGGERI, S.; OLTRONA VISCONTI, L.;
SAVASTANO, S. Out-of-Hospital Cardiac Arrest during the Covid-19 Outbreak in Italy. New
England Journal of Medicine, [s. l.], v. 383, n. 5, p. 496–498, 2020.

BRIQUEZ, P. S.; ROUHANI, S. J.; YU, J.; PYZER, A. R.; TRUJILLO, J.; DUGAN, H. L.;
STAMPER, C. T.; CHANGROB, S.; SPERLING, A. I.; WILSON, P. C.; GAJEWSKI, T. F.;
HUBBELL, J. A.; SWARTZ, M. A. Severe COVID-19 induces autoantibodies against angiotensin
II that correlate with blood pressure dysregulation and disease severity. Science Advances, [s. l.],
v. 8, n. 40, p. 1–11, 2022.

BRODERSEN, Kay H; GALLUSSER, F.; KOEHLER, J.; REMY, N.; SCOTT, S. L. Inferring
causal impact using bayesian structural time-series models. Annals of Applied Statistics, [s. l.], v.
9, n. 1, p. 247–274, 2015. Disponível em: https://projecteuclid.org/journals/annals-of-applied-
statistics/volume-9/issue-1/Inferring-causal-impact-using-Bayesian-structural-time-series-
models/10.1214/14-AOAS788.short. Acesso em: 12 jan. 2024.

BRODERSEN, Kay H.; GALLUSSER, F.; KOEHLER, J.; REMY, N.; SCOTT, S. L. Inferring
causal impact using bayesian structural time-series models. Annals of Applied Statistics, [s. l.], v.
9, n. 1, p. 247–274, 2015. Disponível em: https://research.google/pubs/inferring-causal-impact-
using-bayesian-structural-time-series-models/. Acesso em: 11 jan. 2024.

BÜHLMANN, P. Toward causality and improving external validity. Proceedings of the National
Academy of Sciences of the United States of America, [s. l.], v. 117, n. 42, p. 25963–25965,
2020.

CDC. Complicações cardíacas após a infecção por SARS-CoV-2 e vacinação mRNA COVID-19
— PCORnet, Estados Unidos, janeiro de 2021 a janeiro de 2022 | MMWR. [S. l.: s. n.], 2022.
Disponível em: https://www.cdc.gov/mmwr/volumes/71/wr/mm7114e1.htm?s_cid=mm7114e1_x.
Acesso em: 7 jan. 2024.
 39

COVID-19 TESTING POLICIES, MAY 11, 2020. [S. l.: s. n.], [s. d.]. Disponível em:
https://ourworldindata.org/grapher/covid-19-testing-policy?year=2020-05-11. Acesso em: 25 maio
2020.

DATASUS. R95-R99 Causas mal definidas e desconhecidas de mortalidade. [S. l.: s. n.], 2024.
Disponível em: http://www2.datasus.gov.br/cid10/V2008/WebHelp/r95_r99.htm. Acesso em: 17
jan. 2024.

EYMAN MORTADA, M.; AKHTAR, M. Sudden cardiac death. Cardiac Intensive Care: Expert
Consult, [s. l.], p. 293–309, 2010.

FIELD, A. Descobrindo a estatistica usando o SPSS-2. 2. ed. –ed. Porto Alegre: [s. n.], 2009.
2009.

GARG, P.; ARORA, U.; KUMAR, A.; WIG, N. The “post-COVID” syndrome: How deep is the
damage? Journal of Medical Virology, [s. l.], v. 93, n. 2, p. 673–674, 2021.

HENRIQUES, F. M. Q.; COUCEIRO, K. do N.; HENRIQUES JUNIOR, J. A. B. Vacina contra

Covid-19 e miocardite. Existe correlação?. Brazilian Journal of Health Review, [s. l.], v. 6, n. 5,
p. 23000–23010, 2023. Disponível em:
https://ojs.brazilianjournals.com.br/ojs/index.php/BJHR/article/view/63422/45633. Acesso em: 7
jan. 2024.

HILL, A. B. The Environment and Disease: Association or Causation?. Proceedings of the Royal
Society of Medicine, [s. l.], v. 58, n. 5, p. 295–300, 1965. Disponível em:
http://journals.sagepub.com/doi/10.1177/003591576505800503.

HOWICK, J.; GLASZIOU, P.; ARONSON, J. K. The evolution of evidence hierarchies: what can
Bradford Hill’s “guidelines for causation” contribute? Journal of the Royal Society of Medicine,
[s. l.], v. 102, n. 5, p. 186–194, 2009. Disponível em:
https://journals.sagepub.com/doi/10.1258/jrsm.2009.090020. Acesso em: 16 fev. 2024.

KILLICK, R.; ECKLEY, I. A. Changepoint. Journal of Statistical Software, [s. l.], v. 58, n. 3, p.
1–19, 2014. Disponível em: https://www.jstatsoft.org/index.php/jss/article/view/v058i03. Acesso
em: 12 jan. 2024.

KILLICK, R.; HAYNES, K.; ECKLEY, I. CRAN - Package changepoint. [S. l.: s. n.], 2022.
Disponível em: https://cran.r-project.org/web/packages/changepoint/index.html. Acesso em: 12
jan. 2024.

LEMOS, V. Coronavírus: os indícios que apontam que o Sars-Cov-2 circulava no Brasil antes
do primeiro diagnóstico oficial. [S. l.: s. n.], 2020. Disponível em:
https://www.bbc.com/portuguese/brasil-52742802. Acesso em: 12 jan. 2024.

MARIJON, E.; KARAM, N.; JOST, D.; PERROT, D.; FRATTINI, B.; DERKENNE, C.;
SHARIFZADEHGAN, A.; WALDMANN, V.; BEGANTON, F.; NARAYANAN, K.; LAFONT,
A.; BOUGOUIN, W.; JOUVEN, X. Out-of-hospital cardiac arrest during the COVID-19 pandemic
in Paris, France: a population-based, observational study. The Lancet Public Health, [s. l.], v. 5,
n. 8, p. e437–e443, 2020.
 40

MARTINS, T. C. de F.; GUIMARÃES, R. M. Distanciamento social durante a pandemia da

Covid-19 e a crise do Estado federativo: um ensaio do contexto brasileiro. Saúde em Debate, [s.
l.], v. 46, n. spe1, p. 265–280, 2022.

MELENOTTE, C.; SILVIN, A.; GOUBET, A. G.; LAHMAR, I.; DUBUISSON, A.; ZUMLA, A.;
RAOULT, D.; MERAD, M.; GACHOT, B.; HÉNON, C.; SOLARY, E.; FONTENAY, M.;
ANDRÉ, F.; MAEURER, M.; IPPOLITO, G.; PIACENTINI, M.; WANG, F. S.; GINHOUX, F.;
MARABELLE, A.; KROEMER, G.; DEROSA, L.; ZITVOGEL, L. Immune responses during
COVID-19 infection. OncoImmunology, [s. l.], v. 9, n. 1, 2020. Disponível em:
https://www.tandfonline.com/doi/abs/10.1080/2162402X.2020.1807836. Acesso em: 17 jan. 2024.

MOREIRA, H. G.; TAVARES DE OLIVEIRA JÚNIOR, M.; PEREIRA VALDIGEM, B.;

MARTINS, C. N. Posicionamento sobre Segurança Cardiovascular das Vacinas contra COVID-19-
2022 Position Statement on Cardiovascular Safety of Vaccines Against COVID-19-2022
Realização: Grupo de Trabalho sobre Segurança Cardiovascular das Vacinas contra a COVID-19-
Comitê . Arq Bras Cardiol, [s. l.], v. 118, n. 4, p. 789–796, 2022. Disponível em:
https://doi.org/10.36660/abc.20220179. Acesso em: 8 jan. 2024.

MOUNTANTONAKIS, S. E.; SALEH, M.; COLEMAN, K.; KUVIN, J.; SINGH, V.; JAUHAR,
R.; ONG, L.; QIU, M.; EPSTEIN, L. M. Out-of-Hospital Cardiac Arrest and Acute Coronary
Syndrome Hospitalizations During the COVID-19 Surge. [S. l.: s. n.], 2020.

MSD. Figure: Regulação da pressão arterial: O sistema renina-angiotensina-aldosterona -

Manual MSD Versão Saúde para a Família. [S. l.: s. n.], [s. d.]. Disponível em:
https://www.msdmanuals.com/pt-br/casa/multimedia/figure/regulação-da-pressão-arterial-o-
sistema-renina-angiotensina-aldosterona. Acesso em: 21 dez. 2023.

NABAVI, N. Long covid: How to define it and how to manage it. BMJ (Clinical research ed.),
[s. l.], v. 370, p. m3489, 2020.

NAGIN, D. S.; SAMPSON, R. J. The Real Gold Standard: Measuring Counterfactual Worlds That
Matter Most to Social Science and Policy. Annual Review of Criminology, [s. l.], v. 2, p. 123–
145, 2019.

ORELLANA, J. D. Y.; MARRERO, L.; HORTA, B. L. Mortalidade por COVID-19 no Brasil em

distintos grupos etários: diferenciais entre taxas extremas de 2021 e 2022. Cadernos de Saúde
Pública, [s. l.], v. 38, n. 7, p. e00041922, 2022. Disponível em:
https://www.scielo.br/j/csp/a/5wM3t9x3ZwsM8WDGxfQJ9zC/. Acesso em: 18 jan. 2024.

OXFORD. COVID-19 Data Explorer - Nosso mundo em dados. [S. l.: s. n.], 2024. Disponível
em: https://ourworldindata.org/explorers/coronavirus-data-explorer. Acesso em: 8 out. 2023.

SUS. TabNet Win32 3.0:DATASUS. [S. l.: s. n.], 2024. Disponível em:
http://tabnet.datasus.gov.br/cgi/deftohtm.exe?sim/cnv/obt10uf.def. Acesso em: 9 jan. 2024.

TAVARES, C. de A. M.; AVELINO-SILVA, T. J.; BENARD, G.; CARDOZO, F. A. M.;

FERNANDES, J. R.; GIRARDI, A. C. C.; FILHO, W. J. Alterações da ECA2 e Fatores de Risco
para Gravidade da COVID-19 em Pacientes com Idade Avançada. Arquivos Brasileiros de
Cardiologia, [s. l.], v. 115, n. 4, p. 701–707, 2020. Disponível em:
 41

https://www.scielo.br/j/abc/a/JshSftLkXZVJ5PKLCJ7SQdP/. Acesso em: 21 dez. 2023.

UOL. Sequelas da covid-19 podem ser responsáveis por aumento de morte súbita. [S. l.: s. n.],
2023. Disponível em: https://natelinha.uol.com.br/super-viral/2023/11/25/sequelas-da-covid-19-
podem-ser-responsaveis-por-aumento-de-morte-subita-204340.php. Acesso em: 18 jan. 2024.

WANG, C.; HAO, W. Cardiac arrhythmia and immune response in COVID-19 patients.
Allergologia et Immunopathologia, [s. l.], v. 51, n. 4, p. 63–70, 2023. Disponível em:
https://www.all-imm.com/index.php/aei/article/view/883/1353. Acesso em: 17 jan. 2024.

ZANIN, M.; DUARTE1, M.; SILVEIRA1, P. H.; ANTÔNIO, T.; SOARES1, Y.; ALVES2, M. G.;
TÚLIO, M.; CARVALHO3, M.; OLIVEIRA, V.; PEREIRA3, S. MORTE SÚBITA CARDÍACA
EM JOVENS: UM EVENTO (IM) PREVISÍVEL. atenas.edu.br, [s. l.], v. 4, n. 2, 2022.
Disponível em: http://www.atenas.edu.br/revista/index.php/resic/article/download/320/291. Acesso
em: 18 dez. 2023.
 42

CAPÍTULO 2
SARS-COV-2 NO BRASIL: ALTAS TAXAS DE MORTALIDADE EM MUNICIPIOS
COM PRECARIEDADE DE SANEAMENTO

SARS-COV-2 IN BRAZIL: HIGH MORTALITY RATES IN MUNICIPALITIES

WITH POOR SANITATION
João Pedro Pereira Passos1 (autor correspondente)
[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

Artigo aceito para publicação pela revista Cuadernos de Educación y Desarrollo (CED),
(ISSN: 1989-4145)avaliada pelo sistema de rankeamento de revistas brasileiras Qualis CAPES
2017-2020 como A4. Mais informações podem ser obtidas em:
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/veiculoPublicacaoQualis/listaC
onsultaGeralPeriodicos.jsf
 43

SARS-COV-2 NO BRASIL: ALTAS TAXAS DE MORTALIDADE EM

MUNICIPIOS COM PRECARIEDADE DE SANEAMENTO

SARS-COV-2 IN BRAZIL: HIGH MORTALITY RATES IN MUNICIPALITIES

WITH POOR SANITATION
João Pedro Pereira Passos1 (autor correspondente)
[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

1
Doutorando da Rede de Biotecnologia e Biodiversidade da Amazônia Legal – BIONORTE. Palmas,
TO, Brasil.
2
Doutor em Ciências (Bioquímica) pela Universidade Federal do Paraná (2006). Atualmente é Professor
Associado I do curso de Medicina da Universidade Federal do Tocantins, Coordenador do LPPN
(Laboratório de Pesquisa de Produtos Naturais da UFT) e Professor Permanente nas Linhas de Pesquisa
em Bioprospecção e Desenvolvimento de Bioprocessos e Bioprodutos. BIONORTE. Palmas, TO, Brasil

RESUMO
Objetivo: O saneamento básico é um potencial indicador da propagação do COVID-19,
neste contexto, os padrões analíticos espaço-temporais são ferramentas importantes para
elucidar a propagação de doenças e identificar os potenciais fatores de risco. Objetivo:
Estudar a distribuição espacial dos casos e mortes por COVID no Brasil nos meses iniciais
da pandemia e avaliar uma possível associação entre os índices saneamento básico e taxas
de COVID-19 em todos os 5.565 municípios brasileiros. Métodos: Análise de correção
espacial dos dados de casos de COVID-19 registrados no Brasil a partir de 28 de fevereiro
até 01 de julho de 2020 associado com saneamento básico. Resultados: altas taxas de
incidência e mortalidade por COVID-19 nos municípios com mais baixos índices de
coleta e tratamento de esgoto, (<50%, média±DP 5,43±8,3289 e 1,22±1,94; p<0,0001)
do que naqueles com maiores índices de coleta e tratamento e tratamento de esgoto
(>50%), houve clusters com significativo autocorrelação espacial identificados
principalmente no Norte e Nordeste regiões para taxas de mortalidade e incidência (alto-
alto).Conclusão: Uma situação precária saneamento básico está associado com a altas
taxas de transmissão e mortes por COVID-19 no Brasil .

Palavras-chave: Brasil, COVID-19 , SARS-CoV-2, esgoto serviço

 44

ABSTRACT
Introduction: Basic sanitation is a potential indicator of the spread of COVID-19 disease,
in this context, space-time patterns are important tools to elucidate disease spread and
identify risk factors. The objective of this work is to study the spatial distribution of
COVID cases and deaths in Brazil in the early months of the pandemic and to evaluate a
possible association between basic sanitation indices and COVID-19 rates in all 5,565
municipalities in Brazil. Methods: Data on COVID-19 cases recorded in Brazil from
February 28 to July 1, 2020 associated with basic sanitation. ReSults: high incidence and
mortality rates from COVID-19 in the municipalities with the lowest rates of sewage
collection and treatment, (<50%, mean±SD 5.43±8.3289 and 1.22±1.94, respectively;
p<0.0001) than in those with higher rates of collection and treatment and treatment of
sewage (>50%), In addition, clusters with significant spatial autocorrelation identified
mainly in the north and northeast regions for mortality rates and incidence (high-high).
Conclusions: A poor sanitation situation is associated with high rates of transmission and
deaths from COVID-19 in Brazil.

Keywords: Brazil , COVID-19 , SARS-CoV-2, sewage servisse

 45

1 INTRODUÇÃO

A doença de coronavírus (COVID-19 ) causou uma pandemia global entre os anos

de 2020 e 2022, contaminando quase um décimo da população global (691.228.421

casos) e matando cerca de 7 milhões de pessoas(34), mesmo no ano de 2023 longe do

pico da emergência de saúde global morreram mais pessoas até o mês maio de 2023 no

Brasil de COVID-19 que de Dengue [334] e Cólera [68], permanecendo como a 4º causas

de morte não natural em média móvel semanal com média de 119 mortes por semana,

sendo superado somente pela violência [164], infecções respiratórias inferiores [218] e

doenças isquêmicas do coração [310](35).

No Brasil, somente 43% da população possui esgoto coletado e tratado e ainda

temos 12% da população utilizando fossa séptica (solução individual), ou seja, cerca de

55% da população não possui tratamento e coleta de esgoto, sendo que do esgoto coletado

18% não é tratado, o que pode ser considerado como um atendimento precário(36).

O manejo do COVID-19 e a prevenção de sua disseminação rápida e perigosa

continuam sendo um desafio global. O monitoramento águas residuais poderia ser um

potencial indicador da propagação do COVID-19 e neste contexto os padrões de análise

espaço-temporal são ferramentas importantes para elucidar a propagação de doenças e

identificar fatores de risco (37).

Portanto, o objetivo deste artigo é avaliar uma possível associação estatística entre

os índices de saneamento básico (coleta e tratamento de esgoto) e o COVID-19

(incidência e mortalidade) em todos os municípios do Brasil (n=5565) e sua distribuição,

para identificar possível alto risco de agrupamentos de transmissão.

 46

2 MATERIAIS E MÉTODOS

2.1 TIPO DE ESTUDO E DESCRIÇÃO DA ÁREA

Realizamos um estudo epidemiológico e ecológico utilizando análise de

correlação com ferramentas de análise espacial. Onde incluímos todos os casos

confirmados de COVID-19 e mortes no Brasil a partir de 28 de fevereiro a 01 de julho de

2020 (38) e dados de saneamento básico de todos os 5570 municípios do Brasil com base

na pesquisa nacional de saneamento realizada pelo IBGE no ano de 2017(39).

O Brasil ocupa uma área de 8,51 milhões de km2, quase 50% da América do Sul

com uma população total de 210,1 milhões de habitantes, sendo o quinto maior país do

mundo em território e o sexto maior em população(40).

Os dados foram coletados do site covid.saude.gov.br(38), um site de domínio

público atualizado diariamente pelo Ministério da Saúde, considerando o município de

residência e excluindo aqueles casos que não se fez presente a localização registros, os

dados sobre saneamento também foram obtidos do Sistema Nacional de Informação sobre

o Saneamento(41).

2.2 VARIÁVEIS E MEDIDAS

As taxas de incidência de casos por municípios (𝑇𝑥𝑐𝑎𝑠𝑜𝑠 ), calculado como o total

número de casos de COVID-19 (𝑁º𝑐𝑎𝑠𝑜𝑠 ) (em 01 de julho de 2020) dividido pela

população(𝑃𝑜𝑝𝑡𝑜𝑡𝑎𝑙 ), expressa por 10 000 habitantes:

Nºcasos
Txcasos = × 10.000
Poptotal

As taxas de mortalidade do municípios (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ), foram calculadas como o total

número de mortes por COVID-19 (𝑁º𝑚𝑜𝑟𝑡𝑒𝑠 ), até 01 de julho de 2020 dividido pela

população do munícipio (𝑃𝑜𝑝𝑡𝑜𝑡𝑎𝑙 ) , expressa por 100 mil habitantes:

Nºmortes
Txmortes = × 100.000
Poptotal
 47

Já o saneamento básico foi coletado no sistema do IBGE, sendo utilizado no

estudo o Indice sem coleta e sem tratamento (Insem_esg_trat ) definido como o número total

das populações urbanas e rurais servido do município sem coleta e tratamento de esgoto,

expresso em porcentagem (%).

2.3 ANÁLISE DE AGRUPAMENTO ESPACIAL

No cálculo para este estudo utilizamos o produto das diferenças da média global

para todos os pares de observações 𝑍𝑖 𝑒 𝑍𝑗 após soma-se estes produtos e se normaliza

pela variância(42):

∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑤𝑖𝑗 (𝑍𝑖 − 𝑍̅) × (𝑍𝑗 − 𝑍̅)

𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑀𝑜𝑟𝑎𝑛 =
∑𝑛 (𝑍𝑖 − 𝑍̅)2

A autocorrelação espacial de todas as variáveis foi calculado por o índice de

Moran univariado local de Moran para todas a variáveis, para verificar se a distribuição

espacial ocorre aleatoriamente no espaço.

Também foi aplicada a correlação de moran bivariada comparando a proporção

da população sem acesso a esgoto e tratamento (Insem_esg_trat ), solução individual

(Insol_ind) e as taxas de incidência de casos por municípios (𝑇𝑥𝑐𝑎𝑠𝑜𝑠 ) e taxas de

mortalidade dos municípios (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ).

2.4 TESTE DE HIPÓTESE

Para determinar se a quantidade de casos de COVID-19 e os níveis de acesso da

população ao esgotamento sanitário estão associados, realizamos um teste qui-quadrado

para associação (43)utilizando o software estatístico Minitab 18 (44) para definir a

existência de alguma relação entre a prevalência de casos (𝑇𝐼𝐶𝑜𝑣𝑖𝑑 ) e óbitos (𝑇𝑀𝐶𝑜𝑣𝑖𝑑 )

COVID-19 por municípios da federação nos períodos iniciais da pandemia e as proporção

da população bivariada (alto acesso a esgotamento >50% e baixo acesso <50%) sem
 48

esgoto por unidade da federação de 2017 (𝑇𝐼𝐸𝑠𝑔𝑜𝑡𝑜 ) com nível de significância de p <

0,05.

2.5 PROGRAMAS
Foi utilizado o Microsoft Office Excel 2016 (45) e para análise e tabulação e o

software GEODA (46) foi utilizado para executar a análise espacial e para criar os mapas

e MINITAB para o teste de hipótese (44).

2.6 QUESTÕES ÉTICAS

Como esta pesquisa analisou dados de domínio públicos disponíveis online sem

qualquer tipo de identificação, não havendo a necessidade de aprovação do CEP para seu

uso científico (47).

2.7 DISPONIBILIDADE DE DADOS :

os conjuntos de dados eram derivado de fontes no _ público domínio : Coronavírus

Brasil: https://COVID-19 .saude.gov.br e Nacional Sistema de Informação de Saneamento :

http://www.snis.gov.br/diagnostico-anualagua-e-esgotos/diagnostico-dosservicos-de-agua-e-esgotos-2018

.
 49

3 RESULTADOS

As taxas de incidência (Txcasos ) foram representadas em mapas temáticos

estratificados em cinco categorias iguais de acordo com a média (4,2 casos por 10 mil

hab.) até dois desvios padrão em relação à média (DP=±6,71 casos por 10 mil hab), figura

1D, e também estratificados em 5 grupos com quantidade de casos por 10 mil hab < 0,47

(n=1104), entre 0,48 e 1,360 (n=1117), entre 1,37 e 2,98 (n=1121), 2,99 e 6,43 (n=1112)

e acima de 6,44 casos por 10 mil hab (n=1111), figura 2A.

Da mesma forma, as taxas de mortalidade (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ), também foram

representadas em mapas temáticos estratificados em cinco categorias de acordo com a

média (1,06 casos por 10 mil hab.) até dois desvios padrão em relação a média (DP=±1,79

mortes por 100 mil hab), figura 1B. Também estratificados em 3 grupos com quantidade

de mortes por 100 mil hab < 0,599 (n=3340), entre 0,6 e 1,8 (n=1112) e acima de 1,852

(n=1113), figura 2E.

O Indice sem coleta e sem tratamento (Insem_esg_trat ) foi estratificado em 5

categorias iguais (n=1114) de municípios com menos de 7,6% da população sem esgoto,

municípios entre 7,6% e 27% da população sem saneamento, entre 27 e 61%, entre 61%

e 88,2% e acima de 88,2% da população sem coleta e tratamento de esgoto, figura 1C,

além disso foi estratificado de acordo com a média (46,6%) e até dois desvios padrão

(DP=±35,55%), figura 2F.

Como teorizado, observou-se mais altas taxas de incidência e mortalidade por

COVID-19 nos municípios com mais baixos índices de coleta e tratamento de esgoto

(<50%, média±DP 5,43±8,3289 e 1,22±1,94, respectivamente; p<0,0001; tabela 1) do

que naqueles com maiores índices de coleta e tratamento e tratamento de esgoto (>50%),

Tabela 2.
 50

Tabela 2 - Estatísticas descritivas e Teste t para 2 Amostras nos municípios do Brasil referente a
ESGOTO (𝐼𝑛𝑠𝑒𝑚_𝑒𝑠𝑔_𝑡𝑟𝑎𝑡 ), MORTES (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ) e CASOS(𝑇𝑥𝑐𝑎𝑠𝑜𝑠 )
3009 2559
N
ALTO BAIXO
MÉDIA 17% 82%
ESGOTO DESVIO PADRÃO 14,64% 14,70%
(𝐈𝐧𝐬𝐞𝐦_𝐞𝐬𝐠_𝐭𝐫𝐚𝐭 ) IC de 95% para a diferença -65 (-65,738; -64,262)
VALOR -P <0,0001
MÉDIA 0,93 1,22
MORTES
DESVIO PADRÃO 1,63 1,94
(𝐓𝐱 𝐦𝐨𝐫𝐭𝐞𝐬 )
IC de 95% para a diferença -0,29 (-0,3851; -0,1949)
VALOR-P <0,0001
MÉDIA 3,31 5,43
CASOS
DESVIO PADRÃO 4,77 8,3
(𝐓𝐱 𝐜𝐚𝐬𝐨𝐬 )
IC de 95% para a diferença -2,12 (-2,484; -1,756)
valor-p <0,0001
Fonte: Elaboração Própria com dados (48,49)
A distribuição e o espaço de análise das taxas de incidência e mortalidade por

COVID-19 em todo o território brasileiro são mostrados na Figura 1, os casos foram

largamente distribuídos por todo o país e um total de 1.442.814 casos foram registrados

até o período de corte deste estudo em 92% dos 5.566 municípios estudados.

Altíssimas taxas de incidência (Txcasos ) acima de dois desvios da média geral

(>17,6 casos por 10 mil habitantes) foram detectados em 206 municípios, sendo 43,2%

(n=89) localizados na região Norte e 48,5% (n=100) na região Nordeste (Figura 2 D).

Além disso, elevadas taxas de mortalidade (≥46/100 000 habitantes) foram

cadastrados em 307 municípios, sendo que destes 30% (n=93) localizados na região Norte

e 44% (n=134) na região Nordeste (Figura 2 E).

O prospectivo espacial da análise identificou uma significativa autocorrelação

espacial (I=0,350; p<0,001) para a taxa de incidência de COVID-19 (𝑇𝑥𝑐𝑎𝑠𝑜𝑠 ) sendo que

937 municípios foram categorizados como áreas de alto risco para a doença (alta/alta).
 51

Figura 1 - Taxas de incidência (Txcasos ), 2A; taxas de mortalidade (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ) 2B, Indice sem coleta e sem tratamento (Insem_esg_trat ) 2C; Taxas de incidência (Txcasos ) de
acordo com a média é desvio padrão (2D); taxas de mortalidade (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ) de acordo com a média é desvio padrão (2E) e Indice sem coleta e sem tratamento
(Insem_esg_trat ) de acordo co a média e o desvio padrão (2E).

E F
 52

Fonte: Elaboração Própria com dados (BRASIL, 2023; SAÚDE, 2023) e utilização do Software Geoda
Figura 2 -3A : Análise de cluster LISA das taxas de mortalidade por 100 mil hab. (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ); 3B: Análise de cluster LISA das taxas casos por 10 mil hab. (Txcasos ); 3E:
Análise de cluster LISA do índice da população sem coleta e tratamento de esgoto (Insem_esg_trat ); 3C: Moran bivariada taxas de mortalidade (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ) e população sem
coleta e tratamento de esgoto (Insem_esg_trat ); 3D: Moran bivariada casos por 10 mil hab. (Txcasos ).

Fonte: Elaboração Própria com dados (BRASIL, 2023; SAÚDE, 2023) e utilização do Software Geoda
 53

Os maiores aglomerados foram observados nos municípios de o Regiões Nordeste e Norte (

Figura 3 B).

Da mesma forma, significativa autocorrelação espacial (I=0,219; p<0,001) foram

notificados de óbitos por COVID-19 (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ), coma a identificação de 892 municípios

podem ser consideramos de alto risco para mortalidade por COVID-19 com clusters altos/altos

distribuídos principalmente nos municípios localizado nas regiões Nordeste e Norte (Figura 3

A).

Observamos significativa autocorrelação espacial (I=0,419; p<0,001) quanto a

distribuição espacial dos municípios com baixo grau de coleta e saneamento (𝐼𝑛𝑠𝑒𝑚_𝑒𝑠𝑔_𝑡𝑟𝑎𝑡 ) .

Além do mais, foi identificado que 2.108 municípios com clusters altos/altos distribuídos

principalmente nos municípios localizado nas Regiões Nordeste e Norte (Figura 3 E).

Figura 3 - Mapa de significância cluster I Moran local bivariado índice da população sem coleta e
tratamento de esgoto (Insem_esg_trat ) versus taxas casos por 10 mil hab. (Txcasos ); 3B: Mapa de
significância cluster I Moran local bivariado índice da população sem coleta e tratamento de esgoto
(Insem_esg_trat ) versus taxas de mortalidade por 100 mil hab. (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 );

Fonte: Elaboração Própria com dados (BRASIL, 2023a; SAÚDE, 2023) e utilização do Software
Geoda
Foi utilizada uma matriz de pesos espaciais do tipo Rainha (Queen), o resultado indica

a existência de autocorrelação espacial positiva entre as variáveis a um nível de significância

de 5% (0,05), 1%(0,01) e 0,1% (0,0010 correlação espacial bivariada significativa na maioria

 54

dos munícipios com I Moram significativo em 99,94% dos municípios quanto a

Insem_esg_trat 𝑣𝑒𝑟𝑠𝑢𝑠 Txcasos ; e , figura 3A e .99,92% dos municípios quanto a correlação

espacial entre a 𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 e Insem_esg_trat ., figura 4B.

Na figura 2 também é possível observar o valor do I de Moran bivariado para as

variáveis Indice da população sem coleta e tratamento de esgoto (𝐼𝑛𝑠𝑒𝑚_𝑒𝑠𝑔_𝑡𝑟𝑎𝑡 ) com a

incidência de casos por 10 mil hab (𝑇𝑥𝑐𝑎𝑠𝑜𝑠 ) e quantidade de morte por 100 mil habitantes

(𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ) no período analisado.

No mapa de cluster do índice da proporção da população por município sem coleta e

tratamento de esgoto (𝐼𝑛𝑠𝑒𝑚_𝑒𝑠𝑔_𝑡𝑟𝑎𝑡 ) correlacionado espacialmente com a incidência de casos

por 10 mil hab (𝑇𝑥𝑐𝑎𝑠𝑜𝑠 ), ficou evidente a formação de agrupamentos espaciais alto-alto (AA)

concentradas principalmente nas regiões Norte e Nordeste (n=1104), ou seja, nos locais onde

existe grande proporção da população sem saneamento básico também ocorreram elevadas

taxas de casos por 10 mil habitantes de COVID-19.

Enquanto o regime espacial baixo-baixo (BB) demonstra aglomerações de municípios

que apresentaram baixo percentual da população sem saneamento, ocorreram poucos casos da

doença (n= 3071).

As mesmas relações se mantiveram quando criamos os cluster espaciais de relacionando

os esgotamento esgoto (𝐼𝑛𝑠𝑒𝑚_𝑒𝑠𝑔_𝑡𝑟𝑎𝑡 ) com a quantidade de óbitos por COVID-19 (𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ),

com aglomerações elevadas de cidades onde ocorre a alta proporção da população sem acesso

a coleta e tratamento com altas taxas de mortes por COVID-19 (n=1.067) novamente

concentrados no Nordeste do pais.

 55

4 DISCUSSÃO

Uma das formas de proliferação do agente viral responsável pela COVID-19 é no

sistema gastrointestinal humano. De acordo dados iniciais do ponto zero em Wuhan cerca de

79% dos pacientes apresentaram sintomas gastrointestinais como diarreia, diminuição do

apetite, náuseas, vômitos, dor abdominal e sangramento gastrointestinal durante o início e

subsequente hospitalização (50–53).

Em estudo realizado com pacientes contaminados, foi confirmada a presença do RNA

viral SARS-CoV-2 em amostras fecais e esfregaços anais e cerca de 48% do pacientes com

COVID-19 em Hong Kong tinha o SARS-COV-2 detectável em amostras de fezes, mesmo após

testes negativos de amostras respiratórias, ainda por meio de análises estatísticas, sugerem a

possibilidade da duração da excreção viral nas fezes ocorrer por até 5 semanas após as amostras

respiratórias apresentarem resultados negativos. (54,55).

Não é surpreendente que o SARS-CoV-2 possa infectar através do trato gastrointestinal,

afinal como muitos outros coronavírus, incluindo alguns Beta coronavírus, são conhecidos por

causar sintomas gastrointestinais (54,55).

O receptor de SARS-CoV-2, enzima conversora de angiotensina 2, é expresso

abundantemente nos tecidos pulmonares, sendo que existem várias partes do corpo humano que

expressam receptores ACE-2, como pulmões (células epiteliais alveolares, sistema

cardiovascular, testículo, nasal, mucosa oral, nasofaringe, camada basal do epitélio escamoso

não queratinizado) e células musculares lisas. Sendo os enterócitos um portador de receptores

ACE-2. Isso torna o vírus capaz de se reproduzir no trato gastrointestinal (56).

A sobrevivência dos vírus na água depende de uma série de fatores ambientais, como

luz solar, presença de matéria orgânica ou microrganismos, mas o principal deles é a

temperatura. Wu et al (57) concluíram que os coronavírus permanecem em abastecimento

 56

público de água por até 10 dias em temperatura ambiente (23°C) e até 100 dias em baixas

temperaturas (4°C).

O estudo de Guerrero-Latorre et al. (58) foi o primeiro a registrar o RNA do vírus SARS-

CoV-2 em águas de rios urbanos em Quito, Equador. Foram quantificados altos níveis de carga

viral, o que pode ser explicado pelo fato de esse corpo hídrico receber esgoto sem tratamento

de mais de 3 milhões de pessoas.

Apesar da implementação de prevenção medidas como distanciamento social práticas e

uso de máscara facial com eficácia comprovada quanto a transmissão via aerossol pulmonar de

cerca de 95%, milhares de brasileiros foram infectados pelo COVID-19 (59,60).

Neste trabalho observamos que a maioria dos casos de COVID-19 (𝑇𝑥𝑐𝑎𝑠𝑜𝑠 ) e mortes

(𝑇𝑥𝑚𝑜𝑟𝑡𝑒𝑠 ) foram distribuídos entre municípios com baixa cobertura de coleta e tratamento de

esgoto

Historicamente, o Brasil sempre teve dificuldades em controlar surtos infeccioso

doenças com estabelecida transmissão hídricas, como ascaridíase, giardíase e amebíase (61).

Observamos uma distribuição espacial no Brasil dos casos e mortes em relação a população do

COVID-19 com os mesmos padrões das demais doenças de transmissão hídrica, cujo veículo

de transmissão se relacionadas aos índices de saneamento como a hepatite A ou mesmo a já

esquecida cólera (61,62).

A heterogênea distribuição dos índices de tratamento de esgoto não pode ser dissociada

de outros fatores que sem dúvida tornam estas regiões que são mais pobres suscetíveis a um

impacto maior da doença que regiões mais ricas, o que só aumenta a urgência de medidas tais

como implantação de programas voltados a epidemiologia de águas residuais concomitante a

melhorias no sistema de coleta e tratamento de esgoto.

 57

O potencial transmissão fecal-oral pode representar um maior risco em locais fechados,

grandes aglomerações como condomínios e áreas densamente povoadas, como albergues,

instalações de camping, casas de repouso e cruzeiros navios, explicando inclusive a enorme

rapidez com que o vírus se espalha nestes, mesmo com as pessoas confinadas de em seus

quartos, pois o aerossol sanitário se espalha pelas redes de esgotamento.

Sobre isto temos o caso emblemático do navio cruzeiro Princess Diamond, onde no caso

estudos posteriores demonstraram que a transmissão não poderia ser somente pelo aerossol

pulmonar caso tivessem embarcado doentes 320 dos 700 passageiros, observando que deveriam

estar assintomáticos, pois somente o fato de apresentar sintomas já impediria o embarque (63).
 58

5 CONCLUSÃO

Neste ponto e importante ressaltar que conduzimos este estudo usando dados

secundários relatados após a pandemia, portanto supomos estarem já consolidados. Além disso,

outros estudo que relacionem o acesso a água potável e índices de perca na distribuição

poderiam auxiliar a corroborar as ideias deste trabalho.

Por fim, apesar das limitações, estes achados sem dúvida fornecem dados relevantes

para a tomada de decisão e o planejamento de novas políticas públicas para enfrentar a epidemia

no Brasil, considerando as condições de vida da população.

REFERÊNCIAS

1. OMS. Coronavirus Disease. 2022 [cited 2024 Jan 25]. Coronavirus Disease. Available
from: https://www.who.int/emergencies/diseases/novel-coronavirus-2019

2. Brasil M da S do. Datasus. 2023 [cited 2023 Jul 9]. DATASUS - Ministério da Saúde.
Available from: https://datasus.saude.gov.br/

3. Brasil AN de Á (ANA). Atlas Esgotos - Despoluição de Bacias Hidrográficas. Angew

Chemie Int Ed 6(11), 951–952. 2017;1–92.

4. Núñez-Delgado A. What do we know about the SARS-CoV-2 coronavirus in the

environment? Vol. 727, Science of the Total Environment. Elsevier B.V.; 2020.

5. SAÚDE M DA. Coronavírus Brasil [Internet]. 2023 [cited 2021 Mar 2]. Available
from: https://covid.saude.gov.br/

6. IBGE. Pesquisa Nacional de Saneamento Básico - 2017. Ministério da Economia.

2020. 128.

7. IBGE. Portal do IBGE. 2023 [cited 2021 Mar 2]. Brasil | Cidades e Estados | IBGE.
Available from: https://www.ibge.gov.br/cidades-e-estados.html?view=municipio

8. BRASIL. PAINEL SNIS [Internet]. 2023. Available from: https://www.gov.br/mdr/pt-

br/assuntos/saneamento/snis/painel

9. Luzardo AJR, Castañeda Filho RM, Rubim IB. Análise espacial exploratória com o
emprego do Índice de Moran [Exploratory spatial analysis using the Moran Index].
GEOgaphia. 2017;19(40):161–79.
 59

10. Larson R, Farber B. Estatística Aplicada [4a Ed][Larson & Farber][2010].pdf. 2010. p.
640.

11. MINITAB. Empresa | Minitab [Internet]. 2020 [cited 2019 Oct 19]. Available from:
https://www.minitab.com/pt-br/company/

12. Microsoft. Software de planilha Microsoft Excel | Microsoft 365 [Internet]. 2023
[cited 2023 Jul 6]. Available from: https://www.microsoft.com/pt-br/microsoft-365/excel

13. University of Chicago. Chicago University. 2023 [cited 2023 Jul 6]. Download |
GeoDa on Github. Available from: https://geodacenter.github.io/download.html

14. CONEP. RESOLUÇÃO No 510, DE 07 DE ABRIL DE 2016 [Internet]. Brasília 2016

p. 2071–9. Available from: http://conselho.saude.gov.br/resolucoes/2016/Reso510.pdf

15. ANA. RELATÓRIO DE ESGOTAMENTO SANITÁRIO MUNICIPAL [Internet].

2017. Available from:
https://portal1.snirh.gov.br/arquivos/Atlas_Esgoto/Pará/Relatorio_Geral/Belém.pdf

16. IBGE. 2020. 2020 [cited 2020 Sep 18]. Tabela 1773: Volume de água tratada
distribuída por dia, total e com existência de tratamento, por tipo de tratamento. Available
from: https://sidra.ibge.gov.br/tabela/1773#resultado

17. Liu J, Cui M, Yang T, Yao P. Correlation between gastrointestinal symptoms and
disease severity in patients with COVID-19: A systematic review and meta-analysis. Vol. 7,
BMJ Open Gastroenterology. BMJ Publishing Group; 2020.

18. Zhou J, Li C, Liu X, Chiu MC, Zhao X, Wang D, et al. Infection of bat and human
intestinal organoids by SARS-CoV-2. Nat Med. 2020 Jul 1;26(7):1077–83.

19. Wu F, Zhao S, Yu B, Chen YM, Wang W, Song ZG, et al. A new coronavirus
associated with human respiratory disease in China. Nature. 2020 Mar 12;579(7798):265–9.

20. McDermott C V., Alicic RZ, Harden N, Cox EJ, Scanlan JM. Put a lid on it: are faecal
bio-aerosols a route of transmission for SARS-CoV-2? Vol. 105, Journal of Hospital
Infection. W.B. Saunders Ltd; 2020. p. 397–8.

21. Meng XJ, Liang TJ. SARS-CoV-2 Infection in the Gastrointestinal Tract: Fecal–Oral
Route of Transmission for COVID-19? Gastroenterology [Internet]. 2021 Apr 1 [cited 2021
Sep 20];160(5):1467. Available from: /pmc/articles/PMC7790455/

22. Cheung KS, Hung IFN, Chan PPY, Lung KC, Tso E, Liu R, et al. Gastrointestinal
Manifestations of SARS-CoV-2 Infection and Virus Load in Fecal Samples From a Hong
Kong Cohort: Systematic Review and Meta-analysis. Gastroenterology. 2020 Jul
1;159(1):81–95.

23. Wu FQ, Xiao A, Zhang JB, Gu XQ, Lee WL, Kauffman K, et al. SARS-CoV-2 titers
in wastewater are higher than expected from clinically confirmed cases. medRxiv. medRxiv;
2020.
 60

24. Ma Y, Zhao Y, Liu J, He X, Wang B, Fu S, et al. Effects of temperature variation and

humidity on the death of COVID-19 in Wuhan, China. Sci Total Environ. 2020 Mar
1;724:138226.

25. Guerrero-Latorre L, Ballesteros I, Villacrés-Granda I, Granda MG, Freire-Paspuel B,

Ríos-Touma B. SARS-CoV-2 in river water: Implications in low sanitation countries. 2020
[cited 2023 Jul 9]; Available from: https://doi.org/10.1016/j.scitotenv.2020.140832

26. Daniel Leal Bayerlein. IPT - Instituto de Pesquisas Tecnológicas [Internet]. seminário
do MCTIC e Ministério das Minas e Energia. 2019 [cited 2023 Jun 2]. p. 1. Available from:
https://www.ipt.br/noticia/1623-_perguntas_sobre_isolamento_social.htm

27. Chan JFW, Yuan S, Kok KH, To KKW, Chu H, Yang J, et al. A familial cluster of
pneumonia associated with the 2019 novel coronavirus indicating person-to-person
transmission: a study of a family cluster. Lancet. 2020 Feb 15;395(10223):514–23.

28. Carvalho LS de, Agle CG, Rocha LMT, Marques BR das NS, Pedreira TN. Análise
dos aspectos epidemiológicos da cólera no Brasil: Um estudo da última década / Analysis of
the epidemiological aspects of Cholera in Brazil: A study of the last decade. Brazilian J Heal
Rev. 2020;3(5):13996–4007.

29. Bastos TV de A, Libonati NSCB, Nascimento KF de LN, Paiva LN, Figueiredo AP,
Silva MPF da, et al. Avaliação do perfil epidemiológico da Hepatite A nas regiões do Brasil
entre 2012 e 2021. Res Soc Dev. 2022;11(11):e401111133719.

30. Mizumoto K, Chowell G. Transmission potential of the novel coronavirus (COVID-

19) onboard the diamond Princess Cruises Ship, 2020. Infect Dis Model. 2020 Jan 1;5:264–
70.
 61

CAPÍTULO 3
PERCEPÇÃO DOS EFEITOS DA VACINAÇÃO E ANÁLISE DA EFICÁCIA DE
LONGO PRAZO DO ISOLAMENTO NO ESTADO DE SÃO PAULO, BRASIL,
DURANTE A PANDEMIA DE COVID-19

PERCEPTION OF THE EFFECTS OF VACCINATION AND ANALYSIS OF THE

LONG-TERM EFFICACY OF ISOLATION IN THE STATE OF SÃO PAULO,
BRAZIL, DURING THE COVID-19 PANDEMIC
João Pedro Pereira Passos1 (autor correspondente)
[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

Artigo em fase de revisão por pares na revista Hygeia - Revista Brasileira de Geografia
Médica e da Saúde (ISSN: 1980-1926), avaliada pelo sistema de rankeamento de revistas
brasileiras Qualis CAPES 2017-2020 como A1. Mais informações podem ser obtidas em:
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/veiculoPublicacaoQualis/listaC
onsultaGeralPeriodicos.jsf
 62

PERCEPÇÃO DOS EFEITOS DA VACINAÇÃO E ANÁLISE DA EFICÁCIA DE

LONGO PRAZO DO ISOLAMENTO NO ESTADO DE SÃO PAULO, BRASIL,
DURANTE A PANDEMIA DE COVID-19

PERCEPTION OF THE EFFECTS OF VACCINATION AND ANALYSIS OF THE

LONG-TERM EFFICACY OF ISOLATION IN THE STATE OF SÃO PAULO, BRAZIL,
DURING THE COVID-19 PANDEMIC
João Pedro Pereira Passos1 (autor correspondente)
[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

1
Doutorando da Rede de Biotecnologia e Biodiversidade da Amazônia Legal – BIONORTE. Palmas, TO,
Brasil.
2
Doutor em Ciências (Bioquímica) pela Universidade Federal do Paraná (2006). Atualmente é Professor
Associado I do curso de Medicina da Universidade Federal do Tocantins, Coordenador do LPPN (Laboratório de
Pesquisa de Produtos Naturais da UFT) e Professor Permanente nas Linhas de Pesquisa em Bioprospecção e
Desenvolvimento de Bioprocessos e Bioprodutos. BIONORTE. Palmas, TO, Brasil

RESUMO
O presente estudo analisou os impactos do isolamento social no Estado de São Paulo utilizando
o Indice de isolamento Estado de São Paulo (2020a), novos casos e óbitos diários no estado de
São Paulo entre 17de março 2020 e 31 de dezembro 2021 (n=655) e entre 17 de março de 2020
e 06 de junho de 2023 (n=1177) “Coronavírus - Dados Completos” (). Metodologia: Foi
utilizado o teste de T-pareado em relação as medias de casos no período pré e pós isolamento,
Ponto de ruptura bayesianoTalts et al. (2018), arvore de correlação e regressão Breiman et al.
(2017a) e análise de impacto causal (KAY H. BRODERSEN, 2022a). Resultados: O teste t-
pareado foi significativo, sendo Valor-p<0.05 para todas as médias, assim mesmo podendo
inferir que há efeito significativo das ações de isolamento social sobre os casos de COVID no
Estado de São Paulo, este efeito parece nesta primeira análise inversa ao que se esperaria uma
vez que as quantidades casos e óbitos sem isolamento são significativamente menores, ao
mesmo tempo o ponto de impacto causal não detectaram efeitos significativos do isolamento,
porquanto já a ruptura de bayes referente a casos e óbitos diários no período detectou um
variável latente que acreditamos se tratar do impacto da eficácia da vacina e duração da proteção
sobre a porcentagem da população vacinada. Conclusão: No presente estudo demonstramos que
existem fatores externos aos indicadores de casos e mortes por COVID-19 que mesmo latentes
influenciam os dados, e ao mesmo existem ações que ao que parecem foram insipidas sob o
aspecto de impacto nos resultados.
Palavras-chave: COVID-19, isolamento social, Estado de São Paulo, ponto de ruptura de bayes e impacto causal
 63

ABSTRACT
The present study analyzed the impacts of social isolation in the State of São Paulo using the
Isolation Index (ESTADO DE SÃO PAULO, 2020b), new cases and daily deaths in the state
of São Paulo between March 17, 2020 and December 31, 2021 (n= 655) and between March
17, 2020 and June 6, 2023 (n=1177) (“Coronavirus - Complete Data”, [S.d.]). Methodology:
The paired T test was used in relation to the averages of cases in the pre- and post-isolation
period, Bayesian breaking point (TALTS et al., 2018), correlation and regression tree
(BREIMAN et al., 2017a) and causal impact analysis (KAY H. BRODERSEN, 2022a). Results:
The paired t-test was significant, with p-value <0.05 for all means, even though it can be
inferred that there is a significant effect of social isolation actions on COVID cases in the State
of São Paulo, this effect appears at first analysis inverse to what would be expected since the
numbers of cases and deaths without isolation are significantly lower, at the same time the point
of causal impact did not detect significant effects of isolation, as the Bayes rupture referring to
daily cases and deaths in the period detected a latent variable that we believe is the impact of
vaccine efficacy and duration of protection on the percentage of the population vaccinated.
Conclusion: In the present study we demonstrated that there are factors external to the indicators
of cases and deaths due to COVID-19 that, even latent, influence the data, and at the same time
there are actions that apparently were insipid in terms of impact on the results.
Keywords: COVID-19, social isolation, State of São Paulo, Bayes breaking point and causal impact
 64

1 INTRODUÇÃO

Este estudo objetiva avaliar o efeito real da sua decisão de ficar em casa durante a

pandemia de COVID-19? Às vezes queremos saber o efeito de nossa decisão, mas infelizmente

não podemos observar o universo alternativo - condição quando não tomamos tal decisão.

Assim, como poderíamos saber se tomamos a decisão de isolamento social foi correta

ou não?

Propormos algo relativamente novo, pois em geral a análise de séries temporais foge do

campo das análises inferenciais usuais, mas tentaremos, pois cremos ser possível fazer testes

de hipóteses de séries temporais, para isto precisamos entender que:

• Séries temporais: conjunto de dados que são obtidos em ordem sequencial, compostos
por componentes como tendência e sazonalidade (64). Por exemplo: quantidade de
chuvas por dia, valores gastos por dia em uma família, número de pessoas doentes em
uma pandemia...
• Teste de hipótese: examinar se os dados observados suportam nosso palpite inicial, por
exemplo, o time A joga melhor do que o time B(65).
Em resumo, os testes de hipóteses de séries temporais falam sobre como identificamos

se diferentes períodos têm observações significativamente diferentes (64) Qual a diferença para

a realização do teste t? Bem, nós realmente comparamos a diferença entre dois ou mais grupos.

Mas o desafio é que cada observação em dados de séries temporais tem dependência

serial de outras observações, também contém tendência e sazonalidade (por exemplo, as

transações crescem 1,5x nos últimos 3 anos, mais transações ocorrem nos fins de semana), então

não podemos simplesmente separar a observação em alguns grupos, logo vamos executar além

de um teste T pareado comparando a quantidade de casos de COVID antes e depois da

implementação do isolamento vamos apresentar mais três análises que podem ser úteis quanto

a análise da eficácia do isolamento, quais sejam: Ponto de ruptura bayesiano(66,67), arvore de

correlação e regressão (68) e análise de impacto causal (69).

 65

Ressaltamos que estas análises, referente ao ponto de ruptura de bayes e de impacto para

verificar se ocorreu alguma influência das variáveis analisadas ou mesmo a existência de uma

variável latente que poderia ser detectada são raras devido a sua complexidade de execução e

quanto ao mesmo tempo que referente aos efeitos do isolamento há pouquíssima literatura

sendo que não foi encontrado nenhum estudo análogo sobre o mesmo tema.

Por outro lado, o tema é constantemente tangenciado em diversos estudos sobre seus

efeitos nas mais diversas situações desde o sofrimento psicológico (70) até mesmo maus tratos

infantil (60)chegando até mesmo à religiosidade (71), todavia sobre seus reais efeitos ou mesmo

aplicabilidade no período da pandemia pouco foi escrito, ao ponto que mero questionamento de

sua eficácia beirar a heresia sendo praticamente um tabu, juntamente sobre este tema que este

estudo se debruça.

Veja bem, quando falamos de eficácia não estamos debatendo a eficiência do isolamento

para mitigar o problema de forma momentânea, mas seus malefícios e perda da eficiência ao

ser aplicado por longos períodos, como é o caso do Estado de São Paulo, no Brasil.

Neste estudo trabalhamos com três séries temporais de dados do Estado de São Paulo

relacionados a dados e novos casos e óbitos por COVID-19 (72) e isolamento social todos dados

diários entre dias 17de março 2020 e 31 de dezembro 2021 (73) onde efetuamos algumas

analises com o objetivo de responder a pergunta inicial, que podemos reelaborar da seguinte

forma: ocorreu um efeito real nos casos e óbitos de COVID-19 em decorrência das ações de

isolamento social durante a pandemia de COVID-19, no Estado de São Paulo?

 66

2 METODOLOGIA

2.1 LOCAL
O estado de São Paulo é o maior estado do Brasil em termos populacionais e econômico,

com uma população de 44.420.459 habitantes e uma PIB (Produto Interno Bruto) na casa dos

U$ 603,4 bilhões, maior que países como Polônia, Suécia, Bélgica, Argentina, Áustria,

Noruega, Irlanda, Singapura e Dinamarca(74).

Neste cenário uma ação governamental que parou a terceira maior economia e o terceiro

maior mercado consumidor da América Latina, como a determinação da população “não sair

de casa” deve ser muito bem analisada e tomada de forma cirúrgica objetivando ao invés de

resolver um problema de saúde crie um cenário de desolação econômica e social.

2.2 DADOS

2.2.1 Isolamento
O SIMI-SP (Sistema de Monitoramento Inteligente de São Paulo) é viabilizado por meio

de acordo com as operadoras de telefonia Vivo, Claro, Oi e TIM, através da ABR (Associação

Brasileira de Recursos em Telecomunicações) e do IPT (Instituto de Pesquisas Tecnológicas),

para que o Estado possa consultar informações agregadas e anônimas sobre deslocamento nos

municípios paulistas mapeados (59).

Em respeito à proteção de dados, as informações são aglutinadas e anonimizadas,

respeitando a privacidade dos usuários. Apresentando dessa forma, dados georreferenciados

agrupados para elaborar políticas públicas que aprimorem as medidas de isolamento social para

o enfrentamento ao coronavírus.

O índice de isolamento é um dos recursos incluídos no SIMI-SP. Ele é disponibilizado

pelas prestadoras de serviços de telecomunicação (Vivo, Claro, Tim, Oi) por meio de uma

plataforma Big Data que é gerida pela Associação Brasileira de Recursos em Telecomunicações

(59).
 67

Segundo as prestadoras de serviços de telecomunicação, o índice de isolamento é

baseado na localização obtida pelas antenas de celulares (Estações Rádio Base – ERBs), as

quais “marcam” uma referência para o lugar onde o celular “dormiu” entre as 22h00 e 2h00.

Durante o dia, um celular que tenha se afastado desta referência (que é variável, mas, para dar

uma ideia, chega a aproximadamente 200 metros na cidade de São Paulo), é considerado fora

do isolamento. Todo este processamento é feito pela operadora.

O índice é atualizado diariamente, sempre mostrando os valores referentes ao do dia

anterior:

Equação 1 - Índice de isolamento

𝑁º 𝑑𝑒 ℎ𝑎𝑏. 𝑡𝑜𝑡𝑎𝑙
𝐼𝐷𝑖𝑎 = 𝐷 − 1 𝑜𝑛𝑑𝑒 𝐷 =
𝑁º 𝑑𝑒 ℎ𝑎𝑏. 𝑖𝑠𝑜𝑙𝑎𝑑𝑜𝑠

Fonte: autor adaptado de Bayerlein 2019)

Este espaço de tempo das informações ocorre em função do trabalho das operadoras

para agregar e anonimizar os dados, antes da geração dos índices que são repassados ao SIMI-

SP, em respeito à privacidade de cada usuário.

2.2.2 Casos e óbitos diários por COVID-19

Já os dados referentes aos novos casos diárias e óbitos foram obtidos no sítio eletrônico

do Centro de Contingência do Estado de São Paulo SÃO PAULO (2021) para monitorar e

coordenar ações contra a propagação do novo coronavírus no período referente a 17 de fevereiro

de 2020 a 31 de dezembro de 2021 (n=655) e 31 de dezembro 2021 (n=655) e entre 17 de março

de 2020 e 06 de junho de 2023 (n=1177).

2.2.3 Series temporais

Podemos definir uma “Série Temporal é um conjunto de observações sobre uma

variável, ordenado no tempo” a principal diferença entre uma análise de serie temporal e uma

simples regressão de dados é as series temporais procuram criar modelos para prever o
 68

comportamento futuro de uma variável, ou seja, extrapolam os dados existentes, já os modelos

regressivos não são construtos adequados para previsões além ou aquém do conjunto de dados

analisado Temporais (64).

Neste estudo trabalhamos com três séries temporais de dados do Estado de São Paulo

relacionados a dados e novos casos e óbitos por COVID-19 e isolamento social todos dados

diários entre dias 17 de março 2020 e 31 de dezembro 2021 (n=655), conforme tabela abaixo:

Equação 2 - Variáveis da análise temporal

Ordem Variável Tipo Codificação
1 Número de novos óbitos diários 𝐹𝐴𝑐𝑢𝑚(𝑛º 𝑑𝑖𝑎) C1
2 Número de novos casos diários 𝐹𝐴𝑐𝑢𝑚(𝑛º 𝑑𝑖𝑎) C2
𝑁º 𝑑𝑒 ℎ𝑎𝑏. 𝑡𝑜𝑡𝑎𝑙
3 Indice de isolamentoEstado de São Paulo (2020b) I3
𝑁º 𝑑𝑒 ℎ𝑎𝑏. 𝑖𝑠𝑜𝑙𝑎𝑑𝑜𝑠
Fonte: autores

2.2.4 Teste T pareado

Somente para explorar e extrair o máximo de informações dos dados efetuamos ainda

Teste de hipóteses (Teste t pareado) comparando a medias de casos de covid antes e depois da

determinação estatal de isolamento social obrigatório entre 17 de março de 2020 e 06 de junho

de 2023 (n=1177).

2.2.5 Ponto de ruptura bayesiano

Por efetuamos uma Análise de ruptura bayes tendo como desafio na análise e detecção

de eventuais mudanças das séries ou sequência temporal (67,75).

2.2.6 Impacto causal

Ainda dentro deste pressuposto realizamos uma análise de impacto causal considerando

em linguagem R que realizou a medição do impacto da decisão real subtraindo (isolamento) e

a observação real com a previsão, neste caso realizamos um teste, para verificar a significância

do impacto do pré e pós isolamento (69).

 69

2.2.7 Regressão CART

Por fim utilizamos uma regressão CART (Classification and Regression Trees) para

produzir uma árvore de decisão com uma resposta contínua (óbitos por dia) tendo como

variáveis preditoras o dia da semana - sábado (0), domingo (1), segunda (2), terça (3), quarta

(4), quinta (5), sexta (6).

Esta regressão de ilustrou padrões e relações importantes entre a quantidade de óbitos e

os dias da semana que não seriam possíveis somente com métodos paramétricos de Breiman et

al (68).

O algoritmo CART começa na raiz da árvore e efetua uma divisão, criando dois nós no

próximo nível da árvore. Depois disso, descemos para o primeiro nível da árvore e repetimos o

procedimento para os dois nós que foram criados.

Continuamos da mesma maneira nos níveis seguintes. Em cada etapa, escolhemos a

divisão que produz a maior queda no erro de classificação.

O algoritmo CART cresce uma árvore alta e poda alguns dos seus ramos no final do

processo. Onde formalmente, o algoritmo CART começa na raiz da árvore e define as regiões

disjuntas: ℝ1 = 𝑋 ∈ ℝ𝑃 : 𝑋𝑗 ≤ 𝑡𝑒𝑅2 = { 𝑋 ∈ ℝ𝑃 ∶ 𝑋𝑗 ≤ 𝑡} , sendo disponibilizado no

material suplementar o método de cálculo e nas referências a parte conceitualBreiman et al.

(68).

2.3 QUESTOES ÉTICAS

Como esta pesquisa analisou dados de domínio públicos disponível online sem qualquer

tipo de autorização, não a necessidade de aprovação do CEP para seu uso científico CONEP

(47).

2.4 DECLARAÇÃO DE DISPONIBILIDADE DE DADOS

Os conjuntos de dados apresentados neste estudo podem ser encontrados em

repositórios online, referente ao isolamento diário no Estado de São Paulo:

 70

https://www.saopaulo.sp.gov.br/coronavirus/isolamento . Já referente aos casos e óbitos diários por

COVID-19 no Estado de São Paulo, os dados podem ser encontrados:

https://www.seade.gov.br/coronavirus .A compilação de ambos em uma única planilha de dados foi

disponibilizada no material complementar.

 71

3 RESULTADOS E DISCUSSÃO

Apresentamos o gráfico temporal dos dados analisados, tendo as observações plotadas

na ordem de observação, com observações consecutivas unidas por linhas retas, gráfico 3.

A trama do tempo revela imediatamente algumas características interessantes. Quais

sejam, houve referente ao isolamento um aumento no início após um decréscimo e

estabilização.

Houve um período de elevação de casos e óbitos entre o n=400 (19/abr/21) e 500

(28/jul/21). Isso ocorreu devido a algum fator exógeno que aparentemente não se relaciona com

os índices de isolamento no período.

Gráfico 1-Óbitos e casos diários de COViD-19 e Isolamento Social no Estado de São Paulo entre 17 de março
de 2020 e 31/12/2021 (n=655)

Fonte: autores
 72

3.1 TESTE DE HIPÓTESES DE SÉRIES TEMPORAIS

Como dito anteriormente, os dados de séries temporais têm autocorrelação -

dependência serial com pontos de dados anteriores; o que significa que não poderíamos dividir

diretamente os dados em dois grupos e compará-los.

Ao remover componentes de tendência e sazonais dos dados, temos resíduos da série.

Se os resíduos cumprem o pressuposto de normalidade (ou seja, os resíduos são normalmente

distribuídos), podemos proceder ao teste de hipótese. Inicialmente, devemos definir a hipótese

nula - a única hipótese que tentamos rejeitar.

Para obter mais compreensão, usamos os dados da quantidade de óbitos por dia por

COVID no estado de São Paulo como o estudo de caso em que queremos verificar se o número

de óbitos é significativamente diferente após o início do isolamento obrigatório dia 22 de março

de 2020 Estado de São Paulo em relação ao período posterior de reabertura e fim da quarentena

(76).

- Gráfico 2 - Casos de COVID e óbitos no estado de São Paulo entre março de 2020 e dezembro de
2021(n=650)

Fonte: autores
Realizamos o seguinte teste de hipótese:
 73

• H0: não há diferença entre o número de casos de COVID-19 antes e depois do

isolamento social;
• H1: o número de caso de covid antes do isolamento obrigatório é menor que o número
depois do isolamento obrigatório
Utilizamos o teste t para duas amostras; queremos saber se a média de cada grupo

(período) é significativamente diferente com o outro grupo. A ideia principal do teste t é tentar

verificar se o valor observado (sinal) é mais forte do que a variação dos dados (ruído), tabela

11.

Tabela 3 - Estatísticas Descritivas e testes de hipóteses para os CART’s

DesvPad IC de 95% para
Análise N Média DesvPad EP Média Diferença Valor-T Valor-p
Combinado a Diferença
Casos por dia antes e depois do isolamento
Isolamento - com 654 6803 6177 242 2655 5409 (2032; 3278) 8,36 0,000
Isolamento - sem 521 4148 4252 186
Óbitos por dia antes e depois do isolamento
Isolamento - com 654 237 247 9,7 189,0 190,6 (167,0; 211,0) 16,89 0,000
Isolamento - sem 521 48,0 73,0 3,2
Fonte: Autores

Neste caso utilizamos um conjunto maior de dados entre 17 de março de 2020 e 06 de

junho de 2023 (n=1177), sendo que referente ao isolamento utilizamos todo o período

disponível de que finalizou em 31 de dezembro de 2021 (n=655).

De acordo com os testes, podemos rejeitar a hipóteses nula (H0) com p-valor no teste

sendo Valor-p<0.05 para todas as medias, assim mesmo podendo inferir que há efeito

significativo das ações de isolamento social sobre os casos de COVID no Estado de São Paulo,

este efeito parece nesta primeira analise inversa ao que se esperaria uma vez que as quantidades

casos e óbitos sem isolamento são significativamente menores, ou seja, ou o isolamento fez foi

com que se aumentasse o número de casos e mortes ou temos que fazer uma análise diferente

dos dados.
 74

3.2 ANÁLISE DE IMPACTO CAUSAL

Embora o teste t possa ser usado em dados de séries temporais, podemos obter

inferências excessivamente pessimistas, uma vez que os resíduos ainda podem

ter autocorrelação entre si, violando assim a suposição de independência.

Portanto é mais adequado usar a análise de impacto causal. Nessa abordagem, a série

temporal original e outra série temporal de controle são usadas para construir um modelo. O

modelo preverá a observação da situação hipotética Kay H. Brodersen(9).

O processo e em linguagem R e realiza medição do impacto da decisão real subtraindo

a observação real com a previsão, neste caso realizamos um teste, para verificar a significância

do impacto do pré e pós isolamento.

Há três gráficos:

1. original: mostra a observação real (linha sólida) e a previsão (linha tracejada),

observando que o total da amostra de óbitos por e n=650 e o ponto definimos o período
de isolamento ente de intervenção entre n=1 e n=390 e o pós-intervenção entre n=391 e
n=650, que representam as datas de determinação estatal de isolamento obrigatório
(22/03/2020) e finalização (18/04/2021).
2. Pointwise: mostra a diferença entre o valor previsto e o valor real por ponto de dados
3. cumulativo: mostra a diferença cumulativa entre o valor previsto e o valor real

Gráfico 3 - Impacto e relação causal do isolamento sobre os casos de COVID-19 em São Paulo
(n=650)

Fonte: autores
 75

Durante o período de intervenção (anterior a 18 de abril de 2021), a variável resposta

(quantidade de óbitos) teve um valor médio de aprox. 264.12. Por outro se fosse mantido o

isolamento, teríamos esperado uma resposta média de 757,13.

A probabilidade de obter esse efeito de queda dos óbitos após o fim do isolamento ao

pôr acaso é muito pequena (probabilidade Bayesiana de área de cauda unilateral p = 0,003).

Isso significa que o efeito causal pode ser considerado estatisticamente significativo.

Durante o período sem isolamento (sem isolamento), a variável resposta teve um valor

médio de aproximadamente 264 casos por dia, por outro lado, no caso da manutenção do

isolamento, teríamos esperado uma resposta média de 757 casos por dia!

É claro que ao observarmos somente a quantidade de óbitos é as determinações estatais

de isolamento conceitualmente esperaríamos um aumento de óbitos após o fim do isolamento,

não o contrário, ou seja, uma queda estatística significativa, portanto cremos que esta análise

capturou o efeito causal de uma variável latente, qual seja a vacinação, todavia não deixa

corroborar o aparente resultado ineficaz do isolamento.

Como o resultado de duas amostras de teste t e impacto causal não diferem, todavia se

houver alguma dúvida quanto ao pouco impacto das ações de isolamento, mas para corroborar

a hipótese da vacinação também foi utilizado o fator ruptura vamos utilizar a análise bayesiana

do ponto de mudança.

3.3 PONTO DE MUDANÇA BAYESIANO

Nesta última análise tivemos uma ideia simples, porém de extrema dificuldade sob

o prisma matemático e estatístico: baseado na amostra que temos de casos e óbitos por dia

por COVID-19 no Estado de São Paulo (n-650), e considerando o pouco impacto nos índices

observado pelo isolamento, porquanto o impacto causal demostrou uma ruptura ao plotarmos
 76

os períodos específicos do você tem uma amostra de observações de um processo de Poisson

(contagem) (onde os eventos ocorrem aleatoriamente durante um período de tempo).

Como observamos que as taxas de óbitos e casos de COVID, mudaram em algum

lugar ao longo do intervalo de tempo, e que não ocorreu impacto causal do isolamento,

porquanto as frequências desaceleraram após o seu fim, algo contraintuitivo, portanto,

ocorreu um outro fator, neste caso conjecturamos ser a vacinação.

Neste ponto grosso modo estimamos a taxa na qual os eventos ocorrem ANTES do

deslocamento (que chamaremos de μ), a taxa na qual os eventos ocorrem DEPOIS do

deslocamento (λ) e o momento em que o deslocamento acontece (k).

Para fazer isso, utilizamos um pacote em R que aplica uma abordagem de amostragem

de Monte Carlo em Cadeia de Markov (MCMC) para estimar os parâmetros populacionais em

cada k possível, desde o início do conjunto de dados até o final dele Killick; Eckley (2014).

Com base nos dados tentamos estimar em que momento os dados mudaram, tendo por

parâmetro a data de início da vacinação no estado de são Paulo dia 17 de janeiro de 2021 e fim

do isolamento social obrigatório no estado (18/04/21).

Gráfico 4 –(a): Análise do ponto de mudança casos de COVID-19 referente óbitos (n=650);
(b):Análise do ponto de mudança casos de COVID-19 referente casos por dia no Estado de São Paulo.
(n=650); (c):Análise do ponto de mudança casos de COVID-19 referente isolamento.

Fonte: Autores
 77

O ponto de mudança referente aos óbitos ocorreu no dia 525 da série, ou seja, dia 22 de

agosto de 2021, este ponto de mudança detectado em agosto de 2021 apoia os resultados da

análise de impacto causal que mostrou ainda que esta diferença é estatisticamente significativa,

Gráfico 10 (a).

Já o ponto de mudança referente aos casos por dia ocorreu no dia 550 da série, ou seja,

dia 16 de setembro de 2021, novamente apoiando os resultados da análise de impacto causal

que mostrou ainda que esta diferença é estatisticamente significativa, e cerca 25 após o ponto

de ruptura dos óbitos, o que se justifica pelo sabido efeito da vacina em reduzir a mortalidade

porquanto não evita a transmissão Gráfico 10(b).

Também podemos analisar o ponto de ruptura dos índices de isolamento que em tese

seriam relacionados a determinação estatal, portanto as datas devem se aproximar das de

publicação das referidas normas, todavia o algoritmo utilizado não detectou nenhum ponto de

ruptura, ou seja, a população não foi influenciada de forma significativa pela “fique em casa”,

logo não podemos nem afirmar que ocorreu um isolamento de fato no Brasil, gráfico 10(c).

Referente ao ponto de ruptura nos óbitos diários de COVID-19, 22 de agosto de 2021

(n=525), a data coincide com o início dá início da vacinação de jovens de 12 a 17 anos e ao

mesmo momento em que 69,62% da população do estado se vacinou com ao menos uma dose,

índice que se aproxima da imunidade de rebanho precozida na literatura sobre o COVID-19

considerando uma eficacia de >80% das vacinas, grafico 11.

 78

Gráfico 5 - Impacto da eficácia da vacina e duração da proteção sobre qual porcentagem da população
deve ser vacinada no primeiro ano (A)

Fonte:Anderson et al (77)

Quanto a predominância da variante delta no momento da ruptura de casos, revisões

abrangentes sobre esta cepa demostraram sua alta infecciosidade em relação as variantes

anteriores, as fabricantes de vacinas à época AstraZeneca, Pfizer/BioNTech e Moderna,

relataram que suas vacinas forneciam proteção contra essa variante Shiehzadegan et al (78).

3.4 REGRESSÃO CART

A regressão CART (Classification and Regression Trees) para produzir uma árvore de

decisão com uma resposta contínua (óbitos por dia e casos por dia) tendo como variáveis

preditoras o dia da semana - sábado (0), domingo (1), segunda (2), terça (3), quarta (4), quinta

(5), sexta (6) a ainda o isolamento ilustrou padrões e relações importantes entre a quantidade

de óbitos e os dias da semana que não seriam possíveis somente com métodos paramétricos de

Breiman et al (68).

A variável preditora mais importante é o dia da semana em que os dias de domingo e

segunda já o isolamento possui 57% de importância relativa em relação ao dia da semana.

 79

A regressão CART de Casos e isolamento (n=650) novamente leva a uma conclusão no

mínimo interessante, notamos que em 475 dias que o isolamento esteve abaixo de 45% a média

de casos de COVID foi de cerca de 8 mil por dia, enquanto em 175 dias que o isolamento esteve

acima de 45% a média de casos foi de cerca de 3,5 mil por dia, Figura 4.

Figura 4 - CART Isolamento e Casos por dia

Fonte: autores

De forma análoga a regressão CART de mortes diárias e isolamento (n=650), notamos

que em 433 dias que o isolamento esteve abaixo de 44% a média de mortes por COVID foi de

cerca de 280 por dia, enquanto em 217 dias que o isolamento esteve acima de 44% a média de

mortes caiu 50% para cerca de 142 por dia, Figura 5.

Figura 5 - CART Isolamento e óbitos por dia

Fonte: autores
Nos resultados referentes a todos os nós foi efetuado teste T pareado (IC de 95%) onde

assumiu-se igualdade de variâncias com teste de hipótese (H₀: μ₁ - µ₂ = 0 ou H₁: μ₁ - µ₂ > 0),

tabela 3.
 80

Tabela 4 - Estatísticas Descritivas e testes de hipóteses para os CART’s

IC de 95%
EP DesvPad Valor- Valor-
Análise N Média DesvPad Diferença para
Média Combinado T p
a Diferença
CART Isolamento e Casos por dia
(3659;
Isolamento < 44% 475 8111 6470 297 4669 5816 9,08 0,000
5679)
Isolamento > 45% 175 3442 3454 261
CART Isolamento e Óbitos por dia
Isolamento 1 < 45% 433 287 268 13 145,0 236,6 112,6 7,37 0,000
Isolamento 2 > 45% 217 142 156 11
CART Óbitos por dia, Isolamento e dia semana
Dom e Seg 186 61,0 65,0 4,8 -248,0 219,2 -279,3 -13,04 0,000
Ter, qua, qui, sex e sab 464 309 256 12
Ter, qua, qui, sex e sab e
Isolamento < 48% 432 326 257 12
238,0 249,0 162,8 5,22 0,000
Ter, qua, qui, sex e sab e
Isolamento < 48% 32 88,0 78,0 14
CART casos por dia, Isolamento e dia da semana
Dom e Seg 186 2713 2427 178
-5802 5589 -6601 -11,96 0,000
Ter, qua, qui, sex e sab 464 8515 6431 299
Ter, qua, qui, sex e sab e
Isolamento < 48% 404 9350 6367 317 (4812;
6459 6059 7,70 0,000
Ter, qua, qui, sex e sab e 8106)
Isolamento < 48% 60 2891 3254 420
Fonte: Autores
Como o valor-p é menor do que 0,005, que é menor que o nível de significância de 0,05,

a decisão é pela rejeição da hipótese nula e conclui-se que as situações em que o isolamento foi

acima de 45% para casos e de 44% para óbitos ocorreu redução significativa na quantidade de

óbitos e casos de COVID-19.

Bem assim quando incluído a variável dia da semana observamos a predominância dos

domingos e segundas-feiras dias em que a quantidade de óbitos e casos caiu com significância

estatística de 309 em média para 61 óbitos e de cerca de 8 mil casos por dia em média para

cerca de 2,7 mil em média.

Nesta segunda análise da arvore de regressão CART incluindo a variável dia da semana

a importância relativa do isolamento caiu quando se trata de óbitos (57%) todavia se manteve

predominante quando se tratou do número de casos diários (100% ante 91,1% do dia da

semana), ao mesmo tempo o impacto do isolamento ocorreu entre terça e sábado somente

quando acima de 48% nos casos dos óbitos e 46 em se tratando de casos por dia.
 81

Figura 6 - Isolamento e óbitos por dia de acordo com dia da semana

Fonte: autores
 82

4 CONSIDERAÇÕES FINAIS

Enquanto tivermos dados, não é impossível avaliar o efeito das nossas decisões,

observamos a importância do uso da análise de impacto causal em vez do teste t, uma vez que

o teste t pode nos dar uma abordagem excessivamente otimista.

A análise bayesiana do ponto de mudança também pode ajudar a encontrar o(s) ponto(s)

onde a observação começou a mudar e verifica informação latentes que poderiam auxiliar na

análise de um problema e neste trabalho detectou variáveis latentes interessantes tais como a

imunidade de rebanho e as novas etapas de vacinação.

Ainda quanto ao impacto das medidas de isolamento apesar do teste para medias de os

períodos não ter dados o resultado significativo e não terem sido observadas efeito causal entre

as medidas estatais de isolamento nos indicadores de óbitos e casos diários, observou-se por

meio da Classification and Regression Trees que quando os índices de isolamento aumentam

acima de um ponto crítico entre acima de 45% observam-se efeitos palpáveis nos indicadores

de mortalidade e casos de COVID.

Sobre a análise é predição ARIMA aplicada, apesar de boa não podemos no momento

afirmar que uma ferramenta confiável, devido à alta ciclicidade dos dados e a pouca eficácia do

processo de diferenciação.

No presente estudo demonstramos que existem fatores externos aos indicadores de casos

e mortes por COVID-19 que mesmo latentes influenciam os dados, e ao mesmo existem ações

que ao que parecem foram insipidas sob o aspecto de impacto nos resultados.
 83

REFERÊNCIAS
1. Antunes JLF, Cardoso MRA. Uso da análise de séries temporais em estudos
epidemiológicos. Epidemiol e Serviços Saúde. 2015;24(3):565–76.

2. Bonita R, Beaglehole R, Kjellstrom T. Epidemiologia básica. 2010. 230 p.

3. Talts S, Betancourt M, Simpson D, Vehtari A, Gelman A. Validating Bayesian

Inference Algorithms with Simulation-Based Calibration. 2018 Apr 18 [cited 2022 Oct 21];
Available from: http://arxiv.org/abs/1804.06788

4. Gel YR, Noguchi K. Introduction to Change Point Analysis. Science (80- ). 2009;1–
56.

5. Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and regression trees.
Classif Regres Trees. 2017;2(October):1–358.

6. Kay H. Brodersen AH. CausalImpacto [Internet]. 2022 [cited 2023 Jun 4]. Available
from: http://google.github.io/CausalImpact/

7. Kim H, Gerontologista JJO, 2021 undefined. Isolamento social e sofrimento

psicológico durante a pandemia de COVID - 19 : uma análise transnacional.
academic.oup.com [Internet]. [cited 2023 Sep 8]; Available from:
https://academic.oup.com/gerontologist/article-abstract/61/1/103/5943999

8. Chan JFW, Yuan S, Kok KH, To KKW, Chu H, Yang J, et al. A familial cluster of
pneumonia associated with the 2019 novel coronavirus indicating person-to-person
transmission: a study of a family cluster. Lancet. 2020 Feb 15;395(10223):514–23.

9. Buecker S, Europeu KHP, 2022 undefined. Solidão e isolamento social durante a

pandemia de COVID - 19. econtent.hogrefe.com [Internet]. [cited 2023 Sep 8]; Available
from: https://econtent.hogrefe.com/doi/full/10.1027/1016-9040/a000453

10. SÃO PAULO GDE DE. Seade - Fundação Sistema Estadual de Análise de Dados.
2021 [cited 2023 Jun 9]. Coronavírus - Dados Completos. Available from:
https://www.seade.gov.br/coronavirus/

11. Estado de São Paulo. 2020. 2020 [cited 2020 Apr 30]. p. 2020 Indice de Isolamento do
Estado de São Paulo. Available from: https://www.saopaulo.sp.gov.br/coronavirus/isolamento

12. São Paulo é a 21a maior economia do mundo - Casa Civil do Estado de São Paulo
[Internet]. [cited 2023 Sep 7]. Available from: https://www.casacivil.sp.gov.br/sao-paulo-e-a-
21a-maior-economia-do-mundo/

13. Daniel Leal Bayerlein. IPT - Instituto de Pesquisas Tecnológicas [Internet]. seminário
do MCTIC e Ministério das Minas e Energia. 2019 [cited 2023 Jun 2]. p. 1. Available from:
https://www.ipt.br/noticia/1623-_perguntas_sobre_isolamento_social.htm
 84

14. Liu S, Wright A, Hauskrecht M. Change-point detection method for clinical decision
support system rule monitoring. Artif Intell Med [Internet]. 2018 Sep 1 [cited 2023 Dec
21];91:49–56. Available from: /pmc/articles/PMC7416776/

15. CONEP. RESOLUÇÃO No 510, DE 07 DE ABRIL DE 2016 [Internet]. Brasília 2016

p. 2071–9. Available from: http://conselho.saude.gov.br/resolucoes/2016/Reso510.pdf

16. G1. Há um ano, SP vacinava 1a pessoa contra Covid no Brasil; veja o que mudou e
projeções para o futuro | São Paulo | G1 [Internet]. 2022 [cited 2022 Oct 9]. Available from:
https://g1.globo.com/sp/sao-paulo/noticia/2022/01/17/ha-um-ano-sp-vacinava-1a-pessoa-
contra-covid-no-brasil-veja-o-que-mudou-e-projecoes-para-o-futuro.ghtml

17. Brodersen KH, Gallusser F, Koehler J, Remy N, Scott SL. Inferring causal impact
using bayesian structural time-series models. Ann Appl Stat [Internet]. 2015 [cited 2024 Jan
12];9(1):247–74. Available from: https://projecteuclid.org/journals/annals-of-applied-
statistics/volume-9/issue-1/Inferring-causal-impact-using-Bayesian-structural-time-series-
models/10.1214/14-AOAS788.short

18. Anderson RM, Vegvari C, Truscott J, Collyer BS. Challenges in creating herd
immunity to SARS-CoV-2 infection by mass vaccination. Lancet [Internet]. 2020 [cited 2023
Jun 6];396:1614–6. Available from: https://www.imperial.ac.

19. Shiehzadegan S, Alaghemand N, Fox M, Venketaraman V. Analysis of the delta

variant b.1.617.2 covid-19. Clin Pract. 2021;11(4):778–84.
 CAPÍTULO 4
ESTIMANDO A QUANTIDADE DE MORTES EVITADAS PELA
VACINAÇÃO POR COVID-19:UM ESTUDO TRANSVERSAL EM 18 PAÍSES
ENTRE 2020 E 2023 UTILIZANDO O PONTO DE RUPTURA DE BAYES

ESTIMATING THE AMOUNT OF DEATHS PREVENTED BY COVID-19

VACCINATION: A CROSS-SECTIONAL STUDY IN 18 COUNTRIES BETWEEN
2020 AND 2023 USING BAYES' TIPPING POINT

João Pedro Pereira Passos1 (autor correspondente)

[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

Artigo [VERSÃO TRADUZIDA] em fase de revisão por pares na revista (1932-6203)

PLOS ONE avaliada pelo sistema de rankeamento de revistas brasileiras Qualis CAPES
2017-2020 como A1. Mais informações podem ser obtidas em:
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/veiculoPublicacaoQualis/l
istaConsultaGeralPeriodicos.jsf
 ESTIMANDO A QUANTIDADE DE MORTES EVITADAS PELA
VACINAÇÃO POR COVID-19:UM ESTUDO TRANSVERSAL EM 18 PAÍSES
ENTRE 2020 E 2023 UTILIZANDO O PONTO DE RUPTURA DE BAYES

ESTIMATING THE AMOUNT OF DEATHS PREVENTED BY COVID-19

VACCINATION: A CROSS-SECTIONAL STUDY IN 18 COUNTRIES BETWEEN
2020 AND 2023 USING BAYES' TIPPING POINT

João Pedro Pereira Passos1 (autor correspondente)

[email protected] | https://orcid.org/0000-0001-7181-4587

Sergio Donizeti Ascencio2

[email protected]| https://orcid.org/0000-0002-5495-1392

1
Doutorando da Rede de Biotecnologia e Biodiversidade da Amazônia Legal – BIONORTE. Palmas,
TO, Brasil.
2
Doutor em Ciências (Bioquímica) pela Universidade Federal do Paraná (2006). Atualmente é Professor
Associado I do curso de Medicina da Universidade Federal do Tocantins, Coordenador do LPPN
(Laboratório de Pesquisa de Produtos Naturais da UFT) e Professor Permanente nas Linhas de Pesquisa
em Bioprospecção e Desenvolvimento de Bioprocessos e Bioprodutos. BIONORTE. Palmas, TO, Brasil

RESUMO
Introdução. Este estudo apresenta uma análise sobre o impacto da vacinação em 19 países
desde o inicio da pandemia reunindo dados sobre a quantidade de mortes diárias por covid
e proporção da população vacinada, além de efetuar calculo contrafactual da quantidade
de mortes evitadas pela vacinação nestes países. Métodos. Desenvolvemos um modelo
estatístico, baseado no algoritmo AMOC com linguagem R utilizando o pacote
changuepoint, para detectar o ponto de ruptura referente as mortes após a vacinação, com
base nas medias inferimos as quantidade de mortes potenciais caso não ocorresse a ruptura
e extraímos posteriormente com base nos dados oficiais de mortes Resultados: As taxas
de vacinação da população média no ponto de ruptura foi de 54% (DP ±20) enquanto a
média de mortes por 1 milhão caiu de 2,53 (DP±1,6) para 0,54 (DP±0,46) após a ruptura
dos dados, a analise de t-pareada sendo significativa para a diferença das média
(p<0,001), sendo em geral a 1ºdose de vacinação de acordo com a análise contrafactual
mais conservadora evitou cerca de 2.886.869 mortes por COVID-19 nos 18 países
analisados (fig. 2 e 3). Conclusão. O changepoint pacote em R foi utilizado para detectar
pontos de mudança, onde demonstramos que a vacinação foi bem-sucedida, identificamos
nas series temporais modificações significativas nas médias de óbitos diários em todos os
18 países estudados, ou seja, a série temporal mostrou uma diminuição repentina (ruptura)
na quantidade de mortes entre as primeiras e as últimas datas de intervenção.

Palavras-chave: Epidemiologia, COVID-19, Vacina e Series Temporais

 87

ABSTRACT
Introduction. This study presents an analysis of the impact of vaccination in 19 countries
since the beginning of the pandemic, gathering data on the number of daily deaths from
Covid and the proportion of the population vaccinated, in addition to making a
counterfactual calculation of the number of deaths prevented by vaccination in these
countries. Methods. We developed a statistical model, based on the AMOC algorithm
with R language using the changuepoint package, to detect the breaking point regarding
deaths after vaccination, based on the averages we inferred the number of potential deaths
if the break did not occur and later extracted them based on in official death data Results:
Average population vaccination rates at breakpoint were 54% (SD ±20) while average
deaths per 1 million fell from 2.53 (SD±1.6) to 0. 54 (SD±0.46) after data breakdown, the
paired t-analysis being significant for the difference in means (p<0.001), and in general
the 1st dose of vaccination according to the most conservative counterfactual analysis
avoided approximately of 2,886,869 deaths from COVID-19 in the 18 countries analyzed
(fig. 2 and 3). Conclusion. The changepoint package in R was used to detect change
points, where we demonstrated that vaccination was successful, we identified in the time
series significant changes in the average daily deaths in all 18 countries studied, that is,
the time series showed a decrease sudden (break) in the number of deaths between the
first and last intervention dates.

Keywords: Epidemiology, COVID-19, Vaccine and Time Series

 88

1 INTRODUÇÃO

Apesar do elevado número de estudos sobre modelagem utilizando métodos

estatísticos de modelagem complexas, poucos estudos avaliaram a cobertura vacinal e o

ponto de ruptura do número de mortes relacionados a ela, para com isto construir um

modelo contrafactual de relativa simplicidade com elevado grau de precisão quando

comparado a estudos análogos.

Um ponto de mudança é um momento em que o padrão estrutural de uma série

temporal muda pela primeira vez1. Os pontos de mudança de mudança média são

características extremamente importantes a serem consideradas ao analisar séries

temporais sendo seu uso comum na área de meteorologia em estudo sobre o mudanças

climáticas 1e até finanças2.

changepoint pacote em R foi utilizado para detectar pontos de mudança, onde

demonstramos que a vacinação foi bem-sucedida, identificamos nas series temporais

modificações significativas nas médias de óbitos diários em todos os 19 países estudados,

ou seja, a série temporal mostrou uma diminuição repentina (ruptura) na quantidade de

mortes entre as primeiras e as últimas datas de intervenção.

A partir daí inferimos um ponto de ruptura epidemiológico, um único ponto de

mudança único (ou a ausência dele) relacionada a vacinação e ao mesmo tempo com base

nas médias dos períodos pré-ruptura podemos efetuar a inferência contrafactual da

quantidade de mortes que a vacina evitou no respectivo país.

 89

2 MÉTODOS

O modelo que utilizado não é um modelo preditivo é apenas contrafactual, ou seja,

ele analisa cenários que não ocorreram, sua vantagem reside na simplicidade de aplicação

ante os modelos que utilizam complexas modelagens. Para explorar as evidências

anteriores a este estudo, pesquisamos

PubMed, Google Scholar com os termos “covid” e “chanuepoint” ou

“vacinação/vaccination” ou “modelagem/modelling” .

Este estudo foi determinado como não constituindo pesquisa com seres humanos

por ser um estudo estudo transversal. Concluímos todas as análises no Microsoft Excel3

e no pacote changuepoint em R versão 2.4 4

Desenvolvemos um modelo estatístico, baseado no algoritmo AMOC com

linguagem R utilizando o pacote changuepoint, para detectar o ponto de ruptura referente

as mortes após a vacinação, com base nas medias inferimos as quantidade de mortes

potenciais caso não ocorresse a ruptura e extraímos posteriormente com base nos dados

oficiais de mortes.

A técnica utilizada foi a de ponto de mudança único que genericamente

descrevemos da seguinte forma onde sugerimos que o aprofundamento possa ser feito

consultado os trabalhos de Killick Eckley 5.

Deixemos {𝒑𝑹𝒕}𝒏𝒕=𝟏 ser a nosso serie temporal estudada e 𝛾 = 𝐶𝑜𝑣 (𝑋𝑡+ℎ, 𝑋𝑡) será

nossa auto covariância defasada da série, nosso objetivo e testas se existe uma mudança

na estrutura média dos dados, assumindo que a estrutura de segunda ordem é constante

ao longo tempo, nosso modelo de ponto de mudança Único terá seu ponto de mudança

ocorrendo no tempo desconhecido 𝑘 é:

 90

Equação 3 - Modelo de ponto de mudança único

𝜇 + 𝜖𝑡 𝑝𝑎𝑟𝑎 1 < 𝑡 < 𝑘
𝑋𝑡 =
𝜇 + Δ + 𝜖𝑡 𝑝𝑎𝑟𝑎 𝑘 + 1 < 𝑡 < 𝑛

Onde 𝜇 é um parâmetro de localização (𝑛𝑝𝑅) e Δ é a magnitude do deslocamento

do tempo 𝑘 e 𝜖𝑡 é a serie temporal com média zero e atraso ℎ.

Onde 𝜇 é um parâmetro de localização (𝑛𝑝𝑅 ) e Δ é a magnitude do deslocamento

do tempo 𝑘 e 𝜖𝑡 é a serie temporal com média zero e atraso ℎ.

Para o cálculo do 𝜇𝑃𝑅:

Equação 4 - Magnitude de deslocamento de tempo

∑ 𝑋𝑝𝑅
𝜇𝑃𝑅 =
𝑛𝑝𝑅

Onde 𝑋𝑝𝑅 é dado contido no ponto de ruptura da amostra e 𝑛𝑝𝑅 e a posição dele

no conjunto de dados.

Para o cálculo do potencial de mortes (𝑝𝑀):

Equação 5 - Potencial de mortes

𝑝𝑀 = 𝜇𝑃𝑅 × 𝑛𝑡𝑜𝑡𝑎𝑙

Já para cálculo da quantidade mortes evitadas (𝑝𝑀𝑒):

Equação 6 - quantidade mortes evitadas

𝑝𝑀𝑒 = 𝑝𝑀 − 𝑂𝑏𝑖𝑡𝑜𝑠 𝑡𝑜𝑡𝑎𝑙
 91

3 FONTES DE DADOS

Derivamos todos os dados do estudo de fontes disponíveis publicamente.

Obtivemos a incidência diária de óbitos de COVID classificados pela data de início em

todos os 18 países analisados, qual seja dia 07 de janeiro de 2020 até as datas das últimas

atualização de cada pais, que por volta do mês de setembro de 2023 sendo um número de

observações por nação de 1316 (DP ±165) proveniente do COVID-19 Data Explorer 6.
 92

4 ANÁLISE ESTATÍSTICA

4.1 RESULTADOS PRIMÁRIOS

Usamos nosso modelo de changuepoint para estimar o ponto de ruptura em

relação a vacinação e o cenário contrafactual da quantidade de óbitos evitados pela

vacinação no países analisados, fig. 1.

Figura 1- Algoritmo da pesquisa

Fonte: autores
 93

4.2 RESULTADOS SECUNDARIOS

Figura 2 -Deteção do ponto de ruptura epidemiológico da quantidade de casos e óbitos por COVID-19: Esquerda para a direita: Rússia, França, África do Sul, Indonésia, India, Filipinas,
Paquistão, Egito e Turquia

Fonte: Elaborado pelos autores com dados de https://ourworldindata.org/

 94

Figura 3 -Deteção do ponto de ruptura epidemiológico da quantidade de casos e óbitos por COVID-19: Esquerda para a direita: Brasil, Italia, México, Colombia, Alemanha, Chile, EUA,
Argentina e Reino Unido

Fonte: Elaborado pelos autores com dados de https://ourworldindata.org/

 95

Tabela 1 - Dados dos países estudados, população e ponto de ruptura, teste de t-pareado para medias de óbitos por milhão antes a após a ruptura
(p=0,0000333)
Ponto
De Média préruptura Média pósruptura % da pop. Potencial de mortes por 10 mil
País Pop 𝒏 ruptura Total de óbitos Mortes evitadas
(𝜇𝑃𝑉) (𝜇𝑃𝑅) 𝑝𝑅 𝑒𝑚 𝑛 (𝑝𝑀) hab.
(𝑛𝑝𝑅)
142992174
Índia 1357 730 659,57 80,48 67 532.030 895.696 363.666 2,5
6
Estados
Unidos 339987103 1222 808 1202,34 380,23 75 1127646 1.471.670 344.024 10,1

Indonésia 277184719 1357 631 223,86 28,58 31 161.918 303.783 141.865 5,1
Paquistão 240215932 1356 654 42,51 3,45 27 30.656 57.641 26.985 1,1

Brasil 203062512 1357 613 952,4 164,32 64 704.659 1.292.401 587.742 28,9

Rússia 148221749 1348 834 447,27 52,8 54 400.009 602.926 202.917 13,7

México 134127189 1357 657 445,89 59,13 54 334.518 605.079 270.561 20,2

Filipinas 109581078 1171 828 72,14 19,02 64 66.272 84.473 18.201 1,7

Egito 102334404 1248 797 30,4 1,27 25 24.830 37.936 13.106 1,3

Turquia 84339067 1357 816 119,83 6,83 69 101.419 162.609 61.190 7,3

Alemanha 83783942 1190 1102 151,55 73,88 74 173.431 180.348 6.917 0,8

Reino Unido 67886011 1356 430 347,54 86,43 63 229.307 471.270 241.963 35,6

França 65273511 1284 500 221,71 72,78 32 167.985 284.676 116.691 17,9

Itália 60461826 1356 499 248,35 78,72 32 191.469 336.764 145.295 24

África do Sul 59308690 1247 789 126,04 7,47 34 102.595 157.168 54.573 9,2

Colômbia 50882891 1357 592 208,37 25,57 46 142.942 282.760 139.818 27,5

Argentina 45195774 1357 591 192,99 24,72 61 130.472 261.885 131.413 29,1

Chile 19116201 1357 831 53,2 15,47 94 52.257 72.199 19.942 10,4

Total 4.674.415 7.561.284 2.886.869

 96

5 DISCUSSÃO

Neste estudo efetuamos a análise dos casos de óbitos em comparação com as taxas de

vacinação da população em geral (1ºdose) as 18 nações analisadas constituem mais de 4 bilhões

e 674 milhões de habitantes de onde de acordo com a análise contrafactual mais conservadora

como ocorreram 4.674.415 de óbitos com potencial de cerca de 7.561.284 a vacinação portanto

evitou cerca de 2.886.869 mortes por COVID-19 nos 19 países analisados (fig. 2 e 3).

O ponto de ruptura ocorreu quando a vacinação estava em 53,67% (IC 95% 43,80-

63,53) enquanto a média de mortes por 1 milhão caiu de 76,2 (IC95% 158,4-480,1) para 20,9

(IC95% 21,5-109,5) e analise de t-pareada sendo significativa para a diferença das média

(p<0,001).

Ao compararmos os resultados alcançados com os outros trabalhos na área que também

estimaram os efeitos diretos da campanha de vacinação no número de mortes devido à COVID-

19, temos um estudo da FIOCRUZ 7 com dados referente ao primeiro de vacinação no brasil,

entre janeiro 17 de janeiro de 2021 e 31 de janeiro de 2022, que concluiu que no programa de

vacinação COVID-19 no Brasil salvou a vida de pelo menos 303.129 adultos, enquanto

encontramos com o método da ruptura de bayes aplicado aos dados o valor de 264.857 vidas

salvas pela vacinação no primeiro ano de vacinação7.

Ainda sobre o Brasil o estudo de Barbosa et. al 8 estimou que, se o início da vacinação

tivesse sido 30 dias antes, combinado com os esforços para aumentar as taxas de vacinação,

cerca de 31.657 mortes poderiam ter sido evitadas, no modelo que empregamos ao calcular o

mesmo período chegamos ao valor de 28.571 mortes.

Ainda procuramos reproduzir com o mesmo método um estudo sobre a quantidade de

óbitos que poderiam quantas mortes poderiam ter sido evitadas pela vacinação nos EUA, mas

não o foram devido a uma falha na vacinação, onde chegamos a um resultado muito próximo
 97

do estimado no estudo, onde no referido estudo estimaram que pelo menos 232.000 mortes

poderiam ter sido evitadas entre adultos não vacinados durante o período de 15 meses se

tivessem sido vacinados com pelo menos uma série primária9, em nossa analise utilizando as

médias de óbitos dos pontos de ruptura com dados do mesmo período do estudo e considerando

que cerca de 90% dos óbitos do período seria de pessoas não vacinadas chegamos a o resultado

de cerca de 230 mil mortes evitáveis no período pela vacinação (exatamente 230.193).

Ao mesmo tempo nosso trabalho detectou cerca de 150 mil óbitos evitados pela vacina

na Itália, valor análogo ao de outro estudo de setembro de 2023 onde o Istituto Superiore di

Sanità estimou, através de uma metodologia diferente, que a introdução da vacinação em Itália

permitiu evitar 518 mil hospitalizações, 57 mil internamentos em cuidados intensivos e 150 mil

mortes, algo bem próximo dos dados deste estudo 10.

Referente a França reproduzimos o método geral em uma inferência feita em 2021,

início da vacinação no país que preconizava que a vacinação evitaria cerca de 47 mil mortes até
o final no ano de 2021 11, porquanto a aplicação do método de ruptura chegou ao valor de 45.050
analisando os dados referente ao mesmo período.
Em nosso trabalho detectamos que o Reino Unido deixou de ter cerca 240 mil mortes
devido ao processo de vacinação, dado que se coaduna com diversos estudo efetuados com
métodos diferentes, com os valores médios por volta das 200 mil mortes evitada pela vacinação
12
.
Outro ponto que mesmo apesar das limitações do estudo de não abordar as diferentes

vacinas empregadas, observamos que a porcentagem da população vacinada em relação ao

ponto de ruptura de 53,67% (IC 95% 43,80- 63,53) é um valor crucial para que uma nação possa

ver resultados reais na queda de mortes.

 98

6 CONCLUSÃO

No nosso esforço para fornecer estimativas de 18 países possuiu a vantagem em relação

a outros modelos que não introduzimos nenhum pressuposto que não estivesse contido nos

dados.

As nossas estimativas de impacto também foram limitadas pela incerteza inerente às

estimativas baseadas em um modelo matemático e apesar das medias serem relativamente

precisas em relação a outros estudos e provável que devido a grande variabilidade dos dados

estas estimativas tenham subestimado ou sobrestimado o número de mortes por COVID-19 em

muitos países.
 99

7 DECLARAÇÃO DE COMPARTILHAMENTO DE DADOS

Este estudo utilizou dados públicos agregados e desidentificados compartilhados no

Material Suplementar e disponível na plataforma aberta (https://zenodo.org/records/10001435).

 100

REFERÊNCIAS
[1] Li S, Lund R. Multiple Changepoint Detection via Genetic Algorithms. J Clim 2012;25:674–

86. https://doi.org/10.1175/2011JCLI4055.1.

[2] Habibi R. Bayesian online change point detection in finance. Financial Internet Quarterly

2021;17:27–33. https://doi.org/10.2478/FIQF-2021-0025.

[3] Microsoft. Software de planilha Microsoft Excel | Microsoft 365 2023.

https://www.microsoft.com/pt-br/microsoft-365/excel (accessed July 5, 2023).

[4] R: O Projeto R para Computação Estatística n.d. https://www.r-project.org/ (accessed October

7, 2023).

[5] Killick R, Eckley IA. changepoint: An R Package for Changepoint Analysis. J Stat Softw

2014;58:1–19. https://doi.org/10.18637/jss.v058.i03.

[6] Oxford. COVID-19 Data Explorer - Nosso mundo em dados n.d.

https://ourworldindata.org/explorers/coronavirus-data-

explorer?zoomToSelection=true&time=2020-03-

01..latest&facet=none&country=USA~BRA~JPN~DEU&pickerSort=asc&pickerMetric=loca

tion&Metric=Confirmed+cases&Interval=7-

day+rolling+average&Relative+to+Population=true&Color+by+test+positivity=false

(accessed October 7, 2023).

[7] Santos CVB dos, Noronha TG de, Werneck GL, Struchiner CJ, Villela DAM. Estimated

COVID-19 severe cases and deaths averted in the first year of the vaccination campaign in

Brazil: A retrospective observational study. Lancet Regional Health - Americas 2023;17.

https://doi.org/10.1016/j.lana.2022.100418.

[8] Barbosa Libotte G, Dos Anjos L, Célia Cerqueira De Almeida R, Mara Cardoso Malta S, De

Andrade Medronho R. Impacts of a delayed and slow-paced vaccination on cases and deaths
 101

during the COVID-19 pandemic: a modelling study. J R Soc Interface 2022;19:821–6.

https://doi.org/10.1098/RSIF.2022.0275.

[9] Jia KM, Hanage WP, Lipsitch M, Johnson AG, Amin S10654AB, Ali AR, et al. Estimated

preventable COVID-19-associated deaths due to non-vaccination in the United States. Eur J

Epidemiol 2023. https://doi.org/10.1007/ -023-01006-3.

[10] Tecnica N, Bella A, Boros S, Bressi M, Del Manso M. Infezioni da SARS-CoV-2, ricoveri e

decessi associati a COVID-19 direttamente evitati dalla vaccinazione Italia, 27 dicembre 2020-

31 gennaio 2022 Gruppo di lavoro ISS e Ministero della Salute “Sorveglianza vaccini COVID-

19” ISS. n.d.

[11] Sofonea MT, Boennec C, Fontalirant A, Regnat M, Lefrant J-Y, Alizon S, et al. Quantifying

the real-life impacts of vaccination on critical COVID-19 n.d.

https://doi.org/10.31219/OSF.IO/6EBXU.

[12] Sem as vacinas contra a Covid, o Reino Unido poderia ter tido mais 200 mil mortes n.d.

https://www.thetimes.co.uk/article/without-covid-vaccines-the-uk-could-have-had-another-

200-000-deaths-fh78sntc8 (accessed October 7, 2023).

 102

CONCLUSÃO GERAL
A presente tese realizou uma investigação detalhada e rigorosa dos impactos da

pandemia de COVID-19 no Brasil, adotando uma abordagem epidemiológica abrangente que

incluiu análises de mortes súbitas cardíacas, a relação entre saneamento básico e mortalidade,

os efeitos do isolamento social e a eficácia da vacinação em nível internacional.

Com o uso de técnicas avançadas de modelagem estatística, como modelos bayesianos

e análise de séries temporais com ruptura de bayes, o estudo apresentou uma visão integrada

dos múltiplos efeitos da pandemia, oferecendo insights valiosos para a formulação de políticas

públicas e a melhoria das práticas de saúde pública.

O primeiro foco da tese foi o aumento das Mortes Súbitas Cardíacas (MSC) durante a

após a pandemia. A análise dos dados ao longo de 13 anos (2010-2022) evidenciou um aumento

significativo na média mensal de MSC no período pandêmico, saltando de 176,6 casos mensais

antes da pandemia para 555,03 casos durante a pandemia. Esse incremento foi observado em

todas as faixas etárias, especialmente entre os mais idosos, sugerindo uma forte correlação entre

a infecção por COVID-19 e o aumento das MSC.

A robustez dessa correlação foi sustentada por uma análise contrafactual e pela

aplicação dos critérios revisados de Bradford Hill, que apontaram uma relação causal plausível

entre a pandemia e o aumento das MSC, considerando os mecanismos biológicos envolvidos,

como a ação da enzima conversora de angiotensina 2 (ECA2), principal receptor do vírus

SARS-CoV-2 nas células.

O segundo aspecto explorado foi a relação entre a qualidade do saneamento básico e as

taxas de mortalidade por COVID-19 nos períodos iniciais da pandemia nos municípios

brasileiros. A análise de correlação espacial revelou que municípios com infraestrutura de

saneamento deficiente apresentaram taxas mais elevadas de mortalidade, ou seja, transmissão

 103

mais rápida da doença na população, destacando-se principalmente nas regiões Norte e

Nordeste do Brasil. Esses achados reforçam a importância crítica de investimentos em

infraestrutura de saneamento como uma estratégia fundamental para mitigar os impactos de

futuras crises sanitárias. A falta de saneamento adequado não apenas exacerba a propagação de

doenças infecciosas como a COVID-19, mas também contribui para desigualdades sociais e de

saúde que se tornaram ainda mais evidentes durante a pandemia.

O estudo também avaliou os efeitos do isolamento social no Estado de São Paulo,

utilizando técnicas como a análise de impacto causal e a detecção de pontos de ruptura

bayesianos. Inicialmente, as medidas de isolamento mostraram-se menos eficazes do que o

esperado, mas a análise mais aprofundada revelou que variáveis latentes, como a vacinação,

desempenharam um papel crucial na alteração dos resultados ao longo do tempo. Esses

resultados indicam que as medidas de isolamento, embora essenciais, precisam ser

acompanhadas de outras intervenções, como a vacinação em massa, para que seu impacto seja

maximizado. A complexidade dos dados analisados e as interações entre diferentes variáveis

sublinham a necessidade de uma abordagem multidimensional na gestão de crises sanitárias.

Por fim, a análise da eficácia da vacinação contra a COVID-19 em 18 países mostrou

resultados contundentes: a vacinação reduziu significativamente a mortalidade, prevenindo

aproximadamente 2,9 milhões de mortes. Este estudo transversal, utilizando o modelo de ponto

de ruptura de Bayes, não só confirmou a eficácia da vacinação em termos estatísticos, mas

também destacou a importância de manter e expandir os esforços de vacinação globalmente.

Em um cenário onde variantes do vírus continuam a surgir, a vacinação permanece como a

principal ferramenta para controlar a pandemia e salvar vidas.

Por fim, podemos concluir que a pandemia de COVID-19, além de seus efeitos diretos

na saúde pública, trouxe à tona a necessidade urgente de aprimorar as infraestruturas de saúde

 104

e saneamento, adotar políticas públicas baseadas em evidências e promover a colaboração

internacional para enfrentar desafios globais. O estudo também abre caminho para futuras

pesquisas que possam explorar mais a fundo as interações complexas entre diferentes fatores

que influenciam a saúde pública durante uma pandemia. Além disso, sugere que futuras

políticas públicas devem ser multifacetadas, considerando não apenas os aspectos médicos e

sanitários, mas também os impactos sociais e econômicos, para uma resposta mais eficaz a

crises futuras.

Em síntese, com este trabalho esperamos ter contribuído significativamente para o

campo da epidemiologia, oferecendo uma análise detalhada dos impactos da COVID-19 no

Brasil e em outros contextos globais. As recomendações para políticas públicas que emergem

deste trabalho têm o potencial de influenciar positivamente a preparação e resposta a futuras

pandemias, com um foco especial na importância do saneamento básico, da vacinação e da

integração de medidas de saúde pública com estratégias sociais e econômicas. A continuidade

dessas investigações será crucial para entender e mitigar os efeitos a longo prazo da COVID-

19 e de outras possíveis crises sanitárias globais.

 105

ANEXO A – PUBLICAÇÕES
106
 107

ANEXO B - ARTIGOS NO PRELO

ARTIGO 3 – HYGEIA

ARTIGO 4 – PLO ONE

 108

APÊNDICE 1 - MATERIAL COMPLEMENTAR - MSC

MATERIAL COMPLEMENTAR – COVID E MSC
DADOS
mês Mortes_covid(8) MSC(R96)(5)
jan/20 0 265
fev/20 0 270
mar/20 136 390
abr/20 4881 418
mai/20 22861 585
jun/20 29744 494
jul/20 32512 522
ago/20 30328 513
set/20 21596 456
out/20 16911 520
nov/20 13592 497
dez/20 20120 581
jan/21 29985 537
fev/21 30169 466
mar/21 61031 624
abr/21 84319 585
mai/21 62872 654
jun/21 53035 653
jul/21 40405 692
ago/21 24811 572
set/21 16138 494
out/21 12016 522
nov/21 6816 511
dez/21 4539 609
jan/22 7707 769
fev/22 22389 550
mar/22 10328 535
abr/22 3984 530
mai/22 3228 606
jun/22 4395 572
jul/22 7465 615
ago/22 5309 572
set/22 2305 524
out/22 2164 558
nov/22 1445 543
dez/22 4198 602
 109

09/abr/20 7480 772 68 47,00%

APÊNDIDE 2 - DADOS DO ESTADO DE SÃO PAULO
10/abr/20 8216 736 44 57,00%
REFERENTE AO ISOLAMENTO, CASOS E ÓBITOS
11/abr/20 8419 203 20 55,00%
DIARIOS DE COVID (N=655)(CORONAVÍRUS - DADOS
COMPLETOS, N.D.; SÃO PAULO, 2021) 12/abr/20 8755 336 28 59,00%
13/abr/20 8895 140 20 50,00%
Data Casos Casos por dia Óbitos por dia Isolamento 14/abr/20 9371 476 87 50,00%
17/mar/20 164 12 1 38,00% 15/abr/20 11043 1672 83 50,00%
18/mar/20 240 76 3 40,00% 16/abr/20 11568 525 75 49,00%
19/mar/20 286 46 1 42,00% 17/abr/20 12841 1273 75 49,00%
20/mar/20 396 110 4 44,00% 18/abr/20 13894 1053 63 54,00%
21/mar/20 459 63 6 56,00% 19/abr/20 14267 373 24 59,00%
22/mar/20 631 172 7 56,00% 20/abr/20 14580 313 22 51,00%
23/mar/20 745 114 8 52,00% 21/abr/20 15385 805 56 57,00%
24/mar/20 810 65 10 54,00% 22/abr/20 15914 529 41 48,00%
25/mar/20 862 52 8 54,00% 23/abr/20 16740 826 211 48,00%
26/mar/20 1052 190 10 54,00% 24/abr/20 17826 1086 167 48,00%
27/mar/20 1223 171 10 53,00% 25/abr/20 20004 2178 155 52,00%
28/mar/20 1406 183 16 56,00% 26/abr/20 20715 711 33 58,00%
29/mar/20 1451 45 14 59,00% 27/abr/20 21696 981 125 48,00%
30/mar/20 1517 66 15 55,00% 28/abr/20 24041 2345 224 48,00%
31/mar/20 2339 822 23 55,00% 29/abr/20 26158 2117 198 47,00%
01/abr/20 2981 642 28 55,00% 30/abr/20 28698 2540 128 46,00%
02/abr/20 3506 525 44 55,00% 01/mai/20 30374 1676 136 56,00%
03/abr/20 4048 542 11 54,00% 02/mai/20 31174 800 75 53,00%
04/abr/20 4466 418 41 57,00% 03/mai/20 31772 598 41 59,00%
05/abr/20 4620 154 15 59,00% 04/mai/20 32187 415 27 47,00%
06/abr/20 4861 241 29 52,00% 05/mai/20 34053 1866 197 47,00%
07/abr/20 5682 821 67 51,00% 06/mai/20 37853 3800 194 47,00%
08/abr/20 6708 1026 57 50,00% 07/mai/20 39928 2075 161 47,00%
 110

08/mai/20 41830 1902 210 46,00% 06/jun/20 140549 5984 216 49,20%
09/mai/20 44411 2581 192 50,00% 07/jun/20 143073 2524 87 52,33%
10/mai/20 45444 1033 101 53,00% 08/jun/20 144593 1520 43 46,55%
11/mai/20 46131 687 34 48,00% 09/jun/20 150138 5545 334 46,57%
12/mai/20 47719 1588 206 47,00% 10/jun/20 156316 6178 340 46,23%
13/mai/20 51097 3378 169 47,00% 11/jun/20 162520 6204 283 48,41%
14/mai/20 54286 3189 197 48,00% 12/jun/20 167900 5380 223 45,54%
15/mai/20 58378 4092 186 47,10% 13/jun/20 172875 4975 213 47,99%
16/mai/20 61183 2805 187 50,44% 14/jun/20 178202 5327 113 52,26%
17/mai/20 62345 1162 94 54,10% 15/jun/20 181460 3258 73 46,51%
18/mai/20 63066 721 41 48,56% 16/jun/20 190285 8825 365 46,48%
19/mai/20 65995 2929 324 47,79% 17/jun/20 191517 1232 389 46,11%
20/mai/20 69859 3864 216 48,58% 18/jun/20 192628 1111 325 45,12%
21/mai/20 73739 3880 195 49,00% 19/jun/20 211658 19030 386 45,22%
22/mai/20 76871 3132 215 47,79% 20/jun/20 215793 4135 262 47,31%
23/mai/20 80558 3687 272 50,76% 21/jun/20 219185 3392 94 51,57%
24/mai/20 82161 1603 118 54,96% 22/jun/20 221973 2788 46 45,90%
25/mai/20 83625 1464 57 51,48% 23/jun/20 229475 7502 434 46,11%
26/mai/20 86017 2392 203 46,88% 24/jun/20 238822 9347 284 46,00%
27/mai/20 89483 3466 289 47,58% 25/jun/20 248587 9765 407 44,91%
28/mai/20 95865 6382 268 47,58% 26/jun/20 258508 9921 207 45,34%
29/mai/20 101556 5691 295 46,65% 27/jun/20 265581 7073 297 48,03%
30/mai/20 107142 5586 257 50,81% 28/jun/20 271737 6156 75 51,73%
31/mai/20 109698 2556 83 53,28% 29/jun/20 275145 3408 60 46,01%
01/jun/20 111296 1598 52 47,28% 30/jun/20 281380 6235 365 45,75%
02/jun/20 118295 6999 327 47,61% 01/jul/20 289935 8555 267 45,39%
03/jun/20 123483 5188 282 47,00% 02/jul/20 302179 12244 321 45,24%
04/jun/20 129200 5717 285 47,00% 03/jul/20 310517 8338 343 44,64%
05/jun/20 134565 5365 281 46,13% 04/jul/20 312530 2013 302 46,85%
 111

05/jul/20 320179 7649 82 51,00% 03/ago/20 560218 1533 48 42,63%

06/jul/20 323070 2891 56 44,90% 04/ago/20 575589 15371 337 42,52%
07/jul/20 332708 9638 341 44,96% 05/ago/20 585265 9676 407 42,11%
08/jul/20 341365 8657 313 44,72% 06/ago/20 598670 13405 339 41,80%
09/jul/20 349715 8350 330 45,42% 07/ago/20 608379 9709 287 40,80%
10/jul/20 359110 9395 324 44,30% 08/ago/20 621731 13352 281 43,21%
11/jul/20 366890 7780 260 46,43% 09/ago/20 627126 5395 98 47,65%
12/jul/20 371997 5107 146 50,70% 10/ago/20 628415 1289 37 42,57%
13/jul/20 374607 2610 59 44,89% 11/ago/20 639562 11147 420 42,88%
14/jul/20 386607 12000 417 45,11% 12/ago/20 655181 15619 298 41,96%
15/jul/20 393176 6569 316 45,05% 13/ago/20 674455 19274 455 41,90%
16/jul/20 402048 8872 398 45,02% 14/ago/20 686122 11667 289 42,14%
17/jul/20 407415 5367 339 44,03% 15/ago/20 697530 11408 167 44,84%
18/jul/20 412027 4612 270 46,18% 16/ago/20 699493 1963 72 51,54%
19/jul/20 415049 3022 85 50,46% 17/ago/20 702665 3172 47 43,28%
20/jul/20 416434 1385 56 43,19% 18/ago/20 711530 8865 416 43,60%
21/jul/20 422669 6235 383 43,13% 19/ago/20 721377 9847 276 42,60%
22/jul/20 439446 16777 361 42,94% 20/ago/20 730828 9451 314 43,10%
23/jul/20 452007 12561 362 42,51% 21/ago/20 735960 5132 250 42,03%
24/jul/20 463218 11211 312 42,08% 22/ago/20 749244 13284 237 45,64%
25/jul/20 479481 16263 311 44,99% 23/ago/20 754129 4885 75 50,23%
26/jul/20 483982 4501 89 50,90% 24/ago/20 756480 2351 38 42,51%
27/jul/20 487654 3672 70 43,79% 25/ago/20 765670 9190 407 42,88%
28/jul/20 500301 12647 383 42,76% 26/ago/20 776135 10465 282 42,07%
29/jul/20 514197 13896 330 43,05% 27/ago/20 784453 8318 221 41,95%
30/jul/20 529006 14809 321 43,14% 28/ago/20 796209 11756 279 40,96%
31/jul/20 542304 13298 287 42,66% 29/ago/20 801422 5213 250 42,50%
01/ago/20 552318 10014 239 44,69% 30/ago/20 803404 1982 34 48,14%
02/ago/20 558685 6367 81 50,68% 31/ago/20 804342 938 36 41,82%
 112

01/set/20 814375 10033 361 42,24% 30/set/20 985628 6109 231 40,44%
02/set/20 826331 11956 298 41,83% 01/out/20 991725 6097 182 40,84%
03/set/20 837978 11647 232 41,30% 02/out/20 997333 5608 152 40,30%
04/set/20 845016 7038 186 40,31% 03/out/20 1003429 6096 180 41,19%
05/set/20 853085 8069 222 42,23% 04/out/20 1003902 473 42 47,39%
06/set/20 855722 2637 40 46,46% 05/out/20 1004579 677 42 40,67%
07/set/20 857330 1608 24 47,97% 06/out/20 1010839 6260 270 40,57%
08/set/20 858783 1453 53 41,24% 07/out/20 1016755 5916 179 40,12%
09/set/20 866576 7793 391 41,73% 08/out/20 1022404 5649 215 40,69%
10/set/20 874754 8178 283 41,19% 09/out/20 1028190 5786 184 40,91%
11/set/20 882809 8055 234 40,29% 10/out/20 1034816 6626 155 41,12%
12/set/20 890690 7881 229 42,37% 11/out/20 1037660 2844 33 46,68%
13/set/20 892257 1567 39 47,65% 12/out/20 1038344 684 23 47,49%
14/set/20 893349 1092 36 41,29% 13/out/20 1039029 685 35 39,58%
15/set/20 901271 7922 321 41,29% 14/out/20 1045060 6031 227 40,50%
16/set/20 909428 8157 290 41,37% 15/out/20 1051613 6553 149 40,61%
17/set/20 916821 7393 219 41,37% 16/out/20 1057240 5627 180 41,83%
18/set/20 924532 7711 206 40,82% 17/out/20 1062634 5394 122 42,50%
19/set/20 931673 7141 249 42,36% 18/out/20 1063602 968 28 47,32%
20/set/20 935300 3627 25 48,23% 19/out/20 1064039 437 15 40,95%
21/set/20 937332 2032 32 41,82% 20/out/20 1068962 4923 211 40,54%
22/set/20 945422 8090 282 42,43% 21/out/20 1073261 4299 125 40,72%
23/set/20 951973 6551 226 41,61% 22/out/20 1076939 3678 111 40,17%
24/set/20 958240 6267 185 41,29% 23/out/20 1083641 6702 126 40,14%
25/set/20 964921 6681 200 40,57% 24/out/20 1089255 5614 118 42,53%
26/set/20 970888 5967 186 42,01% 25/out/20 1091980 2725 21 47,16%
27/set/20 972237 1349 45 46,62% 26/out/20 1092843 863 6 40,83%
28/set/20 973142 905 17 41,37% 27/out/20 1098207 5364 132 40,74%
29/set/20 979519 6377 266 41,22% 28/out/20 1103582 5375 122 40,31%
 113

29/out/20 1108860 5278 112 40,29% 27/nov/20 1233587 4320 129 40,02%
30/out/20 1113788 4928 136 40,39% 28/nov/20 1238094 4507 146 42,00%
31/out/20 1116127 2339 56 44,96% 29/nov/20 1240473 2379 28 44,72%
01/nov/20 1117147 1020 20 47,71% 30/nov/20 1241653 1180 19 39,70%
02/nov/20 1117795 648 15 47,59% 01/dez/20 1250590 8937 195 39,12%
03/nov/20 1118544 749 18 40,19% 02/dez/20 1259704 9114 166 40,11%
04/nov/20 1123299 4755 185 40,37% 03/dez/20 1267912 8208 181 39,95%
05/nov/20 1125936 2637 168 39,53% 04/dez/20 1276149 8237 151 39,34%
06/nov/20 1125936 0 0 39,38% 05/dez/20 1285087 8938 181 41,09%
07/nov/20 1125936 0 0 42,01% 06/dez/20 1287762 2675 46 45,54%
08/nov/20 1125936 0 0 46,59% 07/dez/20 1288878 1116 25 39,79%
09/nov/20 1125936 0 0 39,78% 08/dez/20 1296801 7923 242 40,75%
10/nov/20 1147451 21515 0 40,40% 09/dez/20 1306585 9784 179 39,21%
11/nov/20 1150872 3421 190 40,36% 10/dez/20 1316371 9786 200 40,33%
12/nov/20 1156652 5780 295 39,53% 11/dez/20 1325162 8791 141 40,00%
13/nov/20 1162782 6130 0 39,55% 12/dez/20 1333763 8601 169 41,03%
14/nov/20 1167422 4640 347 42,31% 13/dez/20 1334703 940 47 44,99%
15/nov/20 1168640 1218 15 45,66% 14/dez/20 1337016 2313 32 40,36%
16/nov/20 1169377 737 12 40,20% 15/dez/20 1341428 4412 232 40,06%
17/nov/20 1178075 8698 173 40,70% 16/dez/20 1341428 0 0 40,47%
18/nov/20 1184496 6421 178 40,46% 17/dez/20 1361731 20303 399 39,56%
19/nov/20 1191290 6794 147 39,84% 18/dez/20 1371653 9922 197 38,98%
20/nov/20 1200348 9058 105 40,63% 19/dez/20 1384100 12447 151 40,62%
21/nov/20 1205435 5087 77 42,22% 20/dez/20 1384100 0 0 44,77%
22/nov/20 1209588 4153 11 46,20% 21/dez/20 1388043 3943 107 40,38%
23/nov/20 1210625 1037 9 40,17% 22/dez/20 1398757 10714 259 39,71%
24/nov/20 1215844 5219 179 40,42% 23/dez/20 1409140 10383 181 40,31%
25/nov/20 1224744 8900 146 40,04% 24/dez/20 1418491 9351 182 41,99%
26/nov/20 1229267 4523 172 40,12% 25/dez/20 1422087 3596 37 47,77%
 114

26/dez/20 1423340 1253 13 47,18% 24/jan/21 1699427 5072 79 47,40%

27/dez/20 1426176 2836 55 49,34% 25/jan/21 1702294 2867 54 42,76%
28/dez/20 1427752 1576 39 42,07% 26/jan/21 1715253 12959 282 39,89%
29/dez/20 1440229 12477 293 42,91% 27/jan/21 1731294 16041 332 39,82%
30/dez/20 1452078 11849 282 42,03% 28/jan/21 1746070 14776 311 40,09%
31/dez/20 1462297 10219 240 45,49% 29/jan/21 1759957 13887 241 39,94%
01/jan/21 1466191 3894 58 48,46% 30/jan/21 1773024 13067 232 43,14%
02/jan/21 1467953 1762 33 49,45% 31/jan/21 1777368 4344 80 47,79%
03/jan/21 1471422 3469 37 50,38% 01/fev/21 1779722 2354 56 39,92%
04/jan/21 1473670 2248 43 40,72% 02/fev/21 1794019 14297 365 40,41%
05/jan/21 1486551 12881 334 40,83% 03/fev/21 1807009 12990 249 39,80%
06/jan/21 1501085 14534 289 42,47% 04/fev/21 1820941 13932 293 39,66%
07/jan/21 1515158 14073 257 42,35% 05/fev/21 1833163 12222 327 38,99%
08/jan/21 1528952 13794 261 40,18% 06/fev/21 1845086 11923 221 42,12%
09/jan/21 1540513 11561 269 45,81% 07/fev/21 1849334 4248 69 46,94%
10/jan/21 1546132 5619 53 47,18% 08/fev/21 1851776 2442 49 39,70%
11/jan/21 1549142 3010 28 41,48% 09/fev/21 1864977 13201 424 40,01%
12/jan/21 1561844 12702 283 41,03% 10/fev/21 1878802 13825 332 39,39%
13/jan/21 1577119 15275 323 41,04% 11/fev/21 1889969 11167 323 39,41%
14/jan/21 1590829 13710 304 41,17% 12/fev/21 1901574 11605 229 38,97%
15/jan/21 1605845 15016 311 40,24% 13/fev/21 1911411 9837 220 42,24%
16/jan/21 1619619 13774 285 42,69% 14/fev/21 1913598 2187 75 48,21%
17/jan/21 1625339 5720 60 47,04% 15/fev/21 1915914 2316 38 41,21%
18/jan/21 1628272 2933 42 40,51% 16/fev/21 1927410 11496 398 42,23%
19/jan/21 1644225 15953 331 40,75% 17/fev/21 1938712 11302 258 39,88%
20/jan/21 1658636 14411 334 40,86% 18/fev/21 1949459 10747 280 40,35%
21/jan/21 1670754 12118 286 41,06% 19/fev/21 1960564 11105 259 38,76%
22/jan/21 1679759 9005 254 39,98% 20/fev/21 1971423 10859 244 41,57%
23/jan/21 1694355 14596 231 42,27% 21/fev/21 1975927 4504 56 46,81%
 115

22/fev/21 1978477 2550 43 39,48% 23/mar/21 2332043 20942 1021 44,64%

23/fev/21 1990554 12077 357 39,72% 24/mar/21 2352438 20395 281 43,04%
24/fev/21 2002640 12086 329 42,67% 25/mar/21 2370885 18447 599 42,71%
25/fev/21 2014529 11889 345 39,79% 26/mar/21 2392374 21489 1193 43,23%
26/fev/21 2026125 11596 256 39,13% 27/mar/21 2410498 18124 1051 45,90%
27/fev/21 2037267 11142 299 42,40% 28/mar/21 2420100 9602 244 51,26%
28/fev/21 2041628 4361 65 47,90% 29/mar/21 2425320 5220 292 43,83%
01/mar/21 2044699 3071 53 38,77% 30/mar/21 2446680 21360 1209 43,90%
02/mar/21 2054867 10168 468 40,20% 31/mar/21 2469849 23169 1160 43,32%
03/mar/21 2068616 13749 367 40,11% 01/abr/21 2496416 26567 1082 42,82%
04/mar/21 2080852 12236 313 40,19% 02/abr/21 2513178 16762 818 47,21%
05/mar/21 2093924 13072 370 39,53% 03/abr/21 2520204 7026 198 46,52%
06/mar/21 2107687 13763 353 45,69% 04/abr/21 2527400 7196 270 50,66%
07/mar/21 2113738 6051 46 50,65% 05/abr/21 2532047 4647 145 43,24%
08/mar/21 2117962 4224 121 41,66% 06/abr/21 2554841 22794 1389 42,43%
09/mar/21 2134020 16058 517 42,71% 07/abr/21 2576362 21521 889 43,54%
10/mar/21 2149561 15541 469 42,39% 08/abr/21 2597366 21004 1299 42,05%
11/mar/21 2164066 14505 440 41,81% 09/abr/21 2618067 20701 1008 41,40%
12/mar/21 2179786 15720 521 41,84% 10/abr/21 2635378 17311 657 44,27%
13/mar/21 2195130 15344 434 45,97% 11/abr/21 2643534 8156 510 49,88%
14/mar/21 2202983 7853 158 49,93% 12/abr/21 2648844 5310 181 41,26%
15/mar/21 2208242 5259 100 42,71% 13/abr/21 2667241 18397 1282 43,45%
16/mar/21 2225926 17684 679 43,99% 14/abr/21 2686031 18790 1095 42,00%
17/mar/21 2243868 17942 617 43,08% 15/abr/21 2704098 18067 1060 42,79%
18/mar/21 2261360 17492 659 44,22% 16/abr/21 2722077 17979 791 42,59%
19/mar/21 2280033 18673 620 42,51% 17/abr/21 2739823 17746 771 44,28%
20/mar/21 2298061 18028 616 46,95% 18/abr/21 2746217 6394 253 49,75%
21/mar/21 2306326 8265 144 50,98% 19/abr/21 2750300 4083 178 41,37%
22/mar/21 2311101 4775 44 42,75% 20/abr/21 2769360 19060 1122 42,83%
 116

21/abr/21 2786483 17123 977 48,40% 20/mai/21 3147348 17936 585 40,07%
22/abr/21 2793750 7267 183 40,91% 21/mai/21 3163859 16511 580 39,61%
23/abr/21 2811562 17812 863 42,51% 22/mai/21 3180595 16736 480 43,12%
24/abr/21 2827833 16271 875 44,15% 23/mai/21 3188105 7510 117 48,41%
25/abr/21 2834321 6488 145 49,25% 24/mai/21 3192727 4622 63 40,58%
26/abr/21 2838233 3912 105 41,77% 25/mai/21 3210204 17477 898 40,70%
27/abr/21 2856225 17992 1044 40,86% 26/mai/21 3226875 16671 666 40,38%
28/abr/21 2873238 17013 814 41,07% 27/mai/21 3239657 12782 609 40,37%
29/abr/21 2888158 14920 876 40,61% 28/mai/21 3241240 1583 703 39,64%
30/abr/21 2903709 15551 659 41,67% 29/mai/21 3254893 13653 570 42,42%
01/mai/21 2918044 14335 750 43,75% 30/mai/21 3265930 11037 181 47,87%
02/mai/21 2923367 5323 117 47,87% 31/mai/21 3272043 6113 70 40,64%
03/mai/21 2926516 3149 114 40,12% 01/jun/21 3291509 19466 836 41,67%
04/mai/21 2941980 15464 849 40,59% 02/jun/21 3314631 23122 717 40,95%
05/mai/21 2956210 14230 689 40,24% 03/jun/21 3334364 19733 514 46,61%
06/mai/21 2969680 13470 696 39,80% 04/jun/21 3338262 3898 33 39,97%
07/mai/21 2984182 14502 583 39,50% 05/jun/21 3355201 16939 718 42,10%
08/mai/21 2997282 13100 660 41,94% 06/jun/21 3365160 9959 212 47,03%
09/mai/21 3003067 5785 150 46,49% 07/jun/21 3370234 5074 138 39,80%
10/mai/21 3006250 3183 55 40,22% 08/jun/21 3378256 8022 767 39,96%
11/mai/21 3022568 16318 806 40,50% 09/jun/21 3382448 4192 651 39,82%
12/mai/21 3038240 15672 696 40,40% 10/jun/21 3405481 23033 733 39,69%
13/mai/21 3053889 15649 578 40,42% 11/jun/21 3428356 22875 651 38,79%
14/mai/21 3069804 15915 559 39,58% 12/jun/21 3449577 21221 543 41,72%
15/mai/21 3085290 15486 502 42,55% 13/jun/21 3458849 9272 234 46,76%
16/mai/21 3092844 7554 224 47,88% 14/jun/21 3464158 5309 92 39,77%
17/mai/21 3096845 4001 76 40,14% 15/jun/21 3487385 23227 897 39,92%
18/mai/21 3112624 15779 810 40,69% 16/jun/21 3509967 22582 795 39,80%
19/mai/21 3129412 16788 747 40,39% 17/jun/21 3525021 15054 619 39,83%
 117

18/jun/21 3552727 27706 714 39,22% 17/jul/21 3936849 17095 448 42,00%
19/jun/21 3573210 20483 722 42,12% 18/jul/21 3939632 2783 35 46,47%
20/jun/21 3582792 9582 200 47,23% 19/jul/21 3942776 3144 97 40,31%
21/jun/21 3587646 4854 98 40,39% 20/jul/21 3947574 4798 590 40,53%
22/jun/21 3610743 23097 843 40,44% 21/jul/21 3966009 18435 483 40,37%
23/jun/21 3630251 19508 724 40,08% 22/jul/21 3979102 13093 493 39,93%
24/jun/21 3648202 17951 781 39,65% 23/jul/21 3991188 12086 418 39,28%
25/jun/21 3669196 20994 772 38,96% 24/jul/21 3997084 5896 327 41,47%
26/jun/21 3688128 18932 538 43,02% 25/jul/21 4001078 3994 25 46,24%
27/jun/21 3696093 7965 134 46,10% 26/jul/21 4003549 2471 37 40,13%
28/jun/21 3700378 4285 62 39,15% 27/jul/21 4015426 11877 467 40,36%
29/jun/21 3719586 19208 825 40,35% 28/jul/21 4027062 11636 361 40,90%
30/jun/21 3727348 7762 744 39,85% 29/jul/21 4038375 11313 335 40,44%
01/jul/21 3743291 15943 641 40,31% 30/jul/21 4048478 10103 266 39,71%
02/jul/21 3762758 19467 599 38,86% 31/jul/21 4057868 9390 294 42,66%
03/jul/21 3779408 16650 532 41,37% 01/ago/21 4061741 3873 43 46,87%
04/jul/21 3785859 6451 156 46,71% 02/ago/21 4063680 1939 20 39,31%
05/jul/21 3790090 4231 66 39,71% 03/ago/21 4073622 9942 405 39,64%
06/jul/21 3809222 19132 714 40,00% 04/ago/21 4084112 10490 406 39,54%
07/jul/21 3824111 14889 546 39,17% 05/ago/21 4094211 10099 265 39,55%
08/jul/21 3838564 14453 543 38,57% 06/ago/21 4104768 10557 293 38,40%
09/jul/21 3853276 14712 482 41,65% 07/ago/21 4113741 8973 249 40,85%
10/jul/21 3860960 7684 105 41,43% 08/ago/21 4117467 3726 78 45,06%
11/jul/21 3866178 5218 75 45,81% 09/ago/21 4119265 1798 54 38,93%
12/jul/21 3869300 3122 65 39,12% 10/ago/21 4129720 10455 468 39,20%
13/jul/21 3879846 10546 640 39,60% 11/ago/21 4138421 8701 387 39,07%
14/jul/21 3896083 16237 519 40,03% 12/ago/21 4147665 9244 294 39,28%
15/jul/21 3908279 12196 537 40,86% 13/ago/21 4156563 8898 241 38,94%
16/jul/21 3919754 11475 419 39,25% 14/ago/21 4164587 8024 329 41,32%
 118

15/ago/21 4168493 3906 60 46,14% 13/set/21 4300644 337 22 38,48%

16/ago/21 4170541 2048 21 39,25% 14/set/21 4301525 881 186 39,83%
17/ago/21 4179148 8607 526 39,42% 15/set/21 4302511 986 197 39,09%
18/ago/21 4187465 8317 336 38,46% 16/set/21 4325189 22678 170 40,69%
19/ago/21 4195466 8001 281 38,51% 17/set/21 4348775 23586 133 38,20%
20/ago/21 4202577 7111 261 38,22% 18/set/21 4350223 1448 135 39,48%
21/ago/21 4209421 6844 172 40,36% 19/set/21 4350530 307 20 45,85%
22/ago/21 4212611 3190 31 45,18% 20/set/21 4351001 471 5 39,13%
23/ago/21 4214553 1942 27 38,65% 21/set/21 4352832 1831 191 39,47%
24/ago/21 4222902 8349 267 38,96% 22/set/21 4354658 1826 200 39,40%
25/ago/21 4229600 6698 257 38,67% 23/set/21 4356590 1932 193 39,36%
26/ago/21 4236436 6836 245 38,54% 24/set/21 4358788 2198 215 38,33%
27/ago/21 4244071 7635 304 38,33% 25/set/21 4360548 1760 175 41,32%
28/ago/21 4250474 6403 183 42,40% 26/set/21 4360931 383 31 44,73%
29/ago/21 4253516 3042 23 46,14% 27/set/21 4361331 400 18 39,40%
30/ago/21 4255324 1808 36 39,16% 28/set/21 4363122 1791 253 38,10%
31/ago/21 4262684 7360 278 40,03% 29/set/21 4364582 1460 241 39,19%
01/set/21 4269138 6454 179 38,64% 30/set/21 4366132 1550 189 38,62%
02/set/21 4275258 6120 164 39,45% 01/out/21 4367748 1616 143 38,16%
03/set/21 4281972 6714 169 38,38% 02/out/21 4369061 1313 97 41,16%
04/set/21 4288443 6471 178 39,26% 03/out/21 4369538 477 14 45,41%
05/set/21 4290459 2016 23 46,14% 04/out/21 4369743 205 22 39,55%
06/set/21 4291993 1534 18 39,83% 05/out/21 4373508 3765 143 38,33%
07/set/21 4295149 3156 28 44,04% 06/out/21 4375187 1679 172 39,07%
08/set/21 4297229 2080 15 39,20% 07/out/21 4376700 1513 139 38,91%
09/set/21 4298180 951 218 39,03% 08/out/21 4378139 1439 90 39,56%
10/set/21 4298851 671 192 38,60% 09/out/21 4382863 4724 98 41,14%
11/set/21 4299629 778 178 39,64% 10/out/21 4383381 518 28 45,66%
12/set/21 4300307 678 38 44,98% 11/out/21 4383780 399 33 40,35%
 119

12/out/21 4384190 410 37 44,72% 10/nov/21 4415745 1558 9 40,21%

13/out/21 4384416 226 9 38,87% 11/nov/21 4417592 1847 1 40,19%
14/out/21 4386346 1930 103 39,55% 12/nov/21 4420263 2671 414 39,46%
15/out/21 4388031 1685 79 37,37% 13/nov/21 4421955 1692 105 42,05%
16/out/21 4389479 1448 90 41,79% 14/nov/21 4422424 469 1 47,51%
17/out/21 4389848 369 19 47,66% 15/nov/21 4422590 166 7 46,18%
18/out/21 4390006 158 3 40,41% 16/nov/21 4422923 333 1 40,09%
19/out/21 4391302 1296 81 40,57% 17/nov/21 4424893 1970 147 40,37%
20/out/21 4393050 1748 87 40,02% 18/nov/21 4426828 1935 85 40,50%
21/out/21 4394675 1625 89 38,23% 19/nov/21 4429036 2208 62 39,88%
22/out/21 4396904 2229 85 38,52% 20/nov/21 4430190 1154 99 42,47%
23/out/21 4398737 1833 69 41,11% 21/nov/21 4430977 787 12 47,93%
24/out/21 4399007 270 4 47,05% 22/nov/21 4431196 219 5 40,13%
25/out/21 4399216 209 1 39,66% 23/nov/21 4432720 1524 94 40,00%
26/out/21 4400932 1716 78 39,78% 24/nov/21 4433915 1195 68 39,05%
27/out/21 4402566 1634 59 39,81% 25/nov/21 4435125 1210 116 39,89%
28/out/21 4403856 1290 116 38,24% 26/nov/21 4436451 1326 124 38,99%
29/out/21 4404843 987 116 39,26% 27/nov/21 4437386 935 114 41,66%
30/out/21 4405527 684 61 42,51% 28/nov/21 4437843 457 9 46,62%
31/out/21 4406077 550 27 48,89% 29/nov/21 4438012 169 4 39,92%
01/nov/21 4406252 175 17 42,53% 30/nov/21 4439105 1093 71 39,93%
02/nov/21 4406990 738 62 44,26% 01/dez/21 4440191 1086 82 38,91%
03/nov/21 4407756 766 17 40,59% 02/dez/21 4441578 1387 54 39,75%
04/nov/21 4409404 1648 124 40,34% 03/dez/21 4442612 1034 66 38,89%
05/nov/21 4410875 1471 115 39,77% 04/dez/21 4443589 977 69 43,13%
06/nov/21 4412182 1307 179 42,37% 05/dez/21 4444413 824 14 46,34%
07/nov/21 4412882 700 11 47,63% 06/dez/21 4444626 213 7 39,86%
08/nov/21 4413241 359 0 40,27% 07/dez/21 4445942 1316 111 40,49%
09/nov/21 4414187 946 2 40,28% 08/dez/21 4447229 1287 91 40,51%
 120

09/dez/21 4448466 1237 67 39,14%

10/dez/21 4449552 1086 53 38,71%
11/dez/21 4449552 0 0 40,73%
12/dez/21 4449552 0 0 45,84%
13/dez/21 4449552 0 0 39,88%
14/dez/21 4449552 0 0 41,21%
15/dez/21 4449552 0 0 40,50%
16/dez/21 4449552 0 0 40,03%
17/dez/21 4450042 490 259 38,94%
18/dez/21 4450144 102 51 40,93%
19/dez/21 4450142 -2 6 46,15%
20/dez/21 4450142 0 0 40,01%
21/dez/21 4450142 0 0 40,47%
22/dez/21 4450142 0 0 39,87%
23/dez/21 4450265 123 61 38,97%
24/dez/21 4450302 37 27 43,33%
25/dez/21 4450315 13 1 46,44%
26/dez/21 4450312 -3 -1 50,57%
27/dez/21 4450312 0 0 43,22%
28/dez/21 4450438 126 32 43,75%
29/dez/21 4450438 0 0 43,41%
30/dez/21 4455011 4573 59 42,22%
31/dez/21 4456108 1097 19 45,41%
 121
APENDICE B – CORRELAÇÃO ÍNDICES
Casos por dia Óbitos por dia Isolamento
Casos por dia Óbitos por dia Casos por dia Óbitos por dia Casos por dia Óbitos por dia
Isolamento Isolamento Isolamento
1.000 ( 0) 0.828 ( 0) 0.828 ( 0) 1.000 ( 0) -0.271 ( 0) -0.215 ( 0)
-0.271 ( 0) -0.215 ( 0) 1.000 ( 0)
0.668 ( 1) 0.525 ( -1) 0.630 ( 1) 0.623 ( 1) -0.376 ( 1) -0.306 ( 1)
-0.117 ( -1) -0.053 ( -1) 0.658 ( 1)
0.455 ( 2) 0.351 ( -2) 0.436 ( 2) 0.406 ( 2) -0.114 ( 2) 0.029 ( 2)
-0.079 ( -2) -0.018 ( -2) 0.525 ( 2)
0.425 ( 3) 0.371 ( -3) 0.383 ( 3) 0.412 ( 3) -0.031 ( 3) 0.078 ( 3)
-0.058 ( -3) 0.007 ( -3) 0.487 ( 3)
0.433 ( 4) 0.400 ( -4) 0.366 ( 4) 0.417 ( 4) -0.034 ( 4) 0.045 ( 4)
-0.063 ( -4) 0.030 ( -4) 0.475 ( 4)
0.456 ( 5) 0.434 ( -5) 0.360 ( 5) 0.407 ( 5) -0.051 ( 5) 0.019 ( 5)
-0.147 ( -5) -0.010 ( -5) 0.490 ( 5)
0.611 ( 6) 0.623 ( -6) 0.512 ( 6) 0.607 ( 6) -0.085 ( 6) -0.005 ( 6)
-0.381 ( -6) -0.300 ( -6) 0.601 ( 6)
0.795 ( 7) 0.789 ( -7) 0.742 ( 7) 0.872 ( 7) -0.231 ( 7) - 0.167 ( 7)
-0.285 ( -7) -0.229 ( -7) 0.857 ( 7)
0.614 ( 8) 0.517 ( -8) 0.586 ( 8) 0.591 ( 8) -0.309 ( 8) -0.238 ( 8)
-0.130 ( -8) -0.072 ( -8) 0.585 ( 8)
0.442 ( 9) 0.349 ( -9) 0.405 ( 9) 0.392 ( 9) -0.075 ( 9) 0.062 ( 9)
-0.097 ( -9) -0.043 ( -9) 0.452 ( 9)
0.414 ( 10) 0.361 (-10) 0.366 ( 10) 0.397 ( 10) 0.014 ( 10) 0.114 ( 10)
-0.072 (-10) -0.017 (-10) 0.434 ( 10)
0.405 ( 11) 0.374 (-11) 0.328 ( 11) 0.384 ( 11) 0.004 ( 11) 0.075 ( 11)
-0.073 (-11) 0.015 (-11) 0.421 ( 11)
0.433 ( 12) 0.423 (-12) 0.311 ( 12) 0.384 ( 12) -0.009 ( 12) 0.059 ( 12)
-0.150 (-12) -0.021 (-12) 0.423 ( 12)
0.598 ( 13) 0.603 (-13) 0.474 ( 13) 0.578 ( 13) -0.047 ( 13) 0.026 ( 13)
-0.378 (-13) -0.312 (-13) 0.535 ( 13)
0.747 ( 14) 0.751 (-14) 0.708 ( 14) 0.833 ( 14) -0.204 ( 14) -0.142 ( 14)
-0.281 (-14) -0.246 (-14) 0.785 ( 14)
0.572 ( 15) 0.478 (-15) 0.551 ( 15) 0.557 ( 15) -0.291 ( 15) -0.219 ( 15)
-0.131 (-15) -0.080 (-15) 0.521 ( 15)
0.413 ( 16) 0.317 (-16) 0.370 ( 16) 0.344 ( 16) -0.063 ( 16) 0.083 ( 16)
-0.093 (-16) -0.053 (-16) 0.394 ( 16)
0.378 ( 17) 0.336 (-17) 0.337 ( 17) 0.353 ( 17) 0.022 ( 17) 0.129 ( 17)
-0.081 (-17) -0.028 (-17) 0.372 ( 17)
0.363 ( 18) 0.354 (-18) 0.300 ( 18) 0.353 ( 18) 0.022 ( 18) 0.095 ( 18)
-0.077 (-18) 0.002 (-18) 0.366 ( 18)
0.392 ( 19) 0.395 (-19) 0.281 ( 19) 0.352 ( 19) 0.006 ( 19) 0.070 ( 19)
-0.145 (-19) -0.024 (-19) 0.381 ( 19)
0.560 ( 20) 0.568 (-20) 0.431 ( 20) 0.521 ( 20) -0.031 ( 20) 0.033 ( 20)
-0.374 (-20) -0.319 (-20) 0.491 ( 20)
0.713 ( 21) 0.699 (-21) 0.675 ( 21) 0.772 ( 21) -0.189 ( 21) -0.124 ( 21)
-0.279 (-21) -0.250 (-21) 0.747 ( 21)
0.546 ( 22) 0.448 (-22) 0.514 ( 22) 0.506 ( 22) -0.279 ( 22) -0.203 ( 22)
-0.135 (-22) -0.098 (-22) 0.479 ( 22)
0.373 ( 23) 0.293 (-23) 0.336 ( 23) 0.307 ( 23) -0.050 ( 23) 0.093 ( 23)
-0.093 (-23) -0.066 (-23) 0.351 ( 23)
 122
APÊNDICE 3 – PROGRAMAÇÃO EM R UTILIZADA
CONFIGURAÇÃO E CARREGAMENTO DOS PACOTES

Primeiro, foram carregados os pacotes necessários para a análise, incluindo

changepoint, zoo, forecast, ggplot2, e CausalImpact. Esses pacotes auxiliam na análise

de séries temporais e visualizações gráficas.

R
Copiar código
# Carregar pacotes
library(changepoint)
library(zoo)
library(forecast)
library(ggplot2)
library(CausalImpact)

a) Criação da Série Temporal

A série temporal foi criada a partir dos dados de entrada (data_r_jp_csv), que são

estruturados para iniciar em 17 de março de 2020 com uma frequência semanal (52

períodos por ano).

R
Copiar código
# Criar série temporal para os dados
y <- ts(data_r_jp_csv$Casos.por.dia, frequency = 52)
x <- ts(data_r_jp_csv$Isolamento, frequency = 52)
z <- ts(data_r_jp_csv$Óbitos.por.dia, frequency = 52)

b) Visualização dos Dados

Foram usadas as funções autoplot e ggseasonplot para visualizações temporais e

sazonais dos dados de Casos.por.dia, Índice de Isolamento (%) e Óbitos.por.dia.

R
Copiar código
# Visualizar dados com ggplot2
autoplot(y, xlab = "Dias", ylab = "Casos por Dia")
ggseasonplot(x, ylab = "Índice de Isolamento (%)", polar =
TRUE)
ggseasonplot(z, ylab = "Óbitos por Dia", polar = TRUE)

c) Análise de Impacto Causal

 123
Para estimar o impacto causal, foi definido o período de pré-intervenção e pós-

intervenção para treinar o modelo e prever um cenário contrafactual.

R
Copiar código
# Definir períodos de pré e pós-intervenção
pre.period <- c(1, 201)
post.period <- c(202, 650)

# Realizar a análise de impacto causal

impact <- CausalImpact(data, pre.period, post.period)

# Visualizar os resultados
plot(impact)

d) Detecção de Ruptura de Bayes

Para a detecção de mudanças na média dos dados (Isolamento e Óbitos por dia),

foi usada a função cpt.mean do pacote changepoint.

R
Copiar código
# Detectar rupturas na média de Isolamento e Óbitos por Dia
p.cpt <- changepoint::cpt.mean(data_r_jp_csv$Isolamento,
method = "AMOC")
changepoint::plot(p.cpt)
p.cpt <-
changepoint::cpt.mean(data_r_jp_csv$Óbitos.por.dia, method =
"AMOC")
changepoint::plot(p.cpt)

e) Regressão com CART

Foi utilizado o modelo de árvore de regressão (CART) para classificar as variáveis

de interesse. As equações e cálculos do modelo foram baseados na literatura referenciada,

com cj representando a média das respostas em cada nó terminal da árvore.