📄 saúde pública e global

Large-scale assessment of socioeconomic, demographic and health system structures with US county excess mortality, 2020-2024

Este estudo ecológico de grande escala de 2.745 condados dos EUA revela que as estruturas socioeconômicas e demográficas, em vez dos recursos do sistema de saúde, foram os principais impulsionadores da mortalidade excessiva durante os anos pandêmicos de 2020–2021, com essas correlações diminuindo significativamente nos anos subsequentes.

Autores originais: Levitt, M., Marten, B., Oren, G., Ioannidis, J.

Publicado 2026-10-11

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Levitt, M., Marten, B., Oren, G., Ioannidis, J.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Quando uma pandemia atinge o mundo, ela não desembarca com a mesma força em todas as comunidades. Alguns bairros sofrem perdas devastadoras, enquanto outros, muitas vezes a poucos quilômetros de distância, registram muito menos mortes. Esse padrão desigual não é aleatório; é o resultado de condições pré-existentes profundas que moldam como as pessoas vivem, trabalham e acessam cuidados de saúde. Os cientistas chamam essas condições de determinantes sociais da saúde. Elos incluem fatores como o quanto uma família ganha, se uma pessoa possui um diploma universitário, se tem seguro saúde e a qualidade da habitação que ocupa. Por anos, pesquisadores souberam que esses fatores importam, mas geralmente analisavam apenas alguns de cada vez, tentando adivinhar qual elemento isolado era o mais importante. A questão permanecia: se pudéssemos olhar para tudo de uma só vez, o que o quadro completo revelaria sobre o porquê de alguns lugares terem sofrido mais do que outros durante a crise?

Uma equipe de pesquisadores partiu para responder a isso examinando todo o panorama dos condados americanos. Eles não escolheram um punhado de suspeitos para investigar; em vez disso, reuniram uma lista massiva de quase três mil fatos diferentes sobre cada condado nos Estados Unidos. Esses fatos variavam desde o número de médicos e leitos hospitalares até a porcentagem de residentes desempregados, a parcela da população vivendo na pobreza e a composição racial da comunidade. Eles então compararam esses fatos com o número de mortes em excesso em cada condado de 2020 a 2024. Mortes em excesso são uma medida específica que conta quantas pessoas morreram a mais em um determinado ano do que seria esperado com base no próprio histórico do condado antes da pandemia. Ao realizar essas comparações, os pesquisadores puderam ver quais características dos condados estavam mais estritamente ligadas ao surto de mortes.

Os resultados pintaram um quadro claro e consistente. Os elos mais fortes com taxas de mortalidade mais altas foram encontrados no tecido social e econômico de uma comunidade, não na infraestrutura médica. Condados com taxas mais altas de pobreza, níveis mais baixos de escolaridade e mais pessoas sem seguro saúde registraram significativamente mais mortes em excesso. Na verdade, os pesquisadores descobriram que a parcela de pessoas vivendo na pobreza foi o preditor mais forte, seguida de perto pela porcentagem de adultos com diploma universitário e pela parcela de domicílios com rendas elevadas. No entanto, mesmo a variável individual mais forte explicava menos de 42% da variação de mortes em excesso entre os condados, o que significa que nenhuma característica isolada é próxima de ser determinante. Em contraste, a disponibilidade de recursos médicos, como o número de médicos por pessoa ou o número de leitos hospitalares, mostrou conexões muito fracas com o número de mortes. Os dados sugeriram que ter mais médicos ou leitos hospitalares não protegeu uma comunidade tão eficazmente quanto ter uma população financeiramente estável e instruída.

Esse padrão foi mais intenso durante os dois primeiros anos da pandemia, 2020 e 2021, quando as vacinas ainda não estavam disponíveis e o vírus era mais letal. Durante esse período, a lacuna entre os condados mais desfavorecidos e os mais favorecidos era gritante. Os pesquisadores criaram um índice único que combinou os fatores sociais mais fortes para classificar os condados pelo seu nível de vantagem. No quinto de população mais desfavorecida, as mortes em excesso foram 2,0 vezes mais altas do que no quinto mais favorecido (0,274 versus 0,136). À medida que a pandemia avançou para 2022, 2023 e 2024, o número total de mortes em excesso caiu e a ligação com esses fatores sociais enfraqueceu, embora não tenha desaparecido inteiramente. O estudo também verificou seu trabalho observando os dados de diferentes maneiras, usando diferentes anos para as informações de base e diferentes métodos estatísticos, e a conclusão principal permaneceu a mesma: o ambiente social foi o motor dominante da taxa de mortalidade.

Os pesquisadores foram cuidadosos ao notar que seu estudo analisou grupos de pessoas, não indivíduos, portanto, não pode provar que uma pessoa específica morreu por ser pobre ou por não ter seguro saúde. No entanto, o tamanho imenso do conjunto de dados e a consistência dos resultados sugerem uma realidade poderosa. Os achados implicam que a capacidade de um sistema de saúde de salvar vidas é profundamente limitada pelas condições em que as pessoas vivem. Um hospital não consegue compensar facilmente os perigos da pobreza, da falta de educação ou do estresse da insegurança financeira. O estudo sugere que, para realmente entender e prevenir futuras crises de saúde, devemos olhar além das paredes dos hospitais e abordar as desigualdades econômicas e sociais fundamentais que deixam algumas comunidades mais vulneráveis do que outras. Os dados mostram que a maneira mais eficaz de proteger uma população pode não ser construir mais leitos, mas sim elevar as comunidades que foram deixadas para trás.

Enunciado do Problema
A pandemia de COVID-19 revelou uma variabilidade geográfica significativa na mortalidade entre os condados dos EUA, com a literatura existente frequentemente implicando a pobreza, a raça, a falta de seguro e o acesso precário à saúde como correlatos de desfechos adversos. No entanto, análises anteriores foram fragmentadas, examinando tipicamente apenas um punhado de preditores. Essa fragmentação levanta preocupações de que as conclusões possam depender de escolhas analíticas específicas em vez de padrões subjacentes robustos. Além disso, há uma necessidade de estudar exaustivamente exposições epidemiológicas em grande escala, estendendo o paradigma "ômico" aos determinantes sociais, ambientais e estruturais, enquanto se testa simultaneamente a robustez dos achados contra diferentes vintezes de dados, esquemas de ponderação e métricas de correlação.

Metodologia
Os autores conduziram uma avaliação ecológica de larga escala de 2.745 variáveis ao nível do condado contra a mortalidade em excesso, ponderada pela população e padronizada por idade, nos condados dos EUA de 2020 a 2024.

Fontes de Dados: As variáveis preditoras foram extraídas do Area Health Resources File (AHRF), utilizando colunas de dados brutos em vez de índices compostos pré-construídos. O desfecho foi a proporção de excesso de mortes por ano, calculada comparando as mortes observadas com as mortes esperadas derivadas das taxas de mortalidade por idade de cada próprio condado de 2017–2019. Os dados de mortalidade foram recuperados do CDC WONDER por meio de um método de consulta complementar para contornar as regras de supressão para contagens de células pequenas (1–9 mortes).
Processamento de Variáveis: O estudo aplicou uma regra de "retenção do último ano", selecionando o valor pré-pandemia mais recente (mediana de 2018) para cada variável. As variáveis foram normalizadas per capita e reescalonadas. Valores ausentes de preditores foram preenchidos com a média do condado.
Agrupamento (Clustering): Os nomes das variáveis foram limpos e incorporados (embedded) usando um modelo de sentence-transformer MPNet. Essas incorporações foram agrupadas usando o agrupamento hierárquico aglomerativo de Ward, resultando em 120 clusters semânticos, que foram posteriormente agregados em 11 "super-clusters" (ex: Socioeconômico, Demográfico, Sistema de Saúde).
Análise Estatística: Coeficientes de correlação de Pearson ponderados (CC) foram computados entre cada variável e o desfecho de excesso de mortes para cada ano (2020–2024). As correlações foram categorizadas como fracas ( $|CC| \le 0,30$ ), moderadas ( $0,30 < |CC| \le 0,45$ ) e fortes ( $|CC| > 0,45$ ).
Testes de Robustez: O estudo realizou extensas análises de sensibilidade, incluindo:
- Uso de diferentes vintezes de variáveis (dados até 2015 vs. 2023–2024).
- Variação da ponderação populacional (não ponderada, raiz quadrada, potência de 0,75, população total).
- Comparação de coeficientes de correlação de Pearson vs. Spearman.
- Teste de permutação (10.000 permutações) para estabelecer uma distribuição nula empírica e controlar falsas descobertas.

Principais Resultados

Prevalência de Correlações: No geral, 24,1% das 2.745 variáveis atingiram pelo menos um nível de correlação moderada ( $|CC| > 0,30$ ) em pelo menos um ano, e 7,4% (202 variáveis) atingiram uma correlação forte ( $|CC| > 0,45$ ).
Dinâmicas Temporais: A concentração de correlações significativas foi mais acentuada em 2020 (11,4%) e 2021 (14,8%). Esse sinal diminuiu significativamente nos anos subsequentes (3,3% em 2022, 1,3% em 2023 e 4,1% em 2024), particularmente na população abaixo dos 65 anos.
Fatores Dominantes: As correlações mais fortes foram observadas para variáveis socioeconômicas e demográficas. Os três principais foram a parcela de pobreza ( $+0,64$ em 2021), escolaridade universitária ($-0,62$ em 2021) e alta renda ($-0,61$ em 2021). Das 656 variáveis com $|CC| > 0,30$ , a grande maioria pertencia aos super-clusters socioeconômico e demográfico.
Fatores do Sistema de Saúde: Em contraste, apenas 10,4% das variáveis do sistema de saúde (contagem de médicos, capacidade hospitalar, etc.) atingiram o limiar de correlação moderada, comparado a 42% das variáveis socioeconômicas/demográficas. Apenas duas variáveis do sistema de saúde atingiram uma correlação forte ( $|CC| > 0,45$ ): "Número de empregados com 16 anos ou mais" ($-0,50$) e "médicas inativas" ($-0,46$).
Padrões Geográficos: Um "índice de vantagem" construído a partir das 200 variáveis socioeconômicas e demográficas que atingiram $|CC| > 0,45$ mostrou um gradiente monotônico: os condados mais desfavorecidos tiveram uma proporção de excesso de mortes de 0,274 em 2020–2021, comparado a 0,136 nos condados mais favorecidos. Esse gradiente persistiu em 2022–2024, embora com uma magnitude reduzida.
Robustez: Os achados qualitativos foram altamente robustos. Os principais correlatos (pobreza, seguro, educação) permaneceram consistentes através de diferentes vintezes de dados, esquemas de ponderação e métodos de correlação (Pearson vs. Spearman). Embora a magnitude das correlações tenha escalonado com o peso dado aos grandes condados, a classificação das variáveis principais e o contraste entre fatores socioeconômicos e do sistema de saúde permaneceram estáveis.

Significância e Alegações
O artigo afirma fornecer uma visão abrangente, de "olhar panorâmico", dos correlatos da mortalidade em excesso, indo além da seleção de alguns preditores específicos para rastrear um conjunto exaustivo de quase 3.000 variáveis.

Gradiente Socioeconômico: O estudo conclui que a estrutura socioeconômica e a demografia de um condado estão mais fortemente relacionadas à mortalidade em excesso do que a oferta ou capacidade basal do sistema de saúde. Os autores sugerem que a desvantagem socioeconômica opera em uma raiz mais profunda do que o que pode ser abordado por intervenções tradicionais ao nível hospitalar.
Especificidade Temporal: A forte associação entre fatores socioeconômicos e mortalidade em excesso foi mais proeminente durante a fase inicial da pandemia (2020–2021), antes da vacinação generalizada e do surgimento de variantes menos letais.
Natureza Ecológica: Os autores alertam explicitamente contra a inferência causal ou inferências ao nível individual devido à natureza ecológica dos dados (falácia ecológica). Eles enquadram seus achados como hipóteses geradas a partir de dados ecológicos, em vez de evidência definitiva de mecanismos de risco individual.
Utilidade: Os autores sugerem que esses padrões são úteis para o planejamento de preparação, observando que classificar os condados por leitos hospitalares ou oferta de médicos não classifica efetivamente o risco; em vez disso, os gradientes socioeconômicos oferecem um melhor preditor do risco de morte em excesso. Eles propõem que tais estudos de "expossoma externo" em larga escala podem guiar investigações específicas e direcionadas sobre a arquitetura do risco para os principais desfechos de saúde.

Mais como este