A Spatio-Temporal Modelling of Climate Variability on Respiratory Disease Morbidity in Kampala City, Uganda

Resumo Técnico: Modelagem Espaço-Temporal da Variabilidade Climática na Morbilidade de Doenças Respiratórias em Kampala, Uganda

Definição do Problema
As alterações climáticas e a urbanização rápida representam riscos significativos para a saúde pública, particularmente em áreas urbanas de crescimento rápido no África subsariana, como Kampala, Uganda. Estes fatores exacerbam as doenças respiratórias, tais como a asma, a doença pulmonar obstrutiva crónica (DPOC) e a pneumonia, através de interações complexas envolvendo a temperatura, a humidade, a precipitação e a qualidade do ar. Embora a literatura global relacione a variabilidade climática com desfechos respiratórios, existe uma escassez de evidências sobre como estas exposições ambientais influenciam conjuntamente a distribuição espacial e temporal das doenças respiratórias em contextos urbanos ugandenses. Os modelos estatísticos tradicionais falham frequentemente em capturar as complexidades não lineares, não uniformes e espaço-temporais inerentes às relações entre o clima e a saúde, necessitando de estruturas analíticas mais flexíveis.

Metodologia
O estudo empregou um desenho ecológico retrospectivo, analisando dados agregados mensais de 2021 a 2024 através das cinco divisões administrativas de Kampala (Central, Kawempe, Makindye, Nakawa e Rubaga).

• Fontes de Dados:

  • Dados de Saúde: Contagens mensais agregadas de doenças respiratórias (asma, DPOC, pneumonia) foram extraídas do Sistema de Informação Distrital de Saúde 2 (DHIS2), gerido pelo Ministério da Saúde.
  • Dados Climáticos: Médias mensais de temperatura, precipitação e humidade foram obtidas através do Programa de Sistema de Informação de Saúde (HISP) Uganda, utilizando os conjuntos de dados ERA5 e CHIRPS.
  • Dados de Qualidade do Ar: As concentrações de material particulado (PM2.5) foram obtidas através de dispositivos AirQo (Universidade Makerere) e redes de monitorização da Autoridade da Cidade de Capital de Kampala (KCCA).
  • Dados Espaciais: As fronteiras administrativas foram obtidas através do Gabinete de Estatísticas de Uganda (UBOS).

• Abordagem Estatística:
  O núcleo da estrutura analítica utilizou Modelos Aditivos Generalizados Espaço-Temporais (ST-GAMs) com uma distribuição binomial negativa para contabilizar a sobredispersão nas contagens de doenças. Os modelos incorporaram:

  • Termos de suavização (smooth terms): Funções não paramétricas para variáveis climáticas (temperatura, humidade, precipitação, PM2.5) para capturar relações não lineares.
  • Suavização espacial: Funções de suavização bidimensional de longitude e latitude para modelar a variação espacial.
  • Suavização temporal: Funções de suavização para o tempo (mês e ano) para capturar tendências e sazonalidade.
  • Termos de interação: Suavizações de produto tensorial para modelar interações espaço-temporais (ex: como os padrões sazonais variam entre diferentes locais).
  • Offset: Um termo de offset baseado no tamanho populacional mensal estimado para cada divisão para ajustar o risco populacional.

  A seleção do modelo foi guiada pelo Critério de Informação de Akaike (AIC), pela deviação explicada e pela Validação Cruzada Generalizada (GCV). Os diagnósticos do modelo incluíram resíduos quantílicos aleatorizados e verificações de concurvidade utilizando o pacote mgcv em R.

Resultados Principais

• Estatísticas Descritivas: Foram registadas um total de 89.253 doenças respiratórias. A pneumonia constituiu a maioria (65%), seguida pela asma (23%) e DPOC (12%). Os níveis de PM2.5 média foram de 27,80 µg/m³, com picos sazonais significativos em janeiro e fevereiro.
• Determinantes Específicos de Doenças:
  • Asma: Mostrou uma associação significativa e não linear com o PM2.5 (edf ≈ 4,5, p < 0,05) e a precipitação. Os casos aumentaram marcadamente em concentrações de PM2.5 acima de 30 µg/m³ e quando a precipitação excedeu os 3 mm. A asma exibiu agrupamento espacial significativo nas divisões Central e Nakawa e picos sazonais entre julho e outubro.
  • Pneumonia: Demonstrou uma relação não linear significativa com a precipitação (edf ≈ 2,1, p < 0,05), com o aumento de casos após os 3 mm de chuva. Observou-se agrupamento espacial nas divisões Central e Kawempe. Os picos sazonais ocorreram entre março–maio e setembro–novembro.
  • DPOC: Ao contrário da asma e da pneumonia, os padrões da DPOC não foram significativamente impulsionados pelas variáveis climáticas específicas testadas no modelo final. Em vez disso, a morbilidade da DPOC foi fortemente influenciada pela localização espacial e tendências temporais. O modelo de melhor ajuste para a DPOC excluiu as variáveis climáticas e de qualidade do ar, retendo apenas os componentes espaciais e temporais, sugerindo que exposições locais enraizadas (ex: uso de biomassa doméstica, emissões urbanas não reguladas) podem ser os drivers mais dominantes. Os casos de DPOC atingiram o pico sazonal entre maio e agosto, com um aumento constante da carga a partir de 2022 em diante.
• Padrões Espaço-Temporais: Todas as três doenças exibiram heterogeneidade espacial significativa. A interação entre mês e ano foi significativa para a asma e a pneumonia, indicando variabilidade interanual nos picos sazonais. No entanto, a interação entre sazonalidade e espaço não foi geralmente significativa, sugerindo que os padrões sazonais permaneceram relativamente consistentes entre as diferentes divisões de Kampala.

Principais Contribuições

1. Aplicação Metodológica: O estudo aplicou com sucesso ST-GAMs com interações de produto tensorial para modelar relações clima-saúde num contexto urbano africano, demonstrando a utilidade destas estruturas flexíveis para capturar complexidades não lineares e espaço-temporais que os modelos lineares tradicionais perdem.
2. Perceções Específicas por Doença: A investigação distingue os drivers ambientais de diferentes condições respiratórias, identificando o PM2.5 como um fator de risco modificável crítico para a asma e a precipitação para a pneumonia, enquanto destaca que a DPOC, neste contexto, é impulsionada mais por fatores estruturais espaciais e temporais do que pelas variáveis meteorológicas específicas analisadas.
3. Granularidade Espacial: Ao mapear as cargas de doenças para divisões administrativas específicas, o estudo identifica hotspots persistentes (Central, Kawempe, Makindye, Nakawa), fornecendo evidências granulares para intervenções de saúde pública direcionadas.

Significado e Alegações
O artigo afirma que as suas descobertas fornecem apoio empírico para o uso de estruturas de modelagem espaço-temporal flexíveis na epidemiologia ambiental em contextos de países de baixa e média renda. O estudo conclui que o PM2.5 é um fator de risco modificável chave para doenças respiratórias em Kampala, particularmente para a asma. Enfatiza que as exposições ambientais afetam os padrões de doenças de forma diferente dependendo do tipo de doença, localização e estação.

Os autores afirmam que a identificação de clusters espaciais persistentes e picos sazonais específicos apoia a necessidade de intervenções de saúde pública de precisão. Eles argumentam que os recursos devem ser alocados para as divisões de alto risco (Central, Kawempe, Makindye, Nakawa) e que as intervenções devem ser adaptadas aos drivers ambientais específicos de cada doença (ex: melhoria da qualidade do ar para a asma, saneamento e gestão de inundações para a pneumonia). O estudo posiciona-se como um passo em direção a estratégias de saúde resilientes ao clima em cidades africanas em rápida urbanização, embora reconheça limitações relativas ao uso de dados agregados e à exclusão de outros poluentes como NO₂ e O₃.