Spatial Distribution and Environmental-Climatic Determinants of Malaria Infection Among Children Under Five in Liberia

Resumo Técnico: Distribuição Espacial e Determinantes Climáticos e Ambientais da Infecção por Malária em Crianças Menores de Cinco Anos na Libéria

Definição do Problema
A malária continua sendo uma ameaça crítica à saúde pública na África subsaariana, com as crianças menores de cinco anos suportando o maior fardo. Embora a Libéria tenha demonstrado um progresso significativo na redução da prevalência da malária (caindo de 27% em 2011 para 10% em 2022), a doença permanece hiperendêmica, com o Plasmodium falciparum causando 98% das infecções. Um desafio fundamental nos esforços de controle da Libéria é a alta heterogeneidade espacial da doença; o risco não é uniforme, mas concentrado em áreas geográficas específicas. Pesquisas anteriores basearam-se amplamente em dados agregados por condado ou resumos espaciais grosseiros, que frequentemente ocultam variações geográficas de escala fina e falham em capturar a dinâmica de transmissão local dentro e entre os agrupamentos de pesquisa (clusters). Além disso, há uma carência de estudos na Libéria que apliquem plenamente métodos de regressão e autocorrelação espacial para identificar especificamente hotspots (pontos quentes) e coldspots (pontos frios), enquanto quantificam simultaneamente a influência de direcionadores climáticos e ambientais.

Metodologia
Este estudo empregou uma análise secundária quantitativa do Levantamento de Indicadores de Malária da Libéria (LMIS) de 2022, focando em 2.864 crianças de 6 a 59 meses em 150 agrupamentos em todos os 15 condados da Libéria. A pesquisa integrou dados de pesquisa com conjuntos de dados de raster ambiental e climático de alta resolução, incluindo:

• Dados Climáticos: Temperatura mensal média e aridez (WorldClim 2020) e precipitação (CHIRPS 2022).
• Dados Ambientais: Proximidade de corpos d'água permanentes (HydroRIVERS 2025) e o Índice de Vegetação Aprimorada (EVI) (USGS 2022).

O fluxo de trabalho analítico envolveu:

1. Integração de Dados: Correspondência de variáveis ambientais com os polígonos dos agrupamentos do LMIS para garantir a medição precisa da exposição ao nível do agrupamento.
2. Análise de Autocorrelação Espacial:
   • Moran's I Global: Para avaliar o agrupamento espacial geral da prevalência da malária.
   • Indicadores Locais de Associação Espacial (LISA): Para identificar agrupamentos locais específicos (hotspots e coldspots) e valores atípicos espaciais.
3. Modelagem de Regressão:
   • Mínimos Quadrados Ordinários (OLS): Utilizado como um modelo não espacial de base para quantificar as relações entre covariáveis e a prevalência da malária.
   • Modelo de Defasagem Espacial (SLM): Implementado para abordar a dependência espacial, incorporando uma variável dependente espacialmente defasada para considerar a influência de agrupamentos vizinhos.
   • Seleção de Modelo: O Critério de Informação de Akaike (AIC) e os diagnósticos de Multiplicador de Lagrange (LM) foram usados para determinar o ajuste superior do modelo.

Principais Resultados

• Heterogeneidade Espacial: O estudo revelou uma variação substancial na prevalência da malária, variando de 0% em alguns agrupamentos a um pico de 81% no Condado de Sinoe.
• Agrupamento Espacial: O Moran's I global indicou uma autocorrelação espacial positiva fraca, porém estatisticamente significativa (I = 0,111, p = 0,002). A análise LISA identificou agrupamentos significativos de "Alto-Alto" (hotspots) predominantemente nas regiões Sul e Sudeste (ex: Sinoe, Maryland, Grand Kru) e agrupamentos de "Baixo-Baixo" (coldspots) nas regiões Noroeste e Central.
• Determinantes Ambientais:
  • Preditores Significativos: Precipitação ($\beta=0,083$, p<0,003), Índice de Vegetação Aprimorada ($\beta=0,055$, p<0,009) e Proximidade da Água ($\beta=0,701$, p<0,026) foram identificados como preditores positivos significativos da prevalência da malária no modelo OLS.
  • Preditores Não Significativos: A temperatura média e a aridez não foram preditores estatisticamente significativos em nenhum dos modelos, provavelmente devido ao clima uniformemente quente e úmido da Libéria.
• Desempenho do Modelo: O Modelo de Defasagem Espacial (SLM) superou o modelo OLS, evidenciado por um $R^2$ mais alto (0,305 vs. 0,182) e um AIC menor (1184,01 vs. 1185,13). O parâente de defasagem espacial significativo ($\rho=0,290$, p<0,045) confirmou que a prevalência da malária em um determinado agrupamento é significativamente influenciada pela prevalência em agrupamentos adjacentes, indicando efeitos de transbordamento (spillover) espacial.

Significância e Alegações
O artigo afirma fornecer um dos primeiros mapas de risco espacial de alta resolução para a malária na Libéria, indo além das agregações administrativas para uma análise ao nível de agrupamento. A principal significância dos achados reside em demonstrar que o risco de malária é impulsionado por uma interação complexa de condições ambientais locais (precipitação, vegetação, proximidade da água) e efeitos de transbordamento espacial de comunidades vizinhas.

Os autores argumentam que esses achados exigem uma mudança das estratégias nacionais de controle da malária uniformes para intervenções geograficamente diferenciadas. Especificamente, o estudo apoia a priorização de recursos para os hotspots de hiperendemicidade identificados, particularmente nos condados do sul. Ao direcionar esses agrupamentos específicos com controle vetorial intensificado e educação comunitária, o Programa Nacional de Controle da Malária pode otimizar o impacto e acelerar o progresso em direção às metas de eliminação. O estudo também destaca a utilidade dos modelos de defasagem espacial para capturar a dinâmica de transmissão que os modelos de regressão padrão não capturam, sugerindo que os futuros esforços de controle devem considerar a conectividade entre comunidades adjacentes.