📊 estatística

Bayesian disease mapping from incomplete hospital-based surveillance: accounting for catchment and missing case origins in dengue surveillance in Makassar, Indonesia

Este artigo apresenta uma estrutura de processo pontual bayesiana hierárquica que melhora o mapeamento de risco de dengue em Makassar, Indonésia, ao modelar conjuntamente o comportamento de área de abrangência hospitalar e as origens de casos não observados para lidar eficazmente com dados de vigilância incompletos e baseados em instalações com diferentes níveis de resolução espacial.

Autores originais: Bobby Poerwanto, Ian Hall, Emma L Fairbanks, Thomas House, Olatunji Johnson

Publicado 2026-10-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Bobby Poerwanto, Ian Hall, Emma L Fairbanks, Thomas House, Olatunji Johnson

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A dengue é uma doença transmitida por mosquitos que prospera em cidades tropicais, causando doenças generalizadas e sobrecarregando os sistemas de saúde. Para detê-la, os funcionários da saúde pública precisam saber exatamente onde o risco é maior. No entanto, um grande obstáculo se coloca no caminho de respostas claras: os dados de que dispomos são frequentemente incompletos. Quando uma pessoa adoece, ela vai a um hospital, e esse hospital registra o caso. Mas o hospital nem sempre é a residência do paciente. Às vezes, um paciente viaja para longe do seu bairro para receber atendimento e, às vezes, os registros são tão vagos que os funcionários sabem apenas que o paciente veio de uma área geral, ou nem sequer sabem disso. Se os pesquisadores simplesmente mapearem onde os pacientes foram tratados, acabarão mapeando onde os hospitais estão e como as pessoas viajam, em vez de onde os mosquitos estão realmente a procriar. Essa confusão torna difícil direcionar intervenções de forma eficaz, deixando algumas áreas perigosas negligenciadas enquanto recursos são desperdiçados em outras.

Para resolver este enigma, uma equipa de investigadores da Universidade de Manchester e da Universidade Negeri Makassar desenvolveu uma nova forma de analisar os dados da dengue na cidade de Makassar, Indonésia. Em vez de tratar os registos hospitalares como um mapa direto da doença, eles construíram um modelo estatístico que separa a própria doença do comportamento das pessoas que procuram cuidados. Começaram com a ideia de que o risco de dengue não está distribuído uniformemente por uma cidade; ele agrupa-se em bairros específicos devido a condições locais, como vegetação e drenagem. Também reconheceram que as pessoas nem sempre vão ao hospital mais próximo; elas escolhem as instalações com base na distância e noutros fatores, um padrão conhecido como área de "captação" (catchment). Os investigadores criaram uma estrutura que estima simultaneamente onde a doença é mais intensa e até que distância as pessoas estão dispostas a viajar para serem tratadas. Esta abordagem permitiu-lhes trabalhar com dados desorganizados, incluindo casos em que o endereço residencial do paciente estava totalmente em falta, tratando a localização ausente como um mistério a ser resolvido pelo modelo, em vez de um beco sem saída.

O estudo analisou 1.842 casos de dengue reportados entre 2021 e 2025 em oito hospitais de Makassar. Os dados eram imperfeitos: alguns pacientes tinham a sua localização exata registada, outros eram conhecidos apenas por um subdistrito, e 220 casos não tinham qualquer informação residencial. Os investigadores testaram o seu novo método contra formas mais antigas e simples de lidar com estes dados. Os métodos antigos ou assumiam que todos iam ao hospital mais próximo ou tentavam adivinhar as localizações em falta com base no tamanho da população. O novo modelo, no entanto, utilizou um conceito de "gravidade", que assume que a probabilidade de um paciente visitar um hospital diminui à medida que a distância aumenta, mas não tão abruptamente como os modelos mais antigos assumiam. Isto permitiu ao modelo inferir as localizações de residência mais prováveis para os 220 pacientes com dados em falta, preenchendo eficazmente as lacunas no mapa.

Quando os investigadores testaram o seu modelo ocultando as localizações conhecidas de alguns hospitais e verificando se o modelo conseguia adivinhá-las corretamente, este teve um desempenho significativamente superior aos métodos tradicionais. A nova abordagem foi muito mais precisa a prever de onde os casos realmente vinham, provando que poderia desvendar com sucesso a diferença entre onde uma pessoa vive e onde procura tratamento. Este sucesso deu aos investigadores confiança para aplicar o modelo ao conjunto completo de dados para encontrar as verdadeiras áreas de alto risco. Os resultados revelaram uma verdade surpreendente: os bairros com o maior número de casos reportados não eram necessariamente os que tinham o maior risco por pessoa. Por exemplo, o subdistrito de Panakukkang apresentou o maior número de casos registados, mas como também é muito populoso, o risco para um indivíduo que lá viva era, na verdade, inferior à média.

O modelo identificou uma área diferente como o verdadeiro ponto crítico. O subdistrito de Manggala emergiu como tendo o maior risco relativo estimado, com um nível de risco quase três vezes superior à média da cidade. Este achado manteve-se mesmo após considerar o tamanho da população e os padrões de viagem dos pacientes. Os investigadores também identificaram outros três subdistritos — Tamalate, Rappocini e Tallo — como áreas de alto risco. O estudo sugere que o alto risco de Manggala está ligado ao seu ambiente específico: é uma área de baixa altitude com drenagem deficiente e um aterro sanitário próximo, criando poças de água estagnada que são perfeitos locais de reprodução para os mosquitos que transmitem a dengue. Embora o estudo confirme que a vegetação está geralmente associada a um risco mais elevado, também mostrou que simplesmente contar os casos pode ser enganador se não se ajustar para quantas pessoas vivem lá e para onde elas vão em busca de ajuda.

Esta investigação oferece uma ferramenta poderosa para os funcionários de saúde pública em cidades como Makassar e além. Ao utilizar um método que considera dados incompletos e o comportamento de viagem dos pacientes, os funcionários podem ir além da simples contagem de casos para ver o verdadeiro panorama do risco de doença. O estudo não afirma ter resolvido o problema da dengue, mas fornece uma imagem muito mais clara de onde reside o perigo. As conclusões sugerem que os recursos devem ser direcionados para áreas como Manggala, onde o risco para os indivíduos é mais elevado, em vez de apenas para as áreas com o maior número de visitas hospitalares. Em última análise, o trabalho demonstra que, mesmo quando os dados são desorganizados e incompletos, é possível extrair informações fiáveis e vitais ao compreender o comportamento humano por trás dos números.

Resumo Técnico: Mapeamento Bayesiano de Doenças a partir de Vigilância Hospitalar Incompleta

Definição do Problema
Os dados de vigilância da dengue em muitos contextos, particularmente em países de baixa e média renda, são coletados em unidades de saúde em vez de nas residências dos pacientes. Consequentemente, os locais dos casos relatados refletem o comportamento de busca por cuidados de saúde e a dinâmica de abrangência hospitalar tanto quanto o processo de doença subjacente. Um desafio significativo surge da heterogeneidade dos dados de localização: alguns casos são geolocalizados com coordenadas exatas, outros são registrados apenas por subdistrito e outros não contêm nenhuma informação residencial. Tratar esses dados incompletos como totalmente observados ou imputar origens ausentes via regras determinísticas introduz erros de classificação espacial e vieses nas estimativas de risco. Além disso, modelos espaciais padrão frequentemente falham ao não distinguir explicitamente entre a intensidade latente da doença e o processo de observação (atração hospitalar), levando a inferências espaciais pouco confiáveis.

Metodologia
Os autores propõem um arcabouço bayesiano hierárquico unificado que modela conjuntamente o processo latente da doença e o processo de observação hospitalar. A abordagem consiste em dois componentes principais:

Intensidade Latente da Doença (IPP–BYM2): A intensidade espacial subjacente da dengue é modelada como um processo de Poisson não homogêneo (IPP) com uma log-intensidade ajustada pela população. A estrutura de intensidade segue uma especificação de Besag–York–Mollié (BYM2), que combina um efeito aleatório espacialmente estruturado (via um prior de autorregressão condicional intrínseca) e um efeito aleatório não estruturado. Isso permite a estimativa do risco relativo per capita no nível do subdistrito, ao mesmo tempo em que considera a autocorrelação espacial e a heterogeneidade não estruturada.
Processo de Observação Hospitalar (Kernel de Gravidade): A ligação entre a residência de um paciente e o hospital de registro é modelada usando um kernel de gravidade (lei de potência) baseado na distância, onde a probabilidade de um caso de um subdistrito $j$ ser observado no hospital $h$ diminui com a distância de viagem $d_{hj}$ de acordo com $k(d) = (1 + \gamma_h d)^{-b}$ , onde $\gamma_h$ é um parâmetro de escala específico do hospital e $b$ é um expoente de forma compartilhado.
Tratamento de Dados Ausentes: O arcabouço acomoda três níveis de resolução espacial dentro de uma única função de verossimilhança:
- Casos geolocalizados: Contribuem com distâncias de viagem exatas.
- Casos de nível de subdistrito: Contribuem com a distância do centroide do subdistrito até o hospital.
- Casos não localizados: São tratados como variáveis latentes. Suas origens são marginalizadas sobre todos os subdistritos possíveis, com a distribuição posterior de suas origens sendo inferida conjuntamente com a superfície de risco e os parâmetros de abrangência. Isso propaga a incerteza em vez de fixar as origens via imputação.

Principais Contribuições

Inovação Metodológica: O artigo introduz uma abordagem fundamentada para o mapeamento de doenças que separa explicitamente o processo da doença do mecanismo de observação. Demonstra que tratar as origens de casos não localizados como variáveis latentes dentro de uma única verossimilhança permite a estimativa simultânea de risco, comportamento de abrangência e origens ausentes.
Validação de Kernels de Abrangência: Por meio de validação cruzada fora da amostra (deixar um hospital de fora), o estudo fornece evidência empírica de que um kernel de gravidade (lei de potência) supera substancialmente tanto o kernel exponencial convencional quanto as linhas de base determinísticas (uniforme e proporcional à população) na recuperação das verdadeiras origens residenciais de casos retidos.
Estimativa de Risco Robusta: O arcabouço recupera com sucesso áreas de alto risco que diferem das classificações baseadas em contagens brutas de casos, demonstrando a necessidade de ajuste populacional e modelagem de abrangência.

Resultados
Aplicado a 1.842 casos de dengue de oito hospitais em Makassar, Indonésia (2021–2025), o modelo gerou os seguintes achados:

Recuperação de Origem: O modelo proposto com o kernel de gravidade reduziu a distância de variação total média (TVD) entre as distribuições de origem inferidas e observadas para 0,243, superando significativamente o kernel exponencial (TVD 0,370) e as bases determinísticas.
Identificação de Risco: O modelo identificou Manggala como o subdistrito com o maior risco relativo estimado (RR = 2,73; 90% CrI: 2,41–3,06), com uma probabilidade de excedência (EP) de 1,00. Quatro subdistritos atenderam ao critério de alto risco (EP $\ge$ 0,80): Manggala, Tamalate, Rappocini e Tallo.
Discrepância com Contagens Brutas: As classificações por risco relativo estimado pelo modelo diferiram marcadamente das classificações por contagens de casos registrados. Por exemplo, Panakukkang teve a maior contagem bruta de casos (259), mas um RR estimado de 0,95, enquanto Biringkanaya (o subdistrito mais populoso) teve um RR baixo de 0,91, apesar de 94 casos registrados.
Efeitos de Covariáveis: Em uma escala per capita, o Índice de Vegetação por Diferença Normalizada (NDVI) mostrou uma associação positiva com o risco de dengue ( $\beta = 0,29$ ), sugerindo que ambientes vegetados podem facilitar a transmissão. A densidade de instalações de saúde mostrou uma associação negativa fraca e não significativa.
Comportamento de Abrangência: As distâncias médias de abrangência estimadas foram consistentes entre os hospitais (3–5 km), com 75–84% dos casos inferidos originando-se dentro de 5 km da instalação.

Significância e Alegações
Os autores alegam que este arcabouço oferece uma "abordagem fundamentada" para o mapeamento de doenças a partir de dados de vigilância baseados em instalações e incompletos, um cenário comum em epidemiologia. Ao tratar as origens ausentes como variáveis latentes e marginalizá-las, o método evita o viés introduzido pela imputação ad hoc. O estudo enfatiza que a identificação de áreas de alto risco (como Manggala) é impulsionada pelo efeito combinado do ajuste populacional, modelagem de abrangência e inferência de origens ausentes, e não apenas pelo ajuste populacional.

Os autores observam que a identificação de Manggala como um hotspot é ecologicamente plausível, alinhando-se à sua geografia de bacia de baixa altitude, inundação sazonal e proximidade a um aterro sanitário, que criam micro-habitats favoráveis para o Aedes aegypti.

Limitações e Escopo
O artigo reconhece modestamente algumas limitações:

Falácia Ecológica: As associações são ao nível do subdistrito e não podem ser interpretadas como efeitos ao nível individual.
Natureza Transversal: A análise agrupa dados de 2021–2025, falhando em capturar a dinâmica de transmissão sazonal ou interanual.
Saturação do Modelo: Com apenas 14 subdistritos, o modelo está próximo da saturação, levando a uma identificação fraca de alguns parâmetros (ex: mistura espacial $\rho$ ).
Escopo de Dados: Os dados limitam-se a oito hospitais principais e podem perder casos de atenção primária ou aqueles que não buscam cuidados formais. O modelo de observação trata a escolha do hospital de forma independente, em vez de um problema de destinos concorrentes.
Generalização: Os achados são específicos de Makassar e podem não se transferir diretamente para contextos com populações ou sistemas de saúde diferentes.

Os autores concluem que, embora o arcabouço forneça um método robusto para os dados atuais, trabalhos futuros devem explorar extensões espaço-temporais, integração de mobilidade humana e modelos de observação de destinos concorrentes.

Mais como este