Markov-Switching Regime Dynamics of Maternal Mortality in Kenya: A State-Dependent Analysis of Health System Transitions with Bootstrap Uncertainty Quantification (2000-2023

Resumo Técnico: Dinâmica de Regimes de Alternância de Markov da Mortalidade Materna no Quênia (2000-2023)

Definição do Problema
A mortalidade materna continua sendo um desafio crítico de saúde pública, com as análises estatísticas tradicionais frequentemente falhando em capturar as mudanças não lineares e estruturais inerentes ao desempenho do sistema de saúde. Métodos convencionais, como regressões lineares ou de joinpoint, tipicamente assumem estabilidade de parâmetros dentro dos segmentos identificados ou tratam pontos de mudança (change-points) como eventos determinísticos. Essas abordagens podem obscurecer dinâmicas críticas, como estados ocultos de "crise" ou "recuperação", e falham em considerar a natureza probabilística das transições entre diferentes regimes de saúde. Além disso, a literatura existente frequentemente assume variância constante, ignorando a volatilidade acentuada que pode caracterizar períodos de crise sistêmica. O estudo aborda a lacuna na compreensão de se a trajetória da mortalidade materna (MMR) no Quênia exibe regimes distintos e persistentes e como esses regimes transitam ao longo do tempo, particularmente no contexto de mudanças políticas e de políticas públicas entre 2000 e 2023.

Metodologia
O estudo emprega um modelo de alternância de Markov de dois estados para analisar os dados anuais de MMR para o Quênia de 2000 a 2023 ($T=24$). Os dados, obtidos de estimativas da OMS/UNICEF/UNFPA/Banco Mundial e UNPD (MMEIG), são tratados como uma série temporal onde o estado subjacente (regime) é latente e não observado.

• Especificação do Modelo: Os autores especificam um modelo de média com alternância de regime onde $y_t = \mu_{s_t} + \epsilon_t$, com $\epsilon_t \sim N(0, \sigma^2_{s_t})$. O estado oculto $s_t$ segue uma cadeia de Markov de primeira ordem com probabilidades de transição invariantes no tempo. O modelo permite médias específicas de regime ($\mu_j$) e variâncias ($\sigma^2_j$).
• Estimação: Os parâmetros são estimados usando Estimativa de Máxima Verossimilhança (MLE) via algoritmo Expectation-Maximization (EM), incorporando o filtro de Hamilton para calcular as probabilidades suavizadas de ocupação de regime.
• Tratamento de Pequenas Amostras: Dada a amostra limitada ($T=24$), um método de bootstrap paramétrico com 500 replicações é utilizado para quantificar a incerteza nas estimativas dos parâmetros, especificamente abordando a variabilidade das probabilidades de transição e da duração esperada dos regimes.
• Seleção de Modelo: O número ideal de regimes ($K$) é determinado pelo Critério de Informação de Akaike (AIC) e pelo Critério de Informação Bayesiano (BIC), juntamente com testes de razão de verossimilhança.
• Validação: A estacionariedade é avaliada por meio dos testes Augmented Dickey-Fuller (ADF) e KPSS, e as quebras estruturais são examinadas usando testes de Chow. As verificações de robustez incluem análise de resíduos para normalidade, autocorrelação e heterocedasticidade.

Principais Resultados

1. Detecção de Regimes: O modelo de dois regimes é selecionado como ótimo (AIC = 224,37, BIC = 231,44), superando significativamente as especificações de um e três regimes. Dois regimes distintos foram identificados:
   • Regime de Alta Mortalidade (Regime 1): Média de MMR = 488,7 (95% CI [431,6, 497,5]), Desvio Padrão = 10,6. Este regime dominou de 2007 a 2014.
   • Regime de Baixa Mortalidade (Regime 2): Média de MMR = 428,2 (95% CI [410,1, 468,3]), Desvio Padrão = 19,9. Este regime prevaleceu de 2000–2006 e 2015–2023.
2. Persistência de Regime e Transições: O sistema exibe alta persistência. A probabilidade de permanecer no regime alto é de 87,5%, e no regime baixo é de 93,3%. Consequentemente, a duração esperada do regime alto é de 8 anos, enquanto o regime baixo é esperado que dure 15 anos.
   • Apenas duas transições de regime foram detectadas ao longo do período de 24 anos: uma mudança de baixo para alto em 2006–2007 e um retorno de alto para baixo em 2014–2015.
   • Os resultados do bootstrap indicam alta precisão na estimativa das médias dos regimes, mas considerável incerteza em relação às probabilidades de transição (95% CI [0,300, 0,950]), atribuída ao pequeno número de transições observadas.
3. Dinâmicas Temporais:
   • 2000–2006: Período estável de baixa mortalidade.
   • 2007–2014: Período de crise coincidindo com a violência pós-eleitoral e a implementação da descentralização (devolution) do sistema de saúde.
   • 2015–2023: Período de recuperação. Notavelmente, o sistema manteve o regime de baixa mortalidade com probabilidade >95% mesmo durante a pandemia de COVID-19 (2020–2021), demonstrando resiliência do sistema.
4. Comparação com Modelos Tradicionais: O modelo de alternância de Markov supera um modelo padrão ARIMA(0,1,0) em termos de AIC e BIC, confirmando que a natureza não linear e dependente de estado dos dados é melhor capturada pelas dinâmicas de alternância de regime.

Significância e Alegações
O artigo afirma que a mortalidade materna no Quênia segue um caminho imprevisível caracterizado por mudanças de regime estruturais, em vez de um declínio contínuo e linear. A aplicação do modelo de alternância de Markov fornece insights cruciais que as abordagens tradicionais não podem oferecer:

• Identificação de Estados Ocultos: O modelo distingue com sucesso entre estados de "crise" e de "recuperação", revelando que o sistema de saúde opera sob duas realidades estatísticas distintas com diferentes médias e variâncias.
• Correlação de Políticas: As transições de regime identificadas alinham-se temporalmente com grandes eventos nacionais. A mudança para o regime de alta mortalidade coincide com a violência pós-eleitoral de 2007–2008, enquanto a transição de volta para o regime de baixa mortalidade alinha-se com a implementação da Constituição de 2010 (descentralização) e a política de maternidade gratuita de 2013.
• Resiliência e Sustentabilidade: A alta persistência do regime de baixa mortalidade (duração esperada de 15 anos) sugere que as intervenções políticas, uma vez bem-sucedidas, podem gerar estabilidade duradoura. A capacidade do sistema de permanecer no estado de baixa mortalidade durante a pandemia reforça sua resiliência.
• Implicações para o ODS 3.1: Apesar da transição bem-sucedida para um regime de baixa mortalidade, a taxa atual de declínio dentro deste regime é insuficiente para atingir a meta do ODS 3.1 (<70 mortes por 100.000 nascidos vivos) até 2030. Os autores observam que, no ritmo atual, a meta pode não ser alcançada até 2060, necessitando de intervenções aceleradas.

O estudo conclui que, embora a abordagem de alternância de Markov revele as quebras estruturais e a persistência das tendências de mortalidade materna no Quênia, os amplos intervalos de confiança nas probabilidades de transição (devido ao tamanho reduzido da amostra) exigem uma interpretação cautelosa. Os achados enfatizam a necessidade de esforços políticos sustentados para manter o regime de baixa mortalidade e acelerar o progresso em direção às metas globais de saúde.