Escolar Documentos
Profissional Documentos
Cultura Documentos
Taizi Honorato1
Brbara Reis-Santos1
Carolina Maia Martins Sales1
Ethel Leonor Noia Maciel1
Adelmo Incio Bertolde1
Rev. Bras. Pesq. Sade, Vitria, 16(1): 99-104, jan-mar, 2014 |99
Mortalidade Infantil no estado Esprito Santo: uma anlise via modelos Completamente Bayesianos | Lapa et al.
INTRODUO|
MTODOS|
Anlise estatstica
O mtodo clssico mais usual para a estimao do risco de
um determinado evento denominado de taxa bruta ti, defini-se da seguinte forma: ti=(ni/Ni )1000, onde ni o total
de bitos no municpio i e Ni a populao de nascidos
vivos no municpio i por 1000 nascidos vivos.
Um problema associado a essa taxa ocorre quando o evento
de interesse raro em localidades com populao pequena,
devido alta instabilidade ao estimar o risco de ocorrncia do
evento. Outra situao acontece quando no ocorre nenhum
evento, consequentemente, o risco estimado zero, o que nem
sempre real no contexto de dados epidemiolgicos11.
Com intuito de estimar o risco da mortalidade infantil associado a fatores de influncia, sero avaliados os 8 modelos
de regresso a seguir:
100| Rev. Bras. Pesq. Sade, Vitria, 16(1): 99-104, jan-mar, 2014
Mortalidade Infantil no estado Esprito Santo: uma anlise via modelos Completamente Bayesianos | Lapa et al.
delo: 0, , ui e bi. Para todos os modelos analisados, a distribuio a priori de 0 dada por: 0~Normal(0.01,0.001), e
para cada um dos elementos de ={1,...,k} a distribuio
dada por 0~Nornal(0,k). O componente ui representa o
efeito aleatrio espacial, e sua distribuio a priori estabelecida da seguinte forma: ui ~ Normal(0,u). Ambos k e u
so desconhecidos e denominados hiperparmetros, pois
so parmetros da distribuio a priori, e se constituem no
terceiro nvel hierrquico, onde esto as distribuies das
hiperprioris. Para ambos foi utilizada a distribuio a priori
Gamma(0.5,0.0005), que equivale ao uso de uma distribuio a priori pouco informativa e, portanto, que exerce pouca
influncia sobre as inferncias. A componente bi considera
o efeito da estrutura espacial e agrega a informao da vizinhana (dos municpios vizinhos), que neste caso a estrutura definida para a matriz de vizinhana utilizada binria,
na qual assume o valor 1 quando as reas so vizinhas e 0
caso contrrio. A distribuio dada a componente bi faz uso
de um modelo CAR (Condicional Auto-Regressivo) normal. A mdia dada pela mdia aritmtica dos efeitos dos
seus vizinhos, e a varincia inversamente proporcional
quantidade de reas vizinhas.
Por meio da distribuio a posteriori de so obtidas as
estimativas dos de risco, resultante dos variados modelos
apresentados e de suas prioris. Devido a complexidade do
modelo, a distribuio a posteriori encontrada pelo mtodo de simulao estocstica chamada de MCMC (Marchov
Chain Monte), em que so encontrados os valores mais facilmente do que calcular analiticamente. O programa utilizado para a modelagem Completamente Bayesiana, pelo
mtodo MCMC, o WinBugs (Win Bayesian inference Using
Gibbs Sampling; Verso 1.4) e para mapeamento dos riscos
o programa utilizado o R (Verso 2.12), ambos os programas utilizados neste trabalho so livres.
A distribuio a posteriori conjunta uma distribuio de
probabilidade dos parmetros presentes no modelo e das
estimativas de cada um dos parmetros. O intervalo de credibilidade de cada parmetro do modelo de suma importncia para avaliar a associao das covariveis e a taxa de
mortalidade infantil.
A convergncia das cadeias foi averiguada pelo mtodo de
Gelman e Rubin14. O critrio de escolha do modelo utilizado o DIC (Deviance Information Criterion). Esse um dos
critrios pode ser usado quando se modelam dados atravs
de MCMC, sendo que o modelo que apresentou o menor
DIC o que melhor se ajustou aos dados15.
Rev. Bras. Pesq. Sade, Vitria, 16(1): 99-104, jan-mar, 2014 |101
Mortalidade Infantil no estado Esprito Santo: uma anlise via modelos Completamente Bayesianos | Lapa et al.
RESULTADOS|
do DIC.
O nmero de nascidos vivos no Esprito Santo por municpio em 2010 variou de 61 a 6.953. Enquanto que o nmero
de bitos por municpio variou de 0 a 82. A modelagem utilizada neste trabalho a Completamente Bayesiana. Foram
realizadas 200 mil simulaes para cada modelo, sendo que
as 50 mil simulaes iniciais foram descartadas (burn-in). A
convergncia foi verificada por meio do diagrama de Gelman-Rubin, observando as trajetrias das cadeias, com diferentes valores iniciais. A Tabela 1 mostra os modelos ajustados considerando o efeito espacial e os respectivos valores
Tabela 1: Mortalidade Infantil no Estado do Esprito Santo - Modelos de regresso para identificao de fatores relacionados a TMI e seus respectivos
valores de DIC para o ano de 2010
Modelo
DIC
Sem covarivel
317,913
312,189
318,896
318,141
312,984
310,743
310,067
311,629
102| Rev. Bras. Pesq. Sade, Vitria, 16(1): 99-104, jan-mar, 2014
Mortalidade Infantil no estado Esprito Santo: uma anlise via modelos Completamente Bayesianos | Lapa et al.
DISCUSSO|
CONCLUSO|
Foram avaliados oito modelos de regresso espacial Completamente Bayesianos utilizados para estimar o risco da mortalidade infantil no Esprito Santo em 2010. O mtodo utilizado baseado nas simulaes MCMC, que possibilita estimar
o risco de bitos e os parmetros do modelo e o critrio de
seleo utilizado foi baseado no DIC. O modelo selecionado
considerou o efeito espacial com a renda e o esgotamento.
Em sntese, na modelagem Completamente Bayesiana foi
possvel verificar o efeito da influncia das covariveis relacionadas aos determinantes sociais de sade, bem como
da estrutura espacial, contrapondo o mtodo da taxa bruta
em que no agrega essa informao. Mediante os resultados
encontrados, sugere analisar posteriormente o efeito dos parmetros por municpio, podendo assim observar quais municpios so mais influenciados pelas covariveis analisadas.
REFERNCIAS|
1. Rede Interagencial de Informaes para a Sade RIPSA . Taxa de mortalidade infantil c.1 2009. [Acesso em:
2012 Abr 20]. Disponvel em: http://www.ripsa.org.br/
fichasIDB.
2. Victora CG, Aquino EM, Do Carmo L M, Monteiro
C.A, Barros FC, Szwarcwald C.L. Maternal and child health
in Brazil: Progress and challenges, 2011; The Lancet, 377
(9780): 1863-1876.
3. Portal da Sade - Ministrio da Sade. [Acesso em:
2012 Abr 22]. Disponvel em: http://portal.saude.gov.
br/portal/saude/profissional/visualizar_texto.cfm?idtxt=32484&janela=1.
4. World Health Organization. Global Health Observatory.
Neonatal and infant. [Acesso em: 2012 Abr 22]. Disponvel em: http://www.who.int/gho/child_health/mortality/
neonatal_infant_text/en/index.html.
5. Barros FC, Victora CG, Scherpbier R, Gwatkin D. Socioeconomic inequities in the health and nutrition of children in low/middle income countries. Rev. Sade Pblica
[serial on the Internet]. 2010 Feb [cited 2012 Apr 26] ;
44(1): 1-16.
Rev. Bras. Pesq. Sade, Vitria, 16(1): 99-104, jan-mar, 2014 |103
Mortalidade Infantil no estado Esprito Santo: uma anlise via modelos Completamente Bayesianos | Lapa et al.
6. World Health Organization. Commission on Social Determinants of Health. Final Report. Geneva; 2010. [Acesso
em 2012 Abr 22]. Disponvel em: http://www.who.int/social_determinants/thecommission/finalreport/en/.
7. Moraes NOL, Barros MBA. Fatores de risco para mortalidade neonatal e ps-neonatal na Regio Centro-Oeste
do Brasil: linkage entre bancos de dados de nascidos vivos
e bitos infantis. Cad. de Sade Pbl., 2000; 16: 477-485.
8. Leite IC, Machado CJ, Lima LC, Rodrigues RN. Fatores
associados mortalidade infantil no Brasil, 2006, com enfoque na idade materna. Cad. Sade Colet., 2010; 18: 392403.
9. Brando M, Fru CM, Geib LTC, Nunes ML. Determinantes sociais e biolgicos da mortalidade infantil em coorte de base populacional em Passo Fundo, Rio Grande do
Sul. Cinc. Sade Colet., 2010; 15: 363-370.
10. Gomes MHR, Souza J, Teixeira JC. Anlise da associao entre saneamento e sade nos estados brasileiros
- estudo comparativo entre 2001 e 2006. Eng. Sanit. Ambient., 2011; 16: 197-204.
11. Marshall RJ. Mapping disease and mortality rates using
empirical Bayes estimators. Appl Stat 1991; 40: 28-294.
12. Richardson S, Thomson A, Best NG, Elliott P. Interpreting posterior relative risk estimates in disease mapping
studies. Environ Health Perspect, 2004; 112: 1016-25.
13. Bernadinelli L, Montonolli C. Empirical Bayes versus
fully Bayesian analysis of geographical variation in disease
risk. Stat Med 1992; 11: 983-1007.
14. Gelman A, Rubin D. Inference from Iterative Simulation using Multiple Sequences. Statistical Science. (1992a );
7: 457-511.
15. Spiegelhalter DJ, Best NG, Carlin BP, Linde A. Bayesian measures of model complexity and fit. J R Stat Soc
Series B Stat Methodol 2002; 64: 583-639.
16. Susser M. The logic in ecological: II. The logic of design. Am J Public Health 1994; 84: 830-5.
17. Kato SK, Vieira DM, Fachel Jandyra MG. Utilizao da
modelagem inteiramente bayesiana na deteco de padres
104| Rev. Bras. Pesq. Sade, Vitria, 16(1): 99-104, jan-mar, 2014