Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Este estudo, descreve e compara duas classes de modelos - os Modelos Lineares Generalizados (MLG) e os Modelos Aditivos Generalizados (MAG) - que podem ser utilizadas para avaliar a associao entre poluio
atmosfrica e marcadores de morbi-mortalidade. Enfoca os MAG como uma alternativa para a modelagem de relaes no lineares no especificadas, e mostra que essa classe de modelos constitui uma boa opo para
representar tanto a sazonalidade quanto a
relao entre o desfecho e as variveis
meteorolgicas. Como exemplo de aplicao avaliada a associao entre mortalidade em idosos e poluio atmosfrica na cidade de So Paulo no perodo de 1994 a 1997.
Os dados de mortalidade foram obtidos do
Programa de Aprimoramento das Informaes de Mortalidade (PRO-AIM) e as concentraes dirias de poluentes (PM10, SO2,
CO, e oznio) foram obtidas da Companhia
de Tecnologia de Saneamento Ambiental
(CETESB). Informaes acerca da temperatura e umidade relativa do ar foram obtidas
do Instituto Astronmico e Geofsico da
Universidade de So Paulo (IAG-USP). As
duas classes de modelos produziram resultados coerentes, mas os modelos estatisticamente mais sofisticados tiveram mais poder para detectar efeitos significantes. Foram observadas associaes entre mortalidade e os nveis de CO, SO2 e, em menor
escala, PM10. As associaes observadas foram dose-dependente e evidentes aps um
curto perodo de exposio.
Departamento de Patologia
Faculdade de Medicina
Universidade de So Paulo
Apoio:
Fundao de Amparo Pesquisa do Estado de So Paulo (FAPESP)
Laboratrio de Investigao Mdica do Hospital das Clnicas da Faculdade
de Medicina da Universidade de So Paulo (LIM05-HCFMUSP)
206
Abstract
Introduo
In this study, we have described and compared two classes of models - the Generalized Linear Models (GLM) and the Generalized Additive Models (GAM) which can be
used to evaluate the association between atmospheric pollution and morbidity and
mortality counts. We consider GAM as an
alternative for modeling unspecific nonlinear
relationships, and show that this class of
models constitute a good option to represent both seasonality and the relation between the outcome and the meteorological
variables. As an illustration, we evaluate the
association between mortality in elderly people and air pollution in So Paulo, Brazil for
the period ranging from 1994 to 1997. The
two modeling classes have produced coherent results, but the most sophisticated models were more powerful to detect significant
effects. Associations between mortality and
the levels of CO, SO2 and, in to a lesser extent, PM10 were observed.
Keywords: Linear models. Generalized additive models. Air pollution. Morbidity. Mortality. Aged.
Bras. Epidemiol.
207 Rev.
Vol. 4, N 3, 2001
Figura 1 - Nmero dirio de bitos por causas respiratrias em idosos para o perodo 19941997.
Figure 1 - Daily deaths due to respiratory causes in the elderly, for the 1994-1997 period
Bras. Epidemiol.
209 Rev.
Vol. 4, N 3, 2001
f k ( xi ) =
yj
jVks ( xi )
2k + 1
(ii)
e tem esperana
E[f k ( xi )] =
jVks ( xi )
f( x j )
2k + 1
(iii)
e varincia
Var[fk ( xi )] =
2
.
2k + 1
(iv)
Exemplo
Descrio dos dados
Foram obtidos do Programa de Aprimoramento das Informaes de Mortalidade no
Municpio de So Paulo (PRO-AIM) informaes referentes a todos os bitos ocorri-
Bras. Epidemiol.
211 Rev.
Vol. 4, N 3, 2001
Resultados
O parmetro de alisamento para o nmero de bitos em funo do tempo foi fi-
coeficiente
erro padro
2.671**
.146
.000
.093*
.128**
.330**
.563**
.533**
.341**
.315**
.170**
.129**
.060
.044
.043
.046
.050
.054
.053
.054
.051
.047
.045
.043
-.021
-.138**
-.154**
.022
.023
.023
-.045**
.002**
-.004**
.004**
.015
.001
.001
.001
1608.67
< 0,01
* p<.05; **p<.01
# teste que compara o modelo em questo com o modelo sem as variveis meteorolgicas
# test that compares the model being assessed with the model without meteorology variables
Bras. Epidemiol.
213 Rev.
Vol. 4, N 3, 2001
coeficiente
erro padro
2.523*
-2.521*
.099
-8.083
-1.586*
-.005*
.006*
-4.784
.001
.001
1625.53
< 0,01
*p<.01
# teste que compara o modelo em questo com o modelo sem as variveis meteorolgicas
# test that compares the model being assessed with the model without meteorology variables.
Bras. Epidemiol.
215 Rev.
Vol. 4, N 3, 2001
Tabela 3 - Coeficiente de regresso (e erro padro) para cada poluente, quando includos
separadamente ou juntos no modelo controlado para sazonalidade, clima e nmero de
bitos por causas no respiratrias.
Table 3 - Regression coefficient ( and standard error) for each pollutant, when included alone or together,
in the model controlled for seasonality, climate and number of deaths due to non-respiratory causes.
Separados
Poluentes
Juntos
MLG
MAG
MLG
MAG
PM10 a
.0000
(.0005)
.0009**
(.0004)
-.0005
(.0007)
-.0009
(.0006)
SO2 a
.0020*
(.0012)
.0051***
(.0009)
.0030*
(.0017)
.0069***
(.0013)
CO a
-.0019
(.0067)
.0177***
(.0054)
-.0008
(.0097)
.0115
(.0086)
O3 b
.0001
(.0003)
-.0002
(.0002)
.0001
(.0003)
-.0002
(.0003)
Comentrios finais
As duas classes de modelos apresentadas produziram resultados coerentes, mas
os modelos estatisticamente mais sofisticados tiveram mais poder para detectar efeitos significativos que foram, como esperado, de pequena magnitude. Isto pode ter
ocorrido porque os MAG incorporam informaes acerca da sazonalidade, tendncia e
da relao entre mortalidade e variveis
meteorolgicas de um modo menos restritivo. A abordagem que utiliza variveis
indicadoras impe a restrio de que o nmero de bitos ao longo de todo o ms
constante e s vai se alterar no primeiro dia
do ms seguinte, quando dever permane-
tados nos pacotes estatsticos atuais. Entretanto, sempre que houver interesse direto
na estimao do risco, os alisadores podem
ser utilizados em uma primeira abordagem,
com o objetivo de sugerir ao pesquisador
que tipo de funo paramtrica (polinmios
Bras. Epidemiol.
217 Rev.
Vol. 4, N 3, 2001
lhante. O padro de comportamento do efeito da poluio no parece depender da classe de modelo adotado, mas os MAG mostraram-se mais eficientes para detectar associaes.
Aparentemente, os MAG so modelos
mais parcimoniosos, ou seja, necessitam de
um menor nmero de variveis explicativas,
o que justificaria o fato de detectarem um
maior nmero de associaes. Por exemplo, excetuando a concentrao de poluentes,
foram consideradas 18 variveis explicativas
nos MLG, enquanto que apenas 4 foram
requeridas pelos MAG. Na verdade, toda
curva de alisamento est associada a um
determinado nmero de graus de liberdade13. O nmero de graus de liberdade para
as curvas de alisamento do nmero de bitos em funo do nmero de dias transcorridos foi aproximadamente 14 e, portanto,
equivalente ao nmero de graus de liberdade correspondentes s variveis indicadoras
para meses e anos.
Alguns estudos avaliaram a relao entre
poluio atmosfrica e mortalidade nos Estados Unidos, valendo-se de diferentes mtodos estatsticos e realizaram uma anlise
comparativa de tais mtodos. Entre estes podemos citar Schwartz e colaboradores18 e
Kinney e colaboradores19. Entretanto, estas
anlises envolveram basicamente o PM10.
Schwartz e colaboradores18 avaliaram a
sensibilidade da associao entre mortalidade
total e PM10 em Birmingham, comparando
modelos de regresso de Poisson com controle da autocorrelao e da sobredisperso,
modelos de regresso robusta (que so ba-
Referncias
1. Schwartz, J, Spix C, Touloumi G, Bachrov L,
Barumamdzadeh T, Tertre A et al. Methodological
issues in studies of air pollution and daily counts of
deaths or hospital admissions. J Epidemiol
Community Health 1996; 50 Suppl 1:S3-S11.
2. Schwartz J, Dockery DW, Neas LM. Is daily mortality
associated specifically with fine particles? J Air Waste
Manage Assoc 1996; 46:927-39