Como biblioteca, a NLM fornece acesso à literatura científica.

A inclusão em um banco de
dados NLM não implica endosso ou acordo com, o conteúdo da NLM ou do National
Institutes of Health.
Saiba mais: Isenção de responsabilidade da PMC | Aviso de Direitos Autorais da PMC

Vírus. 2019 Novembro; 11(11): 1008. PMCID: PMC6893581

Publicado online em 31 de outubro de 2019. DOI: 10.3390/v11111008 PMID: 31683644

Dinâmica espaço-temporal do risco de transmissão da síndrome cardiopulmonar

por hantavírus no Brasil
Renata L. Muylaert,1,2,* Gilberto Sabino Santos Jr.,3,4,5 Paula R. Prist,6 Júlia E. F. Oshima,1
Bernardo Brandão Niebuhr,1,7,8 Thadeu Sobral-Souza,9 Stefan Vilges de Oliveira,10 Ricardo Siqueira Bovendorp,11
Jonathan C. Marshall,2 David T. S. Hayman,2 e Milton Cezar Ribeiro1

Abstrair

Introduçã o: A hantavirose em humanos é rara, mas frequentemente letal na regiã o

Neotropical. Vá rios roedores Sigmodontinae abundantes e amplamente distribuídos sã o os
hospedeiros primá rios do Orthohantavirus e, em combinaçã o com outros fatores, esses roe‐
dores podem moldar a doença por hantavírus. Aqui, avaliamos a influê ncia da diversidade de
hospedeiros, clima, vulnerabilidade social e mudanças no uso da terra sobre o risco de
hantavírus no Brasil ao longo de 24 anos. Mé todos: Variáveis da paisagem (mata nativa, silvi‐
cultura, cana-de-açú car, milho e pastagem), clima (temperatura e precipitaçã o) e biodiversi‐
dade hospedeira (derivada por meio de modelos de nicho) foram utilizadas em modelos
espaço-temporais, utilizando como unidades de aná lise os 5570 municípios brasileiros.
Resultados: Quantidades de mata nativa e cana-de-açú car, combinadas com a temperatura,
foram os fatores mais importantes que influenciaram o aumento do risco de doenças. A
populaçã o em risco (trabalhadores rurais) e a diversidade de hospedeiros de roedores
també m tiveram um efeito positivo sobre o risco de doenças. Conclusõ es: A mudança no uso
da terra – especialmente a conversã o de á reas nativas em canaviais – pode ter um impacto sig‐
nificativo no risco de hantavírus, provavelmente por promover a interaçã o entre as pessoas e
os roedores infectados. Nossos resultados demonstram a importâ ncia de compreender as
interaçõ es entre mudança na paisagem, diversidade de roedores e incidê ncia de hantavírus, e
sugerem que a política de uso da terra deve considerar o risco de doenças. Enquanto isso,
nosso mapa de risco pode ser usado para ajudar a alocar medidas preventivas para evitar
doenças.
Palavras-chave: mudança do uso da terra, doenças emergentes, saú de pú blica, aná lise
baseada em polígonos, inferê ncia bayesiana aproximada, modelos gaussianos latentes,
aproximaçõ es de Laplace aninhadas integradas, inflaçã o zero

1. Introduçã o

A mudança do uso da terra pode influenciar a disseminaçã o e distribuiçã o de doenças infec‐

ciosas, especialmente as zoonó ticas emergentes [1], como a hantavirose, causada por um con‐
junto quase globalmente distribuído de genó tipos de Orthohantavirus (doravante hantavírus)
[2] (família Hantaviridae [3,4]). No Brasil, a hantavirose manifesta-se em humanos como
síndrome cardiopulmonar (SPCVH) [5], sendo considerada um problema devido à s suas altas
taxas de mortalidade [6]. Os fatores de risco para a infecçã o humana por hantavírus incluem a
exposiçã o direta ao sangue, saliva e excretas de hospedeiros roedores [7], que é consequê ncia
do contato durante atividades agrícolas ou de lazer [8,9].

Há evidê ncias de que a expansã o da agricultura, particularmente dos canaviais de cana-de-

açú car, influencia o risco de hantavírus no sudeste do Brasil [10]. Cana-de-açú car, pastagens
plantadas e plantações de eucalipto podem aumentar os surtos de SPCVH [11]. Plantaçõ es de
milho foram associadas à doença por hantavírus em trabalhos anteriores [12,13]. Á reas ocu‐
padas pelo homem pró ximas à vegetaçã o nativa, no entanto, també m tendem a apresentar
maior risco de doenças, pois beneficiam hospedeiros roedores e permitem maior probabili‐
dade de invasã o e contato humano local [14,15].

Houve mudanças notáveis no uso da terra brasileira de 1940 até recentemente [13]. Alé m do
desmatamento, houve aumento dos canaviais e plantaçõ es de milho, expansã o das á reas de
soja e intensificaçã o do uso de á reas de pastagens pré -existentes. Essas mudanças podem ter
ampliado a distribuiçã o das espé cies hospedeiras de roedores, uma vez que vá rias delas po‐
dem utilizar mú ltiplos habitats [16], e consequentemente aumentar a exposiçã o humana a
hantavírus.

A hantavirose em diferentes localidades é aparentemente causada por apenas um vírus que in‐
fecta as pessoas em cada regiã o e o vírus é tipicamente ligado a uma espé cie hospedeira opor‐
tunista principal. Se houver apenas uma espé cie hospedeira competente, uma maior riqueza de
espé cies possivelmente dilui a transmissã o para humanos, aumentando os contatos de hos‐
pedeiros nã o competentes. Nesta situaçã o de uma espé cie, um hospedeiro, o efeito de diluiçã o
reduzirá a chance de transmissã o atravé s de contatos de hospedeiros nã o competentes.
Portanto, o efeito dilutivo sobre a linhagem viral predominante aumenta com a abundâ ncia e o
nú mero de outros hospedeiros para reduzir a chance de transmissã o viral. Por outro lado, se
existirem vá rios hospedeiros competentes, o aumento da diversidade pode aumentar o risco. O
paradigma da especificidade vírus-espé cie hospedeira nã o parece ser completamente ver‐
dadeiro para hantavírus na Amé rica do Sul [17]. Sabe-se que existem pelo menos trê s espé cies
de Orthohantavirus com potencial para causar doença em humanos no Brasil (Andes ortho‐
hantavirus – ANDV, Laguna Negra orthohantavirus – LANV e Rio Mamoré orthohantavirus –
RIOMV, uma variante LANV) e podem ser detectadas em mais de 20 espé cies de roedores na
Amé rica do Sul, com considerável sobreposiçã o de distribuiçã o entre algumas delas [17 ].
Portanto, faz-se necessá rio investigar vá rias espé cies de roedores alé m das espé cies hos‐
pedeiras reservató rios conhecidas [10,18]. O mapeamento das á reas onde as espé cies hos‐
pedeiras de hantavírus estã o distribuídas e podem concentrar diferentes genó tipos de
hantavírus é uma prioridade para a vigilâ ncia da doença [9]. Recentemente, tê m sido real‐
izadas tentativas de compreender a distribuiçã o das SPCVH regionalmente [19] e nacional‐
mente [12], inclusive utilizando abordagens de opiniã o de especialistas para desenvolver e
analisar medidas de vulnerabilidade [6,20]. No entanto, até onde sabemos, investigaçõ es mod‐
elando o risco da doença para grandes regiõ es ainda estã o ausentes na regiã o Neotropical,
particularmente para o Brasil. Esses estudos sã o importantes para ajudar a entender os fa‐
tores que aumentam o risco de hantavírus e orientar medidas educativas e preventivas.

A dinâ mica de transmissã o de hantavírus para humanos e a vigilâ ncia de doenças é um pro‐
cesso complexo, especialmente na Amé rica do Sul hiperbiodiversa [21], para a qual as
notificaçõ es de casos dependem de vá rias etapas. O hospedeiro roedor precisa ocorrer em um
determinado local e, para que a infecçã o exista, as populaçõ es de roedores podem precisar es‐
tar acima de um certo limiar de abundâ ncia [11]. Em seguida, as partículas virais excretadas
em substratos (por exemplo, solo) devem ser aerossolizadas sob condiçõ es ambientais
específicas, infectando humanos por inalaçã o de partículas virais. A partir daí, os seres hu‐
manos suscetíveis devem desenvolver a doença e apresentar-se à s clínicas com sinais e sin‐
tomas clínicos que devem ser diagnosticados como hantavirose, antes de uma notificaçã o
compulsó ria ser fornecida ao Ministé rio da Saú de.

Acredita-se que á reas com maior nú mero de pessoas em risco (adultos que trabalham em
á reas rurais) no Estado de Sã o Paulo [6] apresentam maior risco de doença devido à maior
probabilidade de exposiçã o a pató genos. Espera-se que o aumento da proporçã o de trabal‐
hadores rurais aumente o risco de hantavírus. Espera-se també m que á reas com níveis moder‐
ados a altos de precipitaçã o tenham aumentado a incidê ncia da doença por hantavírus como
um efeito indireto sobre o crescimento populacional das espé cies hospedeiras (um aumento
na densidade – regulaçã o de baixo para cima [11]). As populaçõ es de roedores se beneficiam
de temperaturas amenas [22] e a viabilidade do vírus no ambiente parece ser maior em tem‐
peraturas amenas (o vírus é inativado apó s 24 h em temperaturas ≥ 37 °C) [23].

Aqui, objetivamos (1) gerar mapas de risco de doença usando a presença e o nú mero de casos
notificados de hantavírus ao longo de uma sé rie de dados de 24 anos como variáveis resposta,
e os seguintes fatores de risco hipoté ticos como variáveis preditoras (Figura S1): vulnerabili‐
dade social, clima, mudanças no uso da terra e biodiversidade; e (2) avaliar a capacidade do
melhor modelo suportado em predizer novos casos confirmados em humanos, usando sub‐
conjuntos de nossas sé ries de dados. Nossa expectativa era de que a mudança no uso da terra
– especialmente a expansã o agrícola da cana-de-açú car e do milho – e a vulnerabilidade social
sã o os principais preditores do risco de doenças. Espera-se també m que a diversidade de hos‐
pedeiros influencie positivamente a probabilidade de ocorrê ncia de casos de doença em hu‐
manos. Este é o primeiro estudo, até onde sabemos, que considera todos esses componentes
juntos. Consideramos que este é um passo importante a ser dado para investigar a dinâ mica da
SPCVH, uma vez que a aná lise espaço-temporal pode elucidar como mú ltiplos fatores modulam
a distribuiçã o da doença.

2. Materiais e Métodos

2.1. Casos de hantavírus e dados populacionais

Os dados sobre casos humanos notificados de 1993 a 2016 foram fornecidos pelo Ministé rio
da Saú de (http://www2.datasus.gov.br/DATASUS/index.php?area=0203&id=29878153). De
1993 a 1999, todos os casos foram notificados como notificados (nã o necessariamente confir‐
mados laboratorialmente). Apó s 2000, os casos notificados e confirmados laboratorialmente
estavam disponíveis, e usamos esse segundo conjunto de dados aqui. Utilizou-se a modelagem
zero inflada utilizando duas variáveis respostas: (1) a presença e (2) a contagem de casos posi‐
tivos em um município em um ano, utilizando os dados do Ministé rio da Saú de do Brasil para o
período. A precisã o geográ fica dos casos é relatada em nível municipal por causa da política de
privacidade para pessoas infectadas. Utilizamos como referê ncia espacial os polígonos de 5570
municípios brasileiros retirados de 2015 (apó s a remoçã o de dois lagos) do Instituto Brasileiro
de Geografia e Estatística disponíveis em
(ftp://geoftp.ibge.gov.br/organizacao_do_territorio/malhas_territoriais/malhas_municipais/m
unicipio_2015/Brasil/BR/).

Todas as covariáveis foram agregadas ao nível do município. Foram extraídos dados direta‐
mente de bancos de dados do governo brasileiro (dados de trabalhadores rurais) ou aplicada
estatística zonal para outras fontes de dados (Tabela S1), utilizando a mé dia ou quantidade (%)
para os preditores ambientais e contagens de espé cies para o componente biodiversidade O
indicador de vulnerabilidade social selecionado foi "populaçã o em risco", que foi o nú mero de
trabalhadores rurais com 18 anos ou mais. Os censos populacionais foram realizados em trê s
períodos (1991, 2000 e 2010). Como tivemos trê s censos por município no período estudado,
utilizou-se a funçã o approxExtrap para estimar o crescimento populacional por meio da
interpolaçã o linear do nú mero de trabalhadores rurais. Todas as covariáveis foram central‐
izadas em zero, subtraindo-se a mé dia de cada valor e dividindo-se pelo desvio-padrã o.

2.2. Riqueza potencial do hospedeiro

Definimos hospedeiros como as espé cies de roedores que podem contribuir para a
manutençã o da infecçã o por hantavírus. Apó s avaliaçã o da disponibilidade de dados de
ocorrê ncia para modelagem, foram selecionadas as seguintes espé cies: Akodon cursor, Akodon
montensis, Calomys tener, Holochilus sciureus, Necromys lasiurus, Oligoryzomys eliurus [24],
Oligoryzomys fornesi, Oligoryzomys microtis, Oligoryzomys nigripes e Oxymycterus dasytrichus .
Utilizou-se como preditor a contagem de espé cies hospedeiras ú nicas (riqueza de hos‐
pedeiros) por município.

Nó s previmos espacialmente a ocorrê ncia dos principais hospedeiros de hantavírus no Brasil

usando Modelos de Nicho Ecoló gico (ENMs) [25]. A lista de espé cies-alvo utilizou as revisõ es
mais recentes sobre dados de hospedeiros de roedores [17,21]. Os dados de ocorrê ncia de
espé cies de roedores foram extraídos dos programas PREDICT (https://www.usaid.gov/news-
information/fact-sheets/emerging-pandemic-threats-program), Species Link
(http://www.splink.org.br/), Vert Net (http://vertnet.org/), Cerrado (26] e Atlantic small mam‐
mals [27]. A mineraçã o de dados foi concluída em 10 de agosto de 2018. Filtramos o nú mero
de registros para um por cé lula (1/km2) para cada espé cie. Calculamos a adequaçã o do habitat
para cada espé cie de roedor que conseguimos ter registros suficientes (n = 10) apó s a
aplicaçã o de uma filtragem geográ fica. A extensã o espacial da modelagem foi definida como a
regiã o que inclui todos os biomas brasileiros: Amazô nia, Cerrado, Mata Atlâ ntica, Caatinga,
Pampa e Pantanal. Adicionamos um tampã o de 220 km ao redor dos pontos de ocorrê ncia das
espé cies encontradas para cada espé cie para evitar problemas na fronteira das previsõ es [28].
Os preditores climá ticos foram baixados como arquivos raster delimitados pela á rea de
ocorrê ncia de cada espé cie mais um tampã o de 220 km. Preditores climá ticos para o ENM
foram selecionados com uma aná lise fatorial das variáveis climá ticas Worldclim 2.0
(http://www.worldclim.org/bioclim) sobre as regiõ es de extensã o (~1 km de resoluçã o espa‐
cial). Construímos ENMs usando quatro algoritmos [29]: SVM [30], Bioclim [31], MaxEnt [32] e
distâ ncia de Gower [33], uma vez que abordagens de previsã o de conjunto produzem
previsõ es mais fortes e sã o consideradas uma estrutura ú til para explicar incertezas em
projeçõ es de modelos [12]. A reamostragem dos pontos de dados foi realizada com bootstrap‐
ping com limiar convergente de 10−5 considerando 10.000 pontos de fundo. Para avaliar o de‐
sempenho do modelo, randomizamos os dados de ocorrê ncia em amostras de 75%:25%
trem:teste para calcular a True Skill Statistics (TSS) e a Á rea sob a Curva do Operador (AUC)
[34] para cada modelo. Utilizou-se a opiniã o de especialistas para selecionar os mapas mais re‐
alistas, usando a adequaçã o ponderada com base nos modelos mais bem suportados (TSS >
0,5).

Os valores limiares foram calculados para transformar cada uma das prediçõ es do modelo
(probabilidades, distâ ncias ou valores semelhantes) em um escore biná rio (presença ou
ausê ncia de cada espé cie). Foram gerados os mapas com base nos limiares má ximo de especifi‐
cidade e sensibilidade, nos quais a soma da sensibilidade (taxa verdadeira positiva) e especifi‐
cidade (taxa verdadeira negativa) foi maior. Depois de selecionar os ENMs mais bem suporta‐
dos, plotamos os mapas biná rios com base em (1) o menor limiar de presença (LPT) das
presenças observadas e (2) no percentil 10 dos LPTs, e solicitamos a opiniã o de especialistas.
Apó s a seleçã o dos melhores mapas para cada espé cie, calculamos a soma das presenças de
cada hospedeiro por pixel somando os mapas biná rios. A sobreposiçã o de camadas de
espé cies resultou em um mapa final da riqueza de espé cies hospedeiras. Em seguida, deriva‐
mos estatísticas zonais baseadas no mapa de espé cies hospedeiras para o shapefile dos
municípios brasileiros, calculando a riqueza de hospedeiros prevista por município.

2.3. Uso do solo e clima

Para o cá lculo da quantidade (%) de pastagens e pastagens, utilizou-se a base de dados compi‐
lada do Uso Histó rico da Terra Agrícola [13] (ver fontes de dados na Tabela S1), que abrange a
maior parte da sé rie histó rica (1993-2014). Desse conjunto de dados foram extraídas classes
de uso da terra de cana-de-açú car, milho, pastagem plantada e pastagem nativa por município
e por ano. A quantidade de floresta e floresta por município foi calculada com a coleta
Mapbiomas 2 para 2000-2016 (www.mapbiomas.org). Fizemos um raster de mosaico do
Mapbiomas 2 usando os có digos de 1 a 8 como "florestas nativas", que produziu mapas
biná rios de florestas de 2000 a 2016. Fizemos o mesmo para a silvicultura (principalmente
plantaçõ es de eucalipto e pinus) usando o có digo 9. Em seguida, extraiu-se a quantidade (%) de
cada uma dessas classes de uso do solo em cada município. Os dados de precipitaçã o foram
extraídos do Climate Hazards Group Infrared Precipitation with Stations (CHIRPS) [35], e os
dados de temperatura da superfície do NOAA Merged Land Ocean Global Surface Temperature
Analysis Dataset [36]. Calculamos a precipitaçã o mé dia anual (mm) a partir de dados mensais
e, para a temperatura, usamos a temperatura mé dia anual (°C*10). As estatísticas zonais para
os municípios foram calculadas a partir de funçõ es personalizadas disponíveis no
https://github.com/LEEClab/GeneralizedZonalStats. Utilizou-se o sistema de referê ncia de co‐
ordenadas WGS 84 e manteve-se a resoluçã o espacial original dos dados (Tabela S1).
2.4. Modelos Espaço-temporais

Avaliamos a distribuiçã o dos casos de hantavírus no espaço e no tempo para selecionar as

distribuiçõ es de verossimilhança mais apropriadas usadas nos modelos. Fizemos isso calcu‐
lando a proporçã o de zeros no conjunto de dados. Até onde sabemos, a transmissã o entre hu‐
manos nã o foi relatada para genó tipos de hantavírus no Brasil [37]. A ausê ncia de transmissã o
entre humanos ajuda a manter a doença rara. Modelar uma doença rara e emergente é um de‐
safio, mas dado o tamanho do conjunto de dados e o nú mero de casos ("sucessos"), é possível
ajustar modelos abrangentes a ela. [10] tiveram 1,6% de "eventos" no Estado de Sã o Paulo e
foi possível inferir risco com considerável acurá cia. Optou-se por utilizar dados a partir de
2000, a partir dos quais a consistê ncia da presença de casos (mais de 1%) permitiu modelar os
eventos. A presença de casos em um município de 2000 a 2014 (ou seja, 15 anos) em 5570
municípios equivale a 1,1%, onde um caso esteve presente 958 vezes em 83.550 observaçõ es.
Utilizou-se a distribuiçã o "zeroinflatedpoisson0" para o modelo truncado de zero [38]. Usamos
dados de 2000-2014 para ajustar o modelo e dados de 2015-2016 para verificar a
correspondê ncia entre as previsõ es e os dados observados nã o incluídos no modelo.

Optou-se por utilizar a abordagem zero inflacionada, considerando dois modelos: (1) um mod‐
elo contendo uma distribuiçã o binomial para estimar a probabilidade de ter algum caso em um
município (risco), utilizando a presença ou ausê ncia de casos como variável resposta; e (2) um
modelo de Poisson truncado para zero para os dados de contagem, onde usamos apenas como
dados de entrada observaçõ es em municípios onde o nú mero de casos foi diferente de 0 como
variável resposta. As covariáveis utilizadas nos dois modelos foram as mesmas (ver Figura S1).
Verificamos a sensibilidade do modelo usando os dados de covariáveis mais recentes e dados
de casos novos, correspondentes a 2015-2016. Previamente à construçã o do modelo, verifi‐
camos a correlaçã o entre os preditores do modelo e os fatores de inflaçã o da variâ ncia (Figura
S2). Rodamos modelos com os componentes baseados na Figura S1. Definimos parâ metros de
modelo com priores nã o informativos para todas as covariáveis.

Municípios ou limites políticos poderiam ser usados em nossas aná lises, mas a interpretaçã o
cuidadosa das previsõ es do modelo deve ser feita devido ao vié s de usar limites de municípios
nos limites dos dados. Para a exploraçã o dos dados, aplicou-se uma autocorrelaçã o espacial
estratificada I de Moran para cada ano (Tabela S2). Em seguida, criamos um objeto de lista de
vizinhos padrã o e um grá fico a partir do shapefile do polígono contendo a interaçã o espacial
entre os municípios. Utilizou-se um passeio aleató rio de segunda ordem como termo temporal
(rw2) e um modelo espacial Besag iCAR, que é capaz de lidar com dados irregularmente
espaçados [39]. Para reduzir a complexidade do modelo e evitar limitaçõ es computacionais, os
termos de interaçã o nã o foram incluídos.

Inspecionamos o ajuste do modelo [39] usando cá lculos de incerteza e os valores de ordenada

preditiva condicional (CPO) como medida de adequaçã o do modelo. A OCP é um tipo de pro‐
cedimento de validaçã o cruzada que varia de 0 a 1 para cada observaçã o. Se os valores de CPO
fossem inadequados, uma otimizaçã o do modelo era conduzida para melhorar as estimativas
usando inla.cpo. A incerteza nas prediçõ es de risco foi calculada com base na quantidade de
variaçã o de 95% dos maiores e menores intervalos de credibilidade a partir da mé dia poste‐
rior. Todas as variáveis de resposta do modelo utilizadas foram relacionadas aos dados de
2000 a 2014. Depois de diagnosticar os modelos espaço-temporais (um modelo contendo um
componente de Bernoulli e um modelo contendo um componente de Poisson truncado), os
aplicamos a novos dados para covariáveis de 2015-2016. Isso permitiu avaliar a validaçã o do
modelo [40].

Para a aná lise espacial e processamento raster foram utilizados Python 2.7 [41], GRASS GIS 7.2
[42] e QGIS 2.18 [43]. Para o desenvolvimento das ENMs utilizou-se o pacote dismo [44] e para
a construçã o do modelo espaço-temporal utilizou-se o pacote INLA 19.01.24 [45,46] em R
3.5.1 [47]. O có digo desenvolvido para aná lise de dados está disponível em um repositó rio
pú blico (https://github.com/renatamuy/Muylaert_et_al_2019). As parcelas de coeficiente
foram criadas usando coefINLA (https://github.com/hesscl/coefINLA).

3. Resultados

3.1. Casos de hantavírus e dados populacionais

De modo geral, no período investigado, houve intensa mudança no uso da terra no Brasil e
també m aumento no nú mero de casos de SPCVH (Figura 1 e Figura S3). Os casos foram notifi‐
cados em todas as grandes regiõ es do país, mas a maioria dos casos foi notificada nas regiõ es
central e sul do Brasil (Figura 2a), onde os valores de riqueza de hospedeiros també m foram
altos (Figura 3). A populaçã o de risco (nú mero de trabalhadores rurais) influenciou positiva‐
mente tanto o nú mero de casos de SPCVH em um município quanto o risco de doença (
Figura 4 e Figura 5).

Figura 1

Casos de hantavírus no Brasil. Os dados foram baixados do www.datasus.gov.br. Os dados de 2016 foram atu‐
alizados em janeiro de 2019.
Figura 2

Distribuição da doença por hantavírus no Brasil. (a) Valores observados de 1993 a 2016, destacando os
municípios com maior nú mero de casos. Zonas cinzentas são municípios sem casos notificados; (b) Valores
esperados para a probabilidade de hantavírus em humanos, previstos por um modelo espaço-temporal con‐
tendo floresta, clima e vulnerabilidade social, com incerteza como níveis de transparência (Unc) com base na
variação de intervalos confiáveis. Destacam-se os cinco principais municípios em termos de risco por ano.
Veja o mapa de risco sem a camada de incerteza na Figura S4.
Figura 3

Distribuição de hospedeiros potenciais de hantavírus no Brasil: (a) Riqueza de hospedeiros potenciais de

hantavírus no Brasil. Cores mais claras representam mais hosts. As áreas cinzentas representam a variação
nas contagens de pixels por latitude e longitude. (b) Mapas binários gerados por modelos de Nicho Ecoló gico
com as áreas pretas indicando maior adequação de habitat para cada espécie de roedor modelada.

Figura 4

Gráfico de dispersão com o nú mero de casos de SPCVH observados e previstos por um modelo de Poisson
truncado zero. Cada ponto representa o nú mero de casos notificados de hantavírus em um município em um
ano.
 Figura 5

As distribuiçõ es posteriores dos tamanhos de efeito com a mediana (linha vermelha escura) e intervalos de
credibilidade de 95% (tonalidade vermelha clara) de cada covariável sobre a (a) probabilidade de casos e (b)
contagens positivas de casos em um modelo de Poisson truncado zero, de acordo com diferentes preditores
de dois modelos espaço-temporais no Brasil de 2000 a 2014.

A Tabela S5 mostra os valores mé dios e de intervalo para cada covariável fixa. Houve nítido au‐
mento da cana-de-açú car, diminuiçã o do nú mero de trabalhadores rurais ao longo do tempo
(êxodo rural) e ligeiro aumento da silvicultura e diminuiçã o das quantidades de pastagens e
milho. A quantidade de floresta també m variou ao longo do tempo, assim como a temperatura
e a precipitaçã o. A cultura menos dominante foi a silvicultura, nunca atingindo mais de 2% em
mé dia, enquanto a pastagem atingiu mais de 20% em mé dia, considerando todos os municípios
do país.

Entre todos os preditores, os valores do fator de inflaçã o da variâ ncia foram inferiores a 2
para todo o período e para o período selecionado para modelagem (Figura S1). Dos dois mod‐
elos (Figura 4 e Figura 5), os valores de CPO variaram de zero a 0,99, com mé dia de 0,98 para
o modelo binomial. Os valores de CPO para o modelo truncado de Poisson variaram de zero a
0,96, com mé dia de 0,36, indicando um ajuste "baixo". Assim, otimizamos o modelo de Poisson
truncado zero para melhorar os valores de CPO, resultando em uma nova mé dia de 0,58 (min
= 0, max = 0,96).

3.2. Riqueza potencial do hospedeiro

As seguintes variáveis bioclimá ticas foram utilizadas nos modelos de nicho ecoló gico (Tabela
S3): Amplitude Diurna Mé dia (bio02), Isotermalidade (bio3), Temperatura mé dia do quarto
mais quente (bio10), Precipitaçã o do quarto mais seco (bio17) e Precipitaçã o do quarto mais
quente (bio18). Conseguimos executar modelos para 10 espé cies relevantes para a infecçã o
por hantavírus [48]: dois roedores do gê nero Akodon (hospedeiros de Juquitiba orthohan‐
tavirus e Juquitiba-like orthohantavirus [17], Pergamino orthohantavirus e Jabora orthohan‐
tavirus [48])—Akodon cursor e Akodon montensis [49]; uma espé cie do gê nero Calomys (hos‐
pedeiros de Laguna Negra orthohantavirus, Andes orthohantavirus e Andes-like orthohantavirus,
[17]): Calomys tener; uma espé cie do gê nero Holochilus (Rio Mearim orthohantavirus no Brasil
[50]), Holochilus sciureus; Necromys lasiurus (Araraquara orthohantavirus – ARQV e Juquitiba
orthohantavirus [17]); Oligoryzomys eliurus (parte do complexo Oligoryzomys hospedando
ANDV) [24,51]; Oligoryzomys fornesi (Anajatuba orthohanavirus [24]); Oligoryzomys microtis
(Rio Mamore orthohantavirus [24]), Oligoryzomys nigripes (Juquitiba orthohantavirus [17]); e
Oxymycterus dasytrichus (clado ANDV, dados nã o publicados [52,53]), para os quais foram en‐
contrados anticorpos contra a nucleoproteína ARQV, implicando que este roedor pode se infec‐
tar. Nã o tivemos dados suficientes para modelar C. laucha ou C. callosus, hospedeiros da LANV,
e eles foram excluídos da aná lise. O resumo dos modelos de conjunto adequados pode ser vi‐
sualizado na Tabela S4. Trê s pesquisadores especialistas concordaram que os mapas de per‐
centis 10 sã o os mais precisos para todas as espé cies modeladas (Figura 3). Picos de valores
de riqueza de hospedeiros ocorrem nas regiõ es central e sudeste do Brasil (Figura 3). A
riqueza de hospedeiros teve efeito positivo sobre a probabilidade de doença (Figura 5a) mas
nã o quanto ao nú mero de casos (Figura 5b).

3.3. Uso do solo, população e clima

O aumento da quantidade de milho, floresta e cana-de-açú car teve efeito positivo sobre a prob‐
abilidade de doenças. A temperatura teve efeito negativo sobre a probabilidade de caso (
Figura 5a). Para a contagem de casos, os preditores precipitaçã o, floresta e nú mero de trabal‐
hadores rurais tiveram efeito positivo, e nenhuma covariável apresentou efeito negativo rele‐
vante (Figura 5b). Quando avaliamos todos os componentes, o efeito da quantidade de floresta
e dos trabalhadores rurais influenciou consistentemente positivamente tanto o risco da doença
quanto o nú mero de casos em um município.

3.4. Modelos Espaço-temporais

Houve variaçã o espaço-temporal no risco de SPCVH durante o período modelado (GIF S1). Os
valores dos coeficientes para cada preditor em ambos os modelos estã o na Tabela S6. Note-se
que muitos municípios do sudeste do Brasil nã o estavam em risco (á reas claras em Figura 2b e
Figura S4), enquanto alguns municípios do Nordeste sem casos notificados foram apontados
como á reas de risco. Figura 5 mostra o efeito de cada covariável sobre a probabilidade de ca‐
sos (risco de doença) e nú mero de casos. Ao todo, quatro conglomerados espaciais de maior
risco podem ser reconhecidos, sendo dois no noroeste, um no centro-sudeste e um no sul (
Figura 2b).

O parâ metro de probabilidade mé dia estimada para zero (ausê ncia de casos de SPCVH) foi es‐
timado como π zero = 0.99 , o que é muito elevado [39], mas nã o surpreendente considerando a

raridade da doença por hantavírus [11]. A tendê ncia temporal para o modelo binomial teve
precisã o para o ano τ = 34,38 (dp = 29,71) (Figura S4a). Para o efeito aleató rio de termo tem‐
poral no modelo de contagem de casos (Figura S5a), o efeito predito sobre o nú mero de casos
parece diminuir com o tempo (P rec i sion f or year τ = 179,33, sd = 431.74). A tendê ncia tem‐
poral estimada prevista ao usar novos dados para as covariáveis de 2015 a 2016 nã o diferiu
da tendê ncia geral (Figura S5b e Figura S6b). Houve tendê ncia temporal nã o linear, com dis‐
creto aumento da correlaçã o temporal ao longo da sé rie temporal. Em relaçã o aos efeitos es‐
paciais, o objeto da lista de vizinhos com 5570 regiõ es apresentou 32.546 ligaçõ es espaciais
diferentes de zero e 5,84 ligaçõ es mé dias por município. Os campos aleató rios espaciais para o
modelo binomial sã o mostrados na Figura S7 (m e a n prec i sion f or u = 0.19
eu
, σ = 0.017) e
eu

para a contagem de casos, (m e a n prec i sion f or u = ),0.5

eu
e σ = 0.09 . As prediçõ es do modelo
eu

truncado zero tiveram correlaçã o de Pearson de 0,48 com o nú mero de casos observados
quando considerado o período de 2000 a 2016, omitindo-se os dados de 2016 no modelo (
Figura 4). Os biomas de maior risco em termos de risco de doenças foram Cerrado, Amazô nia
e Mata Atlâ ntica (Figura S8).

Fornecemos a lista de municípios e seu risco geral com base em nossas previsõ es de modelo
na Tabela S7. Com base no nú mero de casos observados, os maiores surtos ocorreram em
Brasília (2004, n = 28), Feliz Natal (2010, n = 19) e Altamira (2006, n = 17). O risco mé dio con‐
siderando todo o país no período modelado (2000-2014) foi baixo (mé dia = 0,01) e o risco
má ximo atingiu 0,92 em Brasília em 2010. Considerando um limite de 5% para um risco rele‐
vante por município em mé dia ao longo do período modelado, 11,59% dos municípios es‐
tariam em risco. Um patamar de 10% incluiria apenas 306 municípios (5,4%). Um limite alto
para um valor de risco (>50%) incluiria apenas 11 municípios, que (com o nome curto do
Estado e bioma entre parê nteses) sã o: Brasília (DF, Cerrado), Campo Novo dos Parecis (MT,
Cerrado), Patrocínio (MG, Cerrado), Araxá (MG, Cerrado), Tangará da Serra (MT, Cerrado),
Cruz Machado (PR, Mata Atlâ ntica), Sertã ozinho (SP, Cerrado), Sã o Gotardo (MG, transiçã o en‐
tre Cerrado e Mata Atlâ ntica), Novo Progresso (PA, Amazô nia), Ibiá (MG, Cerrado) e Ribeirã o
Preto (SP, Cerrado). De acordo com nossas previsõ es, o risco aumenta ao longo dos anos,
atingindo os valores má ximos de risco em 2015 e 2016, com os valores má ximos ocorrendo
em Brasília, apesar de nã o ter o nú mero má ximo de casos no período.

4. Discussã o

Este é o primeiro estudo prevendo o risco de hantavírus e o nú mero de casos em humanos

para todo o Brasil usando variáveis paisagísticas, sociais, climá ticas e de biodiversidade. Um
dos principais achados de nossos resultados é que a quantidade de cobertura florestal e a
populaçã o rural em risco afetam positivamente tanto o risco da doença quanto o nú mero de
casos. Nossos resultados també m demonstraram que milho, cana-de-açú car e temperatura po‐
dem afetar o risco de síndrome cardiopulmonar por hantavírus. Nosso mapa de risco identifi‐
cou que 11% dos municípios do país apresentam nível de risco igual ou superior a 5% ao ano,
sendo que 11 municípios apresentam risco muito alto (risco >50%). As á reas de alto risco
foram encontradas principalmente no Cerrado e Mata Atlâ ntica, seguidas por municípios
amazô nicos. Esse risco aumentou ao longo do tempo, confirmando a característica emergente
da SPCVH no Brasil. A influê ncia positiva tanto da quantidade de floresta quanto do nú mero de
trabalhadores rurais parece explicar o elevado nú mero de casos ocorridos por ano nas
regiõ es central e norte do Brasil.

A partir de nossas hipó teses para explicar o risco de doenças, encontramos os resultados es‐
perados em relaçã o à diversidade de hospedeiros, trabalhadores rurais, cana-de-açú car e
quantidades de milho. Ainda assim, foram detectados resultados diferentes do esperado para
temperatura, precipitaçã o, floresta, pastagem e silvicultura (Figura S1). De acordo com nossos
resultados, a diversidade de hospedeiros teve um efeito positivo sobre o risco de transmissã o
de pató genos, mas nã o sobre o nú mero de casos humanos.

O risco de doença é um fenô meno complexo e local que está ligado a mú ltiplos aspectos, in‐
cluindo a composiçã o das assembleias de hospedeiros reservató rios [54]. Em uma comu‐
nidade altamente diversificada de espé cies de roedores, cujas distribuiçõ es se sobrepõ em a um
grande nú mero de outras espé cies de roedores, uma alta diversidade viral é esperada [55]. A
SPCVH no Brasil é causada por VQV, VQV, VCAS, LANV, RIOMV e VANJV [21]. Diferentes
genó tipos e cepas, como JUQV, ARQV e CASV, pertencem ao clado ANDV, enquanto LANV, ANJV
e RIOMV pertencem ao clado LANV [21]. No entanto, apesar da diversidade, a "carga viral" nas
comunidades pode ser muito baixa, se houver "diluiçã o" atravé s de contatos de espé cies de
hospedeiros virais altos, limitando a transmissã o viral entre espé cies hospedeiras heteroge‐
neamente suscetíveis, reduzindo o risco geral de transmissã o para humanos. Existem algumas
evidê ncias de que a biodiversidade de mamíferos é o melhor preditor da diversidade de
doenças zoonó ticas em larga escala, mas nã o de doenças específicas [25], e aqui mostramos
que esse efeito deve ser mais bem investigado, pois encontramos um efeito positivo da diversi‐
dade de hospedeiros sobre o risco de SPCVH. Levantamos a hipó tese de que isso aconteceu
porque uma alta diversidade de hospedeiros está relacionada a uma maior diversidade de
vírus circulando na mesma regiã o e, apesar da baixa carga viral – se houver um certo limite de
abundâ ncia populacional de roedores para manter o vírus no ambiente – o risco de doença
poderia ser aumentado. No entanto, se mais de uma espé cie principal de roedor puder efetiva‐
mente transmitir linhagens virais, o mecanismo para o efeito de diluiçã o (suscetibilidade
heterogê nea do hospedeiro) será menos forte, e a abundâ ncia local de hospedeiros suscetíveis
será menos afetada pela diversidade de espé cies, limitando o impacto da diversidade de
espé cies no risco de doenças. Alé m disso, as partículas de hantavírus podem permanecer infec‐
ciosas por semanas, dependendo da temperatura, umidade e associaçã o com proteínas prote‐
toras [23], limitando assim o impacto do aumento da diversidade de hospedeiros na
transmissã o intraespé cie.

Nossos resultados mostram que o tamanho do efeito da populaçã o de risco é o maior dentre
os fatores de risco para a doença. Esse achado corrobora a natureza ocupacional da hantavi‐
rose no Brasil e que as atividades rurais definem o risco, como tem sido relatado para outras
regiõ es [21]. O efeito positivo do tamanho da populaçã o de trabalhadores rurais sobre o risco
de doenças era esperado e encontrado para o bioma Mata Atlâ ntica [10], mas nã o anterior‐
mente para á reas de Cerrado [10,56]. Apesar do declínio total das populaçõ es de trabal‐
hadores rurais ao longo do tempo, o risco de doença ainda aumentou e foi positivamente influ‐
enciado pelas populaçõ es de trabalhadores rurais nos municípios. Esse fato evidencia a neces‐
sidade de melhores medidas de prevençã o in loco.

Em uma aná lise multicrité rio utilizando conhecimento de especialistas, foi apontado que á reas
como o estado de Mato Grosso (MT) apresentaram maior vulnerabilidade à doença, e o risco
pode estar aumentando em á reas de "ausê ncia" prévia da doença, como a regiã o Norte do
Brasil [6]. De fato, verificamos que o risco global aumentou com o tempo (Figura S5a), embora
observemos uma tendê ncia de reduçã o no nú mero total de casos ao longo do tempo. Isso in‐
dica uma expansã o geográ fica da doença, que é cada vez mais detectada em mais municípios.

O efeito positivo da quantidade de floresta sobre o risco de doenças nã o era esperado, mas
deve ser mais bem investigado, pois quando olhamos para todo o país temos diferentes
espé cies hospedeiras com diferentes há bitos e exigê ncias de habitat [19,20]. É notável como os
relatos da doença aumentaram em á reas do norte do Brasil recentemente, em á reas que apre‐
sentam alta cobertura florestal nativa. Nesta á rea, o efeito da quantidade de floresta sobre o
risco de hantavírus foi positivo e consistente. As á reas com maior risco podem ser onde há
contato entre á reas florestais e á reas rurais por onde tanto roedores quanto trabalhadores
transitam.
També m encontramos um efeito positivo da expansã o da cana-de-açú car sobre o risco de
doenças, mas nã o para o nú mero total de casos. A cana-de-açú car expandiu-se muito de 2000
a 2010 (Figura S3), mas o mesmo aconteceu com a tecnologia de má quinas e a cessaçã o dos
incê ndios de pré -colheita em algumas localidades [57]. Alé m disso, espera-se que as condiçõ es
de trabalho variem entre os diferentes estados, e o efeito positivo da riqueza de cana-de-
açú car e hospedeiros parece estar concentrado em á reas de Mata Atlâ ntica e Cerrado no sud‐
este do Brasil (Figura S8), enquanto outras condiçõ es impõ em maior influê ncia no nú mero to‐
tal de casos da doença no restante do país, como a quantidade de floresta, pluviosidade e
nú meros da populaçã o rural. Outra hipó tese é que há um intervalo de tempo entre os efeitos
da expansã o da cana-de-açú car e a influê ncia da alteraçã o do uso da terra no nú mero de ca‐
sos, o que significa que haverá um problema detectável no futuro se medidas de prevençã o
nã o forem aplicadas. O efeito potencial da pastagem sobre o risco de hantavírus atravé s da
disponibilidade de gramíneas, como a braquiá ria, para hospedeiros roedores que podem se
beneficiar localmente disso pode estar presente, mas nã o foi detectado em nosso estudo.
Associaçõ es de confusã o, como a presença ou intensidade do uso da terra para a produçã o de
gado, poderiam limitar a adequaçã o local para hospedeiros, juntamente com nossa capacidade
de fazer inferê ncias sobre o risco de á reas de pastagem. Aná lises mais locais podem constatar
que o risco de doença está aumentado nessas á reas.

Com relaçã o aos dados de longo prazo, tivemos limitaçõ es intrínsecas ao risco do modelo dev‐
ido à raridade dos casos notificados nos primeiros anos da sé rie histó rica (1993-1999). Alé m
disso, tivemos a limitaçã o da linearidade entre dados esparsos. É importante investigar a
possível nã o linearidade dos efeitos, uma vez que temos muitas á reas compostas quase que in‐
teiramente por trabalhadores rurais no Nordeste do Brasil que nunca tiveram casos de
hantavírus notificados e claramente nã o sã o adequados para os hospedeiros conhecidos de
hantavírus (Figura 3). Portanto, o grande efeito da populaçã o rural de risco deve ser interpre‐
tado com cautela, tendo em vista que há localidades no Brasil que carecem de hospedeiros e,
portanto, podem tornar a probabilidade da doença irreal.

Em relaçã o à aglomeraçã o espacial das á reas de risco, destaca-se que foram encontrados
efeitos aleató rios espaciais superiores a 8%. Essas á reas sã o municípios onde a atençã o tem
sido dada à vigilâ ncia da doença por hantavirose. A detecçã o desses efeitos torna-se ainda
mais importante para subsidiar estraté gias governamentais que focalizem o controle da
doença no Brasil e para elucidar se as atuais medidas de açã o governamental estã o sendo efe‐
tivas para prevenir a expansã o da hantavirose. Apesar do aumento do risco de doenças,
parece que a tendê ncia de surtos (i.e., contagem de casos) diminuiu ao longo do tempo, o que
pode ser consequê ncia de aplicaçõ es específicas de monitoramento do local ou melhoria das
condiçõ es de trabalho e orientaçã o sobre segurança no trabalho (equipamentos de proteçã o
individual, mecanizaçã o ou melhoria nos protocolos de trabalho). Nã o incluímos essas
variáveis em nossos modelos, mas há esforços governamentais para prevenir a hantavirose no
Brasil, como o "Manual de vigilâ ncia, prevençã o e controle da doença cardiopulmonar por
hantavírus" publicado em 2014 [12] e o monitoramento local de institutos dos governos fed‐
eral e estadual, como a FIOCRUZ e Adolfo Lutz.

Em conclusã o, mostramos que a diversidade de hospedeiros, a vulnerabilidade social, o clima e

as mudanças no uso da terra influenciam o risco de hantavírus no Brasil. A expansã o dos
canaviais e dos plantios de milho leva a um aumento do risco de doenças por SPCVH, com
efeitos positivos aditivos da vulnerabilidade social (apesar de uma evidente tendê ncia de
êxodo rural) e da quantidade de floresta nativa em um município. Os casos confirmados sã o
ú teis para entender o risco de transmissã o da doença dessa doença relativamente rara, pois a
ocorrê ncia de casos é fornecida pelo Ministé rio da Saú de do Brasil em bancos de dados unifi‐
cados de doenças transmissíveis. Apesar da notificaçã o compulsó ria, mas subó tima, e das difi‐
culdades diagnó sticas para SPCVH, esses conjuntos de dados sã o os mais confiáveis
disponíveis. Abordagens de modelagem que maximizem a eficiê ncia preditiva enquanto re‐
duzem o tempo computacional ou o esforço de amostragem de campo sã o desejadas para pre‐
ver doenças emergentes. Recomenda-se a aplicaçã o de estraté gias de mitigaçã o e vigilâ ncia dos
SPCV para prevenir futuros surtos nos seguintes municípios de maior risco e seu entorno:
Brasília, Campo Novo dos Parecis, Patrocínio, Araxá , Tangará da Serra, Cruz Machado,
Sertã ozinho, Sã o Gotardo, Novo Progresso, Ibiá e Ribeirã o Preto.

Confirmaçõ es

Agradecemos a M. Russell pelas discussõ es sobre os resultados do manuscrito e a G. L. Melo

pela opiniã o dos especialistas sobre os mapas das espé cies. Obrigado a C. L. O. Cordeiro pela
ajuda com a extraçã o de dados CHIRPS. Agradecemos aos revisores anô nimos pelas sugestõ es.
Agradecemos a N. Vega por nos ajudar com o design de figuras.

Materiais Complementares

Os itens a seguir estã o disponíveis on-line em https://www.mdpi.com/1999-

4915/11/11/1008/s1, GIF S1: Dinâ mica espaço-temporal do risco de síndrome cardiopul‐
monar por hantavírus em municípios brasileiros. Figura S1: Grá fico do coeficiente baseado em
nossa hipó tese de trabalho para o risco de hantavírus no Brasil. Coeficientes negativos repre‐
sentam diminuiçã o do risco, valores positivos representam aumento do risco. Os tamanhos de
efeito esperados foram inferidos a partir de achados prévios [6,10,11,58]. Figura S2: Grá fico
de pares e correlaçã o entre os preditores utilizados para modelar o risco de hantavírus no
Brasil. Os valores correspondem aos coeficientes de correlaçã o de Pearson. Figura S3: Valores
fixos das covariáveis calculados em mé dia entre os municípios. Usamos as covariáveis no pro‐
cedimento de modelagem dos nú meros da doença por hantavirose e da probabilidade de ca‐
sos no Brasil de 2000 a 2016. A riqueza de hospedeiros foi considerada constante ao longo do
tempo. Figura S4: Distribuiçã o da doença por hantavírus no Brasil. Valores atuais esperados
para a probabilidade de hantavírus em humanos, preditos por um modelo espaço-temporal
contendo floresta, clima e populaçã o em risco. Destacam-se os cinco principais municípios em
termos de risco por ano. Veja o mapa de risco com a camada de incerteza na Figura 3. Figura
S5: (a) Tendê ncia temporal de um modelo binomial que estima a probabilidade de casos de
hantavírus em humanos em funçã o da biodiversidade, clima, vulnerabilidade social e mudança
da paisagem entre 2000 e 2014 no Brasil. (b) Previsõ es para 2015 e 2016 usando novos da‐
dos para covariáveis e dados de NA para variável resposta. Figura S6: (a) Tendê ncia temporal
para um modelo de Poisson truncado zero estimando o nú mero de casos em humanos em
funçã o da biodiversidade, clima, vulnerabilidade social e mudança da paisagem entre 2000 e
2014 no Brasil. (b) Previsõ es para 2015 e 2016 usando novos dados para covariáveis e dados
de NA para variável resposta. Figura S7: Municípios que apresentam efeitos positivos do
campo espacial aleató rio sobre o risco de hantavírus. Os municípios em ró tulos sã o os que ap‐
resentam os cinco maiores valores de efeito aleató rio espacial. Figura S8: Nú mero de espé cies
de hospedeiros e quantidade de cana-de-açú car no município. O tamanho da bolha é propor‐
cional ao risco mé dio previsto para SPCVH. Os pontos sã o coloridos de acordo com o bioma.
Tabela S1: Fontes de dados utilizadas no procedimento de modelagem espaço-temporal. Tabela
S2: Testes de autocorrelaçã o espacial para a distribuiçã o dos casos de hantavírus em humanos
no Brasil. Usando 5% como nível de erro alfa, observamos alguns agrupamentos em 2006 e
2013. dp = desvio padrã o. Em 1994 e 1997 nã o foram notificados quaisquer casos. Tabela S3:
Preditores selecionados de hospedeiros roedores em modelos baseados no clima. Aná lise fato‐
rial mostrando quais fatores contribuem mais para a variaçã o nos eixos multivariados ao
longo da extensã o. Essa aná lise ajuda a selecionar as variáveis mais significativas para explicar
o gradiente ambiental que possivelmente se correlaciona com a distribuiçã o das espé cies. A
aná lise fatorial usa correlaçã o entre variáveis de entrada para classificar variáveis relacionadas
em "Fatores". A partir dessa aná lise, você pode escolher as que contribuem mais para cada fa‐
tor como uma variável adequada descrevendo os padrõ es climá ticos de todas as variáveis que
estã o disponíveis para uso. Variáveis selecionadas em negrito. Tabela S4: Desempenho de mod‐
elos de nicho adequados para explicar a ocorrê ncia de hospedeiros no Brasil. Apó s a seleçã o
do modelo (TSS > 0,5), utilizou-se a opiniã o de especialistas para validar o limiar de 10 per‐
centis para os dados de presença observada para inferir prEsence. Tabela S5: Mé dias de
covariáveis fixas para 5570 municípios do Brasil de 2000 a 2016. Tabela S6: Estimativas do
modelo a partir dos preditores selecionados da doença por hantavirose em humanos no
Brasil. Esses valores estã o relacionados à Figura 5 no texto principal. Tabela S7: Risco mé dio
de hantavírus nos municípios do Brasil com risco igual ou superior a 5%, em ordem decres‐
cente, considerando o modelo de Bernoulli para o período de 2000 a 2014 para todos os 5570
municípios brasileiros. Município conté m o có digo do município seguido do nome do município
sem caracteres especiais. O risco foi arredondado para 3 casas decimais.

Clique aqui para obter um arquivo de dados adicional. (3.9M, zip)

Contribuiçã o dos autores

Conceituaçã o, R.L.M., M.C.R, e G.S.-S.J., S.V.d.O.; metodologia, R.L.M., P.R.P., J.C.M., D.T.S.H.; soft‐
ware, R.L.M., J.C.M., J.E.F.O., T.S.-S., B.B.N., P.R.P.; validaçã o, R.L.M., R.S.B., G.S.-S.J., D.T.S.H. e J.M.;
aná lise formal, R.L.M.; investigaçã o, R.L.M.; recursos, R.L.M., M.C.R., D.T.S.H.; curadoria de dados,
R.L.M., G.S.-S.J.; redaçã o — elaboraçã o de rascunho original, R.L.M., D.T.S.H.; redaçã o — revisã o
e ediçã o, R.L.M., G.S.-S.J., P.R.P., J.E.F.O., B.B.N., T.S.-S., S.V.d.O., R.S.B., J.M., D.T.S.H., M.C.R.;
visualizaçã o, R.L.M., D.T.S.H.; supervisã o, M.C.R., D.T.S.H.; administraçã o de projetos, M.C.R.,
D.T.S.H.; aquisiçã o de financiamento, R.L.M., M.C.R., D.T.S.H.

Financiamento

Esta pesquisa foi financiada em parte pela Coordenaçã o de Aperfeiçoamento de Pessoal de

Nível Superior-Brasil (CAPES) – Có digo Financeiro 33004137. A Fundaçã o de Amparo à
Pesquisa do Estado de Sã o Paulo (FAPESP) financiou este estudo (R.L.M. 2015/17739-4,
2017/21816-0, G.S.S.J. 2016/02568-2. R.S.B. 2013/25441-0, P.R.P. 2017/11666-0, M.C.R.
2013/50421-2). D.T.S.H. foi financiado pela Royal Society Te Apā rangi Rutherford Discovery
Fellowship (RDF-MAU1701). Conselho Nacional de Desenvolvimento Científico e Tecnoló gico
(CNPq) ao M.C.R. (312045/2013-1; 312292/2016-3). O M.C.R. també m foi financiado pelo
PROCAD/CAPES (88881.068425/2014-01) e CNPq UNIVERSAL.
Conflitos de Interesse

Os autores declaram nã o haver conflitos de interesse. Os financiadores nã o tiveram nenhum

papel no desenho do estudo; na coleta, aná lise ou interpretaçã o dos dados; na redaçã o do
manuscrito, ou na decisã o de publicar os resultados.

Referências

1. Allen T., Murray K.A., Zambrana-Torrelio C., Morse S.S., Rondinini C., Di Marco M., Breit N., Olival K.J., Daszak P.
Hotspots globais e correlatos de doenças zoonó ticas emergentes. Nat. 2017; 8:1–10. DOI: 10.1038/s41467-017-00923-
8. [Artigo gratuito PMC] [PubMed] [CrossRef] [Google Acadêmico]

2. Guo W.P., Lin X.D., Wang W., Tian J.H., Cong M.L., Zhang H.L., Wang M.R., Zhou R.H., Wang J.B., Li M.H., et al. PLoS
Pathog. 2013; 9 DOI: 10.1371/journal.ppat.1003159. [Artigo gratuito PMC] [PubMed] [CrossRef] [Google Acadêmico]

3. Maes P., Alkhovsky S.V., Bào Y., Beer M., Birkhead M., Briese T., Buchmeier M.J., Calisher C.H., Charrel R.N., Choi I.R.,
et al. Arco Virol. 2018; 163:2295–2310. DOI: 10.1007/s00705-018-3843-5. [PubMed] [CrossRef] [Google Acadêmico]

4. Laenen L., Vergote V., Calisher C.H., Klempa B., Klingströ m J., Kuhn J.H., Maes P. Hantaviridae: Classificação Atual e
Perspectivas Futuras. Vírus. 2019; 11:788. DOI: 10.3390/v11090788. [Artigo gratuito PMC] [PubMed] [CrossRef]
[Google Acadêmico]

5. Saggioro F.P., Rossi M.A., Duarte M.I.S., Martin C.C.S., Alves V.A.F., Moreli M.L., Figueiredo L.T.M., Moreira J.E., Borges
A.A., Neder L. A infecção por hantavírus induz uma miocardite típica que pode ser responsável por depressão
miocárdica e choque na síndrome pulmonar por hantavírus. J. Infectar. 2007; 195:1541–1549. DOI: 10.1086/513874.
[PubMed] [CrossRef] [Google Acadêmico]

6. De Oliveira S.V., Fonseca L.X., de Araú jo Vilges K.M., Maniglia F.V.P., Pereira S.V.C., de Caldas E.P., Tauil P.L., Gurgel-
Gonçalves R. Vulnerabilidade de municípios brasileiros a infecçõ es por hantaviroses com base em análise multicritério
de decisão. Emerg. Temas Epidemiol. 2015; 12:15. DOI: 10.1186/s12982-015-0036-5. [Artigo gratuito PMC] [PubMed]
[CrossRef] [Google Acadêmico]

7. Ermonval M., Baychelier F., Tordo N. O que sabemos sobre como os hantavírus interagem com seus diferentes
hospedeiros? Vírus. 2016; 8:223. DOI: 10.3390/v8080223. [Artigo gratuito PMC] [PubMed] [CrossRef] [Google
Acadêmico]

8. Schmaljohn C., Hjelle B. Hantavírus: um problema global de doenças. Emerg. Infetar. Dis. 1997; 3:95–104. DOI:
10.3201/eid0302.970202. [Artigo gratuito PMC] [PubMed] [CrossRef] [Google Acadêmico]

9. Mills J.N., Yates T.L., Childs J.E., Parmenter R.R., Ksiazek T.G., Rollin P.E., Peters C.J. Diretrizes para trabalhar com
roedores potencialmente infectados com hantavírus. J. Mamífero. 1995; 76:716–722. DOI: 10.2307/1382742.
[CrossRef] [Google Acadêmico]

10. Prist P.R., Uriarte M., Tambosi L.R., Prado A., Pardini R., D'Andrea P.S., Metzger J.P. Preditores paisagísticos,
ambientais e sociais do risco de hantavírus em São Paulo, Brasil. PLoS ONE. 2016; 11:e0163459. DOI:
10.1371/journal.pone.0163459. [Artigo gratuito PMC] [PubMed] [CrossRef] [Google Acadêmico]

11. Prist P.R., D'Andrea P.S., Metzger J.P. Surtos de Paisagem, Clima e Síndrome Cardiopulmonar por Hantavírus.
Ecossaúde. 2017; 14:614–629. DOI: 10.1007/s10393-017-1255-8. [PubMed] [CrossRef] [Google Acadêmico]

12. Ministério da Saú de, Secretaria de Vigilância em Saú de, Departamento de Vigilância Epidemioló gica . Manual de
Vigilância, Prevenção e Controle das Hantaviroses. Brazilian Ministério da Saú de, Secretaria de Vigilância em Saú de,
Departamento de Vigilância Epidemioló gica; Brasília, Brasil: 2014. [Google Acadêmico]
13. Dias L.C.P., Pimenta F.M., Santos A.B., Costa M.H., Ladle R.J. Padrõ es de uso da terra, extensificação e intensificação
da agricultura brasileira. Glob. Chang. Biol. 2016; 22:2887–2903. DOI: 10.1111/gcb.13314. [PubMed] [CrossRef]
[Google Acadêmico]

14. Rubio A.V., Á vila-Flores R., Suzán G. Respostas de pequenos mamíferos à fragmentação de habitat: consideraçõ es
epidemioló gicas para hantavírus transmitidos por roedores nas Américas. Ecossaúde. 2014; 11:526–533. DOI:
10.1007/s10393-014-0944-9. [PubMed] [CrossRef] [Google Acadêmico]

15. Wilkinson D.A., Marshall J.C., French N.P., Hayman D.T.S. Fragmentação de habitat, perda de biodiversidade e risco
de emergência de novas doenças infecciosas. J. R. Soc. 2018; 15:20180403. DOI: 10.1098/rsif.2018.0403. [Artigo
gratuito PMC] [PubMed] [CrossRef] [Google Acadêmico]

16. Pardini R. Efeitos da fragmentação florestal sobre pequenos mamíferos em uma paisagem de Mata Atlântica.
Biodivers. Conservar. 2004; 13:2567–2586. DOI: 10.1023/B:BIOC.0000048452.18878.2d. [CrossRef] [Google
Acadêmico]

17. Milholland M.T., Castro-Arellano I., Suzan G., Garcia-Pena G.E., Lee T.E., Jr., Rohde R.E., Alonso Aguirre A., Mills J.N.
Diversidade Global e Distribuição de Hantavírus e Seus Hospedeiros. Ecossaúde. 2018; 15:163–208. DOI:
10.1007/s10393-017-1305-2. [PubMed] [CrossRef] [Google Acadêmico]

18. De Oliveira S.V., Escobar L.E., Peterson A.T., Gurgel-Gonçalves R. Distribuição geográfica potencial de reservató rios
de hantavírus no Brasil. PLoS ONE. 2013; 8:e85137. DOI: 10.1371/journal.pone.0085137. [Artigo gratuito PMC]
[PubMed] [CrossRef] [Google Acadêmico]

19. Prist P.R., Muylaert R.L., Prado A., Umetsu F., Ribeiro M.C.M.C., Pardini R., Metzger J.P.J.P. Usando diferentes proxies
para prever o risco de hantavírus no Estado de São Paulo, Brasil. Oecol. Aust. 2017; 21:42–53. DOI:
10.4257/oeco.2017.2101.04. [CrossRef] [Google Acadêmico]

20. Muylaert R.L., Bovendorp R.S., Sabino-Santos G., Jr., Prist P.R., Melo G.L., de Fátima Priante C., Wilkinson D.A.,
Ribeiro M.C., Hayman D.T.S. Assembleias de hospedeiros de hantavírus e doenças humanas na Mata Atlântica. PLoS
Negl. DOI 2019: 10.1371/journal.pntd.0007655. (aceito) [Artigo gratuito PMC] [PubMed] [CrossRef] [Google
Acadêmico]

21. Kruger D.H., Figueiredo L.T.M., Song J.W., Klempa B. Hantavírus - Pató genos globalmente emergentes. J. Clin. Virol.
2015; 64:128–136. DOI: 10.1016/j.jcv.2014.08.033. [PubMed] [CrossRef] [Google Acadêmico]

22. Zeier M., Handermann M., Bahr U., Rensch B., Muller S., Kehm R., Muranyi W., Darai G. New Ecological Aspects of
Hantavirus Infection: A Change of A Paradigm and a Challenge of Prevention—A Review. Virus Genes. 2005;30:157–180.
doi: 10.1007/s11262-004-5625-2. [PubMed] [CrossRef] [Google Scholar]

23. Kallio E.R., Klingströ m J., Gustafsson E., Manni T., Vaheri A., Henttonen H., Vapalahti O., Lundkvist Å . Prolonged
survival of Puumala hantavirus outside the host: Evidence for indirect transmission via the environment. J. Gen. Virol.
2006;87:2127–2134. doi: 10.1099/vir.0.81643-0. [PubMed] [CrossRef] [Google Scholar]

24. Firth C., Tokarz R., Simith D.B., Nunes M.R.T., Bhat M., Rosa E.S.T., Medeiros D.B.A., Palacios G., Vasconcelos P.F.C.,
Lipkin W.I. Diversity and Distribution of Hantaviruses in South America. J. Virol. 2012;86:13756–13766.
doi: 10.1128/JVI.02341-12. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

25. Murray K.A., Olivero J., Roche B., Tiedt S., Guégan J.F. Pathogeography: Leveraging the biogeography of human
infectious diseases for global health management. Ecography (Cop.) 2018:1411–1427. doi: 10.1111/ecog.03625. [PMC
free article] [PubMed] [CrossRef] [Google Scholar]

26. Mendonça A., Percequillo A.R., Camargo N.F., Ribeiro J.F., Palma A.R.T., Oliveira L.C., Câmara E.M.V.C., Vieira E.M.
Cerrado Small Mammals: abundance and distribution of marsupials, lagomorphs, and rodents in a Neotropical savanna.
Ecology. 2018;99:1900. doi: 10.1002/ecy.2367. [PubMed] [CrossRef] [Google Scholar]
27. Bovendorp R.S., Villar N., de Abreu-Junior E.F., Bello C., Regolin A.L., Percequillo A.R., Galetti M. Atlantic small-
mammal: a dataset of communities of rodents and marsupials of the Atlantic forests of South America. Ecology.
2017;98:2226. doi: 10.1002/ecy.1893. [PubMed] [CrossRef] [Google Scholar]

28. Astorga F., Escobar L.E., Muñ oz D.P., Dodero J.E., Hucks S.R., Rybak M.A., Duclos M., Alvarez D.R., Burgos B.E.M.,
Ricaurte A.P., et al. Distributional ecology of Andes hantavirus: a macroecological approach. Int. J. Health Geogr.
2018;17 doi: 10.1186/s12942-018-0142-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

29. Qiao H., Soberó n J., Peterson A.T. No silver bullets in correlative ecological niche modelling: Insights from testing
among many potential algorithms for niche estimation. Methods Ecol. Evol. 2015;6:1126–1136. doi: 10.1111/2041-
210X.12397. [CrossRef] [Google Scholar]

30. Tax D.M.J., Duin R.P.W. Support Vector Data Description. J. Dyn. Syst. Meas. Control. 2004;54:091006.
doi: 10.1023/B:MACH.0000008084.60811.49. [CrossRef] [Google Scholar]

31. Booth T.H., Nix H.A., Busby J.R., Hutchinson M.F. Bioclim: The first species distribution modelling package, its early
applications and relevance to most current MaxEnt studies. Divers. Distrib. 2014;20:1–9. doi: 10.1111/ddi.12144.
[CrossRef] [Google Scholar]

32. Phillips S.J., Anderson R.P., Schapire R.E. Maximum entropy modeling of species geographic distributions. Ecol.
Modell. 2006;190:231–259. doi: 10.1016/j.ecolmodel.2005.03.026. [CrossRef] [Google Scholar]

33. Carpenter G., Gillison A.N., Winter J. Domain: A flexible modelling procedure for mapping potential distributions of
plants and animals. Biodivers. Conserv. 1993;2:667–680. doi: 10.1007/BF00051966. [CrossRef] [Google Scholar]

34. Allouche O., Tsoar A., Kadmon R. Assessing the accuracy of species distribution models: Prevalence, kappa and the
true skill statistic (TSS) J. Appl. Ecol. 2006;43:1223–1232. doi: 10.1111/j.1365-2664.2006.01214.x. [CrossRef] [Google
Scholar]

35. Funk C., Peterson P., Landsfeld M., Pedreros D., Verdin J., Shukla S., Husak G., Rowland J., Harrison L., Hoell A., et al.
The climate hazards infrared precipitation with stations—A new environmental record for monitoring extremes. Sci.
Data. 2015;2:1–21. doi: 10.1038/sdata.2015.66. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

36. Fan Y., van den Dool H. A global monthly land surface air temperature analysis for 1948-present. J. Geophys. Res.
Atmos. 2008;113:1–18. doi: 10.1029/2007JD008470. [CrossRef] [Google Scholar]

37. Meyer B.J., Schmaljohn C.S. Persistent hantavirus infections: Characteristics and mechanisms. Trends Microbiol.
2000;8:61–67. doi: 10.1016/S0966-842X(99)01658-3. [PubMed] [CrossRef] [Google Scholar]

38. Blangiardo M., Cameletti M. Spatial and Spatiotemporal Bayesian Models with R-INLA. Wiley; Hoboken, NJ, USA:
2015. [Google Scholar]

39. Zuur A.F., Ieno E.N., Saveliev A.A. Beginner’s Guide to Spatial, Temporal, and Spatial-Temporal Ecological Data Analysis
with R-INLA. Volume 1. Highland Satistics LTd; Newburgh, NY, USA: 2017. [Google Scholar]

40. Illian J.B., Sørbye S.H., Rue H., Hendrichsen D. Using INLA To Fit A Complex Point Process Model With Temporally
Varying Effects—A Case Study. J. Environ. Stat. 2012;3:1–29. [Google Scholar]

41. Zambelli P., Gebbert S., Ciolli M. Pygrass: An Object Oriented Python Application Programming Interface (API) for
Geographic Resources Analysis Support System (GRASS) Geographic Information System (GIS) ISPRS Int. J. Geo-
Information. 2013;2:201–219. doi: 10.3390/ijgi2010201. [CrossRef] [Google Scholar]

42. Neteler M., Bowman M.H., Landa M., Metz M. GRASS GIS: A multi-purpose open source GIS. Environ. Model. Softw.
2012;31:124–130. doi: 10.1016/j.envsoft.2011.11.014. [CrossRef] [Google Scholar]

43. QGIS Development Team QGIS Geographic Information System. [(accessed on 4 November 2015)];Open Source
Geospatial Found. Proj. Available online: https://qgis.org/en/site/
44. Hijmans R.J., Phillips S., Leathwick J.R., Elith J. Species Distribution Modeling. Package ‘dismo’. dismo: Species
Distribution Modeling. Cran. 2017;1:55. [Google Scholar]

45. Lindgren F., Rue H. Bayesian Spatial Modelling with R-INLA. J. Stat. Softw. 2015;63:1–25.
doi: 10.18637/jss.v063.i19. [CrossRef] [Google Scholar]

46. Rue H., Martino S., Chopin N. Approximate Bayesian inference for latent Gaussian models by using integrated nested
Laplace approximations. J. R. Stat. Soc. B. 2009;71:319–392. doi: 10.1111/j.1467-9868.2008.00700.x. [CrossRef]
[Google Scholar]

47. R Core Team R Core Team . R: A language and Environment for Statistical Computing. R Foundation Statistic
Computing; Vienna, Austria: 2014. [Google Scholar]

48. De Oliveira R.C., Guterres A., Fernandes J., D’Andrea P.S., Bonvicino C.R., de Lemos E.R.S. Hantavirus reservoirs:
Current status with an emphasis on data from Brazil. Viruses. 2014;6:1929–1973. doi: 10.3390/v6051929. [PMC free
article] [PubMed] [CrossRef] [Google Scholar]

49. Goodin D.G., Paige R., Owen R.D., Ghimire K., Koch D.E., Chu Y.-K., Jonsson C.B. Microhabitat characteristics of
Akodon montensis, a reservoir for hantavirus, and hantaviral seroprevalence in an Atlantic forest site in eastern
Paraguay. J. Vector Ecol. 2009;34:104–113. doi: 10.1111/j.1948-7134.2009.00013.x. [PubMed] [CrossRef] [Google
Scholar]

50. Guterres A., de Oliveira R.C., Fernandes J., Strecht L., Casado F., de Oliveira F.C.G., D’Andrea P.S., Bonvicino C.R.,
Schrago C.G., de Lemos E.R.S. Characterization of Juquitiba virus in Oligoryzomys fornesi from Brazilian Cerrado.
Viruses. 2014;6:1473–1482. doi: 10.3390/v6041473. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

51. González-Ittig R.E., Rivera P.C., Levis S.C., Calderó n G.E., Gardenal C.N. The molecular phylogenetics of the genus
Oligoryzomys (Rodentia: Cricetidae) clarifies rodent host-hantavirus associations. Zool. J. Linn. Soc. 2014;171:457–474.
doi: 10.1111/zoj.12133. [CrossRef] [Google Scholar]

52. Sabino-Santos G., Jr. Detecção de Hantavírus em roedores silvestres e estudo de sua dinâmica populacional na região
Nordeste do Estado de São Paulo. Universidade de São Paulo; Ribeirão Preto, Brazil: 2010. [Google Scholar]

53. Gheler-Costa C., Sabino-Santos G., Amorim L.S., Rosalino L.M., Figueiredo L.T.M., Verdade L.M. The effect of pre-
harvest fire on the small mammal assemblage in sugarcane fields. Agric. Ecosyst. Environ. 2013;171:85–89.
doi: 10.1016/j.agee.2013.03.016. [CrossRef] [Google Scholar]

54. Salkeld D.J., Padgett K.A., Jones J.H. A meta-analysis suggesting that the relationship between biodiversity and risk of
zoonotic pathogen transmission is idiosyncratic. Ecol. Lett. 2013;16:679–686. doi: 10.1111/ele.12101. [PMC free
article] [PubMed] [CrossRef] [Google Scholar]

55. Luis A.D., O’Shea T.J., Hayman D.T.S., Wood J.L.N., Cunningham A.A., Gilbert A.T., Mills J.N., Webb C.T. Network
analysis of host—Virus communities in bats and rodents reveals determinants of cross-species transmission. Ecol. Lett.
2015;18:1153–1162. doi: 10.1111/ele.12491. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

56. Badra S.J., Maia F.G.M., Figueiredo G.G., dos Santos S., Jr., Campos G.M., Figueiredo L.T.M., Passos A.D.C. A
retrospective serologic survey of hantavirus infections in the county of Cássia dos Coqueiros, State of São Paulo, Brazil.
Rev. Soc. Bras. Med. Trop. 2012;45:468–470. doi: 10.1590/S0037-86822012005000005. [PubMed] [CrossRef] [Google
Scholar]

57. Capaz R.S., Carvalho V.S.B., Nogueira L.A.H. Impact of mechanization and previous burning reduction on GHG
emissions of sugarcane harvesting operations in Brazil. Appl. Energy. 2013;102:220–228.
doi: 10.1016/j.apenergy.2012.09.049. [CrossRef] [Google Scholar]
58. Leite M.R., Zanetta D.M.T., Trevisan I.B., de Almeida Burdmann E., de Santos U.P. O trabalho no corte de cana-de-
açú car, riscos e efeitos na saú de: revisão da literatura. Rev. Saúde Públ. 2018;52:80. doi: 10.11606/s1518-
8787.2018052000138. [PMC free article] [PubMed] [CrossRef] [Google Scholar]