Escolar Documentos
Profissional Documentos
Cultura Documentos
Montes Claros - MG
Fevereiro/2024
CAROLINA CABRAL DAS CHAGAS REIS
Montes Claros - MG
Fevereiro/2024
Reis, Carolina Cabral das Chagas.
R375a Análise socioespacial da COVID-19 no estado de Minas Gerais [manuscrito]: uma
abordagem por geotecnologias / Carolina Cabral das Chagas Reis – Montes Claros,
2024.
92 f. : il.
Bibliografia: f. 65-78.
Dissertação (mestrado) - Universidade Estadual de Montes Claros - Unimontes,
Programa de Pós-Graduação em Geografia/PPGEO, 2024.
COVID-19, first identified in South America in São Paulo in February 2020, quickly spread
throughout Brazil, impacting the population unequally, especially the more vulnerable
communities. Minas Gerais, in particular, stood out as the state with the second-highest number
of cases and the third-highest in deaths, revealing significant socio-spatial heterogeneity. In this
context, the aim of this study was to analyze the socio-spatial patterns of COVID-19
distribution. The methodological framework included: i) data collection on COVID-19 (cases
and deaths by municipality) and organization into spreadsheets; ii) analysis of geospatial
clusters using Geoda software; iii) obtaining socioeconomic variables for modeling using a
machine learning algorithm (Random Forest) to explain the socio-spatial profile of COVID-19
in Minas Gerais. During the analyzed period (March 2020 to July 2023), Minas Gerais recorded
over 4.2 million cases and about 65,740 deaths, with a fatality rate of 1.56%. All municipalities
reported cases, and only six did not report deaths. Using the Moran's Index (Cases = 0.424820,
Deaths = 0.399077), two contrasting cluster patterns were observed for the state, in a
north/south direction. In the northern part of the state, low-low clusters were identified, that is,
this group of municipalities had low numbers of cases and deaths. Conversely, the Intermediate
regions of Uberlândia and Uberaba showed high-high cluster patterns, indicating groups of
municipalities with high incidence and mortality rates in Minas Gerais. The Random Forest
was trained with 16 socioeconomic variables to explain the cases and deaths. The model showed
that 84% of confirmed cases were explained by variables such as the population aged 65 and
over, total population, availability of beds, HDI, and ventilators. Meanwhile, 92% of deaths
were explained by total population and the population aged 65 and over. In this context, it was
found that the distribution of COVID-19 cases and deaths in Minas Gerais is associated with
demographic and socioeconomic factors. The findings of this thesis are useful for public
policies and prevention measures, with the potential to be applied in more detailed analyses at
the municipal and neighborhood levels, facilitating the understanding and control of COVID-
19 and other diseases.
Keywords: Geospatial Analysis, COVID-19, Machine Learning, Minas Gerais.
LISTA DE FIGURAS
INTRODUÇÃO ........................................................................................................................ 8
1. REFERENCIAL TEÓRICO .......................................................................................... 12
1.1 Epidemiologia, Geografia Médica e Geografia da Saúde ............................................ 12
1.2 Pandemia COVID-19 no mundo, Brasil e Minas Gerais.............................................. 20
1.3 Geotecnologias aplicadas à Epidemiologia .................................................................. 22
1.4 Relação entre a COVID-19 e aspectos socioeconômicos ............................................. 27
2. MATERIAIS E MÉTODOS ........................................................................................... 29
2.1 Caracterização da Área de Estudo ................................................................................ 29
2.2 Metodologia .................................................................................................................. 32
2.3 Dados sobre COVID-19 em Minas Gerais ................................................................... 32
2.4 Agrupamentos dos Casos e Óbitos por COVID-19 ...................................................... 33
2.5 Variáveis preditoras ...................................................................................................... 34
2.6 Algoritmo de Aprendizagem de Máquina aplicados na explicação do comportamento
socioespacial da COVID-19 ..................................................................................................... 37
3 RESULTADOS E DISCUSSÃO .................................................................................... 38
3.1 Considerações sobre a COVID-19 em Minas Gerais ................................................... 38
3.2 Análise Exploratória da Evolução Temporal dos Casos e Óbitos por COVID-19 ....... 40
3.3 Distribuição Espacial dos Casos e Óbitos por COVID-19 em Minas Gerais ............... 45
3.3 Variáveis mais explicativas do comportamento socioespacial da COVID-19 em Minas
Gerais 54
CONSIDERAÇÕES FINAIS ................................................................................................. 63
REFERÊNCIAS ..................................................................................................................... 65
Anexo A.................................................................................................................................... 79
Anexo B .................................................................................................................................... 80
Anexo C .................................................................................................................................... 81
8
INTRODUÇÃO
Até julho de 2023 o Brasil é o sexto país no mundo em número de casos confirmados
(aproximadamente 37.7 milhões), entretanto em número de óbitos é o segundo país do mundo,
com cerca de 704 mil óbitos por COVID-19 (Brasil, 2023), perdendo apenas para os Estados
Unidos da América. O primeiro caso confirmado no Brasil e na América Latina foi um
brasileiro de 61 anos, vindo da Lombardia, região do norte da Itália para o estado de São Paulo
em fevereiro de 2020 (Netto; Correa, 2020). Em janeiro de 2022, ocorreu o maior pico de casos
confirmados no Brasil, aproximadamente 3.3 milhões (Brasil, 2023) e o maior número de óbitos
registrado em um só dia, foi em 29 de março de 2021, com 21.094 óbitos ocasionados pela
COVID-19. Portanto, esses números colocaram o Brasil como epicentro de disseminação e
contaminação da COVID-19 no mundo, o que ocasionou o colapso no sistema de saúde no país.
Dessa forma, estudos apontam que a pandemia de COVID-19 evidenciou ainda mais a
desigualdade socioespacial existente no Brasil. Embora alguns estudos apontem que a COVID-
19 é um fenômeno global, e que as populações possuem probabilidades iguais de serem
infectadas, acredita-se que a disseminação do vírus ocorre em um contexto local, com
consequências variadas entre populações socialmente diferentes, afetando principalmente as
populações mais vulneráveis socialmente (Albuquerque; Ribeiro, 2021). Corroborando com
isso, ressalta-se que os números de casos confirmados e óbitos variam de acordo com cada
região, sobretudo quando analisados os aspectos socioespaciais, tais como gênero, renda, etnia,
raça, escolaridade, ocupação profissional, moradia (Urban; Nakada, 2020). Essas
desigualdades, sobretudo no contexto socioeconômico, estão sendo determinantes para a
disseminação da COVID no país. Em linha com essa perspectiva, Urban e Nakada (2020)
objetivando analisar a relação entre alta taxa de transmissão da COVID-19 e aspectos
socioespaciais constataram que houve correlação entre a disseminação de COVID-19 em áreas
com populações altamente vulneráveis, onde encontra-se elevado número de trabalhadores
informais, levando à vulnerabilidade financeira, restrições de espaço, acesso inadequado à água
e saneamento básico e falta de habitação segura e adequada.
Em nível de unidade federativa, entre março de 2020 e julho de 2023, o estado de São
Paulo é o líder em número de casos e óbitos, sendo 6.645.970 casos confirmados e 180.939
óbitos por COVID-19 (Brasil, 2023). O estado do Rio de Janeiro, aparece na terceira posição
em número de casos confirmados, com 2.821.413, entretanto na segunda posição em número
de óbitos, com 77.353 (Brasil, 2023). Já o estado de Minas Gerais é o segundo estado com
maior números de casos e terceiro em números de óbitos por COVID-19, cerca de 4,2 milhões
de casos confirmados (11% dos casos nacionais) e aproximadamente 66 mil óbitos (Brasil,
2023).
10
1. REFERENCIAL TEÓRICO
Medicina, mas também utilizou aspectos geográficos em sua análise, pois salientava sobre a
qualidade de vida do homem, a natureza dos indivíduos, sua adaptação às estações do ano, à
variação dos ventos e as condições das localidades habitadas (Lacaz; Baruzzi; Siqueira, 1972).
Hipócrates em sua teoria, demonstrava que as doenças eram causadas pela relação entre
o homem e o meio ambiente, com isso, descreveu as epidemias e atribuiu às condições
climáticas, sobretudo aos ventos e ao frio, a razão do aparecimento de determinadas
enfermidades humanas (Dias; Mendonça, 2020). Diante disso, fazia recomendações para que a
população evitasse residir em locais alagados e pantanosos, visto que, tais doenças vinham
dessas áreas (Ujvari, 2003). Nesse contexto, com suas contribuições, Hipócrates representa o
nascimento da Geografia Médica, pois defendia que as doenças eram o resultado das relações
do homem com o meio e do estilo de vida. Dessa forma, ele representou uma ruptura do
conhecimento mítico das doenças e propôs a naturalização da saúde.
O médico Ludwig Finke, considerado um dos sistematizadores da Geografia Médica,
em sua principal obra, Versuch einer allgemeinen medicinish-praktischen Geographie (Ensaio
de uma Geografia Geral Médico-Prática), de 1792, divide a Geografia Médica em: a Geografia
das doenças, a Geografia da Nutrição e a Geografia da Atenção Médica. Frinke afirmava que a
origem das doenças não poderia ser explicada apenas por uma só causa. Acreditava que somente
uma rigorosa observação de todos os fenômenos que ocorriam no espaço, poderia levar à
compreensão completa da causalidade das doenças (Bousquat; Cohn, 2004).
Com o desenvolvimento das ciências (em geral) e da Geografia, começa a
sistematização dos conhecimentos sobre a distribuição das doenças. Esses estudos possuíam
conteúdos semelhantes ao que era tratado pela Geografia Regional Clássica, visto que abrangia
descrições detalhadas de cidades, vilas e distritos, das condições de saúde, informações
meteorológicas, hidrográficas e descrições de plantas e o modo de vida dos habitantes locais
(Andrade, 2008). A geografia e a epidemiologia em sua gênese tiveram estreitas relações,
fazendo parte do núcleo central de conhecimentos sobre as relações entre homem, meio
ambiente e a origem de doenças (Bousquat; Cohn, 2004). Assim, a Geografia Médica se
desenvolveu primeiramente no campo descritivo das doenças, identificação de padrões de
doenças e dos fenômenos físicos associados as suas causas, seguindo a tradição hipocrática,
entre os séculos XVI e XVIII (Barcellos, 2008).
Entre os séculos XVIII e XIX devido à grande influência dos naturalistas,
principalmente Humboldt, Martius e Darwin, desenvolveu-se uma propensão focada nos
fenômenos físicos presentes nos estudos desse período. Entre esses fenômenos, as endemias e
epidemias, sobretudo aquelas provocadas pelas doenças tropicais, em virtude de que as
14
pesquisas deveriam atender aos interesses dos países coloniais europeus sobre as áreas tropicais
do globo (Albuquerque; Lima e Silva; Cardoso, 1999). Em 1844, Martius elaborou o tratado
Natureza, Doenças, Medicina e Remédios dos Índios, que exaltava o conhecimento milenar dos
povos indígenas e sua medicina tradicional (Barcellos, 2008). Nesse contexto, deu-se a primeira
fase do desenvolvimento da Geografia Médica, que estava ligada aos métodos utilizados nas
ciências naturais, com grande influência dos trabalhos do meio ambiente, com ênfase nos
estudos regionais exercidos maioritariamente por médicos.
Nesse cenário de evolução científica, desenvolveu-se estudos de Epidemiologia
Geográfica na Alemanha no final do século XVIII, onde procuravam implementar uma
medicina de Estado, buscando analisar as condições de saúde da população. Foi criado na
Alemanha um sistema de informação e controle de mortalidade, morbidade, natalidade,
supervisão de boticários e controle da qualidade das fontes de água para aplicação de políticas
de saúde (Ayres, 2012). Essa prática foi denominada de Polícia Médica, pelo alto grau de
controle sanitário que a população era submetida, formando-se um dos primeiros sistemas de
atenção médica do ocidente (Bousquat; Cohn, 2004).
O médico italiano Giovanni Maria Lancisi, pioneiro nos estudos de saneamento
ambiental, traçou as antigas áreas insalubres da França e que teriam maior probabilidade à
incidência de malária no início do século XVIII, a localização de áreas endêmicas de cólera na
Ásia e sua disseminação no mundo, ressaltando o direcionamento e a expansão das ondas de
epidemias (Barcellos, 2008).
Em 1850, o médico Jonh Snow, considerado o fundador da epidemiologia moderna,
postulava uma hipótese de que a transmissão de cólera não ocorria apenas pela ingestão de água
suja, mas com água contaminada pelo vibrião colérico (Vibrio cholerae) (Czeresnia; Ribeiro,
2000). Apoiado em mapas, avaliou a distribuição de óbitos ao redor da bomba d'água da Broad
Street, que muitas pessoas usavam como sua principal fonte de abastecimento. Enquanto isso,
as comunidades vizinhas que obtinham seu próprio abastecimento de água não contraíam a
doença (Johnson, 2008).
Com isso, foi identificada a origem da epidemia mesmo sem conhecer seu agente
etiológico. Essa é uma situação em que a relação espacial entre os fatores, contribuiu
significativamente para o avanço na compreensão do fenômeno, sendo considerado um dos
primeiros exemplos da análise espacial (Santana, 2014).
A relação entre a Geografia Científica e a Epidemiologia sob a influência predominante
da tradição positivista do século XIX, resultou nos primeiros trabalhos sistemáticos de
Geografia Médica, voltados à descrição da distribuição regional das doenças, adotando recursos
15
cartográficos. O resultado dessa aproximação das duas ciências é a produção de diversos atlas
de Geografia Médica na segunda metade do século XIX, que conduziam as obras de saneamento
ambiental e, fundamentavam medidas preventivas pelos governantes europeus, em caso de
ocupação militar nos países tropicais (Barcellos, 2008). É nesse contexto que se constitui a
Tríade Ecológica, homem-agente-ambiente, desenvolvido por Pavlovsky em sua obra “A
Teoria dos Focos Naturais das Doenças Transmissíveis”, que traz a vertente ambiental das
doenças aos médicos, definindo importantes conceitos como o de circulação dos agentes no
meio natural e o da formação do complexo agente–ambiente (Santos et al., 2016).
No século XX, com o desenvolvimento do movimento sanitarista houve uma
valorização as relações do ambiente com a saúde cuja perspectiva volta-se para as doenças
infecciosas que se disseminavam pelo mundo. A partir desse momento Sorre influencia a
sociedade por meio da sua teoria do complexo patogênico. Afirmava que o homem passa a ter
poder de alterar a ocorrência dos agravos à saúde, tendo condições de transformar o ambiente
onde está incluído. Sorre, através da visão possibilista de Vidal de La Blache, forneceu uma
nova concepção para se estudar as relações entre ambiente e saúde, em que o homem não era
mais considerado apenas como hospedeiro ou vetor de doenças, a ação humana poderia alterar
a ocorrência dos agravos à saúde (Ferreira, 1991). Reunindo conceitos de tempo e espaço, a
teoria propunha que não há constância em um complexo, sendo ele mutável de acordo com as
alterações e o desenvolvimento da sociedade humana (Bousquat; Cohn, 2004).
Em sua obra, Os Fundamentos da Geografia Humana, Sorre demonstra a relação do
clima com os elementos orgânicos, bem como os limites que este fator impõe ao homem e, a
relação entre o meio e a alimentação, o meio e as doenças. Dessa forma, Sorre, aborda I) as
técnicas da vida social e as técnicas de produção e de transformação das matérias-primas, II)
analisa os modelos de agrupamentos humanos, as áreas de elevada ou baixa densidade
populacional, bem como III) as formas de energia usadas pelas diferentes sociedades e a questão
do domínio do espaço (Barcellos, 2008). Com isto, ampliou o poder analítico e explicativo da
geografia, antes fortemente embasada no determinismo natural ou geográfico das doenças,
incentivando o aprofundamento dos estudos de Geografia Médica na França.
Com essa evolução da análise espacial na Geografia Média, ela começou a ser utilizada
com múltiplas finalidades, uma delas é a guerra, sobretudo na Segunda Guerra Mundial. Nesse
momento, a Geografia Média assumia papel fundamental e estratégico para o conhecimento das
doenças encontradas nos campos de batalha (Junqueira, 2009). Uma década depois, tendo essa
importância em termos de aplicabilidade, houve a criação da Comissão de Geografia Médica
da UGI (1949) em Lisboa, essencialmente com intuito de impulsionar estudos desta disciplina
16
pois, proporcionou à Epidemiologia pensar essa categoria a partir das relações sociais e assim
permitiu analisar as doenças enquanto processo de mudança da estrutura espacial, e não
meramente descrevê-las. Desse modo, possibilitou à Epidemiologia superar uma visão não
histórica do processo biológico e entender que os fatores econômicos, sociais, políticos e
culturais também são responsáveis pela produção e disseminação das doenças. (Costa; Teixeira,
1999). Ou seja, o conceito de espaço geográfico passou a incorporar os determinantes naturais
e sociais, em uma perspectiva da totalidade, que faltava à análise epidemiológica.
Com essa abordagem e visão social crítica (antes mesmo de 1970), um dos expoentes
da Geografia Médica do Brasil foi o médico e doutor em Geografia, Josué de Castro, o qual,
impulsionou o uso da análise a partir da causalidade das doenças humanas. Este autor
desenvolveu estudos sobre subnutrição e a fome, e os problemas a elas associados, entre as
décadas de 1930 e 1970, que contribuem significativamente para a Geografia Médica no Brasil
(Mendonça; Mattozo de Araújo; Kich Fogaça, 2015). O autor estudando o fenômeno da fome
na região Nordeste do Brasil, demonstrou que a explicação para a fome não estava no clima,
como afirmava a vertente naturalista, mas sim, na sociedade. Sugeriu uma mudança
fundamental na visão do mundo, especialmente na questão saúde, deslocando o problema do
chamado ambiente e recolocando a questão no domínio da sociedade (Castro, 1948). Portanto,
Josué de Castro possui importância ímpar para a Geografia Médica no Brasil com aspirações
sociais.
Dessa forma, essa preocupação em entender o comportamento espacial do processo
saúde-doença, orientou diversos pesquisadores brasileiros. O conceito de espaço geográfico
proposto por Milton Santos contribuiu para as análises da relação entre espaço e doença. Essa
importância será reconhecida, sobretudo, no estudo das doenças endêmicas, porque permite
entender a sua produção e distribuição como o resultado da organização social do espaço
(Czeresnia; Ribeiro, 2000).
A partir da década de 1980 a investigação desenvolve-se em torno da problemática da
localização e uso dos serviços de saúde. A investigação encaminha-se aos fenômenos referentes
às injustiças em saúde, a multiplicidade causal dos padrões de doença e mortes evitáveis, acesso
e utilização dos serviços de saúde e à relação entre a saúde e a promoção do desenvolvimento
(Nossa, 2008). Desta forma se cumpre, de forma holística, o papel do Geógrafo, e assume, a
nomenclatura de Geografia da Saúde. Quando ocorre a ruptura da Geografia com o paradigma
do modelo biomédico, surge o conceito da Promoção da Saúde, quando se retira o foco da
doença e entende-se que a saúde é socialmente produzida no ambiente, que é mais que ambiente
físico, biológico e climático, é também socioeconômico, cultural e psicológico (Santana, 2014).
19
Após essa ruptura, surge uma nova abordagem, a Geografia da Saúde, em que há maior
preocupação geográfica nas investigações dos processos de saúde-doença (Santana, 2014).
Ademais, há maior integração entre as diversas áreas da ciência, tais como Climatologia,
Urbanização, Demografia, Economia, Planejamento, Biologia e Epidemiologia, com a
compreensão do processo saúde-doença. Os estudos passam a priorizar as análises sobre a
distribuição espacial de doenças, otimização dos serviços de saúde, previsão de recursos,
estudos epidemiológicos, planejamentos em saúde, morbidade e mortalidade, direcionados por
uma abordagem metodológica de natureza nomotético, sistêmico, dialética ou fenomenológico
(Mazetto, 2008).
Entre os principais objetivos da Geografia da Saúde, tem-se: proporcionar novos
conhecimentos e desenvolver propostas teórico metodológica para o estudo das relações
espaciais do processo saúde-enfermidade das populações (Santana, 2014). Além da perspectiva
de compreensão geral do processo saúde-doença humana, também visa produzir resultado
práticos às investigações epidemiológicas, à administração de saúde e, em geral, à racionalidade
das ações de melhoramento do bem-estar da população. Para tanto, são utilizados mapas,
ferramentas de estatística espacial, entrevistas para entender a relação das pessoas com os seus
lugares, registros fotográficos ou outra metodologia que permita compreender como esta
relação determina a forma como as pessoas se expõem a riscos, adoecem e são cuidadas, ou
não, pelo sistema de saúde (Barcellos, 2008).
Assim, o desenvolvimento da Geografia da Saúde no Brasil contribui para a
consolidação do Sistema Único de Saúde - SUS e a redução das desigualdades sociais. Após a
criação da Lei Federal n° 8.080 de 19/09/1990 que regulamenta o Sistema Único de Saúde no
Brasil, o aparato legal deu subsídios para que se ampliem discussões dentro da Geografia da
Saúde, principalmente na definição do espaço de atuação dos programas de saúde pública e
coletiva (Brasil, 1990).
A Geografia da Saúde é dividida em dois campos de interesse: Nosogeografia e
Geografia dos Serviços de Saúde, ou da Atenção Médica (Mendonça; Mattozo de Araújo; Kich
Fogaça, 2015). A Nosogeografia que é considerada uma abordagem mais tradicional, que
preconiza à identificação dos padrões de distribuição espacial das questões de saúde e doença
de forma totalizante nas relações têmporo-espaciais, tratando diretamente dos determinantes e
condicionantes do processo saúde-doença das populações (Mendonça; Mattozo de Araújo; Kich
Fogaça, 2015). Já a Geografia dos Serviços de Saúde, ou da Atenção Médica, considerada mais
recente, é dedicada à distribuição e planejamento dos componentes infraestruturas e dos
recursos humanos do Sistema de Atenção Médica. Ela também se ocupa das orientações
20
O mundo vivenciou uma escalada no número de infecção de humanos por vírus: H5N1
e H7N9 (2003); SARS no sul da China (2002-2003); gripe aviária em Hong Kong (2003-2004);
H1N1, que apareceu no México, sendo declarada pandemia pela OMS (2009-2010); Mers, no
Oriente Médio (2012); ebola no oeste da África (2013-2016) e zika no Brasil (2016). Após
essas outras epidemias, surge a segunda pandemia do século XXI, a COVID-19 (Macedo;
Macedo, 2020).
A pandemia de COVID-19 ocasionou uma profunda mudança nas relações entre espaço,
tempo e doenças infecciosas. Trata-se de uma patologia respiratória causada pelo vírus SARS-
CoV-2. Essa enfermidade possui alto índice de transmissibilidade, a qual pode ocorrer por
contato próximo entre indivíduos, contato com superfícies ou objetos que contenha o SARS-
CoV-2 ou gotículas respiratórias produzidas quando uma pessoa infectada sintomática ou
assintomática tosse ou espirra. Teve seus primeiros relatos identificados em Wuhan, cidade da
Província Chinesa de Hubei, relatado em 8 de dezembro de 2019. Consequentemente, o vírus
se espalhou rapidamente em outras províncias da China (Baloch et al., 2020). Desde então,
surgiram diversos casos e no dia 13 de janeiro de 2020 foi registado o primeiro caso fora da
China, na Tailândia. A Organização Mundial de Saúde declarou no dia 30 de janeiro de 2020
Emergência em Saúde Pública Internacional. Se tornou uma pandemia mundial, em 11 de
março de 2020, devido a sua rápida disseminação e contaminação mundial (WHO, 2023).
Em 30 de janeiro de 2020, o total de casos confirmados e mortes na China era de 7.736
e 170 mortes, enquanto fora da China haviam relatados de 82 casos sem mortes. Em um mês,
em 29 de fevereiro de 2020, o total de casos confirmados e mortes na China chegou a 79.394 e
2.838, enquanto fora da China se espalhou por 53 países, com 6.009 casos confirmados e 86
mortes. Além disso, em 9 de março de 2020, os casos confirmados na China foram mantidos
com um pequeno aumento para 80.904, com 3.123 mortes. No entanto, fora da China, houve
21
um grande aumento no número de casos e mortes, foram relatados 28.673 casos confirmados e
686 mortes em 104 países (Abiad, 2020). Em 25 de março de 2020, um total de 81.848 casos
confirmados com 3.287 mortes foram relatados na China, evidenciando que a situação
epidêmica na China foi mantida. Em 25 de março a situação global piora em relação a China,
aumentando os casos confirmados para 332.331 e 15.153 mortes (Baloch et al., 2020).
A Europa foi o continente mais afetado na fase inicial da pandemia de SARS-CoV-2.
Os primeiros casos na Europa foram na Itália e as mortes logo aumentaram rapidamente em
várias de suas regiões do norte, especialmente na Lombardia (Bellino, et al., 2020). Os dois
primeiros casos de COVID-19 na Itália foram de um casal de turistas chineses, confirmados no
dia 30 de janeiro. O primeiro caso de transmissão secundária ocorreu em Codogno, região da
Lombardia, norte do país, no dia 18 de fevereiro de 2020. Uma semana após o caso um de
transmissão secundária ser confirmado, o número de diagnosticados por COVID-19 na Itália
era de 323 e um mês depois, 18 de março de 2020, já eram 35.713 (Riboli; Arthur; Mantovani,
2020).
A COVID-19 chegou na América Latina em 25 de fevereiro de 2020, quando o
Ministério da Saúde do Brasil confirmou o primeiro caso da doença, um homem brasileiro, de
61 anos, que viajou de 9 a 20 de fevereiro de 2020 para a Lombardia, norte da Itália, onde estava
ocorrendo um surto significativo. Após o primeiro caso confirmado, iniciou-se a discussão de
como seria a transmissão desse novo vírus dentro de um país populoso, em que a maioria de
sua população reside nas cidades, e sofre demasiadamente com desigualdades sociais
(Sanhueza-Sanzana et al., 2021). Até o dia 26 de março de 2020, o Brasil já tinha 2.915 casos
confirmados da COVID-19 e 77 óbitos. Enquanto isso, ocorria, no Mundo, um incremento no
número de casos e mortes, chegando a 526.006 pessoas contaminadas com 23.720 óbitos
(Netto; Corrêa, 2020).
De fevereiro de 2020 a fevereiro de 2023 foram confirmados 37.020.531 casos
confirmados e 698.928 óbitos causados pela COVID19. Tornando o Brasil 4º país com maior
número de casos confirmados e o 2º lugar com maior número de mortes (Brasil, 2023). Portanto,
esses números colocaram o Brasil como epicentro de disseminação e contaminação da COVID-
19 no mundo, o que ocasionou o colapso no sistema de saúde no país.
Em nível de unidade federativa, o Estado de Minas Gerais é o segundo com maiores
números de casos e óbitos por COVID-19, sendo até o presente momento ~4,1 milhões de casos
confirmados (11% dos casos nacionais) e aproximadamente 65 mil óbitos (Minas Gerais, 2023).
Portanto, compreender a distribuição espacial da incidência da COVID-19 no Estado de Minas
Gerais torna-se imprescindível para entender o padrão da disseminação da doença no país.
22
magnitudes. Nesse contexto, tendo em vista a contribuição das técnicas geoespaciais como
instrumento de gestão em saúde, a utilização do geoprocessamento na vigilância e controle da
COVID-19, mostram-se como recursos importantíssimo para o planejamento e avaliação de
ações, uma vez que com tais recursos é possível mapear, monitorar e disseminar dados acerca
da COVID-19 em um território, podendo-se, assim, traçar cenários e ações direcionadas (Silva;
Silva, 2022).
Moura et al (2022) por sua vez desenvolveram estudo em que apresentaram a evolução
temporal da morbimortalidade por COVID-19 e da cobertura vacinal no período da emergência
sanitária no Brasil, de 2020 a 2022. Mostraram que evolução da pandemia de COVID-19
caracterizou-se por três picos de óbitos: na 30ª semana epidemiológica de 2020, na 14ª de 2021
e na 6ª de 2022. A vacinação teve início na terceira semana epidemiológica de 2021, atingindo
rapidamente a maior parte da população, principalmente nas regiões Sudeste e Sul, coincidindo
com redução da taxa de mortalidade, mas não de morbidade na terceira onda. No entanto, a
partir da última semana de 2021, quando a cobertura vacinal já se aproximava de 70%, a
variante Ômicron causou uma avalanche de casos, porém com menos óbitos.
Rizzatti et al. (2020) analisaram a distribuição espacial dos óbitos por COVID-19, na
escala intraurbana de Santa Maria, RS, no ano de 2020, por meio de ferramentas de
Geoprocessamento. Utilizaram as informações referentes aos óbitos: código de notificação,
data de notificação, sexo, idade, cor ou raça, endereço de residência e hospital de falecimento.
Na geolocalização, utilizou-se o complemento/plugin “MMQGIS”, disponível no software
QGIS (QGIS, 2020), versão 3.12.3, com objetivo de associar uma latitude e longitude ao
endereço. Observou que a taxa de mortalidade pela cor ou raça exibiu uma maior taxa das
pessoas autodeclaradas pretas quando comparadas às brancas e às pardas em Santa Maria.
Visualizou-se uma dispersão desigual, com os óbitos de pessoas pretas localizadas em bairros
periféricos da cidade, enquanto as mortes de pessoas brancas estão espalhadas por toda área
urbana, por possuírem um número absoluto maior, entretanto com uma taxa de mortalidade
também mais elevada em bairros da periferia, como o Chácara das Flores, na RA Norte.
Dentre os recursos técnicos aplicáveis para a modelação de dados estão os algoritmos
de aprendizado de máquina, que, tecnicamente, processam dados de entrada visando predizer
resultados de classificação e/ou de regressão. Na saúde, os algoritmos têm sido usados na
tentativa de predizer variáveis potenciais no diagnóstico de doenças, evolução de óbitos,
contextos de vulnerabilidade e o padrão de disseminação de doenças. Outro aspecto
significativo por parte dos algoritmos de aprendizagem de máquina é a possibilidade de avaliar
26
a relevância relativa de cada variável quando comparada a outras em uma predição (Santos et
al., 2019).
Carlotto (2021) propõe a utilização de métodos de aprendizagem de máquina para
prever o número de casos e fatalidades do novo vírus em metrópoles brasileiras. Foram
utilizados os métodos LASSO, adaLASSO, Random Forest e ARIMA. No processo de
simulação, obtiveram um bom desempenho de previsão especialmente do método adaLASSO,
mas o LASSO apresentou resultados muito semelhantes. O adaLASSO não apresentou o
mesmo comportamento para os dados referentes à evolução da pandemia, visto que para ambas
as variáveis resposta analisadas, foi o método com os erros de previsão mais altos. O Random
Forest, por sua vez, apresentou-se como o método com maior capacidade preditiva na maioria
das vezes quando estava prevendo as médias móveis de casos de COVID-19. Para os resultados
das previsões de médias móveis de mortes, quem se destaca é o ARIMA. Salienta que a previsão
7 passos à frente na análise empírica, indiferentemente da variável resposta, o Random Forest
mostra superioridade preditiva em seus resultados. Observou-se que as previsões da quantidade
de infectados pela doença ficaram muito próximas aos dados reais coletados para todos os
métodos e ligeiramente melhores que as previsões de número de vítimas fatais, que, por sua
vez, tiveram variações um pouco maiores em relação aos dados reais.
Shao e Wu (2021) utilizam os casos confirmados cumulativos de 17 de janeiro a 1º de
março de 2020, das cidades chinesas, usando algoritmos de aprendizagem de máquina,
regressão geograficamente ponderada e regressão parcial de mínimos quadrados com base no
fluxo populacional, geolocalização, variáveis meteorológicas e socioeconômicas. Os resultados
da validação mostraram que os algoritmos de aprendizagem de máquina e regressão
geograficamente ponderada alcançaram bons desempenhos. Esses modelos não puderam prever
efetivamente os casos confirmados cumulativos em Wuhan, mas os modelos tiveram um bom
desempenho em outras cidades. Random Forest (RF) superou outros métodos com um de 0,84.
Neste modelo, o fluxo populacional de Wuhan para outras cidades foi a característica mais
importante e as outras características também contribuíram consideravelmente para a precisão
da previsão.
Dessa forma, através da utilização desses métodos será possível tomar medidas de apoio
à saúde pública, definindo áreas com maior potencial de dano causado pela pandemia e para
que, a partir disso, possam ser criadas estratégias de intervenção para o controle do contágio e
preparo da rede assistencial, principalmente o SUS, para resposta rápida, no sentido de evitar a
expansão dos casos e reduzir os óbitos pela doença.
27
2. MATERIAIS E MÉTODOS
O estado de Minas Gerais está situado na região Sudeste do Brasil e abrange uma área
de 586.513,983 km², o que representa 63,5% da extensão total dessa região e corresponde a
6,9% do território nacional (Figura 1). Destaca-se como o estado brasileiro com o maior número
de municípios, totalizando 853. Apresenta população total de 20.538.718 habitantes (IBGE,
2022), o segundo estado brasileiro mais populoso, representando aproximadamente 10% do
contingente populacional do Brasil e densidade demográfica de 35,02 habitantes por km². Sua
capital é Belo Horizonte, sexta maior metrópole brasileira, com 2.315.560 habitantes (IBGE,
2022). É dividido em 13 Regiões Geográficas Intermediárias, sendo: Barbacena, Belo
Horizonte, Divinópolis, Governador Valadares, Ipatinga, Juiz de Fora, Montes Claros, Patos de
Minas, Pouso Alegre, Teófilo Otoni, Uberaba, Uberlândia e Varginha (FJP, 2022).
A população mineira era composta em 2010 por 49,2% de homens e 50,8% de mulheres.
A expectativa de vida dos mineiros é de 76 anos, sendo que para as mulheres esta expectativa
é de 79 anos e para os homens é de aproximadamente 73 anos (IBGE, 2010). Em relação a cor
e etnia, 45% consideram-se branco, 44,58% pardo, 9,22% preto, 0,95% amarelo, 0,16%
indígena e 0,09% não se declaram ou não souberam responder (IBGE, 2010).
Minas Gerais apresentou o terceiro maior produto interno bruto dentre todas as
federações ao final do ano de 2022, contabilizando aproximadamente 682 bilhões de reais
(IBGE, 2022). Dentre as regiões intermediárias mineiras, a de Belo Horizonte concentra cerca
de 36% das atividades econômicas do estado, e é também uma das regiões que apresenta maior
crescimento. Em segundo e terceiro lugar estão as regiões intermediárias de Uberlândia, 8,8%
e Juiz de Fora, 7,8%. A região com menor participação no produto mineiro é Teófilo Otoni,
com 2% de participação no PIB estadual (FJP, 2022).
O estado apresenta uma grande disparidade entre suas regiões no que se refere ao
desenvolvimento econômico e social. As regiões intermediárias mais ricas do estado, como a
de Belo Horizonte e Uberlândia possuem renda per capita muito acima das regiões mais pobres
localizadas no norte do estado, na região de Teófilo Otoni (IBGE, 2010).
O estado de Minas Gerais concentra a maior malha rodoviária do Brasil. Isso equivale
a aproximadamente 16% do total de rodovias estaduais, federais e municipais no contexto
30
nacional. São 272.062,90 km de rodovias, em que 9.205 km são rodovias federais, 22.286 km
estaduais pavimentadas, e 240.571,90 km de rodovias municipais (FJP, 2022).
Figura 1 - Mapa de localização do Estado de Minas Gerais. Fonte: IBGE, 2021. Org.: Pela Autora, 2023.
32
2.2 Metodologia
com intuito de trabalhar com softwares livres, essas planilhas foram convertidas para o formato
Calc, no software LibreOffice, para a manipulação da base de dados. Os arquivos estão
disponíveis no Anexo A.
Sequencialmente, seguiu-se a organização dessa base de dados, para checar o nome dos
municípios, ajustar valores incorretos, e adicionar o código de identificação do município
conforme o Instituto Brasileiro de Geografia e Estatística (IBGE). Esses dados foram
associados ao shapefile dos municípios mineiros (IBGE, 2022), por meio de Sistema de
Informações Geográficas (SIG), sobretudo o software QGIS. Para tanto, utilizou-se a função
‘’União’’. Esse processo permitiu a análise e representação espacial dos casos e óbitos por
COVID-19 no estado de Minas Gerais.
1
Para mais informações acessar o link https://desktop.arcgis.com/en/arcmap/latest/tools/spatial-statistics-
toolbox/what-is-a-z-score-what-is-a-p-value.htm
34
O GeoDa fornece uma estatística global, isto é, o Índice de Moran Global, o qual não é
espacializado, pois trata a autocorrelação para todo o conjunto de dados. No entanto, para
análises espaciais, em forma de mapa, utiliza-se o Índice de Moran Local. Nesse estudo, gerou-
se ambos os índices, o global está no Anexo B.
Ainda, a partir dessa análise espacial, pode-se compreender a autocorrelação entre a
variável com ela mesmo no espaço, por meio do Moran Univariado, ou buscar a resposta ao
padrão espacial de uma variável cruzando com outra, com o Moran Bivariado. Como o objetivo
foi entender a autocorrelação dos casos de COVID-19 e Óbitos separadamente foi utilizado o
Moran Univariado.
Existem métodos de calibração da análise espacial no software GeoDa, principalmente
considerando aspectos de conectividade entre os municípios analisados. Nesse estudo, foi
utilizado o método da rainha (queen). Esse método trabalha com a lógica dos municípios
compartilharem fronteiras e vértices entre si (Almeida, 2012). Finalmente, em específico para
os agrupamentos, o software fornece clusters: não significante, alto-alto, baixo-baixo, baixo-
alto e alto-baixo.
- Não significante: Agrupamentos que não entraram em nenhum cluster;
- Alto – Alto: Agrupamentos com alta frequência da variável e vizinhos com alta
frequência da variável;
- Baixo – Baixo: Agrupamentos com baixa frequência da variável e vizinhos com baixa
frequência da variável;
- Baixo – Alto: Agrupamentos com baixa frequência da variável e vizinhos com alta
frequência da variável;
- Alto – Baixo: Agrupamentos com alta frequência da variável e vizinhos com baixa
frequência da variável.
(%); população residente em domicílio urbano com coleta de resíduos sólidos (%); população
residente em agregado familiar com acesso a eletricidade (%); população residente em
domicílio com duas ou mais pessoas por dormitório (%), obtidos através do Censo Demográfico
de 2010 e a pontuação do Índice de Desenvolvimento Humano Municipal – IDHM (Atlas
Brasil, 2010). E por último, o número de leitos de internação e respiradores disponíveis por
município mineiro em março de 2020 (DataSus, 2020). Salienta-se que todas as variáveis foram
obtidas a nível de município e organizadas em planilhas no formato Calc.
A utilização das variáveis mencionadas para a correlação entre aspectos
socioeconômicos e a disseminação da COVID-19 é justificada pela compreensão de que a
propagação do vírus está intrinsecamente ligada às condições demográficas, socioeconômicas
e de infraestrutura de uma determinada região. A análise dessas variáveis pode fornecer
esclarecimentos valiosos sobre os fatores que influenciam a disseminação do vírus e ajudar a
orientar estratégias de prevenção e controle (Khalatbari-Soltani, et al., 2020).
As variáveis População e Densidade Populacional demonstram a magnitude da
população e sua distribuição, podendo impactar diretamente a velocidade de propagação do
vírus. Os municípios densamente povoadas tendem a ter maior risco de transmissão, pois a
proximidade entre as pessoas facilita a disseminação. Em relação a moradia, os assentamentos
urbanos informais muitas vezes têm condições precárias, tornando difícil o cumprimento das
medidas de isolamento (Pires; Carvalho; Xavier, 2020).
Fatores como idade podem influenciar na vulnerabilidade à COVID-19. Indivíduos de
faixas etárias avançadas e aqueles portadores de condições de saúde pré-existentes enfrentam
maior suscetibilidade a desenvolver sintomas graves e enfrentar desdobramentos fatais
decorrentes da infecção. Além disso, os padrões comportamentais e os níveis de mobilidade de
homens e mulheres podem desempenhar papéis distintos na propagação do vírus (Figueiredo,
et al., 2020).
Estudos abrangendo as regiões norte e centro-sul do Brasil revelaram que indivíduos
que superaram a doença com sucesso eram predominantemente jovens, de ascendência branca
e do sexo feminino. Em contraste, as fatalidades predominaram entre pessoas de idade
avançada, negras e pardas, e que possuíam comorbidades subjacentes (Baqui, et al., 2020).
Indivíduos com menor renda média possivelmente têm menos recursos para enfrentar a
pandemia, além de enfrentarem desafios relacionados à falta de acesso a cuidados de saúde
adequados. A falta de recursos financeiros também afeta o acesso a água potável, eletricidade,
saneamento básico e coleta de resíduos sólidos, dificultando esses indivíduos a realizarem as
medidas de higiene e distanciamento social, aumentando assim, o risco de contaminação pelo
36
vírus. Nesse mesmo contexto, sujeitos com níveis mais baixos de educação podem apresentar
dificuldades em compreender as medidas de prevenção e a capacidade de acessar informações
confiáveis sobre a doença (Urban; Nakada, 2020).
O Indice de Desenvolvimento Humano Municipal - IDHM combina fatores como renda,
educação e expectativa de vida, proporcionando uma visão holística do desenvolvimento de
uma região (Adão; Souza, 2020). Áreas com IDHM mais baixo podem enfrentar desafios
adicionais na resposta à pandemia. Em suma, um baixo IDHM pode criar um ambiente propício
para a disseminação da COVID-19 devido a uma combinação de falta de recursos,
conscientização limitada, condições de moradia precárias e vulnerabilidade socioeconômica
(Maciel; Castro-Silva; Farias, 2020).
A distribuição de leitos de internação e equipamento de respiração desempenha um
papel fundamental na capacidade de resposta à disseminação da COVID-19, garantindo o
acesso equitativo aos cuidados de saúde e contribuindo para a eficiência do sistema de saúde
como um todo (Araújo; Ferreira, 2023). A distribuição de leitos em Minas Gerais é feita com
base em critérios como a demanda da população, a capacidade de atendimento dos
estabelecimentos de saúde e a disponibilidade de recursos financeiros (Malachias et al., 2010).
A oferta de leitos é monitorada pelo Cadastro Nacional de Estabelecimentos de Saúde (CNES)
e pelo Sistema de Informações Hospitalares do SUS (SIH/SUS), que fornecem informações
sobre a quantidade e a localização dos leitos em todo o estado. A distribuição de leitos também
pode ser influenciada por fatores como a participação do setor privado na oferta de serviços de
saúde e as desigualdades regionais no acesso aos serviços de saúde (Malachias et al., 2010).
Portanto, a distribuição igualitária de leitos de internação e equipamentos de respiração
podem ajudar a garantir que o sistema de saúde esteja preparado para enfrentar futuras crises
de saúde (Araújo; Ferreira, 2023). A pandemia da COVID-19 destacou a importância de ter um
sistema de saúde robusto e capaz de responder rapidamente a emergências de saúde pública. A
distribuição igualitária de leitos de internação e equipamentos de respiração pode ser uma parte
importante desse esforço, garantindo que todas as regiões de Minas Gerais tenham a capacidade
de enfrentar crises de saúde de forma eficaz (Ferreira et al., 2020).
Ao empregar essas variáveis para entender a disseminação da COVID-19, pode-se
identificar padrões e tendências que logo contribui para a adoção de políticas de saúde pública,
alocação de recursos e estratégias de mitigação. A análise dessas relações pode ajudar a adaptar
as intervenções de acordo com as características específicas de cada região, contribuindo para
um controle mais eficaz das doenças.
37
3 RESULTADOS E DISCUSSÃO
59 anos, 15% (9.861). De forma similar ao comportamento dos casos, indivíduos de 0 a 9 anos
de idade foram menos atingidos pela COVID-19 (Minas Gerais, 2023).
3.2 Análise Exploratória da Evolução Temporal dos Casos e Óbitos por COVID-19
As curvas e padrões dos casos, podem ser explicadas por flexibilização de medidas não
farmacológicas e de isolamento social. A exemplo, a segunda onda de contaminação no Brasil,
nos meses de dezembro de 2020 e janeiro de 2021, devido as flexibilizações das medidas de
isolamento em razão das festas de fim de ano e férias escolares (UFMG, 2020). Esse padrão de
aclive também se repete no final de 2021 e início de 2022. Além da flexibilização para festas e
férias (UFMG, 2020), há o surgimento da nova variante ômicron. Essa variante correspondia a
99,7% das amostras positivas sequenciadas (Minas Gerais, 2023). Esta nova variante, também
conhecida como B.1.1.529, espalha-se rapidamente e foi classificada como uma variante
altamente preocupante pela OMS em 26 de novembro de 2021 (Fan et al., 2022). Embora se
tenha aumento dos casos, estudos revelam que ômicron possui baixa letalidade, motivo este que
não registrou altos números de óbitos (Fan et al., 2022).
Em relação a distribuição temporal dos óbitos causados pela COVID-19, observa-se que
há divergências em relação aos picos de mortalidade e de casos confirmados. A partir dos dados
analisados, constatou-se que ocorreu um crescimento na mortalidade a partir dos meses de maio
até agosto de 2020, houve um crescimento considerável de 2.8411% (Figura 4). Posteriormente,
de forma similar ao comportamento dos casos confirmados, entre setembro e novembro do
mesmo ano, registrou-se uma breve fase de declínio.
42
Entre os meses de dezembro de 2020, janeiro até agosto de 2021, os números de óbitos
cresceram exponencialmente, para o que se configurou como o ápice da mortalidade por
COVID-19 durante todo o período da pandemia, ceifando a vida de 42.945 residentes do Estado
de Minas Gerais. Representando somente nesse período, 65,3% de todos os óbitos ocorridos no
período analisado (2020 – 2023). O mês de abril de 2021 registrou 9.367 óbitos, configurando
o mês com maior pico de mortalidade.
Após o pico no mês de abril de 2021, no mês de maio, inicia-se um período de queda no
número de óbitos. Entretanto, observa-se números parecidos com o início da pandemia somente
em outubro de 2021. Posteriormente, em fevereiro de 2022 há um breve aumento, seguindo de
quedas e estabilidades nos meses de junho, julho, agosto, dezembro de 2022 e janeiro e
fevereiro de 2023, todavia números bem menores do que registrados no auge do pico de
mortalidade.
Figura 4 – Óbitos por COVID-19 mensais em Minas Gerais. Fonte: SES/MG - SIVEP-Gripe. Org.:
pela autora, 2023.
O ponto mais crítico em termos de mortalidade em Minas Gerais (em abril de 2021)
pode ser explicado por i) flexibilização das regras de isolamento social para a realização das
festas de final de ano de 2020 e ii) o surgimento da nova variante, Delta. Estudos apontam que
a variante Delta apresentava um aumento de 108% no risco de hospitalização, de 235% na
43
admissão na UTI e chance 133% maior de morte do que a variante anterior, alfa (Shiehzadegan
et al, 2021).
Posteriormente, após a queda entre de julho a novembro de 2021, trouxe um alívio para
o sistema de saúde. Notou-se que a vacinação desempenhou um papel fundamental na redução
da transmissão do vírus, especialmente na diminuição da gravidade dos casos de COVID-19.
Isso resultou em uma redução das taxas de ocupação de leitos de UTI destinados à COVID-19
e, consequentemente, uma queda no número de óbitos relacionados à doença (Orellana, et al,
2022). Embora tenha ocorrido um aumento na taxa de óbitos em fevereiro de 2023, em
decorrência da cobertura vacinal da população as taxas foram bem menores, em comparação
aos picos anteriores (Amaral; Lessa, 2023).
44
Figura 5 - Incidência de Casos Confirmados por 100 mil habitantes de Minas Gerais e Brasil. Fonte: SES/MG –
Formulário COVID-19, eSUS e SIVEP-Gripe e DATASUS. Org.: pela autora, 2023.
Figura 6 - Incidência de óbitos por 100 mil habitantes de Minas Gerais e Brasil. Fonte: SES/MG - SIVEP-Gripe
e DATASUS. Org.: pela autora, 2023.
45
3.3 Distribuição Espacial dos Casos e Óbitos por COVID-19 em Minas Gerais
Em relação a distribuição espacial dos casos confirmados por município mineiro, os dez
municípios com maior número de casos estão localizados em distintas regiões intermediárias,
sendo elas a de Belo Horizonte (Capital do Estado), Uberlândia (Capital Regional B), Uberaba
(Capital Regional C), Montes Claros (Capital Regional B), Juiz de Fora (Capital Regional B),
Governador Valadares (Capital Regional C), e Ipatinga (Capital Regional C), (Figura 7). Trata-
se de municípios que exercem influência, em um conjunto de municípios, por oferecerem
serviços mais complexos, como serviços médicos especializados e de educação por meio das
faculdades e universidades (França; França, 2021).
Figura 7 - Distribuição espacial dos casos confirmados de COVID-19 em Minas Gerais. Fonte: IBGE e SES/MG - SIVEP-Gripe. Org.: pela autora, 2023.
47
Considerando os óbitos, apenas seis municípios mineiros não os reportaram (Figura 8).
Estes municípios são Aricanduva, Patis, Pedro Teixeira, Santana dos Montes, Serra Azul de
Minas e Serra da Saudade (Minas Gerais, 2023) (Figura 8). Observa-se que os óbitos
confirmados por COVID-19 seguiram padrões distintos em relação aos casos confirmados.
Belo Horizonte e Uberlândia ocupam a primeira e segunda posição no ranking de casos
confirmados e óbitos. No entanto, a partir do terceiro lugar, a classificação dos municípios
diverge em relação aos casos e óbitos. Uberaba registrou 106.309 casos confirmados e 1.655
óbitos, tornando-se o terceiro município com o maior número de casos confirmados. No
entanto, considerando os óbitos, fica em quinta posição. Montes Claros ocupa a quarta posição
em casos confirmados, mas desce para a oitava posição em relação ao número de óbitos.
Juiz de Fora, ao contrário de Montes Claros, está em sexto lugar em casos confirmados,
mas sobe para a terceira posição em relação aos óbitos. Governador Valadares segue um padrão
semelhante, ocupando a oitava posição em casos confirmados e a sexta posição em óbitos.
Betim e Ipatinga mantêm a classificação tanto em casos confirmados quanto em óbitos.
Ribeirão das Neves não está entre os dez municípios com o maior número de casos, mas ocupa
a décima posição quando se considera o número de óbitos entre todos os municípios do estado
de Minas Gerais.
48
Figura 8 - Distribuição espacial dos óbitos por COVID-19 em Minas Gerais. Fonte: IBGE e SES/MG – Formulário COVID-19, eSUS e SIVEP-Gripe. Org.: pela autora, 2023.
49
Para além da metrópole mineira, cabe destacar a presença significativa de vários centros
que desempenham papéis regionais relevantes, como nos casos das capitais regionais, centros
sub-regionais e centros de zona (níveis expressos no REGIC, 2018). Isto também fica evidente
nas Figuras 9 e 10, ao se observar padrões de agrupamentos alto-alto, indicando grupos de
municípios com altas taxas de incidência e mortalidade das Regiões Intermediária de Uberaba
50
Exemplo desse padrão é a cidade de Montes Claros, que se destaca pelo seu padrão de
alto-baixo em comparação com os municípios vizinhos, e pode ser explicado pelo fato de
Montes Claros desempenhar um papel central de polarização e atração na região. A cidade
concentra diversas atividades econômicas e prestação de serviços. Dentre as atividades e
serviços, destaca-se o comércio diversificado de produtos (atacado e varejo) e o serviço
especializado de saúde. Essa infraestrutura faz com que a cidade se torne um ponto de
referência, atraindo não apenas moradores locais, mas também um grande fluxo de pessoas de
municípios circunvizinhos em busca de suas variadas opções de atividades e serviços (França
51
et. al, 2011). Em relação a serviços de Saúde o município possui quatro hospitais de grande
porte, um de médio e um de pequeno porte que atende a demanda de urgência e emergência
(Magalhães et al, 2020).
Por ser um polo atrativo que oferece serviços diversos aos municípios vizinhos, Montes
Claros recebe diariamente grande fluxo populacional pendular diariamente. Esse grande fluxo
populacional pode ser uma das causas do município apresentar altas taxas de incidência e
mortalidade por COVID-19, visto que o fluxo maior de pessoas acarreta uma maior
disseminação do vírus (Faccin et. al., 2021).
Figura 9 – Agrupamento de incidência de casos confirmados por 100 mil habitantes causadas pela COVID-19. Fonte: IBGE e SES/MG - SIVEP-Gripe. Estatísticas: valor de p = <0.01, Escore Z = 21,10, Índice de Moran = 0.42. Org.: pela autora, 2023.
53
Figura 10 – Agrupamento de mortalidade por 100 mil habitantes causados pela COVID-19. Fonte: IBGE e SES/MG – Formulário COVID-19, eSUS e SIVEP-Gripe. Estatísticas: valor de p = <0.01, Escore Z = 19.79, Índice de Moran = 0.40. Org.: pela autora, 2023.
54
Nesse estudo, o modelo foi ajustado com 16 variáveis socioeconômicas para explicar
casos e óbitos. Para casos confirmados, o modelo obteve R² de 0.84, em que as variáveis mais
explicativas foram população de 65 anos ou mais, população total, leitos de internação, IDHM
e respiradores (Tabela 01). Isso indica que essas cinco variáveis explicaram 84% dos casos de
COVID-19 no estado de Minas Gerais entre 2020 e 2023. Considerando o coeficiente de
Pearson (r) entre as variáveis selecionadas pelo RF e casos confirmados de COVID-19, todas
mostraram uma correlação estatisticamente positiva (Figura 11).
55
Figura 11 – Espacialização das cinco variáveis mais explicativas indicadas pelo modelo RF. Org.: pela autora, 2023.
56
Figura 12: Correlação entre as variáveis mais explicativas para Casos Confirmados por COVID-19. Fonte:
IBGE, 2010; DATASUS, 2020; SES/MG – Formulário COVID-19, eSUS e SIVEP-Gripe. Org.: pela autora,
2023.
57
Considerando a população total, era esperado que essa variável fosse explicativa, uma
vez que praticamente todos os municípios de Minas Gerais registraram casos confirmados por
COVID-19. A correlação positiva (r = 0.96) entre os casos e população indicou que quanto
maior o número de habitantes, maior a quantidade de casos. Isso condiz com as análises
espaciais realizadas anteriormente, pois os centros urbanos com maior população registraram
as mais elevadas incidências por COVID-19 no estado de Minas Gerais (Figuras 07 e 08).
Outros estudos em diversas partes do mundo, com objetivo de entender os padrões espaciais
dos casos de COVID-19 também mostraram que população total é uma variável chave.
A correlação positiva (r = 0.95) entre casos e população de 65 anos ou mais, indica que
quanto maior o número de idosos, maior foi a disseminação da COVID-19 em Minas Gerais.
Similar a este estudo, Urban et al., (2020) para o estado de São Paulo, por meio de técnicas de
Geoestatística, constataram que a população idosa explicou a disseminação dos casos de
COVID-19. Assim como Mansour et al., (2020), em estudo realizado no país de Omã, na
Penísula Arábica. Embora sejam caracterizados como grupo de risco, um dos motivos para essa
contaminação dos idosos, pode estar relacionado a necessidade em continuarem no mercado de
trabalho, principalmente visando a manutenção da renda familiar durante a pandemia (Vicerra,
2021).
crucial para a contaminação. A maioria das pessoas idosas em Minas Gerais possuía somente o
primeiro ciclo fundamental, e em geral, o baixo grau de escolaridade se associa com o menor
conhecimento sobre as medidas de prevenção a COVID-19. Isso também foi mostrado por
Tavares et al., (2020a) em estudo realizado na Macrorregião de Saúde do Triângulo Sul em
Minas Gerais.
Contudo, embora a análise estatística mostre essa correlação, é preciso cautela. Assim
como argumentado por Ferreira et al., (2022), não é possível afirmar e concluir que os
indivíduos de maior renda foram mais afetados pela COVID-19. Principalmente considerando
que a renda no Brasil é altamente concentrada, podendo, portanto, municípios mais ricos terem
concentração de uma população pobre (Ferreira et al., 2022). Nesse contexto, as desigualdades
sociais podem conduzir a diferentes resistências e estratégias de combate à COVID-19, pois a
população mais pobre possui maior dificuldade para aderir às medidas preventivas orientadas
pelo poder público. Isso corrobora com o estudo de Figueiredo et al., (2020) para estados
59
Tabela 1: Lista de variáveis ranqueadas como as mais explicativas para casos e óbitos selecionadas pelo
algoritmo Random Forest.
Casos Óbitos
População de 65 anos ou mais População de 65 anos ou mais
População Total População Total
Leitos de Internação
IDHM
Respiradores
R² = 0.84 R² = 0.94
60
Figura 13: Correlação entre as variáveis mais explicativas para óbitos por COVID-19. Fonte: IBGE/2010 e
SES/MG – Formulário COVID-19, eSUS e SIVEP-Gripe. Org.: pela autora, 2023.
A população idosa foi uma das mais afetadas em Minas Gerais durante a pandemia.
Aproximadamente 70% (46.018) dos óbitos foram confirmados entre os idosos acima de 60
anos (Minas Gerais, 2023), sendo condizente que a variável população de 65 anos ou mais seja
selecionada pelo modelo RF e apresente uma correlação de 0.97. Além disso, esses resultados
corroboram com diversos trabalhos realizados pelo mundo, os quais também indicaram que
houve maior incidência de morte por COVID-19 na população idosa. Vale ressaltar que antes
mesmo do contexto pandêmico, a população idosa no Brasil já vivenciava o envelhecimento
sob riscos de doenças, principalmente devido às desigualdades sociais (Oliveira; Thomaz;
Silva, 2008).
61
Uma pesquisa realizada pela Universidade de Alfenas (UNIFAL) apontou que 1 a cada
91 idosos chegou a óbito por COVID em Minas Gerais (Estado de Minas, 2021). Dentre as
causas para essa intensificação de óbitos em idosos, os fatores de maior probabilidade são os
mesmos que conduzem a internação por COVID-19 dessa parcela da população, isto é, as
comorbidades. Em contexto global, as principais comorbidades em idosos mortos por COVID-
19 foram: diabetes, hipertensão, doença renal crônica, obesidade, demência e doença pulmonar
obstrutiva crônica, câncer, doença hepática, asma, dislipidemias e depressão (Sousa; Martins;
Cortez, 2021).
Conforme Ferreira, Maia e Azevedo (2023), a teoria mais plausível para esse cenário é
a imunosenescência, ou seja, o decréscimo de resposta imunológica conforme o avançar da
idade. O déficit imunológico acumulado ao longo do tempo, torna o indivíduo mais susceptível
a infecção de diferentes patógenos (Ferreira; Maia; Azevedo, 2023). Adicionalmente, o sexo
também é um fator imunológico crucial na infecção e óbitos entre os idosos (Takahashi;
Iwasaki, 2021). Maior parcela dos óbitos (53,31%) foram concentradas em homens idosos do
que em mulheres (Minas Gerais, 2023). A explicação para esse fato, pode estar relacionado a
aspectos comportamentais, como a maior exposição ambiental e a baixa procura por
atendimento de saúde pelos homens (Ferreira; Maia; Azevedo, 2020); bem como o contexto
biológico, pois o homens mais velhos desenvolvem estado de hiperinflamação e baixa
imunológica 6 anos mais cedo que as mulheres, os condicionando à maior infecção à patógenos
(Takahashi; Iwasaki, 2021).
Outro aspecto que pode ter favorecido o maior número de óbitos na população idosa é
o grau de escolaridade. Conforme já mencionado, a maioria dos idosos afetados possuía o
primeiro ciclo do ensino fundamental. Isso está em linha com outras abordagens em âmbito
nacional, o Núcleo de Operações e Inteligência em Saúde (NOIS)/PUC-Rio em 2020 apontou
que a taxa de mortalidade em pessoas sem escolaridade foi três vezes maior do que em pessoas
com ensino superior. Isso certamente se relaciona com a questão socioeconômica. Saraiva,
Silva e Modesto (2023) argumentam que a educação é chave para obtenção de melhores
empregos, com cargos qualificados e mais seguros. Portanto, aqueles com menor grau de
escolaridade, foram expostos ao risco de morte por COVID-19, devido aos trabalhos com
menor segurança, sem opções de trabalhos remotos, por exemplo.
CONSIDERAÇÕES FINAIS
total e população de 65 anos ou mais. Essas constatações foram consistentes com a literatura
nacional e internacional.
De modo geral, constatou-se que a distribuição socioespacial dos casos e óbitos por
COVID-19 no estado de Minas Gerais foi explicada por aspectos demográficos e
socioeconômicos. Os resultados encontrados nesse estudo possuem potencial de uso para a
gestão pública, servindo de base para formular políticas públicas e medidas preventivas
considerando disseminação de doenças. Adicionalmente, a metodologia usada nesse trabalho
pode ser implementada a nível de município, com intuito de entender os padrões espaciais da
COVID-19 e conseguinte de outras doenças por bairro. Isso permitirá analisar de forma mais
detalhada os vetores específicos de diversas doenças.
65
REFERÊNCIAS
ABIAD, Abdul. The Economic Impact of the COVID-19 Outbreak on Developing Asia.
[s.l.]: Asian Development Bank, 2020. Disponível em:
<https://www.adb.org/publications/economic-impact-covid19-developing-asia>. Acesso em:
15 dez. 2022.
ADÃO, Nilton Manoel Lacerda; SOUZA, Edson Belo Clemente. O que os indicadores
socioeconômicos IDHM e IPC nos revelam em distintas realidades urbanas: São Paulo (SP) e
Fortaleza (CE). Terr Plural, v. 14, p. 1–13, 2020. DOI
10.5212/TerraPlural.v.14.2015238.063.
BALOCH, Saira; BALOCH, Mohsin Ali; ZHENG, Tianli; PEI, Xiaofang. The Coronavirus
Disease 2019 (COVID-19) Pandemic. The Tohoku Journal of Experimental Medicine, v.
250, n. 4, p. 271–278, 2020. DOI 10.1620/tjem.250.271.
BAQUI, Pedro; BICA, Ioana; MARRA, Valerio; ERCOLE, Ari; VAN DER SCHAAR,
Mihaela. Ethnic and regional variations in hospital mortality from COVID-19 in Brazil: a
cross-sectional observational study. The Lancet Global Health, v. 8, n. 8, p. e1018–e1026,
ago. 2020. DOI 10.1016/S2214-109X(20)30285-0.
BELLINO, Stefania; PUNZO, Ornella; ROTA, Maria Cristina; DEL MANSO, Martina;
URDIALES, Alberto Mateo; ANDRIANOU, Xanthi; FABIANI, Massimo; BOROS, Stefano;
VESCIO, Fenicia; RICCARDO, Flavia; BELLA, Antonino; FILIA, Antonietta; REZZA,
Giovanni; VILLANI, Alberto; PEZZOTTI, Patrizio; COVID-19 WORKING GROUP.
COVID-19 Disease Severity Risk Factors for Pediatric Patients in Italy. Pediatrics, v. 146, n.
4, p. e2020009399, 1 out. 2020. DOI 10.1542/peds.2020-009399.
BOTELHO, Marina Alvarenga; CAMPOS, Mariane Motta De; COIMBRA, Mayra Regina;
SANTOS, Deborah Luísa Vieira Dos. Discursos e redes anticorrupção no Twitter: “Bolsonaro
67
BOUSQUAT, Aylene; COHN, Amélia. A dimensão espacial nos estudos sobre saúde: uma
trajetória histórica. História, Ciências, Saúde-Manguinhos, v. 11, n. 3, p. 549–568, dez.
2004. DOI 10.1590/S0104-59702004000300002.
CARVALHO, Elisa Maria Ramos; SOSTER, José Cristiano; MENEZES, Érica Lima Costa
De; SANTANA, Anderson Freitas De; ALVES, Daiana Cristina Machado; PRATES, Marcus
Vinícius Bonfim. Estratégias da gestão estadual da atenção básica diante da pandemia de
covid-19, Bahia, 2020/2021. Revista Baiana de Saúde Pública, v. 45, n. Especial_3, p. 43–
52, 31 dez. 2021. DOI 10.22278/2318-2660.2021.v45.nEspecial_3.a3542.
COTRIM, Dorival Fagundes; CABRAL, Lucas Manoel Da Silva. Crescimento dos leitos de
UTI no país durante a pandemia de Covid-19: desigualdades entre o público x privado e
iniquidades regionais. Physis: Revista de Saúde Coletiva, v. 30, n. 3, p. e300317, 2020. DOI
10.1590/s0103-73312020300317.
DUPRAT, Irena Penha; MELO, Géssyca Cavalcante De. Análise de casos e óbitos pela
COVID-19 em profissionais de enfermagem no Brasil. Revista Brasileira de Saúde
Ocupacional, v. 45, p. e30, 2020. DOI 10.1590/2317-6369000018220.
FACCIN, Carolina Rezende; RORATO, Geisa Zanini; CAMPOS, Heleniza Ávila; LIBERA,
Luise Tainá Dalla; LENHART, Tamires; BERNARDI, Maria Paloma. Um Ano de Pandemia:
Evolução e Dispersão Territorial da Covid-19 na Região Metropolitana de Porto Alegre
(RMPA). urbe. Revista Brasileira de Gestão Urbana, v. 14, p. e20210219, 2022. DOI
10.1590/2175-3369.014.e20210219.
FAN, Yao; LI, Xiang; ZHANG, Lei; WAN, Shu; ZHANG, Long; ZHOU, Fangfang. SARS-
CoV-2 Omicron variant: recent progress and future perspectives. Signal Transduction and
Targeted Therapy, v. 7, n. 1, p. 141, 28 abr. 2022. DOI 10.1038/s41392-022-00997-x.
69
FERREIRA, Maria Izabel de Azevedo; MAIA, Luciana Colares; AZEVEDO, Daniela de.
Perfil mórbido e desfecho clínico de idosos internados por COVID-19. Revista de Atenção à
Saúde, v. 21, n. 17, p. e20238664, 23 out. 2023. DOI https://doi.org/10.13037/ras.v21i.
FERREIRA, Ricardo Vicente ; CARVALHO, Denise Maciel; SOUZA, Ana Laura De Paula;
MARTINES, Marcos Roberto; ASSUNÇÃO, Luiza Maria De. COVID-19 NA REGIÃO DE
SAÚDE TRIÂNGULO SUL, MG: UMA PERSPECTIVA CARTOGRÁFICA. Hygeia -
Revista Brasileira de Geografia Médica e da Saúde, , p. 49–59, 17 jun. 2020. DOI
10.14393/Hygeia0054379.
FERREIRA, Cláudio Luiz; CRUZ, Cleya Da Silva Santana; JESUS, Kesley Duarte De;
CARVALHO, Carolina Di Pietro; NEVES, Kelly Da Rocha. Avaliação de correlação entre
incidência, internação e mortalidade por COVID-19 com o índice de Desenvolvimento
Humano Municipal-IDHM em uma macrorregião de saúde de Minas Gerais. Research,
Society and Development, v. 11, n. 1, p. e50111125351, 13 jan. 2022. DOI 10.33448/rsd-
v11i1.25351.
FIGUEIREDO, Alexandre Medeiros De; FIGUEIREDO, Daniela Cristina Moreira Marculino
De; GOMES, Luciano Bezerra; MASSUDA, Adriano; GIL-GARCÍA, Eugenia; VIANNA,
Rodrigo Pinheiro De Toledo; DAPONTE, Antonio. Social determinants of health and
COVID-19 infection in Brazil: an analysis of the pandemic. Revista Brasileira de
Enfermagem, v. 73, n. suppl 2, p. e20200673, 2020. DOI 10.1590/0034-7167-2020-0673.
FRANÇA, Iara Soares De; FRANÇA, Juliana Soares De. ANÁLISE DA COVID-19 NA
MACRORREGIÃO DE SAÚDE NORTE DE MINAS, BRASIL: dinâmica espacial e redes
urbanas. InterEspaço: Revista de Geografia e Interdisciplinaridade, v. 7, n. 20, p. 202133,
15 out. 2021. DOI 10.18764/2446-6549.e202133.
FUNDAÇÃO JOÃO PINHEIRO. Produto Interno Bruto (PIB) de Minas Gerais. Belo
Horizonte: FJP, 2022. Disponível em: < https://fjp.mg.gov.br/produto-interno-bruto-pib-de-
minas-gerais/>. Acesso em: 17 jun. 2022.
70
GUIMARÃES, Raul Borges. Del período técnico científico al periodo demográfico sanitario:
desafíos metodológicos para la salud pública. Revista Cubana de Salud Pública (Impresa), v.
39, p. 763-767-767, 2013.
JOHNSON, Steven. O mapa fantasma: como a luta de dois homens contra o cólera mudou o
destino de nossas metrópoles. Rio de Janeiro: Zahar, 2008.
LEITE, Marcos Esdras; ABREU, Kíria Karla Rezende Carneiro De. SISTEMA DE
INFORMAÇÃO GEOGRÁFICA APLICADO À DISTRIBUIÇÃO DO CASO DE DENGUE
NA MICRORREGIÃO DE PIRAPORA - MG. Hygeia - Revista Brasileira de Geografia
Médica e da Saúde, v. 5, n. 9, p. 63–76, 2 fev. 2010. DOI 10.14393/Hygeia516939.
LEITE, Marcos Esdras; FONSECA, Diego De Sousa Ribeiro; BRAZ, Cynara Kaliny Ribeiro.
USO DO SIG NA ANÁLISE DA DENGUE: APLICAÇÃO NA MICRORREGIÃO DE
MONTES CLAROS/BOCAIÚVA (MG). Hygeia - Revista Brasileira de Geografia Médica
e da Saúde, v. 4, n. 6, p. 126–141, 20 jun. 2008. DOI 10.14393/Hygeia416910.
LIMA, Ana Luce Girão Soares De; PINTO, Maria Marta Saavedra. Fontes para a história dos
50 anos do Ministério da Saúde. História, Ciências, Saúde-Manguinhos, v. 10, n. 3, p.
1037–1051, dez. 2003. DOI 10.1590/S0104-59702003000300012.
LIU, Kai; HE, Mu; ZHUANG, Zian; HE, Daihai; LI, Huaichen. Unexpected positive
correlation between human development index and risk of infections and deaths of COVID-
19 in Italy. One Health, v. 10, p. 100174, dez. 2020. DOI 10.1016/j.onehlt.2020.100174.
LUZARDO, Antonio José Rocha; CASTAÑEDA FILHO, Rafael March; RUBIM, Igor
Brum. ANÁLISE ESPACIAL EXPLORATÓRIA COM O EMPREGO DO ÍNDICE DE
MORAN. GEOgraphia, v. 19, n. 40, p. 161, 5 out. 2017. DOI
10.22409/GEOgraphia2017.v19i40.a13807.
MACEDO, Luziene Dantas De; MACEDO, José Roberval Dantas De. A pandemia de Covid-
19: aspectos do seu impacto na sociedade globalizada do século XXI. Cadernos de Ciências
Sociais Aplicadas, , p. 40–53, 4 set. 2020. DOI 10.22481/ccsa.v17i30.7315.
MAGALHÃES, Sandra Célia Muniz; LAUGHTON, Bruna Andrade; SILVA, Ana Claudia
Soares da; SANTOS, Flávia De Oliveira; FONSECA, Ana Ivânia Alves. ANÁLISE ESPAÇO
-TEMPORAL DA TUBERCULOSE NA MICRORREGIÃO DE MONTES CLAROS/MG.
Caminhos de Geografia, v. 20, n. 70, p. 585–598, 20 set. 2019. DOI
10.14393/RCG207045101.
MAGALHÃES, Sandra Célia Muniz; MOURA, Káthia Viviane Ramos De. A EXPANSÃO
DA LEISHMANIOSE TEGUMENTAR AMERICANA NO MUNICÍPIO DE MONTES
CLAROS - MINAS GERAIS. Hygeia - Revista Brasileira de Geografia Médica e da
Saúde, v. 11, n. 21, p. 80–92, 28 dez. 2015. DOI 10.14393/Hygeia1132228.
MAGALHÃES, Sandra Célia Muniz; PEREIRA, Noriel Viana; LIMA, Samuel Do Carmo. A
EXPANSÃO URBANA DE MANAUS E SUAS IMPLICAÇÕES NA EMERGÊNCIA E OU
REEMERGÊNCIA DE DOENÇAS. Hygeia - Revista Brasileira de Geografia Médica e da
Saúde, v. 6, n. 11, p. 91–102, 2 fev. 2011. DOI 10.14393/Hygeia617005.
MALACHIAS, Ivêta et al. Plano Diretor de Regionalização da Saúde de Minas Gerais (PDR-
MG). Belo Horizonte: Secretaria de Estado de Saúde de Minas Gerais, p. 19, 2011.
MARMO, Flavia Aparecida Dias; IKEGAMI, Érica Midori; OLIVEIRA, Nayara Gomes
Nunes; FERREIRA, Ricardo Vicente; OLIVEIRA, Neilzo Nunes. Panorama das internações
por covid-19 entre pessoas idosas residentes em Minas Gerais, Brasil.
Revista Brasileira de Geriatria e Gerontologia, v. 26, p. e230154, 2023. DOI
10.1590/1981-22562023026.230154.pt.
MASCARELLO, Keila Cristina; VIEIRA, Anne Caroline Barbosa Cerqueira; SOUZA, Ana
Sara Semeão De; MARCARINI, Wena Dantas; BARAUNA, Valério Garrone; MACIEL,
Ethel Leonor Noia. Hospitalização e morte por COVID-19 e sua relação com determinantes
sociais da saúde e morbidades no Espírito Santo: um estudo transversal. Epidemiologia e
Serviços de Saúde, v. 30, n. 3, p. e2020919, 2021. DOI 10.1590/s1679-49742021000300004.
NIKOLICH-ZUGICH, Janko; KNOX, Kenneth S.; RIOS, Carlos Tafich; NATT, Bhupinder;
BHATTACHARYA, Deepta; FAIN, Mindy J. SARS-CoV-2 and COVID-19 in older adults:
what we may expect regarding pathogenesis, immune responses, and outcomes. GeroScience,
v. 42, n. 2, p. 505–514, abr. 2020. DOI 10.1007/s11357-020-00186-0.
75
NORONHA, Kenya et al. Pandemia por COVID-19 em Minas Gerais, Brasil: análise da
demanda e da oferta de leitos e equipamentos de ventilação assistida considerando os
diferenciais de estrutura etária, perfil etário de infecção, risco etário de internação e distâncias
territoriais. Nota Técnica. Belo Horizonte: UFMG, 2020.
NOSSA, Paulo Nuno. Linhas de Investigação na Geografia da Saúde e a Noção Holística da
Saúde. A Geografia e o contexto dos problemas de saúde. BARCELLOS, Christovam. (Org.),
2008.
OLIVEIRA, Bruno Luciano Carneiro Alves De; THOMAZ, Erika Barbara Abreu Fonseca;
SILVA, Raimundo Antonio Da. The association between skin color/race and health indicators
in elderly Brazilians: a study based on the Brazilian National Household Sample Survey
(2008). Cadernos de Saúde Pública, v. 30, n. 7, p. 1438–1452, jul. 2014. DOI
10.1590/0102-311X00071413.
ORELLANA, Jesem Douglas Yamall; CUNHA, Geraldo Marcelo Da; MARRERO, Lihsieh;
LEITE, Iuri Da Costa; DOMINGUES, Carla Magda Allan Santos; HORTA, Bernardo Lessa.
Mudanças no padrão de internações e óbitos por COVID-19 após substancial vacinação de
idosos em Manaus, Amazonas, Brasil. Cadernos de Saúde Pública, v. 38, n. 5, p. PT192321,
2022. DOI 10.1590/0102-311xpt192321.
RIBEIRO, Haroldo V.; SUNAHARA, Andre S.; SUTTON, Jack; PERC, Matjaž; HANLEY,
Quentin S. City size and the spreading of COVID-19 in Brazil. PLOS ONE, v. 15, n. 9, p.
e0239699, 23 set. 2020a. DOI 10.1371/journal.pone.0239699.
RIBEIRO, Helena; AGUIAR, Anizia. BRICS na produção e distribuição de vacinas de covid-
19 aos países do sul. Saúde e Sociedade, v. 32, n. 3, p. e230333pt, 2023. DOI 10.1590/s0104-
12902023230333pt.
RIBOLI, Elisabetta; ARTHUR, Juliana Perez; MANTOVANI, Maria De Fátima. NO
EPICENTRO DA EPIDEMIA: UM OLHAR SOBRE A COVID-19 NA ITÁLIA. Cogitare
Enfermagem, v. 25, 13 maio 2020. DOI 10.5380/ce.v25i0.72955.
76
RIZZATTI, Maurício; BATISTA, Natália Lampert; SPODE, Pedro Leonardo Cezar; FARIA,
Rivaldo Mauro De. GEOPROCESSAMENTO APLICADO À GEOGRAFIA DA SAÚDE:
ANÁLISE DOS ÓBITOS POR COVID-19 NA ÁREA URBANA DE SANTA MARIA/RS,
EM 2020. Caminhos de Geografia, v. 23, n. 89, p. 241–259, 10 out. 2022. DOI
10.14393/RCG238960418.
SANTOS, Janduhy Pereira Dos; STEINKE, Valdir Adilson; OLIVEIRA, Stefan Vilges De;
GARCÍA-ZAPATA, Marco Túlio Antônio. ESPAÇO E DOENÇA: MUDANÇAS
ANTRÓPICAS E A HANTAVIROSE. Hygeia - Revista Brasileira de Geografia Médica e
da Saúde, v. 12, n. 22, p. 62–71, 12 jun. 2016. DOI 10.14393/Hygeia1230347.
SARAIVA, Flaviany Marques Ferraz; BESSA, Sônia; MODESTO, João Gabriel. Racismo e
baixa escolaridade: relação com os óbitos da pandemia de Covid-19. SER Social, [S. l.], v.
25, n. 53, 2023. DOI: 10.26512/ser_social.v25i53.42936.
SHAO, Qi; XU, Yongming; WU, Hanyi. Spatial Prediction of COVID-19 in China Based on
Machine Learning Algorithms and Geographically Weighted Regression. Computational
and Mathematical Methods in Medicine, v. 2021, p. 1–13, 13 out. 2021. DOI
10.1155/2021/7196492.
SILVA, Delmira Santos Da Conceição; SANTOS, Marília Barbosa Dos; SOARES, Maria
José Nascimento. Impactos causados pela COVID-19: um estudo preliminar. Revista
Brasileira de Educação Ambiental (RevBEA), v. 15, n. 4, p. 128–147, 30 jul. 2020. DOI
10.34024/revbea.2020.v15.10722.
SILVA, Liliane Pereira Da; SILVA, Gilcileide Rodrigues Da. A Geografia da Saúde::
fundamentos, conceitos e discussões na perspectiva da Covid-19. Geoconexões online, v. 1,
p. 200–216, 30 jan. 2022. DOI 10.53528/geoconexes.v1i1.81.
SILVA, Michele Lins Aracaty e; LUCAS, Mauro Mauricio Barbosa ; PINTO, Leonardo
Marcelo Dos Reis Braule . VULNERABILIDADES SOCIOECONÔMICAS DO ESTADO
DO AMAZONAS AGRAVADAS PELA 2a ONDA DA PANDEMIA DE COVID-19.
Informe GEPEC, v. 26, n. 1, p. 127–145, 7 fev. 2022. DOI 10.48075/igepec.v26i1.28822.
TAVARES, Darlene Mara Dos Santos; OLIVEIRA, Nayara Gomes Nunes; DINIZ-
REZENDE, Marina Aleixo; BITENCOURT, Graziele Ribeiro; SILVA, Marcos Barragan Da;
BOLINA, Alisson Fernandes. Scientific knowledge about infections by the new coronavirus
in older adults: a scoping review. Revista Brasileira de Enfermagem, v. 74, n. suppl 1, p.
e20200938, 2021. DOI 10.1590/0034-7167-2020-0938.
TAVARES, Darlene Mara Dos Santos; OLIVEIRA, Nayara Gomes Nunes; MARCHIORI,
Gianna Fiori; GUIMARÃES, Mariana Silva Freitas; SANTANA, Lenniara Pereira Mendes.
Elderly individuals living by themselves: knowledge and measures to prevent the novel
coronavirus. Revista Latino-Americana de Enfermagem, v. 28, p. e3383, 2020. DOI
10.1590/1518-8345.4675.3383.
78
UFMG. Festas de fim de ano podem aumentar casos de covid-19. Belo Horizonte: Minas
Gerais, 2020. Disponível em: https://www.medicina.ufmg.br/festas-de-fim-de-ano-podem-
aumentar-casos-de-covid-19/>. Acesso em: 17 jun. 2022.
UJVARI, Stefan Cunha. A história e suas epidemias: a convivência do homem com os
microrganismos. Revista do Instituto de Medicina Tropical de São Paulo, v. 45, n. 4, p.
212–212, ago. 2003. DOI 10.1590/S0036-46652003000400017.
URBAN, Rodrigo Custodio; NAKADA, Liane Yuri Kondo. COVID-19 pandemic: Solid
waste and environmental impacts in Brazil. Science of The Total Environment, v. 755, p.
142471, fev. 2021. DOI 10.1016/j.scitotenv.2020.142471.
VALEV, Dimitar. Relationships of total COVID-19 cases and deaths with ten
demographic, economic and social indicators. preprint. [S. l.]: Epidemiology, 8 set. 2020.
DOI 10.1101/2020.09.05.20188953.
VIANA, Ana Luiza d’Ávila; FERREIRA, Maria Paula; CUTRIM, Maria Alice; FUSARO,
Edgar Rodrigues; SOUZA, Miriam Regina De; MOURÃO, Laís; PEREIRA, Ana Paula
Chancharulo De Moraes; MOTA, Paulo Henrique Dos Santos; IOZZI, Fabíola Lana;
UCHIMURA, Liza Yurie Teruya. The Regionalization Process in Brazil: influence on Policy,
Structure and Organization dimensions. Revista Brasileira de Saúde Materno Infantil, v.
17, n. suppl 1, p. S27–S43, 2017. DOI 10.1590/1806-9304201700s100003.
VICERRA, Paolo Miguel Manalang. Disparity between knowledge and practice regarding
COVID-19 in Thailand: A cross-sectional study of older adults. PLOS ONE, v. 16, n. 10, p.
e0259154, 26 out. 2021. DOI 10.1371/journal.pone.0259154.
WENHAM, Clare; SMITH, Julia; MORGAN, Rosemary. COVID-19: the gendered impacts
of the outbreak. The Lancet, v. 395, n. 10227, p. 846–848, mar. 2020. DOI 10.1016/S0140-
6736(20)30526-2.
World Health Organization 2020 data.who.int, WHO Coronavirus (COVID-19) dashboard >
About [Dashboard]. https://data.who.int/dashboards/covid19/about.
YEŞILKANAT, Cafer Mert. Spatio-temporal estimation of the daily cases of COVID-19 in
worldwide using random forest machine learning algorithm. Chaos, Solitons & Fractals, v.
140, p. 110210, nov. 2020. DOI 10.1016/j.chaos.2020.110210.
Anexo A
Índice de Moran Global para agrupamento de incidência de casos confirmados por 100 mil habitantes causados
pela COVID-19.
80
Anexo B
Índice de Moran Global Agrupamento de mortalidade por 100 mil habitantes causados pela COVID-19.
81
82
83
84
85
86
87
88
89
90
91
92