UNIVERSIDADE ESTADUAL DE MONTES CLAROS – UNIMONTES

PROGRAMA DE PÓS-GRADUAÇÃO EM GEOGRAFIA - PPGEO

CAROLINA CABRAL DAS CHAGAS REIS

ANÁLISE SOCIOESPACIAL DA COVID-19 NO ESTADO DE MINAS

GERAIS: UMA ABORDAGEM POR GEOTECNOLOGIAS

Montes Claros - MG
Fevereiro/2024
 CAROLINA CABRAL DAS CHAGAS REIS

ANÁLISE SOCIOESPACIAL DA COVID-19 NO ESTADO DE MINAS

GERAIS: UMA ABORDAGEM POR GEOTECNOLOGIAS

Dissertação de mestrado apresentada ao

Programa de Pós-Graduação em Geografia, da
Universidade Estadualde Montes Claros, como
parte dos requisitos para aobtenção do título de
Mestre em Geografia.

Área de Concentração: Dinâmica

e Análise espacial.

Linha de Pesquisa: Território,

Cultura e MeioAmbiente.

Orientador: Prof. Dr. Marcos Esdras Leite.

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.

Orientador: Prof. Dr. Marcos Esdras Leite.

1. COVID-19, Pandemia de, 2020-. - Análise geoespacial - Minas Gerais. 2.

COVID-19, Pandemia de, 2020-. - Aspectos socioeconômicos. 3. Sistemas de
Informação Geográfica. I. Leite, Marcos Esdras. II. Universidade Estadual de Montes
Claros. III. Título. IV. Título: uma abordagem por geotecnologias.

Catalogação: Biblioteca Central Professor Antônio Jorge

 AGRADECIMENTOS

À Universidade Estadual de Montes Claros, instituição pública e gratuita, que me deu

as bases materiais para minha construção como futura mestre em Geografia e como pessoa, por
meio de excelentes profissionais, estrutura e apoio financeiro.
Á Fundação de Amparo à Pesquisa do Estado de Minas Gerais – FAPEMIG, pelo
apoio financeiro.
Agradeço ao meu orientador, Prof. Dr. Marcos Esdras Leite, pela sabedoria com que
me guiou nesta trajetória.
Ao meu avô Ivo das Chagas, pelo total apoio e incentivo, e histórias contadas sobre
seu amor à Geografia.
A minha família, minha mãe Ivana Cabral e meus irmãos.
Ao meu namorado, Lucas Augusto, pelo total apoio e incentivo para meu retorno a
trajetória acadêmica.
Enfim, a todos os que por algum motivo contribuíram para a realização desta pesquisa
e etapa profissional da minha vida.
 RESUMO

A COVID-19, identificada na América do Sul inicialmente em São Paulo em fevereiro de 2020,

espalhou-se rapidamente pelo Brasil, impactando de maneira desigual a população,
principalmente as populações mais vulneráveis. Minas Gerais, em particular, destacou-se como
o segundo estado em número de casos e o terceiro em óbitos, revelando uma heterogeneidade
socioespacial significativa. Nesse contexto, o objetivo deste trabalho foi analisar os padrões
socioespaciais da distribuição da COVID-19. A estrutura metodológica incluiu: i) coleta de
dados sobre COVID-19 (casos e óbitos por município) e organização em planilhas ii) análise
de agrupamentos geoespaciais via software Geoda iii) obtenção de variáveis socioeconômicas
para elaboração da modelagem por algoritmo de aprendizagem de máquina (Random Forest)
no intuito de explicar o perfil socioespacial da COVID-19 em Minas Gerais. Durante o período
analisado (março de 2020 a julho de 2023), Minas Gerais registrou mais de 4,2 milhões de casos
e cerca de 65.740 óbitos, com uma taxa de letalidade de 1,56%. Todos os municípios reportaram
casos, e apenas seis não registraram óbitos. A partir do Índice de Moran (Casos = 0,424820,
Óbitos = 0,399077) foram observados dois padrões de agrupamentos contrastantes para o estado
mineiro, no sentido norte/sul. Na faixa norte do estado, foram identificados agrupamentos
baixo-baixo, isto é, nesse grupo de municípios concentram os baixos números de casos e
mortes. Diferentemente, as regiões Intermediárias de Uberlândia e Uberaba, mostraram padrões
de agrupamentos alto-alto, indicando grupos de municípios com altas taxas de incidência e
mortalidade em Minas Gerais. O Random Forest foi treinado com 16 variáveis
socioeconômicas para explicar os casos e óbitos. O modelo mostrou que 84% dos casos
confirmados, foram explicados pelas variáveis população de 65 anos ou mais, população total,
disponibilidade de leitos, IDHM e respiradores. Enquanto, 92% dos óbitos foram explicados
pela população total e população de 65 anos ou mais. Nesse contexto, constatou-se que a
distribuição dos casos e mortes por COVID-19 em Minas Gerais está associada a fatores
demográficos e socioeconômicos. Os resultados encontrados nessa dissertação são úteis para
políticas públicas e medidas de prevenção, com potencial para serem aplicados em análises
mais detalhadas a nível municipal e por bairros, facilitando a compreensão e controle da
COVID-19 e de outras doenças.

Palavras-chave: Análise Geoespacial, COVID-19, Aprendizagem de Máquina, Minas Gerais.

 ABSTRACT

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

Figura 1 - Mapa de localização do Estado de Minas Gerais ................................................... 31

Figura 2 – Fluxograma da Metodologia .................................................................................. 32
Figura 3 – Distribuição mensal de Casos Confirmados de COVID-19 em Minas Gerais...... 41
Figura 4 – Óbitos por COVID-19 mensais em Minas Gerais..................................................42
Figura 5 - Incidência de Casos Confirmados por 100 mil habitantes de Minas Gerais e Brasil.
.................................................................................................................................................. 44
Figura 6 - Incidência de óbitos por 100 mil habitantes de Minas Gerais e Brasil ................... 44
Figura 7 - Distribuição espacial dos casos confirmados de COVID-19 em Minas Gerais......46
Figura 8 - Distribuição espacial dos óbitos por COVID-19 em Minas Gerais. ....................... 48
Figura 9 – Agrupamento de incidência de casos confirmados por 100 mil habitantes
causadas pela COVID-19 ......................................................................................................... 52
Figura 10 – Agrupamento de mortalidade por 100 mil habitantes causados pela COVID-19....
.................................................................................................................................................. 53
Figura 11 – Espacialização das cinco variáveis mais explicativas indicadas pelo modelo RF...
.................................................................................................................................................. 55
Figura 12: Correlação entre as variáveis mais explicativas para Casos Confirmados por
COVID-19. ............................................................................................................................... 56
Figura 13: Correlação entre as variáveis mais explicativas para óbitos por COVID-19......... 60
 SUMÁRIO

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

Doença causada pelo vírus SARS-CoV-2, o Coronavírus (COVID-19), teve seus

primeiros relatos identificados em Wuhan, cidade da Província Chinesa de Hubei em dezembro
de 2019 (WHO, 2020). Se tornou pandemia, em 11 de março de 2020, reconhecida pela
Organização Mundial da Saúde (OMS), alertando para a necessidade de medidas urgentes e
coordenadas em escala internacional, devido a sua rápida disseminação e contaminação
mundial (WHO, 2020). O vírus, pertencente à família dos coronavírus, se disseminou
rapidamente, atingindo proporções globais e desencadeando uma crise de saúde pública
mundial (Moura et al, 2020). Desde então o mundo enfrentou desafios para conter a
disseminação do vírus (Netto; Correa, 2020). 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).
Esses desafios começaram com as recomendações de auto isolamento e medidas de
proteção sanitária e a corrida de todos os países para aquisição de equipamentos e proteção
hospitalar. O auto isolamento e fechamento das principais atividades econômicas impactaram
de várias maneiras a vida da sociedade e consequentemente, a economia mundial (Silva; Santos;
Soares, 2020).
Durante o curso da pandemia, o mundo testemunhou uma corrida científica para
desenvolver vacinas eficazes contra o novo coronavírus (Silva; Silva, 2022). Vários países
lançaram campanhas de vacinação em massa para conter a propagação do vírus e mitigar os
impactos devastadores na saúde pública e na economia mundial (Lima; Almeida; Kfouri, 2021).
Entretanto, surgiram desafios relacionados à distribuição equitativa das vacinas, desigualdades
no acesso e resistência em algumas comunidades, refletindo a complexidade do enfrentamento
global da pandemia (Ribeiro; Aguiar, 2023).

No Brasil, o cenário da COVID-19 foi marcado por oscilações na resposta

governamental, debates políticos e desafios na implementação de medidas de contenção. A
escassez de recursos médicos, o aumento do número de casos e óbitos, bem como a
variabilidade nas estratégias adotadas pelos diferentes estados, contribuíram para a
complexidade da situação (Carvalho et al, 2021). A vacinação em território brasileiro enfrentou
obstáculos logísticos, mas, esforços foram feitos pelos Governos Estaduais e Municipais para
acelerar o processo e ampliar a cobertura vacinal (Ribeiro; Aguiar, 2023).
 9

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

Minas Gerais é um estado altamente heterogêneo do ponto de vista socioespacial, tal

heterogeneidade, assim como apontado em diversos estudos pelo globo terrestre, é uma das
principais condicionantes para disseminação e incidência da COVID-19 (Urban; Nakada,
2020), o que coloca Minas Gerais como objeto crucial para análises espaciais. Embora existam
alguns estudos para Minas Gerais focando no contexto pandêmico, e ressaltando a importância
de cada um, o entendimento da dinâmica socioespacial da COVID-19 ainda não é conhecido
para o estado. Portanto, a presente proposta de pesquisa buscou preencher essa lacuna existente.
Para compreender a rápida disseminação da COVID-19 e de outras doenças, as
geotecnologias, principalmente o uso de técnicas avançadas de aprendizagem de máquina,
desempenharam papel crucial na espacialização da doença no mundo (Syeda et al, 2021).
Diversos estudos utilizaram essas técnicas para a espacialização dos casos e óbitos da COVID-
19, para analisar e observar padrões geográficos associados à propagação do vírus (Syeda et al,
2021). A utilização de Sistemas de Informação Geográfica (SIG) e algoritmos de aprendizado
de máquina permite a identificação de clusters de casos e óbitos e, a avaliação da distribuição
espacial da doença e a previsão de áreas de maior risco (Punn; Sonbhadra; Agarwal, 2021). A
capacidade da aprendizagem de máquina de processar grandes conjuntos de dados em tempo
real proporciona a análise dinâmica das tendências epidemiológicas, para auxiliar na alocação
eficiente de recursos e na implementação de estratégias de intervenção, promovendo respostas
eficazes e adaptável às necessidades específicas de diferentes regiões ou país (Singh; Singh,
2023). Assim, as geotecnologias e a aprendizagem de máquina desempenharam um papel
fundamental na gestão da pandemia, destacando-se como ferramentas importantes para a
análise espacial e aprimoramento das estratégias de combate à COVID-19.

Dessa forma, este trabalho tem como problemática: Qual o comportamento

socioespacial e temporal da COVID-19 no estado de Minas Gerais? Para responder esse
problema, este estudo tem por objetivo analisar os padrões socioespaciais da distribuição da
COVID-19 no estado de Minas Gerais por meio de Sistema de Informação Geográfica (SIG).
Tem-se como objetivos específicos: identificar os padrões de distribuição espacial-temporal
(nos anos 2020, 2021, 2022 e 2023) da COVID-19 no estado de Minas Gerais; relacionar os
padrões de distribuição da COVID-19 com variáveis socioeconômicas no estado de Minas
Gerais e; inventariar as variáveis socioeconômicas mais explicativas do comportamento da
COVID-19 no estado de Minas Gerais.
Com relação à estrutura da dissertação, o primeiro capítulo busca fundamentar
teoricamente o presente trabalho, sendo intitulado, referencial teórico. Este capítulo será
 11

dividido: Epidemiologia, Geografia Médica e Geografia da Saúde, Pandemia COVID-19 no

mundo, Brasil e Minas Gerais, Geotecnologias aplicadas à Epidemiologia e a Relação entre a
COVID-19 e aspectos socioeconômicos. No segundo capítulo, denominado Materiais e
Métodos será caracterizada a área de estudo. Esse capítulo, também, apresenta os caminhos
metodológicos para identificar os padrões de distribuição espacial da COVID-19 no estado de
Minas Gerais. Nos Resultados e Discussão serão apresentados os padrões socioespaciais da
distribuição da COVID-19 no estado de Minas Gerais, a relação entre os padrões de distribuição
da COVID-19 com variáveis socioeconômicas, e a relação das variáveis socioeconômicas mais
explicativas do comportamento da COVID-19 no estado de Minas Gerais. E, por fim,
apresentam-se as Considerações finais, as Referências e os Anexos.
 12

1. REFERENCIAL TEÓRICO

A Epidemiologia e a Geografia da Saúde desempenham papéis fundamentais na

compreensão e no combate à disseminação da COVID-19. A rápida propagação do vírus exigiu
o uso intensivo de ferramentas como o Sistema de Informação Geográfica (SIG) para a
espacialização e o monitoramento da doença, permitindo uma visualização mais clara de como
a COVID-19 se espalha geograficamente, identificando áreas de maior risco e auxiliando na
tomada de decisões estratégicas. O mapeamento é crucial, pois a COVID-19 não afeta todas as
regiões e populações igualmente, a disseminação do vírus tem impacto desproporcional em
áreas com menores recursos socioeconômicos, evidenciando assim as disparidades
socioeconômicas existentes, como o acesso à saúde, condições de moradia e capacidade de
manter o distanciamento social.

1.1 Epidemiologia, Geografia Médica e Geografia da Saúde

A Geografia da Saúde engloba temas da Geografia Física, como Climatologia, e temas

da Geografia Humana, sobretudo Demografia e Desigualdade Social. O objetivo geral da
Geografia da Saúde é proporcionar conhecimentos que sirvam para compreender as relações
que se estabelecem entre as condicionantes da saúde, os resultados efetivos das políticas
públicas e da organização dos serviços de saúde das populações e suas consequências no
desenvolvimento do espaço.
O estudo da Geografia Médica ou Geografia da Saúde apresentou-se com diferentes
perspectivas ao longo da história e evolução da ciência e da Geografia, em concordância com
diferentes abordagens e métodos de análise adotados, para o entendimento e interpretação do
processo saúde – doença e sua relação com o espaço geográfico. Os trabalhos envolvendo a
Geografia Médica ou Geografia da Saúde tiveram forte ligação com a revolução científica ao
longo da modernidade, se estabelecendo aos poucos com os avanços técnico-científicos e
epistemológicos. Todavia, há evidências, desde a pré-história, de estudos sobre associações das
relações entre o homem, ambiente e a saúde. Os homens pré-históricos já se preocupavam com
distribuição espacial das doenças, bem como a localização das matérias-primas dos remédios
de procedência natural (Fiorini; Manso, 2021).
Na antiguidade (aproximadamente 480 a.C.), Hipócrates (pai da Medicina) produziu sua
famosa obra “Dos ares, das águas e dos lugares”. Esta obra já demonstrava a preocupação do
homem com os fatores ambientais, e a influência dos fatores ambientais no surgimento das
doenças (Santos, 2020). Hipócrates, por meio de suas obras influenciou o desenvolvimento da
 13

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

entre os geógrafos. Em específico no Brasil, poucos geógrafos estavam empenhados em estudos

sobre Geografia Médica. Portanto, antes da integração massiva de geógrafos nessa linha, os
estudos eram desenvolvidos por médicos, com predomínio de trabalhos descritivos de
distribuição de doenças infecciosas. Um importante momento para a Geografia Médica é o
movimento Higienista ou Sanitarista (organizados com interesses políticos), que teve como
precursores os médicos Oswaldo Cruz, Emílio Ribas e Vital Brazil que trabalharam juntos no
combate a peste bubônica, tifo, varíola e a febre amarela (Góis, 2008). Carlos Chagas, iniciou
sua carreira no combate à malária e destacou-se ao descobrir a doença de Chagas, também
trabalhou no combate à leptospirose e às doenças venéreas. Desse modo, do fim do século XIX
e início do século XX, Emilio Ribas juntamente com Oswaldo Cruz, Adolfo Lutz, Vital Brasil
e Carlos Chagas, lutaram para livrar a cidade e os campos das epidemias e endemias que
devastava o país (Mendonça; Mattozo de Araújo; Kich Fogaça, 2015).
Desde então, os interesses políticos brasileiros, acentuaram a difusão da Geografia
Médica no território. Nesse contexto, destaca-se que na década de 1950, a partir de políticas
públicas para a interiorização e integração do território brasileiro, os estudos de Geografia
Médica sobre as doenças tropicais presentes no Centro-Oeste e Amazônia foram intensificados.
Essas pesquisas atendiam ao interesse do Governo Federal que implementavam projetos de
produção de energia, agropecuária e de mineração no interior do país. No entanto, não possuíam
maior reflexão sobre os problemas relacionados à saúde, voltada para a compreensão dos fatores
culturais e socioeconômicos (Abreu, 2013).
Ainda sobre esse interesse político pela interiorização do território brasileiro, foi criado
o Serviço Especial de Saúde Pública (SESP), ligado à produção de borracha na Amazônia
(Renovato; Bagnato, 2008). O SESP passou a atuar principalmente nessa região, combatendo a
malária e a febre amarela, doenças causadas pela exploração de borracha nos seringais. O
objetivo era montar postos de atendimento à saúde. As atividades do SESP sofreram uma
expansão nos anos 1950, passando a abranger assistência médica, educação sanitária,
saneamento, combate à malária, controle de doenças transmissíveis e desenvolvimento de
pesquisas de medicina tropical, em convênio com o Instituto Evandro Chagas. Em 1960, esse
serviço se transformou em fundação, vinculada ao Ministério da Saúde, expandindo sua atuação
a todas as Unidades da Federação e no plano municipal, por meio de contratos de construção
de sistemas de abastecimento de água e tratamento de esgotos (Lima; Pinto, 2003).
Esse contexto político no Brasil, teve reflexo da Geografia Teorética-Quantitativa que
se difundia durante as décadas de 1960 e 1970. Corrente do pensamento Geográfico que
estabelecia uma vinculação mais estreita com as representações cartográficas, devido ao seu
 17

enfoque estatístico, sistêmico-modelista, no qual as bases cartográficas eram imprescindíveis

(Sposito, 2004). Com as inovações tecnológicas e o uso do computador, novas possibilidades
surgiram para os métodos de pesquisa, como o SIG (Sistemas de Informações Geográficas) que
passam a ser utilizados, possibilitando à cartografia maior habilidade, precisão e rapidez no
processamento e armazenamento dos dados, assim como a visualização da informação.
Portanto, o eixo principal dessa corrente de pensamento era buscar uma renovação
metodológica, com base em novas técnicas e novas linguagens para subsidiar as novas tarefas
impostas pelo planejamento (Andrade, 2008). Sob influência dessa corrente de pensamento os
temas de interesse da Geografia Médica foram sendo mais diversificados e, ao mesmo tempo,
observou-se uma diminuição também progressiva do peso dos estudos empíricos relacionados
a doenças infecciosas (Bousquat; Cohn, 2004).
Entretanto, com a interferência da corrente neopositivista, a Geografia da Médica
buscou analisar o padrão do modo de disseminação das doenças no tempo e espaço, ganhando
enorme força na década de 1980, com os avanços da Informática e as novas ferramentas de
software e de estatística, o mapeamento digital, Sistema de Informação Geográfica (SIG). Essas
técnicas de análise espacial e SIG contribuíram imensamente para o avanço no campo da
Geografia Médica e da Epidemiologia, todavia exigiu dos estudiosos da época, um treinamento
em disciplinas como Matemática e Estatística (Mendoza et al, 1982).
Na década de 1970 criou-se a Escola Nacional de Geografia Médica, ainda que
atendesse aos interesses da ditadura militar, recebeu importante contribuição da Geografia
Crítica, principalmente de Milton Santos (Junqueira, 2009). Foi por meio da abordagem
marxista e da análise social do espaço que Santos contribuiu para a Geografia da Saúde,
relacionando aos processos de saúde-doença os fatores socioeconômicos, as condições de
trabalho, a idade, os recursos aplicados na melhoria da saúde pública, seu planejamento e
qualidade de vida, além dos fatores biológicos e climáticos (Faria; Bortolozzi, 2009).
Nesse mesmo período, a influência de Milton Santos nas pesquisas em saúde pública
brasileira pode ser notada pela fragilidade da ciência epidemiológica no entendimento do
processo saúde-doença no contexto espacial e das profundas mudanças sociais do período.
Mudanças no processo de urbanização das cidades brasileiras e a disseminação de doenças em
consequência dessa urbanização e os impactos ambientais e sua relação com a saúde. Essas
questões passaram a ser amplamente debatidas, a partir de 1970, pelo movimento de renovação
crítica dentro da Epidemiologia (Faria; Bortolozzi, 2009).
Na Geografia Crítica, o espaço deixa de ser meramente físico e passa a ser uma categoria
de relações sociais. A concepção de espaço tratada nas obras de Milton Santos foi importante,
 18

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

políticas, comparações entre os sistemas internacionais dos serviços de saúde, acessibilidade e

aplicação destes (Santana, 2014). A partir dos anos 2000, há um aumento nas publicações sobre
Geografia da Saúde, principalmente com a criação da Revista Hygeia – Revista Brasileira de
Geografia Médica e da Saúde, em 2005. Muitos estudos na Geografia da Saúde têm se dedicado
em entender a dinâmica socioespacial das doenças, como Lima et al. (2008), Guimarães et al.
(2005a, 2005b, 2009, 2010, 2013, 2016, 2018, 2020a, 2020b), Pickenhayn et al. (2007 e 2009),
Magalhães et al. (2009, 2011, 2012, 2015, 2019, 2020a, 2020b) entre outros.

1.2 Pandemia COVID-19 no mundo, Brasil e Minas Gerais

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

Dessa forma, estudos apontam que a pandemia de COVID-19 revela a desigualdade

socioespacial existente no Brasil. Albuquerque e Ribeiro (2020) apontam que a COVID-19
embora seja um fenômeno global, onde as populações possuem probabilidades iguais de serem
infectadas, que a disseminação do vírus ocorre no contexto local, com consequências variadas
entre populações socialmente diferentes, afetando principalmente as populações mais
vulneráveis socialmente. 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.

1.3 Geotecnologias aplicadas à Epidemiologia

A dificuldade da atualização e cruzamento de informações pelos diversos setores da

sociedade acelerou a necessidade de uma tecnologia nova e integradora. Assim, o
Geoprocessamento surgiu com suas inúmeras aplicações permitindo o avanço dos projetos
interdisciplinares (Andrade; Santana; Sacramento, 2014). O Geoprocessamento pode ser
definido como o conjunto de tecnologias para coleta, processamento, análise e disponibilização
de informação com referência geográfica. Essas geotecnologias são compostas por soluções em
equipamentos (hardware), programas (software) e equipes (peopleware) e base de dados que
juntos se constituem em poderosas ferramentas para tomada de decisão (Barcellos, 2002).
A principal característica de um SIG é evidenciar o relacionamento de determinado
fenômeno da realidade com sua localização espacial, tornando-se um poderoso instrumento
para o planejamento, monitoramento e avaliação dos programas de saúde (Magalhães, 2006).
Com o SIG é possível estabelecer correlações espaço-temporais relevantes entre variáveis de
diferentes origens e diversas escalas de medição, por meio da integração dos registros em uma
única base de dados (Zaidan, 2017).
A utilização de informações geográficas no estudo de doenças teve seu pioneiro no
médico John Snow. Snow estabeleceu a correlação entre a incidência da cólera e o fornecimento
de água. A medida principal de Snow foi o alerta para a retirada da alavanca da bomba d'água,
e, meses depois, observou-se uma notável diminuição nos casos da doença (Johnson, 2008).

Há uma interação recíproca entre o SIG e a Geografia da Saúde. A literatura sobre o

tema tem se concentrado em apontar a aplicação desses sistemas como ferramentas analíticas e
de visualização para examinar os aspectos geográficos da doença e dos serviços de saúde,
 23

enfatizando os progressos da aplicação do SIG na área da geografia da saúde. A aplicação do

SIG na Saúde também pode ter implicações significativas para a continuação do
desenvolvimento das abordagens geoespaciais. A abordagem espacial permite a integração de
dados demográficos, socioeconômicos e ambientais, promovendo o inter-relacionamento de
informações advindas de diversos bancos de dados. A utilização de Sistemas de Informação
Geográfica (SIG), permite análises complexas, com rápida formação e alternação de cenários.
Isso facilita a tomada de decisões e contribui para uma melhor compreensão dos problemas
atuais de saúde (Magalhães et al., 2006).
As aplicações do SIG na área da saúde se destacam principalmente na análise da
distribuição espacial de agravos e possibilita determinar padrões da situação de saúde de uma
área, evidenciar disparidades espaciais que levam à delimitação de áreas de risco para
mortalidade ou incidência de doenças. É possível mapear indicadores básicos de saúde,
mortalidade, doenças e analisar acidentes relacionados ao trabalho. Por meio da análise da
difusão geográfica e exposição a agentes específicos pode-se gerar e analisar hipóteses de
investigação. Também é possível planejar e programar atividades de prevenção e controle de
doenças, monitorar e avaliar intervenções direcionadas. Cada vez mais o SIG e tecnologias
relacionadas com o sensoriamento remoto estão sendo utilizados para analisar as relações entre
os fatores patológicos (agentes, vetores, hospedeiros e pessoas) e seus ambientes geográficos,
identificando e tipificando os problemas e as necessidades em saúde (Canelas; Ribeiro; Castillo-
Salgado, 2018). A redução nos custos e a maior acessibilidade à informática são fatores
contributivos para a disseminação do uso dessas tecnologias pelos epidemiologistas e
Geógrafos da Saúde (Nardi et al., 2013).
A aplicação da estatística em estudos sobre Saúde, tornou-se de fundamental
importância na interpretação de grande quantidade de dados. A estatística compreende a área
do conhecimento que se encarrega da coleção ou da reunião de dados. As informações têm por
objetivo conhecer algum aspecto relacionado a esses grupos e, desta forma, servir de base para
a escolha dos procedimentos mais adequados para resolvê-lo. Já geoestatística fornece um
conjunto de ferramentas para entender a aparente aleatoriedade dos dados, mas com possível
estruturação espacial, estabelecendo, uma função de correlação espacial e possibilitando a
interpretação da distribuição estatística desses dados. Tem objetivo de caracterizar a dispersão
espacial e espaço-temporal das grandezas que definem a quantidade e qualidade de fenômenos
espaciais em que os atributos manifestam uma certa estrutura no espaço e/ou tempo (Landim,
2015).
 24

Nessa ótica, os estudos na área de Geografia da Saúde utilizam-se da análise espacial

associada a métodos estatísticos para investigar a ocorrência de correlações espaciais entre as
unidades de análise, buscando identificar variáveis explicativas, como possíveis fatores de
risco, com o objetivo de compreender fenômenos relacionados à dinâmica da distribuição de
doenças. Estudos dessa natureza têm sido realizados com ampla aplicação na distribuição
geográfica de doenças tropicais, como a Malária, a doença de Chagas, a leishmaniose, a dengue
entre outras como Pickenhayn et al. (2007 e 2008), Magalhães et al. (2009, 2011, 2015, 2019,
2020a, 2020b), Leite et al. (2008, 2010, 2011) entre outros. Essas doenças continuam sendo
algumas das principais causas de morbidade e mortalidade em todo o mundo, principalmente
na América Latina e continente africano (Tapia-Conyer; Betancourt-Cravioto; Méndez-Galván,
2012).
Dentre as aplicações, diversos estudos têm usado técnicas de geoprocessamento e
geoestatística para o mapeamento de padrões de doenças, a exemplo, a dengue. Em geral, esses
estudos observaram que a dengue possui certa complexidade quanto aos seus padrões
comportamentais, contudo, aspectos climáticos sazonais são os principais fatores que explicam
a distribuição da dengue em diversas regiões do Brasil (Carvalho; Magalhães; Medronho,
2017). Ainda, estudiosos tem se esforçado para entender o comportamento espacial da malária
no Brasil. Esses estudiosos vêm observando que a malária tem forte relação com as taxas de
desmatamento, isto é, quanto maior a intensificação da remoção de cobertura vegetal, maiores
são os níveis de incidência de malária (Lima; Guimarães, 2008). Isso reforça a relação entre os
aspectos ambientais e socioeconômicos com doenças no Brasil. Nesse contexto, diversos
estudos têm associado a disseminação de leishmaniose em função dos níveis de vegetação, uma
vez que áreas urbanas mais vegetadas possuem maior receptividade para a infecção canina
(Andrade; Santana; Sacramento, 2014). Portanto, o uso de índices de vegetação formulados por
faixas espectrais tem sido fundamentais para essa análise. Ainda nessa linha, para o
monitoramento de doença de chagas, muitos autores têm usado e recomendado dados
cartográficos sobre desmatamento e índices espectrais, pois chegaram à conclusão que essa
doença tende a se intensificar diante de cenários de desmatamento, uma vez que a remoção de
vegetação conduz à perturbação dos habitats dos animais, tal como dos vetores da doença de
chagas (o triatomíneo - Hemiptera, Reduviidae - também conhecido como barbeiro)
(Pichenhayn, et al., 2008).
Com a pandemia de coronavírus (SARS-CoV-2), causador da COVID-19, mundo e
Brasil vivenciaram uma emergência em saúde pública. Situação que gerou grandes
preocupações em várias nações do mundo, além de impactos socioeconômicos de importantes
 25

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

1.4 Relação entre a COVID-19 e aspectos socioeconômicos

A pandemia de COVID-19 atingiu de forma heterogênea a população, especialmente no

Brasil, país marcado por altos níveis de desigualdade social (Guimarães, Eleuterio, Silva, 2020).
Listado entre as dez nações mais desiguais do mundo, o Brasil demonstrou a conexão entre
indicadores socioeconômicos e a propagação da COVID-19 ao longo da pandemia. Nesse
contexto, os grupos mais vulneráveis demonstraram serem os mais afetados, caracterizados por
menor nível de educação, restrição ao acesso a serviços de saúde e renda reduzida (Mascarello,
et al., 2021).
À medida que a pandemia evoluiu no Brasil, observou-se uma disseminação discrepante
da COVID-19 entre os estados. O surto teve origem em São Paulo, um estado com condições
socioeconômicas mais favoráveis. Posteriormente, a propagação alcançou regiões mais
vulneráveis. Vale destacar que os estados com disparidades acentuadas na distribuição de renda
experimentaram uma transmissão mais ampla do vírus SARS-CoV-2 (Figueiredo, et al., 2020).
No contexto brasileiro, um estudo abrangendo as regiões norte e centro-sul revelou que
os indivíduos que enfrentaram a COVID-19 e alcançaram um desfecho favorável eram
predominantemente jovens, de etnia branca e mulheres (Baqui, et. al, 2020). Em contrapartida,
a maioria dos óbitos ocorreu entre pessoas mais idosas, de etnias negra e parda e com
comorbidades (Baqui, et. al, 2020). Por outro lado, os grupos indígenas e afrodescendentes
manifestaram maior vulnerabilidade às formas mais graves da doença. Em grande parte, devido
às limitações na qualidade e no acesso aos serviços de saúde (Figueiredo, et al., 2020). Assim,
esses povos eram sujeitos a maiores riscos de complicações e morte pela COVID-19, bem como
as populações ribeirinhas, quilombolas e as pessoas em situação de rua (Baqui, et. al, 2020).
Os fatores socioeconômicos podem estar correlacionados com a incidência da COVID-
19, uma vez que a natureza da ocupação de um indivíduo pode expô-lo a riscos devido ao
contato humano envolvido. A renda limitada pode impactar as condições de vida de várias
maneiras, incluindo a residência em bairros menos favorecidos e condições habitacionais, como
moradias apertadas ou superlotadas. Além disso, é importante notar que níveis mais baixos de
educação estão indiretamente ligados a fatores que podem aumentar o risco de desenvolver
formas graves da doença (Khalatbari-Soltani, et al., 2020).
Dado que pessoas em situação de maior vulnerabilidade social apresentam maior
propensão a desenvolver doenças crônicas, essa condição as coloca em um risco ampliado de
mortalidade ligada à COVID-19. Além disso, esse grupo demográfico tem acesso limitado aos
serviços de saúde e, em tempos de pandemia, essa lacuna é ainda mais evidente, resultando em
 28

dificuldades de comunicação e escassez de informações. Isso é agravado pelo acesso restrito a

canais de comunicação (Ahmed, et al., 2020).
Portanto, torna-se crucial não apenas ponderar sobre os aspectos epidemiológicos, mas
também dar destaque aos indicadores socioeconômicos na propagação e distribuição da
COVID-19. É essencial que esse enfoque seja adotado para a formulação e execução de
estratégias de controle eficazes, permitindo que as políticas públicas na área de saúde orientem
os serviços de saúde com universalidade, equidade e integralidade.
 29

2. MATERIAIS E MÉTODOS

2.1 Caracterização da Área de Estudo

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).

Em virtude da vasta extensão territorial, do elevado número de municípios e do tamanho

da população, Minas Gerais se configura como um espaço de notável diversidade, abrangendo
uma ampla gama de características naturais, socioculturais, econômicas, políticas,
demográficas e territoriais (França; França, 2021). Essa diversidade se reflete na forma como o
estado é administrado, especialmente em áreas críticas como a saúde.

Nesse contexto, Minas Gerais é dividida em 14 macrorregiões e 75 microrregiões de

saúde (Malachias, 2011). A Regionalização da Saúde no Brasil está estruturada com as normas
organizacionais estabelecidos pela Constituição Federal de 1988. Foi definido que é de
responsabilidade do governo estadual elaborar o Plano de Regionalização da saúde para o
respectivo estado, enquanto o governo municipal tem o papel de contribuir nas discussões e na
formulação deste plano (Viana et al., 2017).

O processo de regionalização em Minas Gerais teve a primeira proposta elaborada no

ano de 1999, com vigência programada para 2000-2002. A partir dessa proposta criou-se o
Plano Diretor de Regionalização da Saúde de Minas (PDR/MG, 2019), seu principal objetivo é
promover a equidade e integralidade da atenção à saúde, e atender aos princípios organizativos
preconizados pela Lei nº. 8.080, como a regionalização, a descentralização e a hierarquização
dos serviços ofertados pelo SUS. O PDR/MG foi desenvolvido considerando a dinâmica
populacional e a busca por serviços de saúde, fundamentando-se em economia de escala,
qualidade e acessibilidade (Noronha et al., 2020). O PDR/MG objetiva a distribuição de
recursos de saúde, estabelecendo a atenção primária em todos os municípios, a média
complexidade nas microrregiões e a alta complexidade nas macrorregiões (PDR/MG, 2019).
 31

Figura 1 - Mapa de localização do Estado de Minas Gerais. Fonte: IBGE, 2021. Org.: Pela Autora, 2023.
 32

2.2 Metodologia

A estrutura metodológica incluiu: i) a coleta de dados sobre COVID-19, ii)

processamento e organização em planilhas, iii) análise geoespacial por meio de geoestatística
(Índice de Moran), iv) obtenção de variáveis socioeconômicas e v) elaboração da modelagem
por algoritmos de aprendizagem de máquina para explicar o perfil socioespacial da COVID-19
em Minas Gerais (Figura 2).

Figura 2 – Fluxograma da Metodologia. Fonte: Organizado pela autora, 2023.

2.3 Dados sobre COVID-19 em Minas Gerais

Os dados de COVID-19, isto é, casos e óbitos, foram coletados secundariamente a partir

dos boletins epidemiológicos divulgados pela Secretaria Estadual de Saúde de Minas Gerais.
Foram obtidos dados a nível municipal, englobando os 853 municípios do estado. Inicialmente,
o download dessa base de dados foi feito em planilhas com formato XLS, do excel. Contudo,
 33

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.

2.4 Agrupamentos dos Casos e Óbitos por COVID-19

Para a análise geoespacial, sobretudo para entender os padrões espaciais de

agrupamentos dos casos e óbitos por COVID-19, foi utilizado o software GeoDa 1.20. Esse
software permite a entrada de dados em formato vetorial, com os atributos alfanuméricos dos
dados de COVID-19 e estrutura vetorial da entidade polígono, representando os municípios de
Minas Gerais.
A partir do GeoDa, procurou-se verificar a existência de autocorrelação espacial entre
os dados analisados. Esse software trabalha com a estrutura teórica do Índice de Moran. Esse
índice estabelece a correlação espacial de uma variável, com a média dessa variável no conjunto
de dados (Luzardo; Castañeda Filho; Rubim, 2017). O Moran varia de -1 a 1. Em que -1:
compreende a autocorrelação espacial negativa, isto é, alternância entre valores baixos e altos.
0: não existe autocorrelação. Mais próximo de 1: autocorrelação positiva ou direta, indicando
total concentração entre os valores elevados (Luzardo; Castañeda Filho; Rubim, 2017). Além
dos valores de Moran, em termos de coeficientes estatísticos fornecidos na análise, se tem valor
de p e score de z1. O valor-p indica a probabilidade de um padrão espacial fornecido ser criado
de forma aleatória ou não. Se o valor for abaixo de 0.01, indica que há confiança de 99% que
os agrupamentos não estão relacionados a eventos aleatórios. O score de z indica o número de
desvios padrões em relação à média da variável analisada. Quanto maior for esse valor, menor
a chance/probabilidade de os agrupamentos serem associados a eventos aleatórios (Almeida,
2012).

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.

2.5 Variáveis preditoras

A terceira etapa dessa metodologia, consistiu na obtenção de variáveis socioeconômicas

para a explicação da COVID-19 em Minas Gerais. Conforme recomendações de Urban e
Nakada (2020), foram consideradas as seguintes variáveis: população (habitantes); densidade
populacional (pessoas por quilômetro quadrado); número médio de pessoas por domicílios;
população com 65 anos ou mais; densidade populacional de 65 anos ou mais; número de
assentamentos urbanos informais por distrito; analfabetismo (%); diplomados do ensino
superior (%); renda média mensal (R$ per capita); acesso a água potável (%); acesso a banheiro
 35

(%); 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

2.6 Algoritmo de Aprendizagem de Máquina aplicados na explicação do comportamento

socioespacial da COVID-19

Na etapa final dessa estrutura metodológica foi usado algoritmo de aprendizagem de

máquina com intuito de entender as relações complexas entre COVID-19 e variáveis
socioespaciais em Minas Gerais. Diversos estudos pelo globo terrestre têm adotado essa
abordagem, essencialmente considerando a complexidade do comportamento da COVID-19
(Urban; Nakada, 2020).
Incialmente, foram elaboradas duas matrizes de regressão (X = variáveis explicativas,
Y = variável a ser explicada). A primeira matriz, é composta pelos casos de COVID-19 (Y) e
as variáveis explicativas (X) selecionadas na etapa anterior (tópico 2.5). A segunda matriz de
regressão é composta pelos óbitos por COVID-19 e as variáveis explicativas. Portanto,
considerando a que Minas Gerais possui 853 municípios, as matrizes possuem 853 amostras.
Sequencialmente as amostras foram usadas para treinar e validar o algoritmo de
aprendizagem de máquina. Nesse caso, foi usado o algoritmo Random Forest (RF). Escolhido
por ser usado em diversos estudos direcionados à COVID-19, demonstrando alta capacidade
estatística (Yesilkanat, 2020).
O RF é um algoritmo baseado na lógica de árvore de decisão, sendo robusto para
análises complexas, como é o caso da COVID-19. Ele usa um método chamado Bootstrap, mais
precisamente, ele cria um conjunto de árvores não correlacionadas, de forma randômica (Liaw
et al., 2002). Isso permite a elaboração de um modelo sem superestimativas. Foi utilizada a
função Recursive Feature Elimination – RFE (Eliminação de recursos recursivos) para treinar
o algoritmo. Essa etapa é fundamental para a análise, pois é selecionado o menor número de
variáveis com maior performance para explicação do fenômeno analisado. O índice estatístico
usado para análise da performance foi o coeficiente de determinação (R²). O R² varia de 0 a 1,
quanto mais próximo de 1, indica que as variáveis explicativas inseridas conseguiram explicar
o padrão socioespacial da COVID-19.
O RF fornece um ranking com as variáveis que apresentaram maior potencial para a
explicação dos casos e óbitos. Essa etapa foi fundamental para essa dissertação, uma vez que
finalmente revelará variáveis que explicaram o padrão da COVID-19 em Minas Gerais. Todas
as modelagens desse tópico serão elaboradas no software R.
 38

3 RESULTADOS E DISCUSSÃO

3.1 Considerações sobre a COVID-19 em Minas Gerais

O primeiro caso confirmado de COVID-19 em Minas Gerais, foi comunicado no dia 08

de março de 2020. Paciente do sexo feminino, de 47 anos, residente de Divinópolis, que esteve
em viagem na Itália, retornando à Belo Horizonte em 02 de março (Minas Gerais, 2020). Após
os primeiros casos confirmados de COVID-19, o Governo do Estado de Minas Gerais publicou
o Decreto nº 133 de 12 de março de 2020 com as primeiras medidas de combate a disseminação
do vírus. Determinou-se a realização compulsória de exames médicos, testes laboratoriais,
coleta de amostras clínicas, vacinação, tratamentos médicos específicos, estudo ou investigação
epidemiológica, requisição de bens e serviços de pessoas naturais e jurídicas (Minas Gerais,
2020).
O Governo do Estado de Minas Gerais decretou a dispensada a licitação para aquisição
de bens, serviços e insumos de saúde destinados ao enfrentamento da emergência de saúde
pública, para maior agilidade na aquisição. Foi instalado o Centro de Operações de Emergência
em Saúde – COES-MINAS – COVID-19, coordenado pela Secretaria de Estado de Saúde, com
intuito do monitoramento da emergência em saúde pública declarada (Minas Gerais, 2020).
Em 30 de março de 2020 a Secretaria de Saúde do Estado de Minas Gerais, confirmou
o primeiro óbito causado pela COVID-19 no estado. Paciente do sexo feminino, 82 anos,
residente no município de Belo Horizonte. A paciente foi internada no Hospital Biocor em Nova
Lima em 21 de março de 2020, com quadro de febre, tosse e desconforto respiratório. A paciente
possuía comorbidades, como doença cardiovascular crônica, diabetes mellitus e pneumopatia
crônica. O óbito ocorreu no dia 29 de março de 2020. Nesse momento, Minas Gerais já possuía
261 casos confirmados. Destes, 62% eram de moradores da capital, Belo Horizonte. Casos
suspeitos em investigação eram 29.724 e 23 óbitos encontravam-se sob suspeita de serem
decorrentes da COVID-19, aguardando a realização de exames laboratoriais para confirmação
(Minas Gerais, 2023).
Entre março de 2020 e julho de 2023, foram registrados 4.209.719 casos de Síndrome
Respiratória Aguda Grave - SRAG com classificação final de COVID-19. Dentre esses casos,
65.740 resultaram em óbito, o que equivale a uma taxa de letalidade de 1,56%. A taxa de
incidência da doença foi calculada em 20,5% a cada 100.000 habitantes, evidenciando a ampla
disseminação do vírus na população de Minas Gerais. A taxa de mortalidade atingiu o valor de
320 óbitos a cada 100.000 habitantes, destacando a severidade dos impactos ocasionados pela
doença no estado.
 39

Em relação ao gênero, as mulheres representaram 56% (2.357.443) dos casos e os

homens 44% (1.852.276). Em ambos os sexos, os casos confirmados da doença se concentraram
nas faixas etárias de 30 a 39 anos (23% ou 968.235) e 40 a 49 anos (19% ou 799.846). A faixa
etária de 80 anos ou mais apresentou o menor percentual de casos (3% ou 126.291), seguido
pelo grupo etário de 0 a 9 anos (4% ou 168.388). Essa situação evidencia que a disseminação
da COVID-19 afetou homens e mulheres de formas diferentes. Diante do maior percentual de
casos positivos para a doença verificado entre as mulheres, e do maior percentual de óbitos
entre homens, pode-se inferir que os homens levaram mais tempo para acessar os serviços de
saúde, quando o quadro clínico já estava agravado desenvolvendo desfechos fatais (Duprat;
Melo, 2020).
A concentração dos casos de COVID-19 nos grupos etários de 20 a 49 anos de idade
reflete o cenário de maior exposição da População Economicamente Ativa (PEA) que teve
dificuldades para manter as medidas recomendadas de isolamento social por conta da
flexibilização das atividades no âmbito do trabalho (Logrado et al., 2022). Dessa forma, por
não terem como opção a quarentena irrestrita, devido a necessidade em se trabalhar, acabam
sendo o grupo etário mais exposto ao vírus, consequentemente, mais propensos a serem
contaminados.
Estudos revelam que, de maneira geral, os homens tendem a apresentar um prognóstico
desfavorável, cujo alto risco é associado a fatores biológicos, ocupacionais e sociais, incluindo
o estilo de vida (Danielsen, 2022). Isso ocorre porque as doenças cardíacas e cardiovasculares
são comorbidades comuns relacionadas a resultados e taxas de mortalidade mais altas na
COVID-19, condições de maior incidência em pessoas do sexo masculino. A disparidade de
gênero em relação às doenças cardiovasculares pode influenciar substancialmente a
probabilidade de mortalidade após a infecção por COVID-19 (Danielsen, 2022).

Em contraste, a pandemia ressaltou o papel central desempenhado pelas mulheres nas

responsabilidades de cuidado, independentemente de serem remuneradas ou não. Além disso,
as mulheres compõem a maioria dos profissionais de saúde voltados aos cuidados, o que as
coloca em uma posição mais vulnerável em relação à contaminação (Wenham; Smith; Morgan,
2020).

A distribuição dos óbitos confirmados de COVID-19 apresenta comportamento

diferente dos casos por sexo e faixas etárias. Do total de 65.740 óbitos confirmados no período
de estudo, 55% (36.157) foram homens e 45% (29.583) mulheres. O maior percentual de óbitos
70% (46.018) foi observado entre os idosos acima de 60 anos, seguida pela faixa etária de 50 a
 40

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).

A maior incidência de óbitos em idosos maiores de 60 anos pode estar relacionada ao

fato de serem a faixa etária que mais está associada com comorbidades. O índice de mortalidade
em idosos é nove vezes maior do que nos outros grupos etários (Logrado et al., 2022). Isso pode
ser explicado considerando fatores de acesso e à atenção à saúde, bem como à falta de políticas
públicas de integração ativa do idoso na sociedade (Logrado et al., 2022).
Em ambos os sexos os principais tipos de comorbidades observadas entre os óbitos
confirmados de COVID-19 em indivíduos residentes em Minas Gerais foram cardiopatia
(28.037), diabetes (19.308), obesidade (6.655), pneumopatia (4.594), doença renal (4.585),
doença neurológica (4.580), imunodeficiência (2.702), asma (1.970), doença hepática (815),
doença hematológica (632) e síndrome de Down (281) (Minas Gerais, 2023). Feitosa et al.
(2020), afirma que doenças crônicas como cardiopatias, hipertensão arterial, problemas
respiratórios, diabetes entre outras, causam piores prognóstico na evolução da doença causada
pelo Coronavírus (Minas Gerais, 2023).

3.2 Análise Exploratória da Evolução Temporal dos Casos e Óbitos por COVID-19

Ao analisar a distribuição temporal dos casos de COVID-19 no estado Minas Gerais

(Figura 3) observa-se que, inicialmente, ocorreu um crescimento constante no número de casos
mensais até agosto de 2020. Posteriormente, entre setembro e novembro do mesmo ano,
registrou-se uma breve fase de declínio. Após o mês de dezembro de 2020, os casos
aumentaram novamente, até fevereiro de 2021.

Um perfil de queda só foi observado novamente a partir de julho de 2021, se mantendo

até o mês de dezembro. No entanto, entre dezembro de 2021 e janeiro de 2022, foi constatado
um crescimento abrupto de 2.977% nos casos de COVID, isto é, passou de 15.910 (dezembro)
para 489.596 (janeiro) (Figura 3). Este aumento expressivo também se manteve em fevereiro
do mesmo ano, com a confirmação de 485.913 casos. Posteriormente a taxa de casos é seguida
de queda acentuada no mês de abril e maio. Novo crescimento nos meses de junho, julho,
agosto, dezembro de 2022 e janeiro e fevereiro de 2023, todavia números menores do que
registrados no auge do pico de disseminação de casos (Figura 3).
 41

Figura 3 – Distribuição mensal de Casos Confirmados de COVID-19 em Minas Gerais. Fonte:

SES/MG – Formulário COVID-19, eSUS e SIVEP-Gripe. Org.: pela autora, 2023.

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).

Em decorrência dessas medidas de flexibilização e a nova variante, houve aumento da

procura por parte de pacientes com os sintomas da doença por atendimento médicos e devido
ao agravamento dos sintomas por hospitalizações em leitos de UTI (Silva; Lucas; Pinto, 2022).
Nesta fase, houve colapso do sistema de saúde, resultando na escassez de equipamentos
médicos, falta de insumos para unidades de terapia intensiva (UTIs) e da exaustão da equipe de
profissionais de saúde (Santos, 2020). Esse fato foi intensificado, sobretudo considerando as
medidas contraditórias do então Presidente da República (2019-2022), quanto às orientações da
Organização Mundial da Saúde (OMS) e da comunidade médica e científica, incentivando a
população a não fazer o isolamento social, a não usar máscara, e o questionamento a eficácia
das vacinas. Ademais, trocou doze ministros ao longo de dois anos. Uma das trocas mais
relevantes do Governo Federal, foi a do Ministro Luiz Henrique Mandetta, que estava
realizando ações e combate e prevenção à COVID-19 com base nas orientações da Organização
Mundial de Saúde. A justificativa do então presidente ter se posicionado contra as ações
propostas pelo ministro, era que essas medidas provocariam uma grave grise financeira no país
(Botelho et al., 2022).

Apesar das adversidades, a campanha de vacinação contra a COVID-19 no Brasil

mostrou eficiência. Teve início em janeiro de 2021, a primeira pessoa a ser vacinada foi Mônica
Calazans, de 54 anos, moradora de Itaquera, na zona Leste da capital paulista, e trabalhadora
no hospital Emílio Ribas no país. Inicialmente enfrentou desafios relacionados à
disponibilidade limitada de doses. A partir de julho de 2021, com a ampliação da vacinação,
observa-se redução na disseminação do vírus, e consequentemente uma queda nos casos e nos
óbitos (Barcellos; Xavier, 2022).

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

Minas Gerais é um retrato do Brasil em relação a disseminação da COVID-19. Para os

casos e óbitos por COVID-19, essa semelhança também foi observada (Figuras 5 e 6).

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).

A necessidade da utilização bens e serviços, leva a uma mobilidade populacional,

resultando na circulação do vírus de forma mais rápida nesses municípios polos (IBGE, 2018).
Esse fenômeno de deslocamento de pessoas contribui para uma disseminação mais rápida do
vírus entre os municípios, tendo em vista que a circulação de pessoas aumenta as oportunidades
de transmissão (Ribeiro et al., 2020). Como resultado da mobilidade populacional, observou-
se o registro de casos confirmados de COVID-19 em todos os 853 municípios de Minas Gerais
(Figura 7).
 46

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

Os padrões espaciais sobre incidência de casos e mortalidade por COVID-19 em Minas

Gerais foram avaliados por meio do índice de moran (Figuras 9 e 10). A partir das estatísticas
fornecidas pelo índice de Moran, constatou-se a existência de autocorrelação espacial para taxa
de incidência (Ia = 0,424820) e mortalidade (Ia = 0,399077) em Minas Gerais. Foram
observados dois padrões contrastantes para o estado mineiro, no sentido norte/sul. Nas Regiões
Intermediárias de Montes Claros, Teófilo Otoni na maioria dos municípios dessas regiões,
foram identificados agrupamentos baixo-baixo, isto é, nesses municípios concentram os baixos
números de casos e mortes. Diferentemente, as Regiões Intermediárias de Uberaba e
Uberlândia, mostraram padrões de agrupamentos alto-alto, indicando grupos de municípios
com altas taxas de incidência e mortalidade em Minas Gerais.

Minas Gerais é um estado de grande extensão territorial, além de possuir o maior

número de municípios entre os estados brasileiros, 853 municípios. Cabe ressaltar ainda que se
trata do segundo estado mais populoso do país, com aproximadamente 21 milhões de
habitantes. O alto número de habitantes se traduz em uma concentração de centros urbanos de
diversos tamanhos, cada um desempenhando funções distintas e cruciais na oferta de serviços
essenciais aos municípios circundantes de menor porte (Batella; Diniz, 2006).

Os municípios concentram grande infraestrutura como estabelecimentos comerciais,

hospitais, escolas e universidades etc. que reforçam a atração de pessoas. Além disso, esses
polos regionais apresentam complexa infraestrutura que influencia na circulação de pessoas
como aeroportos e rodovias (Costa, 2002).

Salienta-se que as redes de cidades e as interações espaciais não se restringem às

fronteiras políticas e administrativas do estado. Minas Gerais, portanto, não se limita ao seu
território estadual, mas está integrado a uma vasta rede de centros urbanos em todo o Brasil,
resultando em uma complexa teia de relações. Como destacado por Corrêa (2004) ao abordar a
relação entre a rede urbana e a formação do espaço, a sociedade contemporânea está cada vez
mais interconectada e interligada, devido ao desenvolvimento das técnicas, dos transportes e
das telecomunicações, gerando uma multiplicidade de interações complexas.

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

e Uberlândia, devido a influência da metrópole paulista na região. Ressalta-se a posição

geográfica de relativa proximidade com São Paulo, epicentro da pandemia no Brasil.
Reforçando o fato de que a disseminação e mortalidade da COVID-19 nas Regiões
Intermediária de Uberaba e Uberlândia deu-se pelo fluxo populacional entre elas e o estado de
São Paulo, principalmente atrelado à BR-050 (Batella; Miyazaki, 2020). Similarmente, as
Regiões Intermediárias de Divinópolis, Varginha e Pouso Alegre também apresentaram
agrupamentos de municípios com o padrão Alto-Alto, essencialmente os municípios que fazem
fronteira com o estado de São Paulo.

A Região Intermediária de Juiz de Fora apresentara agrupamentos de municípios alto-

alto, que pode ter sido influenciado também pelas proximidades de grandes centros urbanos
mineiros e até mesmo de outros estados brasileiros. Coura-Vital et. al (2021) apontam que o
Estado do Rio de Janeiro possivelmente influenciou as taxas de incidência da região. Além
disso, destaca-se a influência da BR-040 que liga os municípios do Rio de Janeiro e Belo
Horizonte, atravessando Juiz de Fora e e/ou municípios das Regiões Intermediárias de Juiz de
Fora e Belo Horizonte. E no Sul de Minas por meio da BR-381 que liga São Paulo a Belo
Horizonte. Estudos demonstram que os primeiros casos e óbitos ocorreram em cidades com
maior população e maior conectividade com regiões metropolitanas e cidades de médio e
pequeno porte. Isso indica uma possível influência da hierarquia das cidades na propagação do
vírus (Ferreira et. al, 2020; Coura-Vital et. al, 2021).

Contrapondo aos agrupamentos de municípios alto-alto, o norte e leste do estado

apresenta em sua maioria agrupamentos de municípios baixo-baixo (Figuras 7 e 8), ou seja,
agrupamentos de municípios que possuem baixa incidência e mortalidade por COVID-19.
Entretanto observa-se que existem alguns municípios que apresentaram padrões alto-baixo, isto
é, municípios que apresentam altas taxas de incidência e mortalidade em relação aos seus
municípios vizinhos.

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).

Em geral, é possível afirmar que a COVID-19 apresentou padrões espaciais bem

delineados no estado de Minas Gerais. Esses padrões podem ser cruciais para os tomadores de
decisões, principalmente para avaliar os efeitos da pandemia, bem como traçar estratégias para
impedir disseminações de doenças em possíveis cenários pandêmicos.
 52

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

3.3 Variáveis mais explicativas do comportamento socioespacial da COVID-19 em Minas

Gerais

A análise do comportamento socioespacial da COVID-19 no estado de Minas Gerais foi

feita a partir do algoritmo RF. Este algoritmo tem sido amplamente usado em análises sobre
COVID-19. Isso é devido à sua alta capacidade de resolver problemas complexos, como os
padrões espaciais de casos e óbitos por COVID-19 (Urban; Nakada, 2020).

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

Esse cenário de maior disponibilidade de leitos e respiradores em municípios de maior

população, também é um dos fatores impulsionaram a superlotação e sobrecarga do SUS, uma
vez que esses centros recebem pacientes dos municípios vizinhos (Noronha et al., 2020).
Levantamento feito no início da pandemia mostrava que 90% das cidades mineiras não
possuíam leitos de internação disponíveis, agravando mais a situação de sobrecarga do SUS.
Essa situação é ainda mais grave quando se analisa no contexto de desigualdades sociais. No
Brasil, durante a pandemia por COVID-19 registrou-se um aumento substancial do número de
leitos de internação, de 46.045 em 2019, antes da pandemia, para 60.265, já durante o cenário
pandêmico, um aumento de 24% (Cotrim; Cabral, 2020). Esses números poderiam indicar,
portanto, que a população estaria assistida eficientemente durante a pandemia no Brasil. No
entanto, Cotrim e Cabral (2020) mostraram que maior parte do aumento dos leitos foi destinado
ao setor privado (78%). Enquanto para o SUS, houve um aumento de 21%, inclusive para quem
possuía plano de saúde privado (Cotrim; Cabral, 2020). Os últimos autores mencionam que esse
cenário durante a pandemia expressou uma desigualdade sem precedentes na história do SUS.

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).

Em estudo sobre o panorama das internações por COVID-19 em pessoas idosas em

Minas Gerais, Marmo et al., (2023) mencionam que a escolaridade entre os idosos foi fator
 58

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.

Um fator preocupante durante a pandemia sobre a disseminação de COVID-19 em

pessoas idosas, é que geralmente, elas necessitam serem internadas em UTI em maior proporção
que pessoas jovens (Tavares et al., 2020b). Isso está associado com os fatores de riscos e
comorbidades em idosos. A presença de doenças crônicas nessa faixa da população torna-a mais
susceptível a formas mais agudas de COVID-19, consequentemente, conduzindo a internação
hospitalar (Nikolich-Zugich et al., 2020; Marmo et al., 2023).

O IDHM apresentou uma correlação positiva (r = 0.33) com o número de casos de

COVID-19. Essa correlação sugere que os municípios com maior nível de desenvolvimento
tiveram maior disseminação dos casos de COVID-19 em Minas Gerais. Como exemplo,
observa-se Belo Horizonte, com segundo maior IDHM de Minas Gerais, e maior incidência de
casos.

Ferreira et al., (2022) em análise para a macrorregião de saúde do Jequitinhonha, em

Minas Gerais, hipotetizou que municípios com maiores índices de desenvolvimento, tendem a
fornecer maior prestação de serviços, favorecendo a circulação e aglomeração de pessoas,
facilitando o contágio por COVID-19. Esses autores encontraram valor de correlação similar
ao deste estudo, confirma a hipótese levantada. Similarmente, estudos pelas Américas, África
e Europa, também mostraram que o índice de desenvolvimento influenciou na disseminação da
COVID-19 (Liu; He; Zhuang; He, 2020; Valev, 2020)

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

brasileiro, em que, a desigualdade social quanto à distribuição de renda correlacionou

positivamente com incidência da COVID-19.

Considerando o comportamento dos óbitos por COVID-19, o modelo elaborado,

mostrou que das 16 variáveis inseridas, duas foram as mais explicativas, sendo população de
65 anos ou mais e população total. Essas variáveis explicaram 92% dos óbitos em Minas Gerais
(R² = 0.92) (Tabela 01). População total e óbitos tiveram uma correlação de 0.98. Mostrando
que quanto maior a população, mais elevado foi o número de óbitos (Figura 12). De forma
similar aos resultados encontrados, Filho e Cavalcante (2022) realizaram uma investigação
sobre os fatores que influenciam a mortalidade por COVID-19 nos municípios brasileiros,
abrangendo o período de março de 2020 até 30 de junho de 2021. Entre as variáveis mais
explicativas destaca-se o tamanho da população total dos municípios. Ribeiro et al., (2020)
também chegaram à conclusão de que as mortes por COVID-19 são correlacionadas com a
população total.

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.

Em suma, o comportamento socioespacial da COVID-19 no estado de Minas Gerais,

utilizando o algoritmo RF, revelou descobertas importantes sobre os padrões de disseminação
e mortalidade no estado de Minas Gerais. As variáveis socioeconômicas, como a faixa etária da
 62

população, número de leitos e respiradores, e IDHM mostraram-se determinantes tanto na

disseminação do vírus quanto na mortalidade. Estas descobertas ressaltam a necessidade de
políticas públicas que considerem as peculiaridades regionais e as desigualdades sociais, para
um combate mais eficaz a disseminação de doenças futuras. Enfatiza-se a importância da
educação e do acesso à informação como ferramentas vitais no enfrentamento de crises de saúde
pública.
 63

CONSIDERAÇÕES FINAIS

A presente pesquisa foi realizada considerando a seguinte problemática: qual o padrão

socioespacial e temporal da COVID-19 no estado de Minas Gerais? A partir disso, objetivou-
se analisar os padrões socioespaciais da distribuição da COVID-19 em Minas Gerais. Nesse
contexto, para executar essa pesquisa foram usadas técnicas de SIG e inteligência artificial,
sobretudo aprendizagem de máquina.
Inicialmente, a partir de uma análise descritiva dos dados sobre COVID-19, verificou-
se que no período avaliado nesse estudo (2020 a 2023), Minas Gerais registrou 4.209.719 casos
confirmados. Desses casos, 65.740 resultaram em óbito por COVID-19, uma taxa de letalidade
de 1,56%. É pertinente mencionar que, a partir dos dados analisados, constatou-se que todos os
municípios mineiros registraram casos confirmados de COVID-19. Para óbitos, somente seis
municípios não registram (Aricanduva, Patis, Pedro Teixeira, Santana dos Montes, Serra Azul
de Minas e Serra da Saudade).
Dentre os padrões observados, é pertinente destacar que, dos 65.740 óbitos confirmados
no período de estudo, maior parte ocorreu em pessoas do sexo masculino (55%). Ainda,
constatou-se que o maior percentual de óbitos foi observado entre os idosos acima de 60 anos
(70%), seguida pela faixa etária de 50 a 59 anos (15%). Pessoas de 0 a 9 anos de idade foram
menos atingidos pela COVID-19.
Por meio das técnicas de SIG, foi possível mostrar os padrões espaciais da COVID-19
em Minas Gerais. Usando o Índice de Moran, foram observados dois padrões de agrupamentos
contrastantes para o estado mineiro, no sentido norte/sul. Na porção norte de Minas Gerais,
foram identificados agrupamentos baixo-baixo. Isso significa que nesse grupo de municípios
concentram os baixos números de casos e mortes por COVID-19. Enquanto nas Regiões
Intermediárias de Uberlândia e Uberaba foram constatados padrões de agrupamentos alto-alto,
ou seja, municípios com altas taxas de incidência e mortalidade em Minas Gerais. Esses padrões
foram agrupados devido as dinâmicas entre as cidades, contexto populacional e aspectos de
infraestrutura e mobilidade.
Finalmente, após entender os padrões espaciais, seguiu-se o objetivo inventariar as
variáveis socioeconômicas mais explicativas da COVID-19 no estado de Minas Gerais. Para
isso, utilizou-se um algoritmo de aprendizagem de máquina, o Random Forest, o qual forneceu
dois modelos com as variáveis mais explicativas para casos e óbitos. O modelo indicou que
84% dos casos foram explicados por população total de 65 anos ou mais, população total, leitos
de internação, respiradores e IDHM. Enquanto, 92% dos óbitos foram explicados por população
 64

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.

ABREU, Jean Luiz Neves. Imprensa, educação sanitária e interiorização do sanitarismo em

Uberlândia (1938-50) PDF. Revista de História Regional, v. 18, n. 1, p. 86–102, 25 jul.
2013. DOI 10.5212/Rev.Hist.Reg.v.18i1.0004.

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.

AHMED, Faheem; AHMED, Na’eem; PISSARIDES, Christopher; STIGLITZ, Joseph. Why

inequality could spread COVID-19. The Lancet Public Health, v. 5, n. 5, p. e240, maio
2020. DOI 10.1016/S2468-2667(20)30085-2.

ALBUQUERQUE, Mariana Vercesi De; RIBEIRO, Luis Henrique Leandro. Desigualdade,

situação geográfica e sentidos da ação na pandemia da COVID-19 no Brasil. Cadernos de
Saúde Pública, v. 36, n. 12, p. e00208720, 2020. DOI 10.1590/0102-311x00208720.

ALBUQUERQUE, Marli B. M. De; LIMA E SILVA, Francelina Helena Alvarenga;

CARDOSO, Telma Abdalla De Oliveira. Doenças tropicais: da ciência dos valores à
valorização da ciência na determinação climática de patologias. Ciência & Saúde Coletiva,
v. 4, n. 2, p. 423–431, 1999. DOI 10.1590/S1413-81231999000200016.

ALMEIDA, Eduardo. Econometria espacial. Campinas–SP. Alínea, v. 31, 2012.

AMARAL, Gabriela Morais Celestino; LESSA, Simone Schwartz. IMPACTO DA
VACINAÇÃO CONTRA COVID-19 SOBRE A INTERNAÇÃO E DE MORTALIDADE
EM IDOSOS EM ALAGOAS. Interfaces Científicas - Saúde e Ambiente, v. 9, n. 2, p. 180–
193, 18 maio 2023. DOI 10.17564/2316-3798.2023v9n2p180-193.
ANDRADE, Ismael Mendes; SANTANA, George Mariane Soares; SACRAMENTO, Rozilda
Vieira Oliveira. GEOPROCESSAMENTO EM SAÚDE: UM ESTUDO SOBRE A
LEISHMANIOSE TEGUMENTAR AMERICANA NO VALE DO JIQUIRIÇÁ, BAHIA,
BRASIL. Hygeia - Revista Brasileira de Geografia Médica e da Saúde, v. 10, n. 18, p. 19–
32, 22 jul. 2014. DOI 10.14393/Hygeia1022437.

ANDRADE, Manuel Correia De. Geografia Ciência Da Sociedade. Editora Universitária

UFPE, 2008.
ARAÚJO, Juliana Maria de; FERREIRA, Marco Aurélio Marques. ANÁLISE DAS
CAPACIDADES ESTATAIS NO ENFRENTAMENTO DA PANDEMIA DA COVID-19
NO BRASIL. REAd. Revista Eletrônica de Administração (Porto Alegre), v. 29, p. 337–
363, 20 out. 2023. DOI 10.1590/1413-2311.387.126639.
 66

AYRES, J. R. C. M. A SAÚDE COLETIVA E O ESPAÇO PÚBLICO MODERNO: RAÍZES

HISTÓRICO-SOCIAIS DA CIÊNCIA EPIDEMIOLOGICA. Projeto História: Revista do
Programa de Estudos Pós-Graduados de História, [S. l.], v. 23, 2012. Disponível em:
https://revistas.pucsp.br/index.php/revph/article/view/10713. Acesso em: 3 fev. 2023.

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.

BARCELLOS, C. (org.) A Geografia e o contexto dos problemas de saúde. Rio de Janeiro:

ABRASCO, 2008, (Saúde Movimento; n. 6).

BARCELLOS, Christovam de Castro et al. Situação atual do geoprocessamento e da análise

de dados espaciais em saúde no Brasil. 2002.

BARCELLOS, Christovam; BASTOS, Francisco Inácio. Geoprocessamento, ambiente e

saúde: uma união possível? Cadernos de Saúde Pública, v. 12, n. 3, p. 389–397, set. 1996.
DOI 10.1590/S0102-311X1996000300012.

BARCELLOS, Christovam; SANTOS, Simone M. Colocando dados no mapa: a escolha da

unidade espacial de agregação e integração de bases de dados em saúde e ambiente através do
geoprocessamento. Informe Epidemiológico do Sus, v. 6, n. 1, p. 21–29, mar. 1997. DOI
10.5123/S0104-16731997000100003.

BARCELLOS, Christovam; XAVIER, Diego Ricardo. As diferentes fases, os seus impactos e

os desafios da pandemia de covid-19 no Brasil. Revista Eletrônica de Comunicação,
Informação e Inovação em Saúde, v. 16, n. 2, 30 jun. 2022. DOI
10.29397/reciis.v16i2.3349.

BATELLA, Wagner B.; DINIZ, Alexandre MA. Desenvolvimento humano e hierarquia

urbana: uma análise do IDH-M entre as cidades mineiras. Revista de biologia e ciências da
terra, v. 6, n. 2, p. 367-374, 2006.
BATELLA, Wagner; MIYAZAKI, Vitor Koiti . RELAÇÕES ENTRE REDE URBANA E
COVID-19 EM MINAS GERAIS. Hygeia - Revista Brasileira de Geografia Médica e da
Saúde, , p. 102–110, 18 jun. 2020. DOI 10.14393/Hygeia0054622.

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

incorruptível”. Liinc em Revista, v. 18, n. 2, p. e6003, 2 nov. 2022. DOI

10.18617/liinc.v18i2.6003.

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.

BRASIL. Ministério da Saúde. DATASUS (Departamento de Informática do SUS). 2023.

Disponível em: <https://infoms.saude.gov.br/extensions/covid-19_html/covid-19_html.html>.
Acesso em: 30 jun. 2023.
BRASIL. Presidência da República. Lei nº 8.080, de 19 de setembro de 1990. As condições
para a promoção, proteção e recuperação da saúde, a organização e o funcionamento dos
serviços correspondentes e dá outras providências. Disponível em:
<http://www.planalto.gov.br/ccivil_03/leis/l8080.htm>. Acesso em: 20 jan. 2023.
CANELAS, Tiago; RIBEIRO, Helena; CASTILLO-SALGADO, Carlos. Analyzing the Local
Epidemiological Profile of Malaria Transmission in the Brazilian Amazon Between 2010 and
2015. PLoS Currents, 2018. DOI
10.1371/currents.outbreaks.8f23fe5f0c2052bfaaa648e6931e4e1a.

CARLOTTO, Giulia Bagatini. Previsão da evolução da Covid-19 utilizando métodos de

Machine Learning. 2021.

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.

CARVALHO, Laura; PIRES, Luiza Nassif; XAVIER, Laura De Lima. COVID-19 e

Desigualdade no Brasil. 2020. DOI 10.13140/RG.2.2.27014.73282.

CARVALHO, Silvia; MAGALHÃES, Mônica De Avelar Figueiredo Mafra; MEDRONHO,

Roberto De Andrade. Analysis of the spatial distribution of dengue cases in the city of Rio de
Janeiro, 2011 and 2012. Revista de Saúde Pública, v. 51, 1 jan. 2017. DOI 10.11606/s1518-
8787.2017051006239.

Castro J. Geografia da fome. 2ª ed. Rio de Janeiro: O Cruzeiro; 1948.

CASTRO, Shamyr Sulyvan de; ALMEIDA, Ana Lúcia de Jesus; GOMES, Jaime de Oliveira.
MORTALIDADE INFANTIL E EXCLUSÃO SOCIAL EM PRESIDENTE PRUDENTE-SP-
2000 A 2002. Estudos Geográficos: Revista Eletrônica de Geografia, v. 1, n. 2, p. 17–24,
2003.

CORRÊA, Roberto Lobato. Rede urbana. Revista Cidades, v. 1, n. 1, p. 65-78, 2004.

COSTA, Eduarda Marques. Cidades médias-Contributos para a sua definição. Finisterra, v.
37, n. 74, 2002.
COSTA, Maria Da Conceição Nascimento; TEIXEIRA, Maria Da Glória Lima Cruz. A
concepção de “espaço” na investigação epidemiológica. Cadernos de Saúde Pública, v. 15,
n. 2, p. 271–279, abr. 1999. DOI 10.1590/S0102-311X1999000200012.
 68

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.

COURA-VITAL, Wendel; CARDOSO, Diogo Tavares; KER, Fabricio Thomaz De Oliveira;

MAGALHÃES, Fernanda Do Carmo; BEZERRA, Juliana Maria Trindade; VIEGAS, Ana
Maria; MORAIS, Maria Helena Franco; BASTOS, Leonardo Soares; REIS, Ilka Afonso;
CARNEIRO, Mariângela; BARBOSA, David Soeiro. Spatiotemporal dynamics and risk
estimates of COVID-19 epidemic in Minas Gerais State: analysis of an expanding process.
Revista do Instituto de Medicina Tropical de São Paulo, v. 63, p. e21, 2021. DOI
10.1590/s1678-9946202163021.

CZERESNIA, Dina; RIBEIRO, Adriana Maria. O conceito de espaço em epidemiologia: uma

interpretação histórica e epistemológica. Cadernos de Saúde Pública, v. 16, n. 3, p. 595–
605, set. 2000. DOI 10.1590/S0102-311X2000000300002.

DANIELSEN, Ann Caroline; LEE, Katharine Mn; BOULICAULT, Marion; RUSHOVICH,

Tamara; GOMPERS, Annika; TARRANT, Amelia; REICHES, Meredith; SHATTUCK-
HEIDORN, Heather; MIRATRIX, Luke W.; RICHARDSON, Sarah S. Sex disparities in
COVID-19 outcomes in the United States: Quantifying and contextualizing variation. Social
Science & Medicine, v. 294, p. 114716, fev. 2022. DOI 10.1016/j.socscimed.2022.114716.

DATASUS. Ministério da Saúde. Disponível em: <http://datasus.saude.gov.br/datasus>.

Acesso em: 30 jun. 2023.
DIAS, Mariana Andreotti; MENDONÇA, Francisco. ALTERNATIVIDADES EM SAÚDE
HUMANA E A GEOGRAFIA DA SAÚDE. Hygeia - Revista Brasileira de Geografia
Médica e da Saúde, v. 16, p. 264–281, 30 set. 2020. DOI 10.14393/Hygeia16056781.

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.

ESTADO DE MINAS, Estado de. Pandemia da COVID-19 mata um a cada 91 idosos em

Minas Gerais. 23 set. 2021. Estado de Minas. Disponível em:
https://www.em.com.br/app/noticia/gerais/2021/09/23/interna_gerais,1308456/pandemia-da-
covid-19-mata-um-a-cada-91-idosos-em-minas-gerais.shtml. Acesso em: 5 jan. 2024.

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

FARIA, Rivaldo Mauro; BORTOLOZZI, Arlêude. ESPAÇO, TERRITÓRIO E SAÚDE:

CONTRIBUIÇÕES DE MILTON SANTOS PARA O TEMA DA GEOGRAFIA DA
SAÚDE NO BRASIL. Raega - O Espaço Geográfico em Análise, v. 17, 15 jun. 2009. DOI
10.5380/raega.v17i0.11995.

FERREIRA, Marcelo Urbano. Epidemiologia e geografia: o complexo patogênico de Max.

Sorre. Cadernos de Saúde Pública, v. 7, p. 301–309, 1991. Disponível em:
<https://www.scielosp.org/article/csp/1991.v7n3/301-309/pt/>. Acesso em: 03 fev. 2023.

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.

FILHO, Horacio Nelson Hastenreiter; CAVALCANTE, Luiz Ricardo. Variáveis associadas à

mortalidade por covid-19 nos municípios brasileiros: um estudo exploratório. RPER, n. 60, p.
57–70, 24 jan. 2022. DOI 10.59072/rper.vi60.68.
FIORINI, Lucas Rospendowski; MANSO, Maria Elisa Gonzalez. As Origens da Medicina
Ocidental: Mesopotâmia e Egito Antigo / The Origins of Western Medicine: Mesopotamia
and Ancient Egypt. Brazilian Journal of Health Review, v. 4, n. 4, p. 16609–16615, 7 ago.
2021. DOI 10.34119/bjhrv4n4-174.

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

FUNDAÇÃO JOÃO PINHEIRO. Regiões Geográficas Intermediárias de Minas Gerais.

Belo Horizonte: FJP, 2018. Disponível em: <https://fjp.mg.gov.br/regioes-geograficas-
intermediarias-de-minas-gerais/>. Acesso em: 17 jun. 2022.
Góis, C.W. (2008). Saúde Comunitária: pensar e fazer. São Paulo, SP: Hucitec.
GUIMARÃES, Raphael Mendonça; ELEUTÉRIO, Tatiana Araújo; MONTEIRO-DA-
SILVA, José Henrique Costa. Estratificação de risco para predição de disseminação e
gravidade da Covid-19 no Brasil. Revista Brasileira de Estudos de População, v. 37, p. 1–
17, 28 set. 2020. DOI 10.20947/S0102-3098a0122.

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.

GUIMARÃES, Raul Borges. POBREZA URBANA E COMPLEXOS TÉCNICO-

PATOGÊNICOS. In: IX Simpósio Nacional de Geografia Urbana. Cidades:
territotialidades, sustentabilidade e demanadas sociais, 2005, Manaus. Contribuição científica.
Manaus: Universidade Federal de Manaus, 2005. v. 1.

GUIMARÃES, Raul Borges. POLÍTICA NACIONAL DE SAÚDE, CONCEPÇÕES DE

TERRITÓRIO E O LUGAR DA VIGILÂNCIA EM SAÚDE AMBIENTAL. Hygeia -
Revista Brasileira de Geografia Médica e da Saúde, v. 4, n. 7, p. 90–99, 27 fev. 2009. DOI
10.14393/Hygeia416922.

GUIMARÃES, Raul Borges. SAÚDE PÚBLICA NA AMÉRICA LATINA: QUESTÕES DE

GEOGRAFIA POLÍTICA. In: X Encontro de Geógrafos da América Latina - Por uma
Geografia Latino Americana: do labirinto da solidão ao espaço da solidariedade, 2005, São
Paulo. Contribuições científicas. São Paulo: USP, 2005. v. 1.

GUIMARÃES, Raul Borges; CATÃO, Rafael De Castro; CASAGRANDE, Baltazar.

Raciocínio geográfico e complexos patogênicos atuais: análise comparativa da Dengue e da
Leishmaniose Tegumentar Americana. Confins, n. 37, 24 set. 2018. DOI
10.4000/confins.15117.

GUIMARÃES, Raul Borges; CATÃO, Rafael De Castro; CASAGRANDE, Baltazar.

Raciocínio geográfico e complexos patogênicos atuais: análise comparativa da Dengue e da
Leishmaniose Tegumentar Americana. Confins, n. 37, 24 set. 2018. DOI
10.4000/confins.15117.

GUIMARÃES, Raul Borges; CATÃO, Rafael De Castro; NOSSA, Paulo Nuno.

GEOGRAFIA A SERVIÇO DA EMERGÊNCIA EM SAÚDE PÚBLICA. Hygeia - Revista
Brasileira de Geografia Médica e da Saúde, 28 jul. 2020. DOI 10.14393/Hygeia0056356.

GUIMARÃES, Raul Borges; RIBEIRO, Helena. O tratamento cartográfico da informação em

saúde do trabalhador. Revista Brasileira de Epidemiologia, v. 13, n. 4, p. 577–586, dez.
2010. DOI 10.1590/S1415-790X2010000400003.
GUIMARÃES, Raul Borges; UNIVERSIDADE ESTADUAL DE SÃO PAULO, BRAZIL.
Geografia e saúde coletiva no Brasil. Saúde e Sociedade, v. 25, n. 4, p. 869–879, dez. 2016.
DOI 10.1590/s0104-12902016167769.
 71

IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA . Censo Brasileiro

de 2010. Rio de Janeiro: IBGE, 2012.

IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censo Brasileiro

de 2022. Rio de Janeiro: IBGE, 2012.

IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Regiões de

Influência das Cidades – Regic 2007. Rio de Janeiro: IBGE, 2008.

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.

JUNQUEIRA, Renata Dias. GEOGRAFIA MÉDICA E GEOGRAFIA DA SAÚDE. Hygeia -

Revista Brasileira de Geografia Médica e da Saúde, v. 5, n. 8, p. 92–101, 4 out. 2009. DOI
10.14393/Hygeia516931.

KHALATBARI-SOLTANI, Saman; CUMMING, Robert G; DELPIERRE, Cyrille; KELLY-

IRVING, Michelle. Importance of collecting data on socioeconomic determinants from the
early stage of the COVID-19 outbreak onwards. Journal of Epidemiology and Community
Health, , p. jech-2020-214297, 8 maio 2020. DOI 10.1136/jech-2020-214297.

LACAZ, CarlosSilva da.; BARUZZI, Roberto.G.; SIQUEIRA JÚNIOR W

aldomiro. Introdução à Geografia Médica do Brasil. São Paulo: Edgar Blucher Ltda.
Editora da Universidade de São Paulo, 1972.
LANDIM, Paulo Milton Barbosa. Sobre Geoestatística e mapas. Terrae Didatica, v. 2, n. 1,
p. 19, 30 jun. 2015. DOI 10.20396/td.v2i1.8637463.

LEAL, Carmen Helena Seoane; WÜNSCH-FILHO, Victor. Mortalidade por leucemias

relacionada à industrialização. Revista de Saúde Pública, v. 36, n. 4, p. 400–408, ago. 2002.
DOI 10.1590/S0034-89102002000400005.

LEITE, Marcos Esdras. ANÁLISE DA CORRELAÇÃO ENTRE DENGUE E

INDICADORES SOCIAIS A PARTIR DO SIG. Hygeia - Revista Brasileira de Geografia
Médica e da Saúde, v. 6, n. 11, p. 44–59, 2 fev. 2011. DOI 10.14393/Hygeia616981.

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.

LIAW, Andy et al. Classification and regression by randomForest. R news, v. 2, n. 3, p. 18-

22, 2002.
 72

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.

LIMA, Eduardo Jorge Da Fonseca; ALMEIDA, Amalia Mapurunga; KFOURI, Renato De

Ávila. Vaccines for COVID-19 - state of the art. Revista Brasileira de Saúde Materno
Infantil, v. 21, n. suppl 1, p. 13–19, fev. 2021. DOI 10.1590/1806-9304202100s100002.
LIMA, S. do C.; GUIMARÃES, R. B. DETERMINAÇÃO SOCIAL NO COMPLEXO
TECNO-PATOGÊNICO INFORMACIONAL DA MALÁRIA. Hygeia - Revista Brasileira
de Geografia Médica e da Saúde, Uberlândia, v. 3, n. 5, p. 58–77, 2008. DOI:
10.14393/Hygeia316884.

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.

LOGRADO JÚNIOR, Vivaldo; BOSSLER, Caroline Benício; SILVA, Vitor Pereira;

MARTINS, Gustavo Soares; BAPTISTA, Anderson Barbosa . Número de casos de COVID-
19 no Tocantins de 2020 a 2021 e estratégias para a redução de casos. Revista de Patologia
do Tocantins, v. 9, n. 2, p. 40–45, 30 jun. 2022. DOI 10.20873/10.20873/uft.2446-
6492.2022v9n2p40.

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.

MACIEL, Jacques Antonio Cavalcante; CASTRO-SILVA, Igor Iuco; FARIAS, Mariana

Ramalho De. Análise inicial da correlação espacial entre a incidência de COVID-19 e o
desenvolvimento humano nos municípios do estado do Ceará no Brasil. Revista Brasileira
de Epidemiologia, v. 23, p. e200057, 2020. DOI 10.1590/1980-549720200057.

MAGALHÃES, MAFM et al. Sistemas de Informações Geográficas em saúde. In.: SANTOS,

S. M.; BARCELLOS, C.(Org.). Abordagens espaciais na saúde pública. Brasília:
Ministério da Saúde, p. 43-81, 2006.

MAGALHÃES, Sandra Célia Muniz; ALVES, Mônica Oliveira; SANTOS, Flávia De

Oliveira. A ASSISTÊNCIA ONCOLÓGICA NO SISTEMA ÚNICO DE SAÚDE: O CASO
DO CÂNCER DE MAMA NO NORTE DE MINAS GERAIS. Caminhos de Geografia, v.
21, n. 75, 2 jun. 2020. DOI 10.14393/RCG217554998.

MAGALHÃES, Sandra Célia Muniz; CARVALHO, Marcos Bernardino de Carvalho. A

expansão urbana de Montes Claros e suas implicações na ocorrência de doenças de veiculação
hídrica. Revista Cerrados, [S. l.], v. 6, n. 01, p. 65–86, 2009.
 73

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; LIMA, Samuel Do Carmo. CENÁRIO DA REDE DE

SAÚDE NO NORTE DE MINAS GERAIS. Hygeia - Revista Brasileira de Geografia
Médica e da Saúde, v. 8, n. 15, p. 245–258, 21 dez. 2012. DOI 10.14393/Hygeia819880.

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.

MAGALHÃES, Sandra Célia Muniz; SANTOS, Flávia De Oliveira; LIMA, Samuel Do

Carmo; FONSECA, Elivelton Da Silva. SITUAÇÃO EPIDEMIOLÓGICA DA
TRANSMISSÃO DA COVID-19 NO NORTE DE MINAS GERAIS, BRASIL. Hygeia -
Revista Brasileira de Geografia Médica e da Saúde, , p. 80–87, 18 jun. 2020. DOI
10.14393/Hygeia0054629.

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.

MAZETTO, F. de A. Pioneiros da geografia da saúde: séculos XVIII, XIX e XX. In.:

BARCELLOS, C. (org.) A Geografia e o contexto dos problemas de saúde. Rio de Janeiro:
ABRASCO, 2008, (Saúde Movimento; n. 6). Pág. 17-33.
MEDRONHO, R. A. Avaliação do Método Geoestatístico na Distribuição Espacial da
Hepatite A. (Tese de Doutorado). Rio de Janeiro: Fundação Oswaldo Cruz, Programa de Pós-
Graduação em Saúde Pública, 1999. Disponível em:
<https://www.arca.fiocruz.br/handle/icict/4532>. Acesso em: 28 jan. 2023.
 74

MEDRONHO, Roberto A. Geoprocessamento e saúde: uma nova abordagem do espaço no

processo saúde-doença. In: Geoprocessamento e saúde: uma nova abordagem do espaço
no processo saúde-doença. 1995. p. 136-136.

MENDONÇA, Francisco; MATTOZO DE ARAÚJO, Wiviany; KICH FOGAÇA, Thiago. A

geografia da saúde no Brasil: Estado da arte e alguns desafios. Investigaciones Geográficas,
v. 0, n. 48, 23 jun. 2015. DOI 10.5354/0719-5370.2014.36675.

MENDOZA, J. G. et al- “Los radicalismos geográficos” In El pensamiento geográfico:

estudio interpretativo y antología de textos (De Humboldt a las tendencias radicales ). Madrid:
Alianza Editorial, pp. 134-154, 1982.
MINAS GERAIS. Confirmação do primeiro caso de COVID-19. Belo Horizonte: Minas
Gerais, 2020. Disponível em: < https://www.saude.mg.gov.br/component/gmg/story/12233-
confirmacao-do-primeiro-caso-de-coronavirus-covid-19-em-minas-gerais>. Acesso em: 17
jun. 2022.
MINAS GERAIS. Estado de Minas Gerais. Decreto nº 113, de 12 de março de 2020.
SITUAÇÃO DE EMERGÊNCIA em Saúde Pública no Estado em razão de surto de doença
respiratória. Disponível em:
< https://www.saude.mg.gov.br/images/noticias_e_eventos/000_2020/coronavirus-
legislacoes/Decreto_113-de-12.03.2020-declara-Situacao-de-Emergencia.pdf>. Acesso em:
20 jan. 2023.
MINAS GERAIS. Rodovias de Minas Gerais. Belo Horizonte: Minas Gerais, 2022.
Disponível em: <https://www.mg.gov.br/pagina/rodovias>. Acesso em: 17 jun. 2022.
MINAS GERAIS. Secretaria Estadual de Saúde. Coronavírus – MG. 2023. Disponível em:
<https://coronavirus.saude.mg.gov.br/>. Acesso em 30 jun. 2022.
MOURA, Erly Catarina; CORTEZ-ESCALANTE, Juan; CAVALCANTE, Fabrício Vieira;
BARRETO, Ivana Cristina De Holanda Cunha; SANCHEZ, Mauro Niskier; SANTOS,
Leonor Maria Pacheco. Covid-19: evolução temporal e imunização nas três ondas
epidemiológicas, Brasil, 2020–2022. Revista de Saúde Pública, v. 56, p. 105, 18 nov. 2022.
DOI 10.11606/s1518-8787.2022056004907.
NARDI, Susilene Maria Tonelli; PASCHOAL, José Antonio Armani; PEDRO, Heloisa Da
Silveira Paro; PASCHOAL, Vânia Del´Arco; SICHIERI, Eduvaldo Paulo. Geoprocessamento
em Saúde Pública: fundamentos e aplicações. Revista do Instituto Adolfo Lutz, 2013. DOI
10.18241/0073-98552013721562.

NETTO, Raimundo Gonçalves Ferreira; CORRÊA, José Wilson do Nascimento.

EPIDEMIOLOGIA DO SURTO DE DOENÇA POR CORONAVÍRUS (COVID-19).
DESAFIOS - Revista Interdisciplinar da Universidade Federal do Tocantins, v. 7,
n. Especial-3, p. 18–25, 2020.

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.

PICKENHAYN, Jorge Amâncio; GUIMARÃES, Raul Borges; LIMA, Samuel Do Carmo.

Estrategias espaciales de los complejos patógenos del presente. Estudios
Socioterritoriales,v. 4, p. 23-33, 2007.

PICKENHEYN, Jorge Amâncio; GUIMARÃES, Raul Borges; LIMA, Samuel Do Carmo;

CURTO, Suzana. PROCESSO DE URBANIZAÇÃO DA DOENÇA DE CHAGAS NA
ARGENTINA E NO BRASIL. Hygeia - Revista Brasileira de Geografia Médica e da
Saúde, v. 4, n. 7, p. 58–69, 27 fev. 2009. DOI 10.14393/Hygeia416920.

PUNN, Narinder Singh; SONBHADRA, Sanjay Kumar; AGARWAL, Sonali. COVID-19

Epidemic Analysis using Machine Learning and Deep Learning Algorithms. preprint. [S.
l.]: Health Informatics, 11 abr. 2020. DOI 10.1101/2020.04.08.20057679.
RENOVATO, Rogério Dias; BAGNATO, Maria Helena Salgado. As contribuições do
Serviço Especial de Saúde Pública para a formação profissional da Enfermagem no Brasil
(1942-1960). Revista Brasileira de Enfermagem, v. 61, n. 6, p. 909–915, dez. 2008. DOI
10.1590/S0034-71672008000600020.

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.

SANHUEZA-SANZANA, Carlos; AGUIAR, Italo Wesley Oliveira; ALMEIDA, Rosa Lívia

Freitas; KENDALL, Carl; MENDES, Aminata; KERR, Ligia Regina Franco Sansigolo.
Desigualdades sociais associadas com a letalidade por COVID-19 na cidade de Fortaleza,
Ceará, 2020. Epidemiologia e Serviços de Saúde, v. 30, n. 3, p. e2020743, 2021. DOI
10.1590/s1679-49742021000300022.

SANTANA, Paula. Introdução à geografia da saúde: território, saúde e bem-estar.

Imprensa da Universidade de Coimbra / Coimbra University Press, 2014.
SANTOS, F. de O. GEOGRAFIA MÉDICA OU GEOGRFIA DA SAÚDE? UMA
REFLEXÃO. Caderno Prudentino de Geografia, [S. l.], v. 1, n. 32, p. 41–52, 2020.
SANTOS, Filipe Evangelista Silva; VILLELA, Amanda De Castro; PEDROSA, Vittoria
Maria Silva; LACERDA, Alessandra Silvestrini; DANTAS, Letícia Dias; MEDEIROS, Eva
Lídia Arcoverde; MARCIAL, Tania Maria. Impactos da vacinação de COVID-19 em surtos
em Instituições de Longa Permanência para Idosos (ILPIS) no estado de Minas Gerais no
período de abril de 2020 a fevereiro de 2022. Brazilian Journal of Health Review, v. 6, n. 1,
p. 3290–3302, 10 fev. 2023. DOI 10.34119/bjhrv6n1-255.
SANTOS, Hellen Geremias Dos; NASCIMENTO, Carla Ferreira Do; IZBICKI, Rafael;
DUARTE, Yeda Aparecida De Oliveira; CHIAVEGATTO-FILHO, Alexandre Dias Porto.
Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito
em idosos de São Paulo, Brasil. Cadernos de Saúde Pública, v. 35, n. 7, p. e00050818, 2019.
DOI 10.1590/0102-311x00050818.

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.

SANTOS, Simone M.; NORONHA, Claudio P. Padrões espaciais de mortalidade e

diferenciais sócio-econômicos na cidade do Rio de Janeiro. Cadernos de Saúde Pública, v.
17, n. 5, p. 1099–1110, out. 2001. DOI 10.1590/S0102-311X2001000500012.

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.

SHIEHZADEGAN, Shayan; ALAGHEMAND, Nazanin; FOX, Michael;

VENKETARAMAN, Vishwanath. Analysis of the Delta Variant B.1.617.2 COVID-19.
Clinics and Practice, v. 11, n. 4, p. 778–784, 21 out. 2021. DOI 10.3390/clinpract11040093.
 77

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.

SINGH, Rameshwer; SINGH, Rajeshwar. Applications of sentiment analysis and machine

learning techniques in disease outbreak prediction – A review. Materials Today:
Proceedings, International Virtual Conference on Sustainable Materials (IVCSM-2k20). v.
81, p. 1006–1011, 1 jan. 2023. DOI 10.1016/j.matpr.2021.04.356.
SOUSA, Alécio Henrique Da Silva; MARTINS, Stanley Bastos; CORTEZ, Antonio Carlos
Leal. Influência das comorbidades na saúde dos idosos frente à pandemia da Covid-19: uma
revisão integrativa. Research, Society and Development, v. 10, n. 17, p. e199101724678, 24
dez. 2021. DOI 10.33448/rsd-v10i17.24678.

SPOSITO, Eliseu S. Geografia e Filosofia. São Paulo : Editora Unesp, 2004.

SYEDA, Hafsa Bareen; SYED, Mahanazuddin; SEXTON, Kevin Wayne; SYED,

Shorabuddin; BEGUM, Salma; SYED, Farhanuddin; PRIOR, Fred; JR, Feliciano Yu. Role of
Machine Learning Techniques to Tackle the COVID-19 Crisis: Systematic Review. JMIR
Medical Informatics, v. 9, n. 1, p. e23811, 11 jan. 2021. DOI 10.2196/23811.
TAKAHASHI, Takehiro; IWASAKI, Akiko. Sex differences in immune responses. Science,
v. 371, n. 6527, p. 347–348, 22 jan. 2021. DOI 10.1126/science.abe7199.
TAPIA-CONYER, Roberto; BETANCOURT-CRAVIOTO, Miguel; MÉNDEZ-GALVÁN,
Jorge. Dengue: an escalating public health problem in Latin America. Paediatrics and
International Child Health, v. 32, n. sup1, p. 14–17, maio 2012. DOI
10.1179/2046904712Z.00000000046.

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.

ZAIDAN, Ricardo Tavares. GEOPROCESSAMENTO CONCEITOS E DEFINIÇÕES.

Revista de Geografia - PPGEO - UFJF, v. 7, n. 2, 28 set. 2017. DOI 10.34019/2236-
837X.2017.v7.18073.
 79

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