Resumos

Introdução

Durante os anos de 2020 e 2021, o Brasil ocupava o segundo lugar em número de mortes e o terceiro em número de infectados no mundo ¹1. Ritchie H, Mathieu E, Rodés-Guirao LE, Cameron A, Giattino C, Ortiz-Ospina E, et al. Coronavirus country profiles. https://ourworldindata.org/coronavirus (acessado em 19/Out/2021).
https://ourworldindata.org/coronavirus... , com mais de 21 milhões de casos confirmados e mais de 600 mil mortes confirmadas por COVID-19 ²2. Johns Hopkins Coronavirus Resource Center. COVID-19 dashboard. https://coronavirus.jhu.edu/map.html (acessado em 19/Out/2021).
https://coronavirus.jhu.edu/map.html... . Esse cenário se agravou com a segunda onda da COVID-19, a partir de dezembro de 2020, quando houve aumento dos casos graves, maior necessidade de internações e maior demanda por ventilação invasiva ³3. Bastos LS, Ranzani OT, Souza TML, Hamacher S, Bozza FA. COVID-19 hospital admissions: Brazil’s first and second waves compared. Lancet Respir Med 2021; 9:e82-3..

Múltiplos fatores se associaram e impactaram essa situação: a circulação de variantes virais do SARS-CoV-2, particularmente a gamma, portadora de mutações associadas ao aumento de transmissibilidade ⁴4. Faria NR, Mellan TA, Whittaker C, Claro IM, Candido DS, Mishra S, et al. Genomics and epidemiology of the P.1 SARS-CoV-2 lineage in Manaus, Brazil. Science 2021; 372:815-21.; a fragilidade da vigilância e rastreamento de casos; as dificuldades de implementação de medidas não farmacológicas de controle da transmissão; as informações contraditórias sobre prevenção e controle da epidemia; o atraso na vacinação ⁵5. Ventura DFL, Aith FMA, Reis RR, Ferreira AB, Rosa AV, Farias AS, et al. Brazil the timeline of the Federal Government’s strategy to spread covid-19. São Paulo: Centro de Estudos e Pesquisas de Direito Sanitário, Faculdade de Saúde Pública, Universidade de São Paulo; 2021.; e a notória desigualdade social no país, principalmente em saúde ⁶6. Observatório Covid-19. Boletim Observatório Covid-19: um balanço da pandemia em 2020. https://agencia.fiocruz.br/sites/agencia.fiocruz.br/files/u34/boletim_covid_semana_52-53-12-01-2020-rev-red_2.pdf (acessado em 29/Out/2021).
https://agencia.fiocruz.br/sites/agencia... ^,77. World Health Organization. Social determinants of health. https://www.who.int/health-topics/social-determinants-of-health (acessado em 19/Out/2021).
https://www.who.int/health-topics/social... .

Em geral, o curso de vida dos brasileiros desenvolve-se com ampla exposição a condições de vida e trabalho desfavoráveis, que resultam em piores indicadores de saúde para idosos pobres e/ou com baixa escolaridade ⁸8. Lima-Costa MF. Aging and public health. Rev Saúde Pública 2019; 52 Suppl 2:2s.^,99. Organização Pan-Americana da Saúde. Construindo a saúde no curso de vida: conceitos, implicações e aplicação em saúde pública. Brasília: Organização Pan-Americana da Saúde; 2021.. Há um processo de envelhecimento populacional acelerado e associado a mortes prematuras, com altas prevalências de doenças crônicas e incapacidade ¹⁰10. Centro Internacional de Longevidade Brasil. Envelhecimento ativo: um marco político em resposta à revolução da longevidade. Rio de Janeiro: Centro Internacional de Longevidade Brasil; 2015.^,1111. Miranda GMD, Mendes ACG, Silva ALA. Population aging in Brazil: current and future social challenges and consequences. Rev Bras Geriatr Gerontol 2016; 19:507-19..

Para o território nacional, registram-se variações regionais na incidência e mortalidade por COVID-19, justificadas para além de variáveis biológicas, como adensamento domiciliar em condições precárias de moradia, desigualdade de renda e de acesso a cuidados em saúde ¹²12. Figueiredo AM, Figueiredo DCMM, Gomes LB, Massuda A, Gil-García E, Vianna RPT, et al. Social determinants of health and covid-19 infection in Brazil: an analysis of the pandemic. Rev Bras Enferm 2020; 73 Suppl 2:e20200673.. Os desfechos clínicos desfavoráveis da COVID-19 são associados à presença de doenças crônicas, aos grupos etários de idosos ¹³13. Souza FSH, Hojo-Souza NS, Batista BDO, Silva CM, Guidoni DL. On the analysis of mortality risk factors for hospitalized covid-19 patients: a data-driven study using the major Brazilian database. PLoS One 2021; 16:e0248580., ao acesso precário aos serviços de saúde e à vacinação ¹⁴14. Observatório Covid-19. Boletim Extraordinário Observatório Covid-19. https://portal.fiocruz.br/sites/portal.fiocruz.br/files/documentos/boletim_extraordinario_2021-outubro-06.pdf (acessado em 19/Out/2021).
https://portal.fiocruz.br/sites/portal.f... , agravados por um contexto de pobreza e desigualdade social ¹⁵15. Abrams EM, Szefler SJ. COVID-19 and the impact of social determinants of health. Lancet Respir Med 2020; 8:659-61.^,1616. Lima-Costa MF. Envelhecimento no Brasil e coronavírus: iniciativa ELSI-COVID-19. Cad Saúde Pública 2020; 36 Suppl 3:e00181420.. Assim, torna-se fundamental analisar a vulnerabilidade social e sua repercussão em pacientes com 50 anos ou mais hospitalizados por COVID-19 no Brasil.

Este estudo tem como objetivo analisar a sobrevida e a letalidade hospitalar por COVID-19 para os primeiros 100 dias entre sintomas até o óbito, segundo níveis de vulnerabilidade social em indivíduos de 50 anos ou mais no Brasil.

Métodos

Desenho do estudo e contexto

Este estudo de coorte retrospectiva avalia fatores associados ao óbito e tempo de evolução clínica da COVID-19 em indivíduos de 50 anos ou mais hospitalizados, de acordo o Índice Socioeconômico do Contexto Geográfico para Estudos em Saúde (GeoSES) durante os anos 2020 e 2021 no Brasil.

População do estudo

Foram incluídos 410.504 pacientes hospitalizados com COVID-19 do Sistema de Informação de Vigilância Epidemiológica da Gripe (SIVEP-Gripe) ¹⁷17. OpenDataSUS. SRAG 2021 e 2022 - banco de dados de síndrome respiratória aguda grave - incluindo dados da COVID-19. https://opendatasus.saude.gov.br/dataset/srag-2021-e-2022 (acessado em 19/Out/2021).
https://opendatasus.saude.gov.br/dataset... ; com 50 anos ou mais; cujo tempo entre início dos primeiros sintomas e alta hospitalar fora de até 100 dias; notificados das Semanas Epidemiológicas (SE) 11, de 2020, até 33, de 2021. Adotou-se o corte etário (50 anos ou mais) devido à presença de comorbidades e ao maior risco de agravamento desses indivíduos ⁸8. Lima-Costa MF. Aging and public health. Rev Saúde Pública 2019; 52 Suppl 2:2s.^,1313. Souza FSH, Hojo-Souza NS, Batista BDO, Silva CM, Guidoni DL. On the analysis of mortality risk factors for hospitalized covid-19 patients: a data-driven study using the major Brazilian database. PLoS One 2021; 16:e0248580.^,1414. Observatório Covid-19. Boletim Extraordinário Observatório Covid-19. https://portal.fiocruz.br/sites/portal.fiocruz.br/files/documentos/boletim_extraordinario_2021-outubro-06.pdf (acessado em 19/Out/2021).
https://portal.fiocruz.br/sites/portal.f... .

Os critérios diagnósticos para a confirmação da etiologia COVID-19 do caso de síndrome respiratória aguda grave (SRAG) foram laboratorial, clínico-epidemiológico ou radiológico, conforme sistematiza o SIVEP-Gripe no campo 76, “Critério de Encerramento”. O campo 65, “Classificação Final do SIVEP-Gripe”, possibilitou a seleção de casos positivos para COVID-19. Registros sem preenchimento de município de residência e desfecho foram descartados.

Variáveis

A variável dependente é o óbito (sim; não), criada a partir do campo 77, “Evolução do Caso do SIVEP-Gripe”. São covariáveis sociodemográficas: sexo (masculino; feminino); faixa etária (50-59; 60-69; 70-79 e 80 ou mais anos); raça/cor (brancos; pretos; pardos; amarelos; indígenas); e estado de residência. São variáveis clínicas: tipo de comorbidade; multimorbidades (0; 1; 2; 3 ou mais comorbidades); internação em unidade de terapia intensiva (UTI) (sim; não); vacinação (com ao menos uma dose: sim; não); ventilação invasiva (sim; não); tempo entre o início dos primeiros sintomas e hospitalização; tempo entre o início dos primeiros sintomas e alta (óbito: sim; não). É covariável geoestatística o indicador GeoSES dividido em faixas [A: (0,5 a 1,0); B: (0,0 a 0,5); C: (-0,5 a 0,0); D: (-1,0 a -0,5)]; sendo A o melhor status socioeconômico e D o pior. Ademais, o coeficiente de letalidade foi estimado para todos os casos e segundo variáveis de interesse.

Fontes de dados

Para dados clínico-epidemiológicos utilizou-se o banco de dados SIVEP-Gripe ¹⁷17. OpenDataSUS. SRAG 2021 e 2022 - banco de dados de síndrome respiratória aguda grave - incluindo dados da COVID-19. https://opendatasus.saude.gov.br/dataset/srag-2021-e-2022 (acessado em 19/Out/2021).
https://opendatasus.saude.gov.br/dataset... , sistema de informação utilizado por profissionais de saúde para a notificação de casos de SRAG.

Para vulnerabilidade social utilizou-se o banco de dados GeoSES, um indicador composto que varia de -1,00, pior status socioeconômico, até +1,00, melhor status socioeconômico. GeoSES advém de análise de componentes principais de sete grandes dimensões (educação, pobreza, riqueza, renda, segregação, mobilidade e privação de recursos e serviços), cada dimensão elaborada com variáveis derivadas do Censo Demográfico de 2010 do Instituto Brasileiro de Geografia e Estatística (IBGE), totalizando 46 variáveis para a composição do índice ¹⁸18. Barrozo LV, Fornaciali M, André CDS, Morais GAZ, Mansur G, Cabral-Miranda W, et al. GeoSES: a socioeconomic index for health and social research in Brazil. PLoS One 2020; 15:e0232074.. Optou-se pelo índice GeoSES elaborado em 2020 na ausência de dados de censo demográfico recente. O indicador GeoSES já foi validado em âmbito municipal para COVID-19 no Município de São Paulo ¹⁹19. Bermudi PMM, Lorenz C, Aguiar BS, Failla MA, Barrozo LV, Chiaravalloti-Neto F. Spatiotemporal ecological study of covid-19 mortality in the city of São Paulo, Brazil: shifting of the high mortality risk from areas with the best to those with the worst socio-economic conditions. Travel Med Infect Dis 2021; 39:101945. e intermunicipal para causas de óbito evitáveis ¹⁸18. Barrozo LV, Fornaciali M, André CDS, Morais GAZ, Mansur G, Cabral-Miranda W, et al. GeoSES: a socioeconomic index for health and social research in Brazil. PLoS One 2020; 15:e0232074.. Desse banco, foram utilizados o código do município de residência IBGE e a vulnerabilidade social ¹1. Ritchie H, Mathieu E, Rodés-Guirao LE, Cameron A, Giattino C, Ortiz-Ospina E, et al. Coronavirus country profiles. https://ourworldindata.org/coronavirus (acessado em 19/Out/2021).
https://ourworldindata.org/coronavirus... .

O banco de dados final foi elaborado via linkage entre SIVEP-Gripe ⁽¹⁷17. OpenDataSUS. SRAG 2021 e 2022 - banco de dados de síndrome respiratória aguda grave - incluindo dados da COVID-19. https://opendatasus.saude.gov.br/dataset/srag-2021-e-2022 (acessado em 19/Out/2021).
https://opendatasus.saude.gov.br/dataset... ⁾ e GeoSES, por meio da chave código do município de residência IBGE, comum em ambas as fontes ²2. Johns Hopkins Coronavirus Resource Center. COVID-19 dashboard. https://coronavirus.jhu.edu/map.html (acessado em 19/Out/2021).
https://coronavirus.jhu.edu/map.html... .

Medidas adotadas para evitar vieses

Com o propósito de abarcar não só o quadro agudo de COVID-19, mas também suas complicações derivadas da longa permanência hospitalar, considerou-se o período de 100 dias entre primeiros sintomas e óbito. É oportuno mencionar que o corte descarta possíveis erros de preenchimento e outliers distantes do percentil 90 do banco de dados bruto. Também optou-se por modelo de sobrevida ajustado para todas as variáveis de interesse para melhor ponderar o efeito da vulnerabilidade social.

Métodos estatísticos

Para a descrição das variáveis de estudo segundo desfechos clínicos, utilizaram-se as medianas, intervalo interquartil (IQR), frequências absolutas e relativas de cada classe (Tabela 1). A comparação das proporções das variáveis categóricas foi realizada por meio do teste qui-quadrado e para variáveis contínuas foi utilizado o teste Kruskal-Wallis, adotando-se nível de 5% de significância (p < 0,05). Para a visualização espacial, construiu-se um mapa de vulnerabilidade social segundo municípios com faixas de GeoSES (Figura 1) utilizando-se o software QGIS (https://qgis.org/en/site/) com as malhas territoriais disponibilizadas pelo IBGE ³3. Bastos LS, Ranzani OT, Souza TML, Hamacher S, Bozza FA. COVID-19 hospital admissions: Brazil’s first and second waves compared. Lancet Respir Med 2021; 9:e82-3..

Para descrever coeficiente de letalidade hospitalar, segundo vulnerabilidade social e faixa etária, realizou-se o cálculo desse coeficiente para décadas (50-59; 60-69; 70-79; 80 anos ou mais), e dentro dessas categorias, estratificou-se em faixas de vulnerabilidade social GeoSES (Figura 2).

O modelo final de riscos proporcionais de Cox (Tabela 2) foi ajustado após análise bruta para examinar fatores associados à sobrevida hospitalar. Considerou-se falha como óbitos e o risco foi expresso em hazard ratio (HR) com intervalos de 95% de confiança (IC95%). O modelo bruto incluindo somente a variável GeoSES foi plotado como curva de Kaplan-Meier para ilustrar a influência dessa variável para sobrevida hospitalar (Figura 3). No modelo múltiplo final (Tabela 2), foram testadas as variáveis preditoras que apresentaram valor de p < 0,20 na análise bruta. Após procedimento backwards, foram consideradas significativas as associações com p < 0,05. Adicionalmente, foram analisados os tempos de sobrevida entre os primeiros sintomas e o desfecho registrado.

Não foram incluídas na análise de sobrevida as variáveis UTI e vacinação (uma dose ou mais). Para UTI ocorreu colinearidade com a variável ventilação invasiva, e optou-se por estudar ventilação invasiva devido à realização do procedimento ocorrer no paciente grave, independentemente do espaço físico hospitalar, ou seja, pode ser realizado tanto em UTI, quanto em enfermarias e prontos-socorros. No mais, o critério para admissão em UTI pode variar entre hospitais públicos e privados e segundo a situação de escassez de leitos. A vacinação não entrou no modelo de sobrevida em razão da limitação intrínseca do banco de dados. No início da pandemia, não havia vacinação e, quando disponível, deu-se de forma não homogênea, priorizada entre faixas etárias de maior risco. Ademais, não há como mensurar com precisão a soroconversão da vacina no paciente idoso no SIVEP-Gripe. Vale lembrar que apenas 14,8% da população estudada possuía registro de vacinação no banco de dados SIVEP-Gripe, além da heterogeneidade de vacinas aplicadas.

As análises estatísticas foram realizadas no software RStudio (https://rstudio.com/), utilizando os pacotes de análise: tidyverse²⁰20. Wickham H, Averick M, Bryan J, Chang W, McGowan L, François R, et al. Welcome to the Tidyverse. J Open Source Softw 2019; 4:1686. para limpeza de dados; survminer²¹21. Kassambara A, Kosinski M, Biecek P, Fabian S. survminer: drawing survival curves using “ggplot2”. https://cran.r-project.org/package=survminer (acessado em 29/Out/2021).
https://cran.r-project.org/package=survm... para modelo de Cox, tableone²²22. Yoshida K, Bartel A, Chipman JJ, Bohn J, McGowan LD, Barrett M, et al. tableone: create “table 1” to describe baseline characteristics with or without propensity score weights. https://cran.r-project.org/web/packages/tableone/index.html (acessado em 29/Out/2021).
https://cran.r-project.org/web/packages/... para tabela descritiva, teste de qui-quadrado e t; e ggplot2²³23. Wickham H, Chang W, Henry L, Pedersen TL, Takahashi K, Wilke C, et al. ggplot2: create elegant data visualisations using the grammar of graphics. https://cran.r-project.org/web/packages/ggplot2/index.html (acessado em 29/Out/2021).
https://cran.r-project.org/web/packages/... para visualização gráfica dos dados.

Aspectos éticos

A pesquisa utiliza informações de domínio público, com dados individualizados previamente desidentificados do SIVEP-Gripe do Departamento de Informática do SUS (DATASUS) ¹⁷17. OpenDataSUS. SRAG 2021 e 2022 - banco de dados de síndrome respiratória aguda grave - incluindo dados da COVID-19. https://opendatasus.saude.gov.br/dataset/srag-2021-e-2022 (acessado em 19/Out/2021).
https://opendatasus.saude.gov.br/dataset... .

Resultados

Foram estudados 410.504 casos, entre os quais havia 173.368 óbitos e letalidade hospitalar de 42,2% (Tabela 1).

Houve predomínio de homens (55%), com mediana de idade (IQR) de 68 (59-77) anos, brancos (41,5%), embora 20,3% dos dados constem como ignorados nesse campo. Para o tempo entre o início dos primeiros sintomas até a hospitalização, temos mediana (IQR) de 6 (3-10) dias e dos primeiros sintomas até alta temos 23 (15-38) dias. No que diz respeito à vulnerabilidade social, 51% dos indivíduos possuíam GeoSES B (0,00 até 0,50) para município de residência, ou seja, o segundo estrato mais alto de boa condição socioeconômica (Tabela 1).

Observou-se maior letalidade hospitalar para os grupos populacionais de homens (43,8%); idosos com 80 anos ou mais (61,3%); indígenas (50%); residentes no GeoSES D (51,4%); e de três comorbidades ou mais (54,4%). Dentre as comorbidades, nefropatas (61,2%) e neuropatas (59,8%) destacam-se com maiores letalidades (Tabela 3). Letalidade hospitalar segundo comorbidade específica e Unidade da Federação foram disponibilizadas em Material Suplementar (Tabelas 3 e 4).

Pacientes graves apresentaram elevada letalidade: os internados em UTI (63,5%) e os submetidos à ventilação invasiva (82,6%) (Tabela 1). Quanto ao tempo entre início dos primeiros sintomas e desfecho, existe diferença de um a dois dias a menos em pacientes que vieram a óbito comparados aos sobreviventes. Já na busca do hospital a partir dos sintomas, existe diferença de dois dias a menos em pacientes com desfecho óbito comparados aos sobreviventes. Houve menor letalidade no grupo de ao menos uma dose de vacina (36,2%), embora somente 14,5% possuíssem campo registrado. Todas as variáveis de interesse obtiveram p < 0,001.

Para letalidade hospitalar dos vulneráveis sociais segundo faixa etária, registra-se a presença de maior letalidade para o pior status socioeconômico em todos os grupos etários. A maior diferença de letalidade observada entre GeoSES A e D foi nos indivíduos de 50-59 anos. Nesse grupo obtivemos o dobro da letalidade no estrato D, com 33,8% (IC95%: 32,8-33,4), quando comparado com estrato A, com 15,8% (IC95%: 13,4-18,5) (Figura 2).

Para sobrevida hospitalar, a curva de Kaplan-Meier considerando somente o GeoSES ilustra associação expressiva da letalidade no estrato D em relação aos demais (logrank p < 0,001). Quando comparados os estratos A e D, a diferença encontrada foi de 11 dias a menos no ponto de 50% de sobrevida (Figura 3).

O modelo ajustado de Cox também identificou um risco elevado de óbito conforme o status socioeconômico, sendo maior o risco quanto pior o status, GeoSES C (HR = 1,13; IC95%: 1,06-1,21) e D (HR = 1,32; IC95%: 1,24-1,42) comparados ao estrato A. O estrato B não apresentou diferença significativa em relação ao A (Tabela 2). Também foi possível identificar um risco maior em homens quando comparados às mulheres (HR = 1,10; IC95%: 1,09-1,11); risco progressivamente maior nos mais idosos (HR = 2,59; IC95%: 2,55-2,64) em comparação aos indivíduos na faixa de 50-59 anos. No que diz respeito à raça/cor, destacam-se os indígenas (HR = 1,34; IC95%: 1,23-1,46) e pretos (HR = 1,08; IC95%: 1,05-1,10) com maior risco do que os brancos e amarelos. Para comorbidades, o risco é progressivamente maior em portadores de três ou mais doenças (HR = 1,38; IC95%: 1,36-1,40), quando comparados com aqueles sem comorbidades. Os submetidos à ventilação invasiva também indicaram importante risco de óbito (HR = 2,36; IC95%: 2,33-2,39), comparados aos não submetidos.

Discussão

Foi observada forte associação de vulnerabilidade social com risco de óbito entre os casos de COVID-19 em adultos com 50 anos ou mais hospitalizados no Brasil. Encontramos risco 32% maior em vulneráveis sociais. A diferença de letalidade entre vulneráveis (GeoSES D) e não vulneráveis (GeoSES A) revela expressivo intervalo na faixa de 50 a 69 anos, embora também seja significativa nos indivíduos de 70 anos ou mais. Tais resultados sugerem dificuldades de acesso, menor oportunidade de assistência hospitalar e piores condições de vida. O maior risco de óbito deu-se principalmente no GeoSES D, localizado principalmente no Norte e Nordeste do país (Figura 1), regiões nas quais houve acometimento tardio e intenso da COVID-19 ²⁴24. Barbosa IR, Galvão MHR, Souza TA, Gomes SM, Medeiros AA, Lima KC. Incidence of and mortality from covid-19 in the older Brazilian population and its relationship with contextual indicators: an ecological study. Rev Bras Geriatr Gerontol 2020; 23:e200171.^,2525. Lima EEC, Gayawan E, Baptista EA, Queiroz BL. Spatial pattern of covid-19 deaths and infections in small areas of Brazil. PLoS One 2021; 16:e0246808..

Antes da pandemia, a vulnerabilidade social já esteve associada a redução de 2,1 anos na expectativa de vida entre as idades de 40 e 85 anos em metanálise conduzida somente em países europeus e ainda inédita na América Latina ²⁶26. Stringhini S, Carmeli C, Jokela M, Avendaño M, Muennig P, Guida F, et al. Socioeconomic status and the 25 × 25 risk factors as determinants of premature mortality: a multicohort study and meta-analysis of 1.7 million men and women. Lancet 2017; 389:1229-37., cujos índices de concentração de renda são significativamente maiores comparados aos europeus ²⁷27. United Nations Development Programme. Human development report 2019. Nova Iroque: United Nations Development Programme; 2019.. Com a pandemia em andamento, as desigualdades socioeconômicas existentes no Brasil afetaram o curso da doença com reflexo negativo nas taxas de mortalidade para estados e municípios com alta vulnerabilidade social. Essas regiões obtiveram importante influência de indicadores sociais frente às demais covariáveis demográficas e fatores de risco ²⁸28. Rocha R, Atun R, Massuda A, Rache B, Spinola P, Nunes L, et al. Effect of socioeconomic inequalities and vulnerabilities on health-system preparedness and response to covid-19 in Brazil: a comprehensive analysis. Lancet Glob Heal 2021; 9:e782-92.^,2929. Demenech LM, Dumith SC, Vieira MECD, Neiva-Silva L. Desigualdade econômica e risco de infecção e morte por covid-19 no Brasil. Rev Bras Epidemiol 2020; 23:e200095., caso semelhante aos achados deste estudo. Soma-se ao exposto, a diminuição da expectativa de vida no país com impacto na longevidade dos brasileiros, especialmente em estados com ganhos recentes na expectativa de vida, sobretudo das regiões Norte e Nordeste ³⁰30. Castro MC, Gurzenda S, Turra CM, Kim S, Andrasfay T, Goldman N. Reduction in life expectancy in Brazil after covid-19. Nat Med 2021; 27:1629-35..

Outros estudos também reportam elevada letalidade em homens, portadores de comorbidades e nas faixas etárias de 50 anos ou mais (maior à medida que a idade aumenta), segundo coortes hospitalares brasileiras durante a primeira onda da pandemia de COVID-19 ¹³13. Souza FSH, Hojo-Souza NS, Batista BDO, Silva CM, Guidoni DL. On the analysis of mortality risk factors for hospitalized covid-19 patients: a data-driven study using the major Brazilian database. PLoS One 2021; 16:e0248580.^,3131. Ranzani OT, Bastos LSL, Gelli JGM, Marchesi JF, Baião F, Hamacher S, et al. Characterisation of the first 250 000 hospital admissions for covid-19 in Brazil: a retrospective analysis of nationwide data. Lancet Respir Med 2021; 9:407-18.. Nossos dados são semelhantes aos do início da COVID-19, segundo relatório do Centro Chinês de Controle e Prevenção de Doenças, no qual foram descritas maiores taxas de mortalidade nos grupos de indivíduos com 70 a 80 anos ou mais ³²32. Wu Z, McGoogan JM. Characteristics of and important lessons from the coronavirus disease 2019 (covid-19) outbreak in China. JAMA 2020; 323:1239.. Em consonância, tal levantamento também apontou portadores de comorbidades como população de risco ³²32. Wu Z, McGoogan JM. Characteristics of and important lessons from the coronavirus disease 2019 (covid-19) outbreak in China. JAMA 2020; 323:1239., assim como em estudo de coorte hospitalar brasileiro ³¹31. Ranzani OT, Bastos LSL, Gelli JGM, Marchesi JF, Baião F, Hamacher S, et al. Characterisation of the first 250 000 hospital admissions for covid-19 in Brazil: a retrospective analysis of nationwide data. Lancet Respir Med 2021; 9:407-18..

No mais, nossos dados apontam maior risco de pior desfecho para indivíduos que se declararam pretos ou indígenas. Afirmamos que essa população tradicional obteve o maior risco de óbito frente aos demais grupos demográficos. Cupertino et al. ⁽³³33. Cupertino GA, Cupertino MC, Gomes AP, Braga LM, Siqueira-Batista R. COVID-19 and brazilian indigenous populations. Am J Trop Med Hyg 2020; 103:609-12.⁾ chamam atenção para alta mortalidade em indígenas com COVID-19 no Brasil, e alta letalidade também foi registrada em estudo de coorte hospitalar brasileiro ³¹31. Ranzani OT, Bastos LSL, Gelli JGM, Marchesi JF, Baião F, Hamacher S, et al. Characterisation of the first 250 000 hospital admissions for covid-19 in Brazil: a retrospective analysis of nationwide data. Lancet Respir Med 2021; 9:407-18.. Já para população preta, piores desfechos também foram descritos em estudo ecológico com idosos brasileiros, no qual houve correlação de mortalidade em estados com maior porcentagem de população preta e parda ²⁴24. Barbosa IR, Galvão MHR, Souza TA, Gomes SM, Medeiros AA, Lima KC. Incidence of and mortality from covid-19 in the older Brazilian population and its relationship with contextual indicators: an ecological study. Rev Bras Geriatr Gerontol 2020; 23:e200171.. Outros autores também descrevem risco para pretos e pardos, como porte de comorbidades, maior risco de hospitalização, óbito e menor condição de isolamento por vulnerabilidade social ³⁴34. Li SL, Pereira RHM, Prete Jr. CA, Zarebski AE, Emanuel L, Alves PJH, et al. Higher risk of death from covid-19 in low-income and non-white populations of São Paulo, Brazil. BMJ Glob Health 2021; 6:e004959.^,3535. Gao Y, Ding M, Dong X, Zhang J, Kursat Azkur A, Azkur D, et al. Risk factors for severe and critically ill COVID‐19 patients: a review. Allergy 2021; 76:428-55.^,3636. Oliveira RG, Cunha AP, Gadelha AGS, Carpio CG, Oliveira RB, Corrêa RM. Desigualdades raciais e a morte como horizonte: considerações sobre a COVID-19 e o racismo estrutural. Cad Saúde Pública 2020; 36:e00150120..

Os achados deste estudo sugerem associação entre desigualdade social com elevada letalidade e pior sobrevida hospitalar. Esses grupos acumulam outros fatores de risco e barreiras de acesso a serviços de saúde que incrementam o risco para um pior desfecho da infecção por SARS-CoV-2 ³⁴34. Li SL, Pereira RHM, Prete Jr. CA, Zarebski AE, Emanuel L, Alves PJH, et al. Higher risk of death from covid-19 in low-income and non-white populations of São Paulo, Brazil. BMJ Glob Health 2021; 6:e004959.^,3737. Bambra C, Riordan R, Ford J, Matthews F. The covid-19 pandemic and health inequalities. J Epidemiol Community Health 2020; 74:964-8.^,3838. Raifman MA, Raifman JR. Disparities in the population at risk of severe illness from COVID-19 by race/ethnicity and income. Am J Prev Med 2020; 59:137-9.^,3939. Bispo Júnior JP, Santos DB. COVID-19 como sindemia: modelo teórico e fundamentos para a abordagem abrangente em saúde. Cad Saúde Pública 2021; 37:e00119021..

Soma-se ao exposto a condução inadequada da pandemia pelo Governo Federal, violando seu papel de gestor central das medidas de contenção e prevenção da doença ⁴⁰40. Ventura DFL, Perrone-Moisés C, Martin-Chenut K. Pandemia e crimes contra a humanidade: o “caráter desumano” da gestão da catástrofe sanitária no Brasil. Revista Direito e Práxis 2021; 12:2206-57.. Houve divulgação de informações incorretas e contraditórias acerca da COVID-19, atraso na aquisição de vacinas, falhas na distribuição de insumos e assistência aos doentes ⁵5. Ventura DFL, Aith FMA, Reis RR, Ferreira AB, Rosa AV, Farias AS, et al. Brazil the timeline of the Federal Government’s strategy to spread covid-19. São Paulo: Centro de Estudos e Pesquisas de Direito Sanitário, Faculdade de Saúde Pública, Universidade de São Paulo; 2021.^,4141. Ferrante L, Steinmetz WA, Almeida ACL, Leão J, Vassão RC, Tupinambás U, et al. Brazil’s policies condemn Amazonia to a second wave of covid-19. Nat Med 2020; 26:1315.. Tais ações e omissões constituíram necropolítica ⁴²42. Dall’Alba R, Rocha CF, Silveira RP, Dresch LSC, Vieira LA, Germanò MA, et al. COVID-19 in Brazil: far beyond biopolitics. Lancet 2021; 397:579-80., com exposição ao contágio dos mais vulneráveis ⁴³43. Oficina del Alto Comisionado de las Naciones Unidas para los Direchos Humanos. COVID-19: políticas econômicas e sociais no Brasil colocam milhões de vidas em risco. https://acnudh.org/pt-br/covid-19-politicas-economicas-y-sociales-en-brasil-ponen-en-riesgo-millones-de-vidas-expertos-onu/ (acessado em 29/Out/2021).
https://acnudh.org/pt-br/covid-19-politi... e subestimação da crise ⁴⁴44. The Lancet. COVID-19 in Brazil: “so what?” Lancet 2020; 395:1461.. No mais, os ataques sistemáticos à ciência brasileira ⁴⁵45. Hallal PC. SOS Brazil: science under attack. Lancet 2021; 397:373-4. e a retirada de capital de fomento à pesquisa ⁴⁶46. Rodrigues M. Scientists reel as Brazilian government backtracks on research funds. Nature 2021; [Online ahead of print]. também foram decisivos para a condução da pandemia.

O estudo possui o mérito de mensurar o risco de óbito para o macro determinante social em saúde compreendido por vulnerabilidade social em população adulta com 50 anos ou mais no Brasil durante a crise sanitária causada pelo coronavírus SARS-CoV-2. Trabalhamos com banco de dados público e códigos de análise abertos, prezando pela transparência e reprodutibilidade. Além disso, o SIVEP-Gripe é um banco oficial, utilizado pela vigilância epidemiológica para monitorização de SRAG, possui abrangência nacional e representa dados da base populacional brasileira.

Entre as limitações do estudo, apontamos que pacientes vulneráveis podem ter morrido sem ao menos uma internação e registro durante os períodos de sobrecarga do sistema hospitalar brasileiro e, dessa forma, não foram contemplados na análise. Embora o campo raça/cor seja de preenchimento obrigatório mediante autodeclaração no SIVEP-Gripe, ele apresentou importante subnotificação, com 20,3% dos registros ignorados, o que pode ter afetado a precisão da mensuração do risco de óbito de pretos e principalmente pardos em nosso estudo. Tendo em vista a ausência do censo de 2020, a utilização de indicadores oriundos do censo de 2010 pode não refletir as condições de vida atuais. Entretanto, esse indicador foi validado em âmbito municipal para COVID-19 ¹⁹19. Bermudi PMM, Lorenz C, Aguiar BS, Failla MA, Barrozo LV, Chiaravalloti-Neto F. Spatiotemporal ecological study of covid-19 mortality in the city of São Paulo, Brazil: shifting of the high mortality risk from areas with the best to those with the worst socio-economic conditions. Travel Med Infect Dis 2021; 39:101945. e intermunicipal para casas de óbito evitáveis ¹⁸18. Barrozo LV, Fornaciali M, André CDS, Morais GAZ, Mansur G, Cabral-Miranda W, et al. GeoSES: a socioeconomic index for health and social research in Brazil. PLoS One 2020; 15:e0232074.. Ao final, ressalta-se que este estudo retrata a totalidade dos casos COVID-19 notificados em um país continental estratificado com a granularidade municipal, que impossibilita trabalhar com desigualdades intramunicipais frequentes e importantes para a gestão local.

Os contextos social, econômico e ambiental determinam as condições de vida das populações e potencializam a interação entre as doenças coexistentes e a COVID-19, principalmente nos contextos de pobreza, exclusão social, estigmatização, violência estrutural e problemas ambientais ³⁹39. Bispo Júnior JP, Santos DB. COVID-19 como sindemia: modelo teórico e fundamentos para a abordagem abrangente em saúde. Cad Saúde Pública 2021; 37:e00119021.. É necessário que medidas intersetoriais sejam direcionadas para mitigar os efeitos da pandemia de COVID-19 agravados pela vulnerabilidade social, buscando soluções de caráter político, orientadas coletivamente para a transformação social e diminuição das desigualdades, a partir da estratégia da promoção de saúde com ênfase em seus determinantes sociais.

Referências

Datas de Publicação

Histórico