Resumos

Introdução

O aperfeiçoamento das estatísticas vitais sobre mortalidade resultou em ampliação da base de dados coletada e redução das causas mal definidas no Brasil ¹1. Mikkelsen L, Phillips DE, AbouZahr C, Setel PW, de Savigny D, Lozano R, et al. A global assessment of civil registration and vital statistics systems: monitoring data quality and progress. Lancet 2015; 386:1395-406.. Essas e outras causas garbage (CG), entretanto, representam um desafio na interpretação dos indicadores de violências e acidentes por provocar subenumeração das causas específicas de morte ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.^,33. Cerqueira D, Bueno S, coordenadores. Atlas da violência 2023. https://www.ipea.gov.br/atlasviolencia/publicacoes (acessado em 23/Mar/2024).
https://www.ipea.gov.br/atlasviolencia/p... .

CG são um conjunto de códigos da Classificação Internacional de Doenças - 10ª Revisão (CID-10) que definem diagnósticos pouco específicos ou desconhecidos de causa básica de morte. A imprecisão das CG influencia o verdadeiro padrão de mortalidade e tem sido usada como indicador do nível de abrangência e especificidade dos dados por limitar sua utilidade para informar políticas de saúde pública ⁴4. Mikkelsen L, Richards N, Lopez A. Redefining 'garbage codes' for public health policy: report on the expert group meeting, 27-28 February 2017. CRVS best-practice and advocacy. Melbourne: University of Melbourne; 2019.. Essa falha no registro dos óbitos tem sido alvo de correção em estudos que objetivam extensas comparações internacionais ⁵5. Lozano R, Naghavi M, Foreman K, Lim S, Shibuya K, Aboyans V, et al. Global and regional mortality from 235 causes of death for 20 age groups in 1990 and 2010: a systematic analysis for the Global Burden of Disease Study 2010. Lancet 2012; 380:2095-128.^,66. Abbafati C, Abbas KM, Abbasi-Kangevari M, Abd-Allah F, Abdelalim A, Abdollahi M, et al. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet 2020; 396:1204-22..

O uso generalizado de CG na causa básica subenumera as causas específicas de mortes violentas. Por exemplo, traumatismo múltiplo como causa básica na declaração de óbito é CG, pois na verdade seria a lesão fatal a ser incluída como causa intermediária ou terminal decorrente de alguma circunstância que iniciou a cadeia de eventos que levou à morte, como acidentes, homicídio ou suicídio, verdadeiras causas básicas externas ⁷7. Ministério da Saúde. Protocolos de codificações especiais em mortalidade. https://svs.aids.gov.br/daent/cgiae/sim/documentacao/ (acessado em 23/Mar/2024).
https://svs.aids.gov.br/daent/cgiae/sim/... .

Em condições ideais, os dados de óbito teriam qualidade suficiente, e não seria necessário um método para redistribuição de CG ⁸8. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175.. Como princípio geral, essas causas não deveriam exceder 10% das mortes em maiores de 65 anos e 5% nas idades inferiores ⁹9. World Heath Organization. Analysing mortality and causes of death, version 3 (ANACoD3). https://anacod-cdn.azureedge.net/v11/#/reference/user-guidance (acessado em 23/Mar/2024).
https://anacod-cdn.azureedge.net/v11/#/r... . A confiabilidade dos dados permitiria a produção da evidência significativa para informar políticas públicas corretas de proteção à vida. Embora estatísticas de mortalidade sólidas e precisas não sejam por si só suficientes, a ausência delas deixaria espaço a especulações na tomada de decisões ¹⁰10. AbouZahr C, Adjei S, Kanchanachitra C. From data to policy: good practices and cautionary tales. Lancet 2007; 369:1039-46..

Entretanto, a questão das CG tem sido uma limitação compartilhada por diferentes países. Essas causas não especificadas ou implausíveis atingiram 29% dos óbitos na Noruega (entre 1996 e 2019) ¹¹11. Ellingsen CL, Alfsen GC, Ebbing M, Pedersen AG, Sulo G, Vollset SE, et al. Garbage codes in the Norwegian Cause of Death Registry 1996-2019. BMC Public Health 2022; 22:1301. e 25% nos Estados Unidos (entre 1980 e 2014) ¹²12. Dwyer-Lindgren L, Bertozzi-Villa A, Stubbs RW, Morozoff C, Kutz MJ, Huynh C, et al. US county-level trends in mortality rates for major causes of death, 1980-2014. JAMA 2016; 316:2385-401. e Coreia do Sul (entre 2010 e 2012) ¹³13. Lee YR, Kim YA, Park SY, Oh CM, Kim Y, Oh IH. Application of a modified garbage code algorithm to estimate cause-specific mortality and years of life lost in Korea. J Korean Med Sci 2016; 31 Suppl 2:S121-8.. Segundo o estudo Carga Global da Doença de 2010 (Global Burden of Disease; GBD-2010), entre 187 países, a CG foi mais baixa na Finlândia (5,5%) e mais alta no Sri Lanka (69,6%) ⁵5. Lozano R, Naghavi M, Foreman K, Lim S, Shibuya K, Aboyans V, et al. Global and regional mortality from 235 causes of death for 20 age groups in 1990 and 2010: a systematic analysis for the Global Burden of Disease Study 2010. Lancet 2012; 380:2095-128.. No último estudo GBD-2019, as CG de maior gravidade (classes 1 e 2) apresentaram valores substanciais na Argentina (27%), França e Uruguai (20%), Peru (19%), Japão e Brasil (17%), Estados Unidos (14%), México e Canadá (11%), Chile (10%), Colômbia (9%) e Cuba (8%) ⁶6. Abbafati C, Abbas KM, Abbasi-Kangevari M, Abd-Allah F, Abdelalim A, Abdollahi M, et al. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet 2020; 396:1204-22.. Quantos às variações subnacionais, as menores foram registradas no Japão, Noruega e Reino Unido e, inversamente, as maiores foram na Rússia (5,1% a 27,7%) e no Brasil, variando de 8,5% no Espírito Santo à 29,5% na Bahia ⁸8. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175..

As lesões por causas externas são a principal razão de mortes prematuras no Brasil. Em 2017, os 158,7 mil registros de mortes violentas, considerados sensíveis a políticas públicas de promoção da saúde, revelam sua importância na agenda nacional de saúde pública. Parte desses registros, contudo, apresenta descrição inespecífica sobre a circunstância que levou ao óbito. De fato, mesmo após qualificação sistemática dos registros de mortalidade pela vigilância epidemiológica, a carga de garbage permaneceu expressiva, correspondendo a 14% (21,5 mil) das causas externas em 2017 ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.^,1414. Malta DC, Saltarelli RMF, Prado RR, Monteiro RA, Almeida MF. Mortes evitáveis no Sistema Único de Saúde na população brasileira, entre 5 e 69 anos, 2000 - 2013. Rev Bras Epidemiol 2018; 21:e180008.. Como consequência, as CG de externas superam os suicídios no âmbito nacional, os homicídios no Estado de São Paulo, e os acidentes de transporte e suicídios em São Paulo e Rio de Janeiro ¹⁵15. Secretaria de Vigilância em Saúde, Ministério da Saúde. A importância dos códigos garbage para a magnitude da mortalidade por causas externas no Brasil, 2017. Boletim Epidemiológico 2020; 51:22-6.. Estima-se ainda que 39% dos óbitos com intenção indeterminada são por homicídios ³3. Cerqueira D, Bueno S, coordenadores. Atlas da violência 2023. https://www.ipea.gov.br/atlasviolencia/publicacoes (acessado em 23/Mar/2024).
https://www.ipea.gov.br/atlasviolencia/p... . Um fator que dificulta a obtenção e a produção de dados de alta qualidade das causas externas é a emissão e a investigação das causas de morte fora do setor de saúde, envolvendo outras partes interessadas como médico-legista, polícia e sistema judicial ¹⁶16. Frederes A, Schwid AR. Legal frameworks for civil registration and vital statistics systems. Rev Bras Epidemiol 2019; 22:e190018.^,1717. Soares Filho AM, Duarte E, Adair T, Bermúdez XPD, Merchan-Hamann E. Mortality surveillance in Brazil: factors associated with certification of unspecified external cause of death. Ciênc Saúde Colet 2022; 27:1289-300..

Num cenário de incerteza da causa de mortalidade, além de medidas para o aperfeiçoamento do preenchimento mais completo das circunstâncias de causa de morte na declaração de óbito, outra dimensão a ser equacionada é o emprego de métodos confiáveis e adequados para a correção das causas externas. Diferentes estratégias de redistribuição das CG para estimar causas válidas são utilizadas com o propósito de compreender as causas básicas reais de mortalidade. Os métodos têm empregado modelos estatísticos, distribuição proporcional das causas definidas ou fatores de correção com base em dados empíricos. Assim, pretendem uma padronização da qualidade e da validade dos dados de mortalidade, possibilitando a comparabilidade geográfico-temporal das estatísticas de morte ⁸8. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175.^,1818. Soares Filho AM, Cortez-Escalante JJ, França E. Revisão dos métodos de correção de óbitos e dimensões de qualidade da causa básica por acidentes e violências no Brasil. Ciênc Saúde Colet 2016; 21:3803-18.^,1919. Bierrenbach AL, Alencar GP, Martinez C, Souza MFM, Policena GM, França EB. Redistribution of heart failure deaths using two methods: linkage of hospital records with death certificate data and multiple causes of death data. Cad Saúde Pública 2019; 35:e00135617..

O GBD, estudo abrangente de estimativas epidemiológicas, aplica métodos para o tratamento dos dados de mortalidade, sendo a redistribuição das CG a etapa mais impactante ⁸8. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175., mas assume a desvantagem de ser complexo e de difícil reprodução ¹⁸18. Soares Filho AM, Cortez-Escalante JJ, França E. Revisão dos métodos de correção de óbitos e dimensões de qualidade da causa básica por acidentes e violências no Brasil. Ciênc Saúde Colet 2016; 21:3803-18.. Com isso, é necessário investir em estratégias metodológicas mais acessíveis a formuladores de políticas em saúde para o uso oportuno da informação, mantendo as estimativas robustas e confiáveis. A fim de contribuir com o desenvolvimento de métodos acessíveis, que considerem a realidade local dos dados do Sistema de Informações sobre Mortalidade (SIM), este estudo objetiva estimar a mortalidade de causas externas por meio de uma proposta metodológica baseada em algoritmo de redistribuição de CG, e comparar com dados diretos do SIM e estimados do estudo GBD para o Brasil e Unidades Federativas (UFs) entre 2010 e 2019.

Métodos

Foi feito um estudo descritivo-comparativo com o intuito de apresentar uma metodologia original e inovadora para gerar estimativas de causas externas de mortalidade corrigidas por algoritmo de redistribuição de CG em UFs brasileiras. Essas estimativas foram comparadas com dados do SIM, sem correção, e as estimativas do estudo GBD-IHME (do Instituto de Métricas e Avaliação em Saúde, Estados Unidos) entre 2010 e 2019.

O SIM do Ministério da Saúde ²⁰20. Departamento de Informática do SUS. Transferência de arquivos: Sistema de Informações sobre Mortalidade. https://datasus.saude.gov.br/transferencia-de-arquivos/ (acessado em 18/Mai/2023).
https://datasus.saude.gov.br/transferenc... é a fonte primária dos óbitos utilizados neste estudo (GBD-Brasil/Universidade Federal de Minas Gerais [UFMG]). A comparação das estimativas geradas pelo estudo com os dados diretos avalia o impacto das correções nos dados oficiais de mortalidade do país. Por outro lado, visando uma referência comparativa com dados corrigidos, foram utilizadas as estimativas do GBD-IHME ²¹21. Institute for Health Metrics and Evaluation. GBD results. https://vizhub.healthdata.org/gbd-results/ (acessado em 15/Dez/2023).
https://vizhub.healthdata.org/gbd-result... .

O estudo GBD-IHME aplica métodos complexos para o tratamento dos dados de mortalidade, previamente detalhados ⁶6. Abbafati C, Abbas KM, Abbasi-Kangevari M, Abd-Allah F, Abdelalim A, Abdollahi M, et al. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet 2020; 396:1204-22.^,88. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175.. Para o Brasil, o SIM também é sua fonte principal de dados. Nesse processo de correção do GBD, destacamos etapas importantes. A primeira é o mapeamento das causas básicas de morte de acordo com a lista GBD por idade (códigos do GBD-2019. Material Suplementar - Quadro S1; https://cadernos.ensp.fiocruz.br/static//arquivo/suppl-e00056424_5279.pdf). Em seguida, é feita uma avaliação das causas incoerentes (por exemplo, câncer de próstata em mulheres) e dados faltantes (sem idade ou sexo). A etapa que gera maior impacto nas estimativas é a redistribuição das CG, a qual considera o peso dessa ação para as suas respectivas causas-alvo, causas básicas válidas ou específicas finais. Por fim, são aplicadas técnicas para suavização dos dados levando em conta a variação estocástica ao longo dos anos, num processo chamado redução de ruído ⁶6. Abbafati C, Abbas KM, Abbasi-Kangevari M, Abd-Allah F, Abdelalim A, Abdollahi M, et al. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet 2020; 396:1204-22., e aplicados fatores de correção de sub-registro para as UFs. Todas as correções são feitas levando em consideração ano, sexo, idade e UFs do território brasileiro.

Metodologia de redistribuição (GBD-Brasil)

O método de correção de óbitos do presente estudo executa procedimentos prévios da metodologia do GBD-IHME, nesta ordem: definição dos códigos da CID-10 mapeados e atribuídos para a lista de causas de morte do GBD (causas-alvo e garbage); redistribuição proporcional dos dados faltantes de idade e sexo, considerando local e ano; redistribuição das CG para causas-alvo; e aplicação dos fatores de correção do GBD-IHME para o sub-registro de óbitos por sexo e idade em cada UF do Brasil.

É importante destacar que na etapa de mapeamento das causas, segundo a lista GBD, a lista original foi modificada e adequada ao processo de redistribuição aplicado neste estudo. Uma vez que o estudo GBD define hierarquias de classes das CG e de níveis das causas específicas, definiu-se inicialmente o grau hierárquico a ser utilizado e se estabeleceu as causas específicas que seriam consideradas no estudo com uma avaliação para cada CG. Por exemplo, lesão de trânsito sem especificação do tipo de veículo ou modo de transporte da vítima são CG, entretanto, como foram calculadas estimativas para lesões de trânsito, essas CG foram pré-definida como lesão de trânsito, uma vez que são redistribuídas apenas dentro dos tipos de lesão de trânsito, subgrupos de detalhamento que não foram estimados no presente estudo.

Mapeamento das causas externas

As causas externas definidas são consideradas alvo para a redistribuição de CG (CID-10) nos seguintes subgrupos: (1) lesões de trânsito (V01-V04.9, V06-V80.9, V82-V82.9, V87.0-V87.9, V89); (2) acidentes por quedas (W00-W19.9); (3) suicídios (X60-X64.9, X66-X84.9, Y87.0); (4) homicídios (X85-Y09.9, Y87.1); (5) outras lesões de transporte (V05-V05.9, V81-V81.9, V83-V86.9, V88.0-V88.9, V90-V99); e (6) outras causas externas (W200-W469, W490-W60.9, W64-W70.9, W730-W74.9, W770-W77.9, W810-W82.9, W850-W94.9, W97.9, W990-X06.9, X08-X39.9, X46.0-X48.9, X50-X54.9, X57-X58.9, Y350-Y849, Y880-Y883, Y890-Y891) e um grupo de códigos de causas naturais definidos previamente como outras causas externas (L550-L558, L563, L568, L580, L581).

Os demais códigos do capítulo XX de causas externas (CID-10: V010 a Y899), não mapeados nos subgrupos anteriores, são CG a serem redistribuídos.

Este estudo apresenta resultados para o total de causas externas-alvo e os quatro subgrupos de causa (lesões de trânsito, quedas, suicídios e homicídios). A lista completa de causas-alvo está disponível no Material Suplementar (Quadro S2; https://cadernos.ensp.fiocruz.br/static//arquivo/suppl-e00056424_5279.pdf).

Procedimentos de redistribuição

Inicialmente, foram redistribuídos registros com dados faltantes de idade, sexo e ano. Após a análise das CG e respectivas causas específicas, a redistribuição das CG teve como criação dos pesos de redistribuição dois critérios principais: a proporção das causas-alvo em cada localidade, segundo sexo, idade e ano; ou a proporção de reclassificação das CG para causas-alvo considerando uma análise dos óbitos investigados pelo Projeto 60 Cidades ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.. A escolha entre esses critérios teve como fatores o número de óbitos das CG e a diferença de resultado entre esses. Exposição acidental a fatores não especificados (X59) e eventos não especificados de intenção não determinada (Y34) foram redistribuídos pela reclassificação de óbitos investigados para causas-alvo de externas ou naturais (Material Suplementar - Quadro S3 e Tabela S1; https://cadernos.ensp.fiocruz.br/static//arquivo/suppl-e00056424_5279.pdf) ²²22. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3.. Destaca-se que as pneumonias, também redistribuídas pelo critério de óbitos investigados, mantiveram proporções consideráveis após o processo e, por esse motivo, foram mantidas como uma das causas-alvo ao fim da ação (Material Suplementar - Quadro S2; https://cadernos.ensp.fiocruz.br/static//arquivo/suppl-e00056424_5279.pdf). As demais causas externas garbage foram redistribuídas pela proporção das causas-alvo. Por sua vez, as causas externas-alvo ainda receberam óbitos redistribuídos de algumas causas naturais garbage, i.e. septicemias, pneumonias e causas mal definidas. Dados empíricos de reclassificação das CG confirmam esse processo de migração entre causas naturais e externas ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.^,1818. Soares Filho AM, Cortez-Escalante JJ, França E. Revisão dos métodos de correção de óbitos e dimensões de qualidade da causa básica por acidentes e violências no Brasil. Ciênc Saúde Colet 2016; 21:3803-18.. O algoritmo de redistribuição das causas externas garbage no método GBD-Brasil é representado graficamente na Figura 1, e as rotinas de redistribuição das CG para os dados do SIM estão disponíveis em linguagem em R no link: https://github.com/saeufmg/gc_redistribution_ufmg.

O Projeto 60 Cidades foi uma intervenção brasileira para melhorar o diagnóstico da causa básica de óbito registrada no SIM em 2017. Entre as ações, a CG de externas foi investigada a partir de diferentes fontes de informação, incluindo institutos de medicina legal e hospitais, utilizando um formulário padrão de investigação. Os 60 municípios registraram cerca da metade dessas causas no país, das quais 65% foram reclassificadas após investigação. A base de dados de óbito do SIM das localidades com a informação das causas básicas antes e após a investigação serviu de parâmetro para a reclassificação e a obtenção de valores percentuais de mudança de uma CG de externa para uma causa válida e suficientemente específica para informar a circunstância da morte de causa externa ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.. Então, as frações percentuais de reclassificação para o conjunto desses dados foram empregadas neste estudo, conforme valores apresentados no Material Suplementar (Quadro S3; https://cadernos.ensp.fiocruz.br/static//arquivo/suppl-e00056424_5279.pdf).

Dados diretos do SIM

O cálculo do total de causas externas do SIM considera as causas externas específicas do SIM (lesões de trânsito, quedas, suicídios e homicídios), conforme a definição anterior de causas-alvo, e as causas externas garbage, que são redistribuídas apenas entre as causas externas. Portanto, a organização dos dados diretos de causas externas do SIM (capítulo XX da CID-10: V010-Y899) segue as etapas descritas a seguir:

Etapa 1: Foram incluídas na base de dados de causas externas um grupo de causas naturais considerado causas externas definidas (L550-L558, L563, L568, L580, L581) e outro listado como CG de causas externas (G443, G913, R58);

Etapa 2: Foram excluídos da base de dados de causas externas um grupo de causas considerados doenças crônicas não transmissíveis (X450-X459, X650-X659, Y150-Y159) e outro como aspiração pulmonar em neonatal (W750-W759, W780-W809, W830-W849); e

Etapa 3: identificadas e excluídas as CG externas que podem ser redistribuídas para causas externas ou causas naturais, conforme resultados do Projeto 60 Cidades: exposição acidental a fatores não especificados (X59); e eventos não especificados de intenção não determinada (Y34) ²²22. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3..

Análise de dados

As taxas padronizadas de mortalidade por 100 mil habitantes, usando método direto, são utilizadas para comparação entre estimativas dos métodos GBD-Brasil e GBD-IHME e dados diretos do SIM em causas externas e seus quatro subgrupos (lesões de trânsito, quedas, suicídios e homicídios). A população utilizada nos três métodos está disponível no site do Ministério da Saúde, tendo a do ano 2010 como população padrão ²³23. Departamento de Informática do SUS. População residente: projeção da população das unidades da federação por sexo, idade simples ou faixa-etária: 2010-2060 (edição 2018). http://tabnet.datasus.gov.br/cgi/deftohtm.exe?ibge/cnv/projpopuf.def (acessado em 23/Set/2023).
http://tabnet.datasus.gov.br/cgi/deftoht... . Inicialmente, apresenta-se a série temporal das taxas de mortalidade de 2010 a 2019 no Brasil, aplicando o método de loess (regressão local), e por UFs, bem como fatores de correção dos dados diretos do SIM, usando a razão de taxas: r = GBD-Brasil / Dados do SIM. Um ranking das taxas exibe mudanças no perfil de mortalidade por UF com o método GBD-Brasil em relação aos dados diretos do SIM em 2019.

Aspectos éticos

Esta pesquisa obedece à Resolução nº 466/2012, do Conselho Nacional de Saúde. A pesquisa foi aprovada pelo Comitê de Ética em Pesquisa envolvendo Seres Humanos da UFMG (parecer nº 3.258.076).

Resultados

O Brasil registrou, de 2010 a 2019, uma carga de mortalidade inicial por causas externas de 1,34 milhão de óbitos com causas suficientemente especificadas e 171.700 CG. Entre as CG, 46,4% foram por exposição acidental a fatores não especificados (X59) ou eventos não especificados de intenção não determinada (Y34). A redistribuição de CG com o método GBD-Brasil aumentou as causas externas especificadas para 1,50 milhão de óbitos em 12,2% no período. Em etapa posterior, a correção de sub-registro elevou em mais 6% a carga nacional de mortalidade de causas externas para 1,59 milhão.

As taxas estimadas do GBD-Brasil evoluíram com traçado semelhante às curvas de tendência com dados diretos do SIM de 2010 a 2019, diferentemente do GBD-IHME, que tem estimativas temporalmente suavizadas. Os três métodos apontaram tendência de decréscimo das taxas de mortalidade por causas externas e lesões de trânsito para o âmbito nacional. No entanto, taxas de suicídios e mortes acidentais por quedas apresentaram tendência de aumento no GBD-Brasil (32,9%; 15,7%) e nos dados do SIM (26,3%; 14,6%), e os homicídios apresentaram redução (-12,6%; -19,6%), enquanto o GBD-IHME indicou estabilidade (Figura 2).

Os métodos aplicados convergem com a tendência negativa das taxas de mortalidade de causas externas em todos as UFs do Sudeste, do Sul e do Centro-oeste, embora com diferenças marcantes de magnitude entre as unidades geográficas, sobretudo no Distrito Federal e no Mato Grosso. No Norte e no Nordeste, os métodos convergem com tendência também negativa no Pará, em Rondônia, no Alagoas e na Paraíba, e positiva no Acre, em Roraima e no Piauí (Tabela 1).

Ao comparar as taxas corrigidas em relação às taxas com os dados diretos, observou-se que a correção do GBD-IHME teve maior impacto do que a metodologia do GBD-Brasil no âmbito nacional, exceto no último triênio para suicídios, mortes por quedas e homicídios. Em ambos os métodos, os fatores de correção das taxas de mortalidade de causas externas variaram com redução até 2018, voltando a aumentar em 2019 (Figura 2 e Tabela 2). Analisando o método GBD-Brasil, observou-se uma maior correção nas taxas para o último ano em todas as causas. Contudo, o fator de correção foi menor em 2019 em algumas UFs, particularmente na Paraíba e no Rio Grande do Norte, para todas as causas. Acidentes por quedas apresentaram mais UFs com correção menor em 2019 (14 de 27), enquanto 23 de 27 UFs exibiram correção maior para homicídios (Tabela 2).

O GBD-Brasil estimou maior correção da taxa de mortalidade acidental por quedas no Brasil e nas UFs do Norte e do Nordeste em 2019, exceto Rondônia, que foi homicídio (1,38). Nas UFs das demais regiões, o homicídio obteve maior correção, exceto Rio de Janeiro (2,32), Mato Grosso do Sul (1,28) e Rio Grande do Sul (1,13), que foram mortes acidentais por quedas (Tabela 2). Entre as UFs, as maiores correções em cada tipo de causa foram: (1) mortes de lesões de trânsito e suicídios no Rio de Janeiro, em Pernambuco e no Espírito Santo; (2) mortes acidentais por quedas no Rio de Janeiro, no Maranhão e na Bahia; (3) e homicídios no Rio de Janeiro, em São Paulo e no Espírito Santo.

A correção dos dados diretos do SIM com o método GBD-Brasil mudou a magnitude das taxas de mortalidade por causas externas e a posição de classificação de risco em 22 das 27 UFs em 2019 (Figura 3). Além da Paraíba, as UFs com as maiores taxas (Roraima e Tocantins) e menores (Distrito Federal e São Paulo) mantiveram suas posições. As UFs que mais subiram de posição foram Espírito Santo (12º para 4º), Maranhão (19º para 11º) e Ceará (20º para 13º). Enquanto os que desceram mais posições foram Amazonas (9º para 15º), Amapá (7º para 12º), Mato Grosso (5º para 10º) e Mato Grosso do Sul (17º para 22º). Esse padrão de mudança se reproduz nos subgrupos de causas externas (Material Suplementar - Quadros S4, S5, S6 e S7; https://cadernos.ensp.fiocruz.br/static//arquivo/suppl-e00056424_5279.pdf). As UFs que mais subiram de posição foram em lesões de trânsito (Espírito Santo, Rio de Janeiro e Pernambuco), homicídios (Pernambuco, Alagoas e Rio de Janeiro), mortes acidentais por quedas (Rio de Janeiro, Pernambuco, Ceará e Maranhão) e suicídios (Espírito Santo, Rondônia, Minas Gerais e São Paulo).

Discussão

Os métodos GBD-Brasil e GBD-IHME redistribuíram quantidade substancial de causas externas garbage derivada dos dados diretos do SIM. No âmbito nacional, a tendência das taxas de mortalidade do GBD-Brasil e dados diretos do SIM convergiram com curvas semelhantes, embora as magnitudes sejam distintas. No nível subnacional, os três métodos divergiram entre si nos resultados de tendências das taxas em UFs do Norte e Nordeste. O processo de correção do GBD-Brasil afeta o número de óbitos e as taxas de mortalidade nas UFs atribuídos para cada tipo de causa externa do estudo, resultando em alteração na classificação de risco entre esses locais. O método aplica correções maiores em acidentes por quedas nas UFs do Norte e Nordeste, por sua vez, corrigindo os homicídios em maior magnitude nas UFs das demais regiões.

Os resultados do estudo mostraram que as CG representam uma grande parcela das causas de morte no Brasil. Embora exista redução gradual dos fatores de correção do GBD-Brasil e GBD-IHME, ocorreu uma inflexão em 2019, indicando piora na qualidade do registro das causas externas de morte nesse ano. Ao mesmo tempo que apontaram excesso de óbitos notificados com CG no Brasil, achados indicaram uma tendência de redução que não persistiu após 2018 ²⁴24. Aquino EC, Borowicc SL, Alves-Souza SN, Teixeira RA, Ishitani LH, Malta DC, et al. Distribution of garbage codes in the Mortality Information System, Brazil, 2000 to 2020. Ciênc Saúde Colet 2023; (ahead of print).. Importante destacar que o ano de 2019 das estimativas do IHME utilizaram dados do SIM até 2018, sendo que os dados de 2019 ainda eram preliminares. Para esse ano, foram utilizados modelos do IHME para gerar as estimativas.

A recente piora na qualidade dos dados de causas externas foi particularmente relevante no ano de 2019. Após cair por um período de mais de 15 anos, eventos de intenção indeterminada voltaram a subir em 2019. A situação foi mais grave sobretudo no Estado do Rio de Janeiro ²⁵25. Cerqueira D, Bueno S, coordenadores. Atlas da violência 2021. Brasília: Instituto de Pesquisa Econômica Aplicada/Fórum Brasileiro de Segurança Pública; 2021.. Esses dados corroboram nossos resultados, que indicaram fatores de correção maiores para a referida UF, independentemente do tipo de causa externa. O aumento dos garbage de causas externas no SIM prejudica ainda mais comparações com anos anteriores e entre áreas geográficas, além de exigir da vigilância epidemiológica municipal esforço adicional de recaptura de dados sobre as circunstâncias das causas externas ¹⁵15. Secretaria de Vigilância em Saúde, Ministério da Saúde. A importância dos códigos garbage para a magnitude da mortalidade por causas externas no Brasil, 2017. Boletim Epidemiológico 2020; 51:22-6..

Por sua vez, o declínio das CG até 2018 é explicado por uma carga decrescente dos garbage de maior gravidade entre 2006-2016, principalmente devido a redução das causas mal definidas de óbitos em UFs menos desenvolvidas do Norte e Nordeste do Brasil, mitigando desigualdades regionais na qualidade do dado ²⁶26. França E, Ishitani LH, Teixeira R, Duncan BD, Souza MFM, Naghavi M. Changes in the quality of cause-of-death statistics in Brazil: garbage codes among registered deaths in 1996-2016. Popul Health Metr 2020; 18 Suppl 1:20.. Localidades com índices sociodemográficos desfavorecidos tendem a exibir excesso de CG menos específicas (classes 1 e 2) ⁸8. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175..

As estimativas do GBD-Brasil acompanharam mudanças na notificação dos dados de causas externas no SIM ao longo da série em análise, diferente do que ocorre com as estimativas do GBD-IHME, que adota a suavização matemática da tendência dos dados. Apesar do GBD-Brasil reproduzir as curvas das taxas com dados diretos do SIM no nível nacional, as tendências divergiram em algumas UFs do Norte e Nordeste. Esse padrão subnacional indica que UFs dessas regiões seriam mais afetados pela qualidade do registro das causas externas. De modo semelhante, a correção de homicídios não alterou a trajetória dos dados, acompanhando a linha de tendência dos óbitos registrados no SIM, embora altere a magnitude das variações das taxas nos períodos em análise, conforme também verificamos. Como consequência das mudanças de magnitude, observam-se trocas de posição da classificação de risco entre as UFs ³3. Cerqueira D, Bueno S, coordenadores. Atlas da violência 2023. https://www.ipea.gov.br/atlasviolencia/publicacoes (acessado em 23/Mar/2024).
https://www.ipea.gov.br/atlasviolencia/p... .

Com o enfoque abrangente de redistribuição das CG a partir de adaptação da metodologia do estudo GBD, a correção das taxas de causas externas do método GBD-Brasil resulta em mudanças de posição na classificação de risco por mortes violentas em comparação aos dados diretos do SIM nas UFs. Como ilustração do efeito da redistribuição das CG em dados nacionais, as causas líderes de mortalidade mudaram de posição em países com distinta fase de desenvolvimento, como o Brasil, México e Uruguai, e os Estados Unidos, Japão e França, indicando a necessidade de múltiplos países considerarem a contabilização das CG nas estatísticas de mortalidade ⁵5. Lozano R, Naghavi M, Foreman K, Lim S, Shibuya K, Aboyans V, et al. Global and regional mortality from 235 causes of death for 20 age groups in 1990 and 2010: a systematic analysis for the Global Burden of Disease Study 2010. Lancet 2012; 380:2095-128.^,2727. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Supplemental appendix: public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175.. O mesmo foi verificado em estudos específicos com dados da Coreia do Sul ¹⁰10. AbouZahr C, Adjei S, Kanchanachitra C. From data to policy: good practices and cautionary tales. Lancet 2007; 369:1039-46. e Brasil ²⁰20. Departamento de Informática do SUS. Transferência de arquivos: Sistema de Informações sobre Mortalidade. https://datasus.saude.gov.br/transferencia-de-arquivos/ (acessado em 18/Mai/2023).
https://datasus.saude.gov.br/transferenc... . Quando a CG é frequente, as correções também são necessárias ao devido ajuste da tendência das causas de morte, conforme o ajuste obtido da tendência subnacional nos Estados Unidos ¹²12. Dwyer-Lindgren L, Bertozzi-Villa A, Stubbs RW, Morozoff C, Kutz MJ, Huynh C, et al. US county-level trends in mortality rates for major causes of death, 1980-2014. JAMA 2016; 316:2385-401..

Por ainda não exibirem padrões desejáveis de qualidade e confiança nos dados de causas externas ⁹9. World Heath Organization. Analysing mortality and causes of death, version 3 (ANACoD3). https://anacod-cdn.azureedge.net/v11/#/reference/user-guidance (acessado em 23/Mar/2024).
https://anacod-cdn.azureedge.net/v11/#/r... ^,1010. AbouZahr C, Adjei S, Kanchanachitra C. From data to policy: good practices and cautionary tales. Lancet 2007; 369:1039-46., faz-se duplamente necessária a qualificação dos registros ²²22. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3.^,2626. França E, Ishitani LH, Teixeira R, Duncan BD, Souza MFM, Naghavi M. Changes in the quality of cause-of-death statistics in Brazil: garbage codes among registered deaths in 1996-2016. Popul Health Metr 2020; 18 Suppl 1:20. e o uso de estimativas de mortalidade úteis para políticas públicas ¹⁸18. Soares Filho AM, Cortez-Escalante JJ, França E. Revisão dos métodos de correção de óbitos e dimensões de qualidade da causa básica por acidentes e violências no Brasil. Ciênc Saúde Colet 2016; 21:3803-18.. O Brasil deve ampliar iniciativas de aprimoramento sistemático do registro das causas de mortes violentas que incluam trabalho intersetorial da saúde e segurança pública ¹⁷17. Soares Filho AM, Duarte E, Adair T, Bermúdez XPD, Merchan-Hamann E. Mortality surveillance in Brazil: factors associated with certification of unspecified external cause of death. Ciênc Saúde Colet 2022; 27:1289-300.. Simultaneamente, deve avançar em métodos de correção de óbitos que incorporem cada vez mais dados empíricos ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.^,88. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175.^,1919. Bierrenbach AL, Alencar GP, Martinez C, Souza MFM, Policena GM, França EB. Redistribution of heart failure deaths using two methods: linkage of hospital records with death certificate data and multiple causes of death data. Cad Saúde Pública 2019; 35:e00135617.^,2222. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3.^,2828. Cerqueira D. Mortes violentas não esclarecidas e impunidade no Rio de Janeiro. Economia Aplicada 2012; 16:201-35., e sejam acessíveis aos gestores da saúde, como se propõe o método apresentado neste estudo.

Correções das informações sobre causas de morte empregam recursos estatísticos e empíricos ²²22. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3.. Em método matemático de previsão informada da causa básica de morte a partir de informações sobre causas contribuintes e características demográficas do falecido, o resultado da redistribuição foi diferente daquele que considera apenas as proporções ao nível da população ²⁹29. Foreman KJ, Naghavi M, Ezzati M. Improving the usefulness of US mortality data: new methods for reclassification of underlying cause of death. Popul Health Metr 2016; 14:14.. De modo semelhante, o método de redistribuição das causas externas indeterminadas identificou características associadas a cada incidente violento para predizer a intenção do evento ²⁸28. Cerqueira D. Mortes violentas não esclarecidas e impunidade no Rio de Janeiro. Economia Aplicada 2012; 16:201-35.. Por sua vez, um estudo ¹⁹19. Bierrenbach AL, Alencar GP, Martinez C, Souza MFM, Policena GM, França EB. Redistribution of heart failure deaths using two methods: linkage of hospital records with death certificate data and multiple causes of death data. Cad Saúde Pública 2019; 35:e00135617. encontrou resultados distintos de redistribuição de CG ao aplicar dois métodos empíricos, o relacionamento de registros de internação e mortalidade, e o uso de informações das causas múltiplas de óbito que também considera causas contribuintes e características do indivíduo. A aplicação de métodos variados para a redistribuição de CG no GBD-2019, indo da análise de dados de causas múltiplas à redistribuição proporcional, representou uma melhoria geral no empirismo em comparação com a dependência anterior do conhecimento a priori⁸8. Johnson SC, Cunningham M, Dippenaar IN, Sharara F, Lã EE, Kareha M, et al. Public health utility of cause of death data: applying empirical algorithms to improve data quality. BMC Med Inform Decis Mak 2021; 21:175..

O método proposto no presente artigo leva em consideração as realidades nacionais. Considerando a redistribuição proporcional, cada localidade apresenta sua distribuição proporcional por causas, em especial ao serem considerados os municípios, a idade e o sexo. Isso faz com que a heterogeneidade brasileira seja considerada no processo de redistribuição. Ainda levando em conta uma realidade nacional, ao levar em conta o uso de pesos baseados nas investigações de óbitos por CG do Projeto 60 Cidades, usa-se dados empíricos do país na avaliação das investigações para as causas por exposição acidental a fatores não especificados, eventos não especificados de intenção não determinada e pneumonias ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.^,2222. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3.. O Brasil é um dos poucos países que fazem investigações de óbitos de forma rotineira, sendo anualmente mais de 170 mil investigados desde 2010. A análise desses dados pode gerar novos pesos baseados em dados empíricos nacionais, visando expandir e atualizar os métodos de redistribuição que vêm sendo utilizados ³⁰30. França E, Teixeira R, Ishitani L, Duncan BB, Cortez-Escalante JJ, Morais Neto OL, et al. Ill-defined causes of death in Brazil: a redistribution method based on the investigation of such causes. Rev Saúde Pública 2014; 48:671-81..

As limitações deste estudo se relacionam ao emprego restrito de dados empíricos para determinar a redistribuição de CG e gerar atribuições de causas de morte mais plausíveis. Dois códigos de causas externas garbage foram redistribuídos com base nos dados de reclassificação por investigação de campo, os demais por proporção da causa externa definida. Comumente, a reclassificação das CG para uma causa básica mais precisa de óbito num processo de recuperação de dados de campo não segue o mesmo padrão de distribuição das causas definidas registradas no SIM ²2. Soares Filho AM, Vasconcelos CH, Nóbrega AA, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Improvement of the unspecified external causes classification based on the investigation of death in Brazil in 2017. Rev Bras Epidemiol 2019; 22 Suppl 3:e190011.supl.3.^,1818. Soares Filho AM, Cortez-Escalante JJ, França E. Revisão dos métodos de correção de óbitos e dimensões de qualidade da causa básica por acidentes e violências no Brasil. Ciênc Saúde Colet 2016; 21:3803-18.^,1919. Bierrenbach AL, Alencar GP, Martinez C, Souza MFM, Policena GM, França EB. Redistribution of heart failure deaths using two methods: linkage of hospital records with death certificate data and multiple causes of death data. Cad Saúde Pública 2019; 35:e00135617.^,2222. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC, Santos MR, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Rev Bras Epidemiol 2019; 22 Suppl 3:e19005.supl.3.. Uma aplicação mais ampla dos dados da investigação pode ser um recurso a ser testado no aperfeiçoamento do método GBD-Brasil. Por fim, para contornar eventuais dificuldades de acesso e uso do algoritmo por usuários finais, um repositório foi criado para compartilhar as informações metodológicas e as técnicas do processo de redistribuição de causas garbage apresentadas neste estudo, bem como receber contribuições ao seu aprimoramento.

Com dados confiáveis, os esforços para planejar o desenvolvimento e o bem-estar da população podem ser fundamentados na realidade e, portanto, tornam-se mais assertivos. Enquanto persistirem deficiências de qualidade dos dados, a implementação de metodologias de correção se faz necessária. O algoritmo apresentado neste estudo se coloca como uma opção de método a ser utilizado na análise de estatísticas de violências e acidentes, em particular ao se buscar uma maior simplicidade metodológica possível, que garanta ao mesmo tempo a sua replicação por gestores públicos e a consistência do dado de mortalidade estimado.

Agradecimentos

Ao Ministério da Saúde (TED67/2023-SVSA/Ministério da Saúde) e à Fundação de Amparo à Pesquisa de Minas Gerais (FAPEMIG; Desigualdades em Indicadores de Mortalidade DCNT-2021).

Referências

Informações adicionais

Datas de Publicação

Histórico