Numa primeira fase observou-se a distribuição espacial do risco de morte por AVC nas freguesias, no período de estudo considerado. Para representação do risco de morte por AVC, e devido ao confundimento que pode advir da existência de diferentes estruturas etárias entre freguesias, optou-se aqui por recorrer ao Rácio Padronizado de Mortalidade ou Standard Mortality Ratio (SMR), o qual constitui uma alternativa ao método indirecto de ajustamento de taxas por estrutura etária, sendo frequentemente utilizado em estudos que empregam dados socioeconómicos ou realizam análises comparativas sobre um grande número de áreas de pequena dimensão (Siegel, 2012). Desta forma, este indicador constitui o factor na fórmula de ajustamento indirecto de taxas que representa a mortalidade comparativa de duas populações, assumindo-se uma distribuição etária comum de referência. O cálculo deste indicador obedece à seguinte fórmula:
na qual Ma representa as taxas especificas de mortalidade na população de referência, d
o total de óbitos e pa a população existente em cada escalão etário na população em
estudo. Por outras palavras, o SMR corresponde, para cada área, à razão entre casos observados e casos esperados no período em estudo, constituindo um estimador do risco relativo associado a essa área, ou seja, o risco de morte em relação a um grupo considerado como referência.
Este indicador foi calculado para seis coortes, combinando pessoas com mais de 64 anos de idade ou de todas as idades, homens ou mulheres ou ambos os sexos, no período de estudo de 7 anos entre 1998 e 2004, tendo-se assumido como população em risco a população residente em cada freguesia de Portugal Continental em 2001 (ano escolhido por constituir o ano mediano do período de estudo) e como população padrão a estrutura etária da população de Portugal Continental nesse ano.
Condições precárias de habitação e mortalidade por acidente vascular cerebral ao nível da freguesia em Portugal Continental, na população com mais de 65 anos de idade
Todavia, o SMR de cada área (SMRi) possui algumas limitações, não obstante ser utilizado com frequência na produção de cartografias ilustrando a distribuição espacial da mortalidade. Uma das limitações mais importantes prende-se com a sua dependência face à dimensão populacional das áreas para o qual são calculados. Sendo a variância dos SMRi inversamente proporcional aos valores esperados, as áreas com pouca população irão apresentar estimadores com grande variabilidade, sendo, por consequência nestas áreas que surgem com mais frequência valores extremos que, para além de serem estimados com pouca precisão, têm também tendência para dominar o padrão geográfico percepcionado nos mapas.
Mais ainda, a variabilidade dos casos observados pode ser bastante maior do que a esperada para uma distribuição de Poisson, situação geralmente designada como sobredispersão, e que diminui igualmente o rigor da estimação de mortalidade.
Revisitando a questão das áreas com pouca população, estas podem ser entendidas como áreas pequenas, embora não exista para estas uma definição universalmente aceite, na medida em que dependerá do contexto do estudo e do número de ocorrências da doença. Nesse sentido, alguns autores consideram como pequena qualquer área cujo tamanho amostral no contexto do estudo é demasiado pequeno para conseguir produzir estimações com um nível de precisão aceitável. Outros são mais específicos, considerando-as como áreas com menos de 20 ocorrências da doença numa população com pelo menos 10000 habitantes. Ainda assim, apesar do inconveniente que representa o pequeno número de ocorrências, estas áreas têm a vantagem de serem em geral mais homogéneas em termos de exposição aos factores determinantes da doença.
É necessário ainda ter-se em conta que, na presença de dados espaciais, devem ser consideradas duas causas potenciais de variabilidade excessiva, sendo a mais relevante a chamada dependência espacial que decorre da correlação da unidade espacial com as suas unidades vizinhas (autocorrelação espacial), geralmente as unidades contíguas. Este efeito leva a que os SMRi de unidades mais próximas ou mesmo contíguas seja mais similar que os SMRi de unidades mais distantes, embora parte desta dependência possa ter origem na existência de variáveis (igualmente com estrutura espacial) não incluídas na análise. A segunda fonte potencial deve-se à existência de variabilidade excessiva independente e não correlacionada espacialmente, também designada
heterogeneidade não espacial, e que se deve à existência de variáveis não observadas, mas desta vez sem estrutura espacial (Barceló et al., 2008).
Com o fim de mitigar os problemas que resultam da utilização dos SMRi sem qualquer tipo de ajuste, foram propostas várias soluções para diminuir as flutuações extremas da sua variância, em geral designadas como formas de “suavizar” este indicador. Os métodos de suavização geralmente utilizados recorrem a modelos hierárquicos Bayesianos, sendo os dois mais frequentes utilizados (Faltin et al., 2012), o modelo Empírico Bayesiano, também designado modelo Poisson-Gamma (Clayton e Kaldor, 1987) e o modelo de Besag, York e Mollié (BYM) (Besag et al., 1991).
Estes dois métodos apresentam diferenças importantes na sua forma de aplicação. No caso do Modelo Empírico Bayesiano, para além de se assumir uma distribuição de probabilidade para os casos observados (normalmente uma distribuição de Poisson), assume-se que o risco relativo constitui igualmente uma variável aleatória, o que torna possível assumir que obedece também a uma determinada distribuição de probabilidade (sendo geralmente adoptada uma distribuição Gamma).
Por outro lado, no modelo BYM, a solução adoptada consiste em incorporar no modelo dois efeitos aleatórios capazes de “absorver” a variabilidade não explicada, sendo que um destes efeitos absorve a dependência espacial e o outro recolhe a sobredispersão de origem não espacial, ou seja, que não possui estrutura espacial. Esta capacidade do modelo BYM de lidar com a sobredispersão que decorre da dependência espacial confere-lhe desta forma vantagem sobre o modelo Empírico Bayesiano, o que faz com que o modelo BYM seja actualmente o mais frequentemente na suavização dos valores dos SMRi (Barceló et al., 2008).
Em suma, não só as freguesias, pelas suas características (gerais) no que respeita ao quantitativo populacional e número de casos observados, parecem aproximar-se singularmente da noção de área pequena previamente discutida, como representam também dados espaciais e como tal, potencialmente sujeitos a dependência espacial. Por estas razões, optou-se pela suavização dos vários SMRi atrás referidos através do método BYM, sendo que toda a análise (do ponto de vista da mortalidade) se desenvolveu com base nos valores suavizados deste indicador.
No que respeita às variáveis explicativas representativas dos determinantes, foram investigados neste estudo um conjunto de indicadores relacionados com a qualidade da
Condições precárias de habitação e mortalidade por acidente vascular cerebral ao nível da freguesia em Portugal Continental, na população com mais de 65 anos de idade
habitação, cuja escolha foi orientada essencialmente por obedecerem (na medida do possível e disponível) a quatro condicionantes, nomeadamente: os resultados da análise bibliográfica previamente apresentados; a sua disponibilidade imediata a partir do Instituto Nacional de Estatística; a sua construção que, ao incluir na sua maioria (excepto em dois dos indicadores) a população residente (dado encontrarem-se todas referidas à data dos censos 2001), permite estabelecer aqui uma relação mais estreita com a mortalidade e a população em risco; e finalmente por terem sido recolhidas ao nível de desagregação territorial da freguesia. Este estudo focou-se assim em sete variáveis explicativas, nomeadamente: percentagem de residentes sem qualquer tipo de aquecimento; percentagem de alojamentos familiares sem aquecimento central; percentagem de alojamentos superlotados; percentagem de residentes a viver em edifícios construídos até 1960; peso da população residente a viver em alojamentos clássicos arrendados na população residente proprietária do alojamento (em percentagem); percentagem de residentes a viver em alojamentos familiares não clássicos; percentagem de residentes a viver em apartamentos.
De seguida, e como forma inicial de análise espacial, foram gerados também gerados mapas coropletos representativos da distribuição espacial tanto dos rácios padronizados de mortalidade como das variáveis explicativas. Estes mapas, tal como aqueles que ilustram a distribuição do risco de AVC nos vários coortes, foram produzidos em ESRI ArcMap (ESRI, 2014), tendo-se utilizado como escala de classificação o método de Jenks (Longley et al., 2010), com o objectivo de se obter intervalos de valores apropriados para a visualização espacial das variáveis. Desta forma, foi possível uma primeira análise comparativa da distribuição espacial das variáveis em estudo.