O setor da SESA que disponibilizou os dados mensais por bairro foi a Coordenadoria de Regulação, Avaliação, Auditoria e Controle (CORAC), por meio do NUICS (Núcleos de Informação e Controle de Serviços de Saúde). Estavam organizados por sexo, faixa etária, grupo no CID-10 (DAR), a doença em específico, município e bairro. No caso de informações dos prontuários, para esta pesquisa não foram necessárias, em virtude de não ter os dados diários e mais detalhados como quesitos nesta presente abordagem. Até porque, o objetivo era ter informações por bairro da capital cearense, para espacializá-las na base cartográfica da cidade. Os dados adquiridos correspondem ao período de 2008 a 2016, em virtude de problemas técnicos e disponibilidade dos dados por parte da CORAC/SESA.
Após tratar e organizar os dados em planilhas no Excel 2016, gerou-se mapas de distribuição do número de internações dos seguintes tipos: por gradação de cores, através do software Quantum Gis; de interpolação de dados por Krigagem e de interpolação de dados por IDW, por meio do software ArcGis.
Conforme Nogueira e Amaral (2009), os métodos de interpolação de dados para fins de mapeamento são fundamentais, tanto para a melhoria das técnicas de modelagem de representação espacial, como também para avaliação da qualidade dos atributos mapeados. Os autores, então, complementam sobre os modelos de interpolação:
Esses modelos representam fenômenos que têm valores em todos os pontos de sua extensão. Os valores dos infinitos números de pontos, em toda a superfície, são derivados de um conjunto limitado de amostras valores, sendo esses baseados em medições diretas, como a valores de altura para uma elevação da superfície. Dentre dos diversos métodos de interpolação utilizados, podemos citar Krigagem, ponderação do inverso da distância (IDW), interpolação polinomial global, interpolação polinomial local e funções de base radial (spline) (NOGUEIRA & AMARAL, 2009, p. 4119).
Como os mapas possuem pontos infinitos, e os dados referentes a algum fenômeno a ser estudado são representados por pontos finitos, como representar uma realidade dentro de um recorte espacial, se haverá áreas que não são contempladas por algum dado ou ponto com um determinado valor? Tem-se nisto, a importância da interpolação do SIGs, que conforme Jakob e Young (2006, p. 7):
[...] é uma técnica utilizada para a estimativa do valor de um atributo em locais não amostrados, a partir de pontos amostrados na mesma área ou região. A interpolação espacial converte dados de observações pontuais em campos contínuos, produzindo padrões espaciais que podem ser comparados com outras entidades espaciais contínuas. O raciocínio que está na base da interpolação é que, em média, os valores do atributo tendem a ser similares em locais mais próximos do que em locais mais afastados.
Os modelos escolhidos para a espacialização dos casos de pneumonia no município de Fortaleza foram de os de Krigagem e de IDW, além dos mapas de cores ou coropléticos. Os mapas coropléticos têm boas representações de algum fenômeno espacial a ser estudado. A grande questão é que, por exemplo, acaba generalizando alguma informação dentro de uma delimitação geográfica. Todavia, é um dos métodos de análise espacial mais utilizados nos estudos que envolvem a cartografia básica. Ramos et al. (2016, p. 611) reforçam que:
[...] a problemática da produção de um mapa coroplético, eficiente e eficaz, isto é, que atenda à demanda do usuário, está em coordenar as diversas decisões que compõem o processo de agrupamento de dados. Isto corresponde em compreender a distribuição dos dados, o número de classes que deve ser representado, o método de classificação que irá estabelecer os intervalos das classes, os fatores a serem considerados ao utilizar as variáveis visuais na representação dessas classes.
Para os mapas de método de interpolação IDW, Jakob e Young (2006, p.8) caracterizam tal modelagem de SIG da seguinte forma:
A Ponderação do Inverso das Distâncias (Inverse Distance Weighting) implementa explicitamente o pressuposto de que as coisas mais próximas entre si são mais parecidas do que as mais distantes. Para predizer um valor para algum local não medido, o IDW usará os valores amostrados à sua volta, que terão um maior peso do que os valores mais distantes, ou seja, cada ponto possui uma influência no novo ponto, que diminui na medida em que a distância aumenta, daí seu nome.
Com isso, quando se representa a ação de algum fenômeno, seja social ou natural sobre uma determinada superfície, com o modelo IDW, as áreas que se destacaram acabam por se limitarem próximas ou naquela área de abrangência. Em suma, se caracterizam como “enclaves” em meio ao restante da superfície. O resultado é bem próximo do que se vê num mapa coroplético, só que por meio de curvas de nível. Eles ainda mencionam que:
O IDW é um método interpolador que é exato. Poucas decisões são tomadas acerca dos parâmetros do modelo. Este método pode ser adequado para uma visualização ou interpretação preliminar da interpolação de uma superfície. Entretanto, não é realizada uma avaliação da predição de erros, que pode produzir um efeito “bulls eyes” ao redor da localização do dado, pequenas áreas que se diferenciam da suavização geral da variável (JAKOB & YOUNG, 2006, p.9).
Para tanto, de acordo com Jakob e Young (2006, p.8) as fórmulas de cálculo do IDW e para determinar os pesos são as seguintes:
(4.4) é o valor a ser predito para o local ;
é o número de pontos observados a serem usados ao redor do seu valor predito;
são os pesos colocados para cada ponto observado a ser utilizado; é o valor observado no local .
Determinar os pesos:
; sendo (4.5)
O peso é reduzido por um fator de “p”, na medida em que a distância aumenta.
é a distância entre o local predito, , e cada um dos locais observados, .
Os pesos dos locais observados, a serem usados na predição, são ponderados, e sua soma é igual a 1.
Já o método de modelo de interporlação de krigagem, Nogueira e Amaral (2009, p. 4119) especificam que:
A Krigagem, entendida como um estimador que se baseia numa série de técnicas de análise de regressão, sejam essas lineares ou não, procura minimizar a variância estimada a partir de um modelo prévio levando em consideração a dependência estocástica entre os dados distribuídos no espaço (Landim, 2003). Existem várias formas sendo as mais usuais a Krigagem ordinária, universal, indicativa e a Cokrigagem.
Basicamente, o modelo de krigagem é um método que utiliza regressão na geoestatística, a fim de aproximar ou interpolar dados. Este método ainda leva em consideração que os dados referentes a uma população se correlacionam com o espaço. Para este trabalho, utilizou-se a forma da krigagem ordinária, que conforme
Pasini et al. (2013, p.2) “interpola valores com as condições de estimativa sem tendenciosidade e com desvios mínimos em relação aos valores conhecidos, considerando a estrutura de variabilidade espacial encontrada para o atributo[...]”.
Lundgren et al. (2017) com base em Landim (2006) menciona que é possível realizar a krigagem com a seguinte equação:
(4.6)
Onde:
= valor do atributo estimado na posição , = peso da interpolação do atributo,
= valor do atributo na posição
Além de tais mapas, procurou-se inter-relacioná-los com mapas de densidade demográfica e de IDH por bairros de Fortaleza-CE, a fim de constatar se tem relação, por exemplo, entre bairros que têm mais casos de pneumonia em crianças com aqueles com maior densidade populacional.
4 AS DOENÇAS RESPIRATÓRIAS EM FORTALEZA: CORRELAÇÕES ENTRE