Innflytelse i organisasjonen

O estudo foi subdivido em etapas de acordo com os objetivos e as características de desenho em que se desenvolvem.

Etapa 1: Análise descritiva dos indicadores de monitoramento e avaliação da hanseníase.

Tendo como base a Estratégia Global Aprimorada para Redução Adicional da Carga da Hanseníase (2016-2020), preconizada pela OMS, foram selecionados os indicadores, a saber:

a) indicadores que monitoram o progresso:

– coeficiente de detecção geral por 100.000 habitantes;

– coeficiente de detecção em menores de 15 anos de idade por 100.000 habitantes;

– coeficiente de casos novos com grau 2 de incapacidade física por 100.000 habitantes;

– proporção de pacientes que completaram o tratamento no tempo previsto.

b) indicadores que avaliam a detecção:

– proporção de casos novos com grau 2 de incapacidade física; – proporção de casos novos em crianças < 15 anos;

– proporção de casos do sexo feminino entre casos novos; – proporção de casos MB entre os casos novos.

c) indicadores que avaliam a qualidade dos serviços em hanseníase: – proporção de casos novos com diagnóstico correto; – proporção de abandono;

-proporção de cura

O banco de dados foi trabalhado a fim de manter apenas os casos novos da doença, ou seja, quando a ficha de notificação entra no sistema e é confirmada o caso. A partir de então, os dados foram analisados através do programa Stata 15 (Stata Corporation, College Station, USA). Para o cálculo dos indicadores serão acrescentados os dados populacionais dos municípios para cada ano do estudo. Os cálculos foram feitos segundo orientações do SINAN Net Hanseníase (ANEXO 3).

No caso das séries temporais foram formados três quinquênios: 1) 2001 a 2005; 2) 2006 a 2010; 3) 2011 a 2015. As médias dos indicadores para cada quinquênio foram calculadas utilizando os valores populacionais do ano central, ou seja os dados dos anos 2003, 2008 e 2013. Para o periodo todo (2001 a 2015) foi utlizado os dados obtidos do censo de 2010.

Etapa 2: Análise de tendência temporal dos principais indicadores epidemiológicos e operacionais da hanseníase.

Foi realizada a análise de tendência temporal através do cálculo do incremento percentual anual [do inglês, Annual Percent Change (APC)], dos indicadores do período total, 2001 a 2015, a partir do modelo de regressão por pontos de inflexão através dos Joinpoint Regression Program (versão 4.0.4). Este programa utiliza um algoritmo que testa se uma linha de múltiplos segmentos é significativamente melhor do que uma linha reta ou uma linha com menos segmentos. A análise de regressão do Joinpoint se une a uma série de linhas retas em uma escala logarítmica, a fim de detectar a tendência do valor anual do indicador. Cada joinpoint (se houver) indica uma alteração estatisticamente significativa no declive.

Etapa 3: Análise espaço-temporal por grupos

Nessa fase foi realizada uma análise da distribuição espacial dos indicadores epidemiológicos e operacionais da doença em relação ao tempo, por meio de técnicas geoestatísticas. A análise foi realizada por meio de mapas temáticos que tiveram como unidade de análise os estados brasileiros, a fim de buscar diferenças dentro dos mesmos,

identificando possíveis áreas de maior risco para transmissão da doença. Foi aplicada a estratégia de dados de análise de áreas em polígonos. Primeiramente, foram confeccionados mapas descritivos da região com os indicadores brutos. Em seguida, os indicadores foram re- estimados por meio do método Bayesiano empírico local a partir da suposição de que taxas de áreas vizinhas são autocorrelacionadas (SANTOS & SOUZA, 2007).

Para tanto foi utilizada a ferramenta “Bayes Empírico Local”, disponível no programa Terraview (programa de domínio público) (Terraview 3.6.0., 2010). Também foi utilizado o programa SatScan (programa de domínio público) (Martin Kulldorf, Harvard Medical School, Boston andInformation Management Service Inc, Silver Spring, Maryland, USA) (KULLDORFF, 2006) para realizar a identificação de possíveis agregados, tendo como base o número de casos novos diagnosticados durante o período de estudo, por local de residência, e estimativas da população para o mesmo período.

Para a análise da autocorrelação espacial foi utilizado o Índice de Moran Local. Os métodos de análises gráficas deste índice foi realizada através dos Moran Maps, que mostraram apenas as áreas que apresentaram significância estatística (p<0,05), porém distribuídos em seus respectivos quadrantes.

Etapa 4: Identificação dos agregados através do método Scan espacial

Foi utilizado o programa SatScan (KULLDORFF, 2006) para realizar a identificação dos agregados tendo como base o número de casos novos diagnosticados durante o período de estudo por município de residência e estimativas da população para o mesmo período, obtidas a partir do IBGE (Censo, 2010). Para esta análise os dados foram organizados de forma diferenciada, sendo necessário criar um arquivo com todas as coordenadas das sedes municipais composto de todos os códigos dos municípios e as identificações de latitude e longitude em graus, salvo com a extensão “.geo”. Um segundo banco necessário para a análise foi composto com todas as populações dos municípios de todos os anos de estudo, da mesma forma há a identificação do código do município seguido da população e do respectivo ano, salvo na extensão “.pop”.

Em seguida, para a análise a ser realizada foi criado um banco específico para cada indicador do estudo. Este banco foi composto pelo código do município e o número absoluto de casos de acordo com cada variável e em cada ano do estudo. Este banco foi salvo na extensão “.cas”.

A identificação de aglomerados foi feita pelo método proposto por Kulldorff e Nagarwalla (KULLDORFF, 1997; KULLDORFF & NAGARWALLA, 1995), que é uma estatística espacial de varredura. Identificação de agregados espaciais foi realizada no período completo de 2001 a 2015 com uma análise de cunho puramente espacial utilizando-se o modelo de distribuição de Poisson. Para ter maior segurança nos resultados foram realizadas 9999 interações, obtendo-se um valor p de maior validade estatística.

Este método varre uma área para identificar agregados, sem conhecimentos prévios de sua localização ou tamanho. O programa move uma janela circular em um mapa com o seu centro nas coordenadas das sedes municipais. Em cada posição, o raio da janela utilizado foi de 500 Km, e cada janela inclui diferentes grupos de municípios vizinhos, o método utilizado na definição do raio empírico.

Após a análise, o programa traz seis arquivos: um no formato “.txt” e cinco no formato dBase, com informações diferenciadas sobre o risco relativo de cada agregado identificado, bem como dos municípios individualmente. Estes arquivos foram unidos à base geográfica inicial para a confecção de mapas temáticos através do ArcGis 10 (ESRI, 2010).