Análise de dependência espacial da taxa de mortalidade por Covid-19 nos municípios brasileiros

Abstract

O presente artigo objetiva analisar a distribuição de óbitos por COVID-19 nos municípios brasileiros e a relação desta com aspectos socioeconômicos (renda) até a data de 14 de julho de 2020. A metodologia esteve pautada na verificação de autocorrelação espacial com base no Índice Global de Moran e no Índice Local de Moran (LISA) em suas formas univariada e bivariada. A forma univariada foi utilizada para investigação da distribuição da Taxa de Mortalidade por COVID-19 (TMC), enquanto que a forma bivariada foi utilizada para verificação de autocorrelação espacial entre as variáveis TMC (variável dependente) e IDHM Renda (variável independente) nos municípios brasileiros até a data de 14 de julho de 2020. Os resultados evidenciaram a presença de clusters formados a partir de agrupamentos de municípios com altos valores de TMC, sobretudo nas regiões Norte e Nordeste do Brasil. Além disso, foi constatada autocorrelação negativa entre as variáveis TMC e IDHM Renda, com destaque para grandes porções territoriais das regiões Norte e Nordeste setentrional. A quantidade de casos de COVID-19 em uma determinada área geográfica e a renda de sua população são fatores essenciais para a compreensão da distribuição dos óbitos relacionados a essa doença.

Fatores de risco e distribuição espacial dos óbitos por COVID-19: revisão integrativa

“…37 It is noteworthy that the global and local Moran methods incorporate about the meaning of spatial patterns and identify spatial autocorrelation between ecological units of analysis. 50 In the case of the studies of this review that used them, it was possible to identify and visualize, through LISA Maps, areas with higher mortality and lethality due to COVID-19, considered as priority areas for interventions aimed at monitoring the disease. This index provides a unique value as a measure of spatial association for the entire data set.…”

“…Values close to 1 indicate positive autocorrelation, and negative values indicate negative autocorrelation. 50 Thus, the use of geography in health through spatial analysis techniques in diseases is substantial, as it shows geographic patterns, detects spatial or spatial-temporal clusters of diseases and verifies their significance, pointing out which spatial correlations occur in the studied areas, as well as to make maps that allow visualizing disease mortality. Thus, in relation to COVID-19, in which spatial dissemination is an important factor, it assists in surveillance and control, by pointing out priority areas for necessary health and socio-spatial interventions.…”