Análise de fatores de risco ambientais para risco relativo de internação de doenças cardiovasculares via modelo temporal de contagem

Abstract

A importância dos fatores de risco associados à doença cardiovascular (DCV) ganhou destaque pela publicação inédita em 1961 do Estudo Framingham dos preditores da doença coronária. Características do ambiente exercem influência importante no risco, evolução e gravidade das DCV e o modelos preditivos permitem identificar fatores intermediários que medeiam as relações entre fatores individuais e comportamentais. Objetivou-se explorar as associações entre concentrações diárias de poluentes atmosféricos e variável meteorológica (temperatura média) em admissões hospitalares por DCV em São Paulo, Brasil. Usando o DATASUS, foram extraídos dados de internações hospitalares (SIH) de 2010 a 2019. Dados de poluentes do ar e variável meteorológica foram obtidos da CETESB, ECMWF e INMET no mesmo período. Foi utilizado um modelo aditivo generalizado adicionado a um componente ARMA, capaz de lidar tanto com a estrutura de autocorrelação da série temporal quanto com a não linearidade existente nas covariáveis. Utilizou-se o software estatístico R (versão 4.4.0). Observou-se correlação moderada a forte entre diversos poluentes, evidenciando multicolinearidade relevante. Os poluentes com maior correlação com as internações foram NO₂ (r ≈ 0,32), SO₂ (r ≈ 0,27), MP10μm (r ≈ 0,19) e MP2,5μm (r ≈ 0,13). A decomposição da série temporal revelou sazonalidade anual bem marcada, com oscilação regular e repetitiva, e tendência de longo prazo com variações suaves. O modelo MAG-AR(1) apresentou melhor ajuste para MP10μm e MP2,5μm. As estimativas de risco relativo foram significativas para MP10μm [RR = 1,224; IC95%: 1,223–1,236], indicando que incrementos neste poluente contribuíram significativamente para o aumento de internações por DCV. Para MP2,5μm, não foram observadas associações estatisticamente significativas com o desfecho analisado. O modelo MAG-ARMA mostrou-se adequado para análise epidemiológica de séries temporais, pois considera simultaneamente a autocorrelação temporal e a não linearidade das relações entre poluentes e desfechos em saúde, permitindo estimativas mais precisas dos efeitos da exposição ambiental.

The importance of risk factors associated with cardiovascular disease (CVD) gained prominence through the unprecedented publication in 1961 of the Framingham Study on coronary disease predictors. Environmental characteristics exert significant influence on CVD risk, progression, and severity, and predictive models can identify intermediate factors that mediate relationships between individual and behavioral factors. This study aimed to explore associations between daily concentrations of atmospheric pollutants and meteorological variables (mean temperature) in hospital admissions for CVD in São Paulo, Brazil. Using DATASUS, hospital admission data (SIH) were extracted from 2010 to 2019. Air pollutant and meteorological variable data were obtained from CETESB, ECMWF and INMET for the same period. A generalized additive model supplemented with an ARMA component was used, capable of handling both the autocorrelation structure of the time series and the non-linearity present in the covariates. Statistical software R (version 4.4.0) was utilized. Moderate to strong correlations were observed between several pollutants, highlighting significant multicollinearity. The pollutants with the highest correlation to hospitalizations were NO₂ (r ≈ 0.32), SO₂ (r ≈ 0.27), PM10μm (r ≈ 0.19), and PM2.5μm (r ≈ 0.13). Time series decomposition revealed a well-marked annual seasonality, with regular and repetitive oscillation, and a long-term trend with smooth variations. The MAG-AR model(1) showed the best fit for PM10μm and PM2.5μm. Relative risk estimates were significant for PM10μm [RR = 1.224; 95% CI: 1.223–1.236], indicating that increases in this pollutant were significantly associated with increased CVD hospitalizations. For PM2.5μm, no statistically significant associations were observed with the outcomes developed. The GAM-ARMA model proved suitable for epidemiological time series analysis because it simultaneously considers temporal autocorrelation and the non-linearity of the relationships between pollutants and health outcomes, allowing for more precise estimates of the effects of environmental exposure.