Métodos de estimação do excesso de mortes durante a pandemia de COVID-19 no Brasil

Abstract

A análise da mortalidade de eventos significativos, tais como pandemias, é um estudo fundamental para compreender a saúde local e avaliar seu impacto na população. Um estudo do impacto causado é de grande relevância para avaliar os possíveis fatores que poderiam ter sido mitigados e também para o planejamento de respostas a futuros eventos adversos. Neste contexto, uma maneira de executar esse estudo é através da estimação do excesso de mortes ocorrido no período. Para isso, deve-se levar em conta a diferença entre a mortalidade observada e a mortalidade que seria esperada na não ocorrência da pandemia, que é predita por modelos estatísticos. O grande desafio é a escolha de métodos de predição que levam em consideração a incerteza envolvida no processo. Dentro da bibliografia de predições, os modelos de efeitos mistos destacam-se como métodos de complexidade mediana. Este trabalho buscou explorar as vantagens e dificuldades associadas aos Modelos Lineares Generalizados Mistos (MLGM) para predizer as mortes na situação de não ocorrência da pandemia de COVID-19. Os modelos Gaussiano e Binomial Negativa apresentaram resultados semelhantes na estimativa da mortalidade esperada, ambos mostrando-se adequados para o contexto estudado. Além disso, este trabalho utilizou simulações como alternativa aos métodos numéricos mais sofisticados presentes na literatura de MLGM, o que permitiu calcular predições e incertezas associadas de forma eficiente. Tais resultados contribuem para o avanço na modelagem de dados correlacionados e heterogêneos, além de fornecer ferramentas úteis para o planejamento de ações em saúde pública.

The analysis of mortality from significant events, such as pandemics, is fundamental to understanding local health and assessing its impact on the population. Examining the impact caused is highly relevant for evaluating factors that could have been mitigated and for planning responses to future adverse events. In this context, one way to conduct this study is by estimating the excess deaths that occurred during the period. This requires considering the difference between observed mortality and the mortality that would have been expected in the absence of the pandemic, which is predicted by statistical models. The main challenge lies in choosing prediction methods which offer the precision or uncertainty associated.. Within the prediction literature, mixed-effects models stand out as mid-complexity methods. This study aimed to explore the advantages and challenges associated with Generalized Linear Mixed Models (GLMM) in predicting deaths under the scenario of the COVID-19 pandemic's non-occurrence. The Gaussian and Negative Binomial models produced similar results in estimating the expected mortality, both proving adequate for the context studied. Moreover, this study employed simulations as an alternative to the more sophisticated numerical methods found in the GLMM literature, enabling efficient calculation of predictions and associated uncertainties. These findings contribute to advancing the modeling of correlated and heterogeneous data and provide useful tools for planning public health actions.