Abstract(resumo):

Objetivo: analisar a distribuição espaço-temporal de pessoas com câncer e COVID-19, hospitalizadas no município do Rio de Janeiro – RJ. Métodos: constitui uma pesquisa ecológica, focada na análise da distribuição espacial e na análise exploratória do tempo de hospitalização, de Unidade de Terapia Intensiva (UTI) e de óbito. Na análise espacial, calculou-se o Índice de Moran Global e Local utilizando o software QGIS (v.3.22.16) e o GeoDa (v.1.22.0.4). E na análise do tempo, foram empregados os testes de Mann-Whitney e Kruskal-Wallis, utilizando o software SPSS Statistics®. Resultados: o município do Rio de Janeiro apresentou o maior número de casos por 100 mil habitantes (12,56), existindo autocorrelação espacial positiva entre o número de pacientes hospitalizados e seus municípios de procedência (Índice Moran Global foi de 0,583). A presença de comorbidades (p-valor < 0,01) e os diferentes períodos da pandemia (p-valor = 0,03) tiveram um efeito sobre o tempo para hospitalização. Tanto o tipo de tumor (p-valor < 0,01 e p-valor = 0,02), quanto os diferentes períodos da pandemia (p-valor < 0,01 e p-valor = 0,01) exerceram efeito sobre o tempo de hospitalização e tempo de óbito, respectivamente. Conclusão: destaca-se a necessidade de estratégias de triagem e encaminhamento, bem como a relevância de protocolos de atendimento personalizados para pacientes com câncer.

Keywords(palavra-chave):

Infecções por Coronavirus, Neoplasias, Hospitalização.

Content(conteúdo):

INTRODUÇÃO
A COVID-19, doença causada pela infecção de SARS-CoV-2, foi definida, em fevereiro de 2020, pela Organização Mundial da Saúde (OMS), como uma pandemia1. Este foi o evento mais severo de saúde pública das últimas décadas. Em dois anos foram confirmados cerca de 470 milhões de casos e 6 milhões de óbitos no mundo2. O Brasil se destacou negativamente durante a pandemia pelas elevadas taxas de incidência (13.986,5 casos por 100 mil habitantes) e mortalidade acumuladas (310,3 óbitos por 100 mil habitantes)3.
Em dois anos, no estado do Rio de Janeiro, Brasil, foram notificados aproximadamente 2 milhões de casos (12 mil por 100 mil habitantes) e cerca de 72 mil óbitos pela doença (420 por 100 mil habitantes). E somente na capital foram notificados cerca de metade desses casos e mortes, com aproximadamente 930 mil novos casos (14 mil por 100 mil habitantes) e cerca de 36 mil óbitos (542 por 100 mil habitantes), sendo esses índices considerados os mais elevados entre as capitais brasileiras3.
Segundo o painel da Secretaria Estadual de Saúde do Rio de Janeiro (SES-RJ), as taxas de ocupação de leitos de enfermaria e UTI pela COVID-19 tiveram grandes variações nos últimos anos, chegando a ter ocupação máxima em períodos de pico4. Na capital do Rio de Janeiro, existem 15 hospitais para tratamento oncológico, segundo o Registro Hospitalar de Câncer (RHC)5, estes são de extrema importância para o atendimento de pacientes provenientes do próprio município, quanto do interior do estado do Rio de Janeiro. Segundo o Sistema de Informações Hospitalares - SIH/SUS, as unidades de tratamento oncológico tiveram 2.325 casos confirmados de COVID-19, no período de dois anos de pandemia, o que representa 8,5% do total de internações por esse motivo na capital do estado6.
As informações obtidas até aqui sugerem que, sendo o câncer um grupo heterogêneo de doenças, a infecção pela COVID-19 pode afetá-los de maneiras diferentes. Condições relacionadas a hospitalização, como intervenções invasivas e infecções nosocomiais, por exemplo, podem ainda representar um fator de risco importante para as complicações e para o óbito7. Acredita-se que nesse grupo de doenças, além dos fatores como diagnósticos, tratamentos e outras condições relacionadas à doença oncológica e à COVID-198–10, exposições relacionadas aos aspectos sociodemográficos, como distância entre o local de moradia e o local de atendimento, o tempo para admissão hospitalar ou mesmo o tempo de internação em leitos hospitalares e de cuidados intensivos, podem ter relação direta com um desfecho desfavorável. A produção nacional e internacional que avalia os efeitos da pandemia de COVID-19 na população oncológica está em crescimento exponencial, porém destaca-se a falta de estudos específicos sobre essa distribuição espaço-temporal.
Durante o surgimento de novas doenças infecciosas, é importante que a vigilância epidemiológica utilize ferramentas que permitam identificar padrões espaciais e temporais do agravo e detectar áreas que necessitam de maior atenção dos tomadores de decisão em saúde 11. Neste contexto, a análise espaço-temporal pode ajudar a identificar correlações entre a incidência de hospitalizações em pessoas com câncer, ajudando na identificação de fatores de risco específicos para determinadas regiões. Assim, este estudo tem como objetivo analisar a distribuição de pessoas com diagnóstico de câncer e COVID-19, hospitalizadas no município do Rio de Janeiro – RJ, nos primeiros dois anos de pandemia, levando em consideração o espaço e o tempo.

MÉTODOS
Este estudo constitui uma pesquisa ecológica, focada na análise da distribuição espacial e na análise exploratória do tempo de hospitalização, de Unidade de Terapia Intensiva (UTI) e de óbito em pacientes com câncer devido à COVID-19, no Rio de Janeiro. A investigação abrange o intervalo dos dois primeiros anos da pandemia, compreendido entre março de 2020 e fevereiro de 2022.
O município do Rio de Janeiro conta com uma área de 1.200,329 km². Em 2022, a população era de 6.211.223 habitantes e a densidade demográfica era de 5.175 hab/km². Possui 257 estabelecimentos de Saúde SUS, dos quais 15 são cadastrados como unidades de atendimento especializado em Oncologia5,12.
No âmbito do Sistema de Informações Hospitalares (SIH), os registros de casos de câncer foram discernidos por meio da aplicação da Classificação Estatística Internacional de Doenças e Problemas Relacionados à Saúde – 10ª Revisão (CID-10). Isso ocorreu mediante a utilização do código pertinente ao grupo C, referente a Neoplasias (capítulo II), nas variáveis associadas aos diagnósticos primários e secundários. Já os pacientes acometidos pela COVID-19 (CID-10 B34.2) foram identificados na base de dados de Casos de Síndromes Respiratórias Agudas Graves do Sistema de Informação da Vigilância Epidemiológica da Gripe (SRAG/Sivep-Gripe) por meio da variável "CLASSI_FIN", que especifica o diagnóstico final do caso (código 5 - SRAG por COVID-19), e pela variável "EVOLUCAO", responsável pela identificação de óbitos relacionados à COVID-19 (código 2).
O procedimento de obtenção de dados envolveu a delimitação do intervalo de estudo (01/03/2020 a 28/02/2022) e a exclusão de pacientes com idade inferior a 18 anos. Esta decisão baseou-se na observação de que, nesse grupo etário, a ocorrência de casos graves e óbitos por COVID-19 foi incomum, com taxas de hospitalização entre 2,5% e 4,1% e necessidade de tratamento em terapia intensiva inferior a 1%13.
Com o propósito de identificar os pacientes internados durante o período da pesquisa que apresentavam ambos os diagnósticos de câncer e COVID-19, procedeu-se à vinculação dos dados do SIH com a base SRAG/Sivep-Gripe. Esse processo foi realizado por meio da linguagem de programação Python (versão 3.10.12) e do ambiente de desenvolvimento Jupyter Notebook (6.4.8), pelas seguintes variáveis de ligação: Nome do paciente, nome da mãe do paciente e data de nascimento do paciente. Dessa maneira, com o relacionamento entre os bancos de dados, obteve-se um total de 2.278 hospitalizações para análise.
Destaca-se que durante a vinculação destes dados, scripts foram implementados para extrair, transformar e combinar informações relevantes dos dois sistemas (SIH e Sivep-Gripe). Isso incluiu a padronização de formatos de dados, o tratamento de valores ausentes e a harmonização de identificadores únicos de pacientes para garantir a consistência e a integridade dos dados utilizados na análise espaço-temporal proposta neste estudo.
As variáveis independentes escolhidas são relativas aos seguintes aspectos clínicos e epidemiológicos: 1) a faixa etária dos pacientes; 2) a presença de comorbidades (doença cardiovascular crônica, doença hematológica crônica, doença hepática crônica, diabetes mellitus, doença neurológica, asma ou outra pneumopatia crônica – além da COVID-19 -, imunodeficiência ou imunodepressão, doença renal crônica e obesidade); 3) os diferentes subtipos de tumores (tumor sólido ou neoplasia hematológica); 4) o local de internação (se em hospitais especializados em oncologia ou em outras instituições), levando em consideração as informações extraídas do Sistema Integrador RHC (INCA)5, que centraliza e consolida os dados provenientes das instituições especializadas em Oncologia credenciadas em todo o Brasil. E 5) os períodos de evolução da pandemia e/ou as iniciativas de vacinação implementadas no município do Rio de Janeiro, conforme documentado4:
? Período 1 (março a julho de 2020): início da pandemia e o fim do primeiro pico de casos graves e óbitos;
? Período 2 (agosto de 2020 a janeiro de 2021): segundo pico de casos graves e óbitos;
? Período 3 (fevereiro a agosto de 2021): início da ampla vacinação de COVID-19 - 1a, 2a, 3a doses ou dose única - em idosos;
? Período 4 (setembro de 2021 a fevereiro de 2022): início da dose de reforço ao fim do período de estudo.
Para a análise espacial, foram desenvolvidos dois conjuntos de dados. O primeiro banco de dados contendo o número de pacientes por município de residência foi utilizado para elaborar um mapa temático que apresentasse a procedência dos casos. O número de casos foi dividido pela população do local de residência do caso, conforme estimativa do ano de 2021, fornecido pelo Instituto Brasileiro de Geografia e Estatística (IBGE) (https://www.ibge.gov.br/), e multiplicado por 100 mil. Durante esta fase, os pacientes residentes em outros estados (menos de 1%) foram excluídos para garantir uma representação gráfica mais precisa.
A fim de descrever a correlação espacial entre o número de pacientes com câncer e COVID-19 e seu município de residência, calculou-se o Índice de Moran Global e Local 14. O Índice de Moran Global indica se há dependência espacial no conjunto de dados como um todo e o Índice de Moran Local calcula a autocorrelação espacial para cada localidade, isto permite a identificação de áreas com valores significativamente semelhantes (alta correlação espacial) ou diferentes (baixa autocorrelação espacial), possibilitando assim a detecção de clusters de baixa ou alta incidência, por exemplo. Para verificar se a autocorrelação espacial encontrada é significativa, foi aplicado um teste de pseudo-significância, realizado a partir de 999 permutações dos valores dos atributos associados às localidades. O cálculo dos índices de Moran Global e Local foi realizado no software GeoDa (v.1.22.0.4), utilizando-se uma matriz de contiguidade do tipo rainha de ordem 1.
O segundo conjunto de dados, contendo o número de hospitalizações agregadas com base no estabelecimento de saúde onde houve o atendimento, de acordo com o Cadastro Nacional de Estabelecimentos de Saúde (CNES) disponível na base do SIH, foi empregado na criação de mapas temáticos quantitativos. Esses mapas representam o número de hospitalizações de pacientes do município do Rio de Janeiro ao longo de todo o período analisado, assim como em cada um dos quatro períodos acima mencionados, e ainda por tipo de câncer (sólido ou hematológico).
O município do Rio de Janeiro foi subdividido em regiões administrativas, utilizou-se para isso as divisões administrativas do IBGE. Destacamos especialmente os hospitais oncológicos devido à sua expressiva representatividade, respondendo por mais de 90% das hospitalizações. As fronteiras territoriais foram obtidas através do IBGE, e a confecção dos mapas foi realizada utilizando o software QGIS (v.3.22.16).
As 2.278 hospitalizações descritas acima são provenientes de 1.336 casos de pacientes oncológicos, 40% destes deram entrada duas ou mais vezes em hospitais da rede pública de saúde no município do Rio de Janeiro, no período do estudo. Para a análise do tempo foram considerados estes casos. Assim, procedeu-se a uma análise descritiva levando em consideração as seguintes variáveis dependentes: Tempo de Hospitalização, Tempo de unidades de terapia intensiva (UTI) e Tempo até o óbito.
Foram utilizadas medidas de frequência e tendência central para essa análise. As médias de tempo e os Intervalo de Confiança de 95% (IC95%) foram calculados, de maneira geral e para cada umas das variáveis independentes citadas acima. Para avaliar o impacto de cada categoria foram empregados os testes não paramétricos de Mann-Whitney e Kruskal-Wallis. E um p-valor inferior a 0,05 foi considerado estatisticamente significativo. Todas essas análises, juntamente com a elaboração de gráficos em formato boxplot, foram conduzidas utilizando o software SPSS Statistics®.
Esse estudo foi aprovado pelo Comitê de Ética em Pesquisa (CEP), da Escola Nacional de Saúde Pública Sergio Arouca, da Fundação Oswaldo Cruz (ENSP/FIOCRUZ) e pelo CEP da Secretaria Municipal de Saúde do Rio de Janeiro. Os bancos SIH e SRAG/Sivep-Gripe foram disponibilizados pela Secretaria Municipal de Saúde do Rio de Janeiro (SMS-RJ), em janeiro de 2023.

RESULTADOS
Dos 1.336 casos, 99,56% foram provenientes do próprio estado do Rio de Janeiro. Os pacientes provenientes de outros estados incluíram aqueles do Distrito Federal, Maranhão, Minas Gerais, São Paulo, Tocantins e Roraima. Entre os 92 municípios do Rio de Janeiro, 47 tiveram casos de hospitalizações na capital, conforme ilustrado na Figura 1a. Como esperado, o município do Rio de Janeiro apresentou o maior número de casos por 100 mil habitantes (12,56), seguido pelos municípios vizinhos de São João de Meriti (11,83) e Nilópolis (11,66). Outros municípios próximos a capital também contribuíram para o número de casos por 100 mil habitantes, incluindo Itaguaí (9,50), Duque de Caxias (9,47), Queimados (9,20), Nova Iguaçu (8,96), Mesquita (8,47) e Japeri (8,46).
O resultado do Índice Moran Global foi de 0,583, indicando autocorrelação espacial positiva entre o número de pacientes hospitalizados com câncer e COVID-19 e seus municípios de procedência. No Índice de Moran Local observa-se um cluster de nove municípios que apresentaram valores altos de pacientes hospitalizados com câncer e COVID-19 por 100 mil habitantes e se localizaram vizinhos a outros municípios também com valores altos (p-valor ? 0,01), conforme a Figura 1b. O cluster observado engloba a capital do estado, Rio de Janeiro, e grande parte da baixada fluminense, incluindo os municípios de Nilópolis, São João de Meriti, Mesquita, Queimados, Nova Iguaçu, Duque de Caxias, Belford Roxo e Seropédica (p-valor ? 0,01).
Em se tratando da localização dos hospitais analisados neste estudo, grande parte se encontra na região Central e Sul do município do Rio de Janeiro. Ao longo do período analisado, 93,24% das hospitalizações foram registradas em 12 hospitais especializados em oncologia (hospitais oncológicos), enquanto os restantes 6,76% ocorreram em 17 hospitais sem especialização nessa área (hospitais não oncológicos), como é possível visualizar na Figura 2.
O hospital oncológico que mais registrou hospitalizações durante todo o período de estudo foi o Hospital do Câncer III, do Instituto Nacional de Câncer (HC III/INCA) (500 hospitalizações), localizado na região administrativa (RA) de Vila Isabel; seguido pelo HC I/INCA (442 hospitalizações), localizado na RA do Centro e pelo HC II/INCA (336 hospitalizações), localizado na RA da Zona Portuária. Outros hospitais que também registraram um alto número de hospitalizações foram o Hospital do Federal do Andaraí (207 hospitalizações), na RA de Vila Isabel; o Hospital Federal da Lagoa, na RA da Lagoa (107 hospitalizações); e Hospital dos Servidores do Estado (101 hospitalizações), localizado na RA da Zona Portuária.
Os hospitais não oncológicos que apresentaram o maior número de hospitalizações foram o Hospital Universitário Pedro Ernesto (HUPE/UERJ), com 66 casos, situado na RA de Vila Isabel, e o Hospital Municipal Albert Schweitzer, com 18 casos, localizado na RA de Realengo.
Os 12 hospitais com especialização em oncologia registraram 597 hospitalizações de março a julho de 2020 (Período 1) (Figura 3 a1); 566 hospitalizações de agosto de 2020 a janeiro de 2021 (Período 2) (Figura 3 a2); 605 hospitalizações de fevereiro a agosto de 2021 (Período 3) (Figura 3 a3); e 356 hospitalizações de setembro de 2021 a fevereiro de 2022 (Período 4) (Figura 3 a4).
Os hospitais HC I, HC II e HC III foram os que apresentaram o maior número de hospitalizações ao longo dos quatro períodos analisados. Durante os períodos 1 e 2, os hospitais HC I e HC III registraram mais de 100 hospitalizações cada. No período 3, esses mesmos hospitais, juntamente com o HC II, também superaram a marca de 100 hospitalizações cada. No período 4, observou-se uma redução no número de hospitalizações, mas novamente, os hospitais HC I, HC II e HC III lideraram com 62, 62 e 96 hospitalizações, respectivamente.
Do total de admissões nos hospitais oncológicos, 86% correspondiam a pacientes com tumores sólidos, enquanto 14% eram de pacientes com tumores hematológicos. Os estabelecimentos de saúde que mais registraram hospitalizações de pacientes com tumores sólidos foram o HC III, HC II e HC I, com 495, 365 e 315 hospitalizações, respectivamente (Figura 3 b1). Já os hospitais com maior número de hospitalizações de pacientes com tumores hematológicos foram o HC I (127), o Hospital Universitário Gaffrée e Guinle (41) e o Hospital dos Servidores do Estado (38) (Figura 3 b2).
A maioria dos pacientes pertencia à faixa etária de 60 anos ou mais (61,6%) e apresentava alguma comorbidade adicional ao câncer (51,2%), sendo esta última uma condição destacada associada a uma maior frequência de internações em UTI (62,0%). O diagnóstico mais prevalente foi o de tumores sólidos (88,4%), em comparação com os tumores hematológicos (11,6%). Vinte por cento (20%) tiveram pelo menos uma admissão em Unidade de Terapia Intensiva (UTI). Sessenta e quatro por cento (64%) dos pacientes foram a óbito devido à COVID-19 (letalidade específica por COVID-19). O período 1 (mar/2020–jul/2020) registrou a entrada da maioria dos pacientes em sua primeira internação hospitalar (37,0%), com uma frequência de óbitos atingindo 42,7% nesse período (Tabela 1).
Em geral, o tempo médio entre os primeiros sintomas e a hospitalização foi de 3,6 dias (IC: 3,2-4,0) e o tempo médio entre a admissão e saída hospitalar (altas e óbitos hospitalares) foi de 17,2 dias (IC: 15,6-18,8). No que tange a pacientes admitidos em UTI, o tempo médio entre hospitalização e admissão em UTI e o tempo médio de permanência na UTI foram de 1,8 dias (IC: 1,2-2,4) e 15,3 dias (IC: 12,7-17,9), respectivamente. Entre os pacientes que foram a óbito por COVID-19, o tempo entre a admissão hospitalar e o óbito foi de 16,8 dias (IC: 14,7-18,9). A média, o intervalo de confiança e o p-valor distribuídos por aspectos clínicos e epidemiológicos estão descritos na Tabela 1.
A mediana do intervalo entre os primeiros sintomas e a hospitalização foi de 2 dias para pacientes com comorbidades (1ºIIQ: 0/3ºIIQ: 6) e 1 dia para aqueles sem comorbidades (1ºIIQ: 0/3ºIIQ: 4), sendo observada uma mediana mais elevada (2 dias, 1ºIIQ: 0/3ºIIQ: 5) durante o primeiro período da pandemia. Tanto a presença de comorbidades (p-valor < 0,01) quanto os diferentes períodos da pandemia (p-valor = 0,03) tiveram um efeito significativo sobre o tempo transcorrido entre os primeiros sintomas e a hospitalização.
A mediana do intervalo entre a admissão e a alta hospitalar foi maior para pacientes com tumores hematológicos (13 dias, 1ºIIQ: 7/3ºIIQ: 27) em comparação com aqueles com tumores sólidos (9 dias, 1ºIIQ: 4/3ºIIQ: 20). No período 3 da pandemia (fev/2021–ago/2021), esse intervalo foi de 12 dias (1ºIIQ: 5/3ºIIQ: 27). Além disso, a mediana do intervalo entre a admissão hospitalar e o óbito por COVID-19 apresentou uma distribuição semelhante. Tanto o tipo de tumor (p-valor < 0,01 e p-valor = 0,02) quanto os diferentes períodos da pandemia (p-valor < 0,01 e p-valor = 0,01) exerceram um efeito significativo sobre o tempo entre a admissão e a alta hospitalar e o tempo entre a admissão hospitalar e o óbito por COVID-19, respectivamente (Figura 4).

DISCUSSÃO
A distribuição espacial da COVID-19 no Brasil ocorreu de forma similar a outros países, onde os primeiros casos foram notificados nas grandes metrópoles e, em seguida, nos médios e pequenos centros urbanos. Entretanto, a busca por atenção aos serviços de saúde ocorreu de forma inversa devido à maior oferta de serviços de alta complexidade, como por exemplo leitos de UTI, em municípios maiores15. Entre pacientes oncológicos, essa busca possivelmente aconteceu devido ao seguimento já realizado nos centros de referência, o que foi observado neste estudo, onde aproximadamente 90% das internações ocorreram em hospitais especializados em oncologia. Isto corrobora a Política Nacional de Prevenção e Controle do Câncer (Portaria Nº 874, de 16 de maio de 2013)16, que estabelece o cuidado integral do câncer feito em estabelecimentos de saúde habilitados.
Existem atualmente no Brasil, 317 unidades e centros de assistência habilitados no tratamento de câncer17. No município do Rio de Janeiro existem 15 hospitais que realizam tratamentos oncológicos. E, segundo os Registros Hospitalares de Câncer (RHC), nesses hospitais foram registrados 57,7 mil atendimentos, entre o período de 2016 a 2020, o que representou cerca de 73% dos atendimentos oncológicos de todo o estado5. Os resultados evidenciam essa distribuição significativa das admissões entre os hospitais especializados em Oncologia, localizados em sua maioria na capital do estado do Rio de Janeiro, com destaque para os centros de referência HC I, HC II e HC III, e que consistentemente lideraram em número ao longo dos quatro períodos em estudo.
A concentração espacial de serviços de saúde observada no Brasil se reflete também de maneira municipal e intramunicipal. O município do Rio de Janeiro apresenta alta centralidade de infraestrutura de saúde18, o que atrai indivíduos de outros municípios, por vezes de outros estados, em busca de maior disponibilidade de serviços de saúde de maior complexidade. Neste estudo, quase todas as hospitalizações foram de pacientes residentes no estado do Rio Janeiro e a capital apresentou o maior número de casos por 100 mil habitantes. Apesar disso, houve a procura por atendimento proveniente de outros municípios, principalmente vizinhos, como apontam os resultados deste estudo, o que pode ter contribuído para aumentar a pressão sobre os serviços de saúde local.
A análise por tipo de tumor revela uma prevalência significativa de tumores sólidos, representando 86% do total de admissões nos hospitais oncológicos. Nesse contexto, HC I, HC II e HC III emergiram como os principais centros de atendimento a pacientes com tumores sólidos. Para pacientes com tumores hematológicos, HC I, Hospital Universitário Gaffrée e Guinle e Hospital dos Servidores do Estado foram os mais relevantes. Isto sugere que os hospitais especializados analisados desempenham um papel crucial no atendimento a pacientes com câncer. E a constante liderança dos hospitais do INCA na gestão de pacientes oncológicos reforça a importância dessa instituição como pilar na resposta ao tratamento de pacientes oncológicos em diferentes fases da pandemia. Além disso, a variação no número de hospitalizações entre os diferentes hospitais e tipos de tumores destaca a complexidade do tratamento oncológico e ressalta a necessidade de abordagens diferenciadas para cada perfil de paciente.
Nos dois anos após o início da pandemia, o estado do Rio de Janeiro experimentou cinco ondas de alta transmissão de casos de COVID-19. No município do Rio de Janeiro, as taxas de ocupação de leitos de enfermaria e UTI devido à COVID-19 atingiram sua capacidade máxima durante os picos4. Por sua vez, a vacinação teve início no Rio de Janeiro em fevereiro de 2021, priorizando a população idosa. No ano seguinte, em fevereiro de 2022, aproximadamente 99% da população adulta havia completado o esquema vacinal, enquanto cerca de 60% já haviam recebido a dose de reforço19. Neste estudo, os períodos foram definidos tanto pelo surgimento das duas primeiras ondas (períodos 1 e 2) quanto pelo início da vacinação e seu reforço (períodos 3 e 4). O período 1 registrou o maior percentual de hospitalizações (37,0%), admissão em UTI (30%) e óbitos (42,7%). Nos períodos subsequentes, houve uma redução significativa nessas taxas, com destaque para o período 4, atribuído por alguns autores à eficácia da vacinação contra a doença20,21.
Foi observado também que a média de tempo decorrido entre os primeiros sintomas e a hospitalização foi de 4 dias, enquanto o período médio de hospitalização total foi de 17 dias, incluindo 15 dias de permanência na UTI. Comparativamente, um estudo conduzido no Canadá22, revelou uma mediana de tempo de hospitalização e UTI mais curta, sendo de 11 e 8 dias, respectivamente. Em contraste, uma pesquisa realizada no estado de São Paulo – SP, Brasil23 apresentou uma média de tempo de hospitalização semelhante (18 dias), mas com um tempo de internação em UTI menor, de 5 dias. No município de Belém – PA, Brasil, foi observado que 49% dos pacientes com câncer e COVID-19 hospitalizados permaneceram por 10 dias na UTI, enquanto 57% necessitaram de ventilação mecânica pelo mesmo período24. Esses resultados fornecem insights importantes sobre a dinâmica e os desfechos das hospitalizações de pacientes com câncer durante a pandemia de COVID-19.
A análise do tempo entre os primeiros sintomas e a hospitalização demonstrou uma variação significativa, destacando a influência da presença de comorbidades e dos diferentes períodos da pandemia. Pacientes com comorbidades tendiam a buscar atendimento hospitalar um pouco mais tarde, possivelmente devido a mudanças restritivas impostas, associadas a uma autopercepção de risco e de medidas de saúde aumentadas neste período. Na análise de tempo de internação em UTI não houve uma variação significativa (este foi de 2 dias). Porém, em estudos com pacientes com COVID-19, sem diagnóstico de câncer, realizados nos EUA25 e Brasil26, o tempo médio desde a internação até a admissão na UTI foi de 7 dias. No entanto, outro estudo8, que envolveu pacientes diagnosticados com COVID-19 e câncer, foi observado um tempo médio de 6 dias desde a admissão hospitalar até a UTI, sendo a média menor (3 dias) para aqueles com neoplasias hematológicas. Esses resultados sugerem que os pacientes com o diagnóstico adicional de câncer podem ser mais vulneráveis, requerendo cuidados intensivos imediatos para prevenir ou minimizar complicações, que são mais comuns nesse grupo de pacientes.
A média de tempo entre os primeiros sintomas e o óbito foi de 21 dias, sendo maior em adultos (18 a 59 anos: 24 dias) e menor em idosos (60 anos ou mais: 19 dias). Em um estudo chinês, o tempo até o óbito foi similar (20 dias), com períodos menores registrados em câncer de pulmão (17 dias) e hematológico (19 dias). Esses intervalos foram superiores à média de outro estudo realizado em Pernambuco – PE, Brasil, envolvendo mulheres com câncer27, no qual o tempo entre os primeiros sintomas e o óbito foi de 12 dias, com as maiores médias (19 dias) observadas entre 50 e 59 anos, diminuindo para 12 dias entre os idosos de 60 a 79 anos.
Além disso, a variação nos tempos entre a admissão e a alta hospitalar e entre a admissão hospitalar e o óbito por COVID-19 revela nuances importantes, notadamente em relação ao tipo de tumor e os períodos da pandemia nos quais esse efeito foi significativo. Pacientes com tumores hematológicos apresentaram períodos mais prolongados de hospitalização e óbito, possivelmente relacionados à complexidade e gravidade desses casos, bem como escolhas clínicas direcionadas por diferentes especialidades. O aumento do tempo durante o terceiro período da pandemia sugere uma dinâmica variável ao longo do tempo, refletindo a evolução da compreensão e tratamento da COVID-19, bem como possíveis mudanças nas políticas de saúde.
Alguns aspectos limitantes deste estudo merecem ser mencionados, entre eles, a falta de informações clínicas detalhadas sobre a doença oncológica dos pacientes, tais como o número e o tipo de tratamentos oncológicos realizados anteriormente, o hospital onde foram realizadas o tratamento mais recente, a progressão ou remissão da doença, entre outros. Bem como a presença de dados incompletos ou ausentes em relação a datas importantes, como datas de procedimentos específicos (como o início e o término do uso de suporte ventilatório, a data da última cirurgia, a data do último ciclo de tratamento quimioterápico, entre outros). A inclusão desses dados poderia enriquecer os resultados do estudo.
Além disso, erros de digitação podem ter impactado a precisão das análises realizadas. A obtenção desses dados de forma mais completa e precisa poderia melhorar a qualidade das análises. A falta de uma chave identificadora unívoca e comum, como o Cadastro de Pessoas Físicas (CPF), o Cartão Nacional de Saúde (CNS) e a Autorização de Internação Hospitalar (AIH), resultou em dificuldades operacionais. Isso exigiu o uso de técnicas probabilísticas para identificar correspondências entre registros com base em sequências de caracteres, conforme destacado por Peng e Mation28.
Uma estratégia para suprir tais dificuldades seria um sistema digital unificado que integrasse tais informações nos diferentes níveis de atendimento e de forma digital, com as bases de dados nacionais, o que ainda não é uma realidade na rede pública de saúde do Rio de Janeiro. É válido pontuar que esta análise dos dados se baseia em contextos específicos e pode variar em diferentes regiões e momentos da pandemia. A evolução constante do conhecimento sobre a COVID-19 e as práticas clínicas pode influenciar os resultados, reforçando a necessidade de atualizações contínuas nas abordagens de cuidados a pacientes oncológicos durante crises sanitárias.
Este estudo demonstra a magnitude das internações hospitalares e em leitos de UTI predominantemente especializados em oncologia no município do Rio de Janeiro. Apesar de no Brasil, com a Lei nº 12.732 de 2012, o paciente com câncer ter o direito legal de se submeter ao primeiro tratamento no Sistema Único de Saúde (SUS) no prazo de até 60 dias29, durante a pandemia da COVID-19, houve a necessidade de readequação das rotinas e serviços de saúde, a suspensão dos serviços clínicos não emergenciais e atrasos no diagnóstico e tratamento, devido à sobrecarga dos serviços de saúde, condições essas que podem ter impactado negativamente a incidência, a gravidade e a mortalidade por câncer30. Vários estudos descreveram atrasos e cancelamentos no rastreamento, diagnóstico e tratamento oncológico31-32, isso aliado à sobrecarga causada pela ocupação de leitos de COVID-19, pode ter tido um impacto multidimensional no paciente com câncer.
Os resultados deste estudo podem orientar pesquisas futuras sobre a interação entre câncer e COVID-19, destacando áreas específicas de preocupação ou sucesso nas estratégias de saúde pública adotadas; bem como, preencher lacunas na literatura científica, fornecendo dados e análises específicas para o campo da Oncologia no contexto das doenças infecciosas, como a COVID-19. Isso contribuirá para o conhecimento global sobre a interseção entre condições de saúde preexistentes e a pandemia.
Destaca-se ainda, a importância de abordagens específicas adaptadas a diferentes tipos de tumores, destacando a necessidade de estratégias de triagem e encaminhamento adequados para pacientes com câncer. O impacto das variáveis analisadas, como comorbidades, tipo de tumor e período da pandemia, sublinha a complexidade na gestão desses pacientes e destaca a relevância de protocolos de atendimento personalizados. Essas conclusões ressaltam a necessidade de uma abordagem multidisciplinar e individualizada para garantir o melhor cuidado possível aos pacientes oncológicos hospitalizados em pandemias futuras.

Agradecimento
À Vice Direção de Pesquisa e Inovação (VDPI/ENSP/Fiocruz).

REFERÊNCIAS
1. World Health Organization. Naming the coronavirus disease (COVID-19) and the virus that causes it [Internet]. 2020 [citado 23 de fevereiro de 2024]. Disponível em: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/technical-guidance/naming-the-coronavirus-disease-(covid-2019)-and-the-virus-that-causes-it
2. World Health Organization. COVID-19 cases | WHO COVID-19 dashboard [Internet]. datadot. [citado 23 de fevereiro de 2024]. Disponível em: https://data.who.int/dashboards/covid19/cases
3. Ministério da Saúde. Coronavírus Brasil [Internet]. [citado 23 de fevereiro de 2024]. Disponível em: https://covid.saude.gov.br/
4. Secretaria de Estado de Saude do Rio de Janeiro. Painel de monitoramento Covid-19. [Internet]. Painel Covid19. [citado 23 de fevereiro de 2024]. Disponível em: https://www.saude.rj.gov.br/
5. Instituto Nacional de Câncer. Ministério da Saúde. Integrador RHC [Internet]. [citado 23 de fevereiro de 2024]. Disponível em: https://irhc.inca.gov.br/RHCNet/
6. Ministério da Saúde. Sistema de Informações Hospitalares [Internet]. [citado 23 de fevereiro de 2024]. Disponível em: http://sihd.datasus.gov.br/principal/index.php
7. Savassi LCM, Bedetti AD, Abreu ABJ de, Costa AC, Perdigão RM da C, Ferreira TP. Ensaio acerca das curvas de sobrecarga da COVID-19 sobre a atenção primária. JMPHC J Manag Prim Health Care ISSN 2179-6750. 27 de outubro de 2020;12:1–13. Disponível em: https://doi.org/10.14295/jmphc.v12.1006
8. Dai M, Liu D, Liu M, Zhou F, Li G, Chen Z, et al. Patients with Cancer Appear More Vulnerable to SARS-CoV-2: A Multicenter Study during the COVID-19 Outbreak. Cancer Discov. 2020;10(6):783–91.
9. Yang K, Sheng Y, Huang C, Jin Y, Xiong N, Jiang K, et al. Clinical characteristics, outcomes, and risk factors for mortality in patients with cancer and COVID-19 in Hubei, China: a multicentre, retrospective, cohort study. Lancet Oncol. 1o de julho de 2020;21(7):904–13.
10. Richardson S, Hirsch JS, Narasimhan M, Crawford JM, McGinn T, Davidson KW, et al. Presenting Characteristics, Comorbidities, and Outcomes Among 5700 Patients Hospitalized With COVID-19 in the New York City Area. JAMA. 26 de maio de 2020;323(20):2052–9.
11. Damasceno GMS, Oliveira BFA de, Matos VP de, Sobral A. Persistence and changes in emerging COVID-19 space-time clusters in Brazilian municipalities in 2020-2021. Hygeia - Rev Bras Geogr Médica E Saúde. 22 de janeiro de 2024;20:e2002–e2002.
12. Instituto Brasileiro de Geografia e Estatística. Panorama do Rio de Janeiro [Internet]. [citado 23 de fevereiro de 2024]. Disponível em: https://cidades.ibge.gov.br/brasil/rj/rio-de-janeiro/panorama
13. Nehab MF. COVID-19 e saúde da criança e do adolescente [Internet]. Instituto Nacional de Saúde da Mulher, da Criança e do Adolescente Fernandes Figueira. Editora Fiocruz, Rio de Janeiro; 2020. Disponível em: http://www.iff.fiocruz.br/pdf/covid19_saude_crianca_adolescente.pdf
14. Anselin L, Syabri I, Kho Y. GeoDa: An introduction to spatial data analysis. Em: Fischer MM, Getis A, organizadores. Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications. 1o ed Berlin?; New York: Springer; 2010.
15. Magalhães M de AFM, Barcellos C, Xavier DR, Saldanha R de F. Pandemia de Covid-19: o processo de interiorização e aceleração da transmissão no país. Em: Covid-19 no Brasil: cenários epidemiológicos e vigilância em saúde [Internet]. Editora Fiocruz, Rio de Janeiro: Freitas, Carlos Machado de; Barcellos, Christovam; Villela, Daniel Antunes Maciel; 2021. p. 85–98. Disponível em: https://doi.org/10.7476/9786557081211.0005
16. Ministério da Saúde. PORTARIA N° 874 DE 16 DE MAIO DE 2013. Institui a Política Nacional para a Prevenção e Controle do Câncer na Rede de Atenção à Saúde das Pessoas com Doenças Crônicas no âmbito do Sistema Único de Saúde (SUS) [Internet]. Disponível em: https://pesquisa.in.gov.br/imprensa/jsp/visualiza/index.jsp?jornal=1&pagina=129&data=17/05/2013
17. Instituto Nacional de Câncer. Ministério da Saúde. Onde tratar pelo SUS [Internet]. [citado 6 de março de 2024]. Disponível em: https://www.gov.br/inca/pt-br/assuntos/cancer/tratamento/onde-tratar-pelo-sus
18. Affonso da Silva S. Pandemia de COVID-19 no Brasil: O acesso e a qualidade dos serviços de saúde como determinante social. Revista Contexto Geográfico. 6(11):56–76.
19. Secretaria Municipal do Rio de Janeiro. Painel Rio COVID-19 [Internet]. [citado 3 de julho de 2024]. Disponível em: https://experience.arcgis.com/experience/38efc69787a346959c931568bd9e2cc4
20. Mohammed I, Nauman A, Paul P, Ganesan S, Chen KH, Jalil SMS, et al. The efficacy and effectiveness of the COVID-19 vaccines in reducing infection, severity, hospitalization, and mortality: a systematic review. Hum Vaccines Immunother. 31 de dezembro de 2022;18(1):2027160.
21. Patel MD, Rosenstrom E, Ivy JS, Mayorga ME, Keskinocak P, Boyce RM, et al. Association of Simulated COVID-19 Vaccination and Nonpharmaceutical Interventions With Infections, Hospitalizations, and Mortality. JAMA Netw Open. 1o de junho de 2021;4(6):e2110782.
22. Elkrief A, Desilets A, Papneja N, Cvetkovic L, Groleau C, Lakehal YA, et al. High mortality among hospital-acquired COVID-19 infection in patients with cancer: A multicentre observational cohort study. Eur J Cancer. 2020;181–7.
23. Barros LA do R, Magalhães Filho MAF, Alves R de B, Rebouças CV de, Rodrigues CM, Viu MM, et al. Alta mortalidade entre pacientes com câncer e infecção por COVID-19: a experiência de um centro oncológico brasileiro. Einstein São Paulo. 5 de novembro de 2021;19:eAO6254.
24. Oliveira AKB de, Araújo MS de, Alves SFL, Filho LEC de S, Silva ML da, Cunha K da C. Perfil Clínico dos Pacientes Críticos Oncológicos com Covid-19. Rev Bras Cancerol. 31 de janeiro de 2023;69(1):e-133060.
25. Gupta S, Hayek SS, Wang W, Chan L, Mathews KS, Melamed ML, et al. Factors Associated With Death in Critically Ill Patients With Coronavirus Disease 2019 in the US. JAMA Intern Med. 1o de novembro de 2020;180(11):1436–47.
26. Ranzani OT, Bastos LSL, Gelli JGM, Marchesi JF, Baião F, Hamacher S, et al. Characterisation of the first 250,000 hospital admissions for COVID-19 in Brazil: a retrospective analysis of nationwide data. Lancet Respir Med. abril de 2021;9(4):407–18.
27. Galindo RJ da SC, Andrade LB de, Sena GR, Nogueira LRM, Lima TPF de, Lima JTO, et al. Women with cancer and COVID-19: an analysis of lethality and clinical aspects in Pernambuco. Rev Bras Saúde Materno Infant. 24 de fevereiro de 2021;21:157–65.
28. Peng Y, Mation LF. O desafio do pareamento de grandes bases de dados: Mapeamento de métodos de record linkage probabilístico e diagnóstico de sua viabilidade empírica [Internet]. Texto para Discussão; 2018 [citado 1o de março de 2024]. Report No.: 2420. Disponível em: https://www.econstor.eu/handle/10419/211367
29. Congresso Nacional do Brasil. LEI No 12.732, DE 22 DE NOVEMBRO DE 2012. Dispõe sobre o primeiro tratamento de paciente com neoplasia maligna comprovada e estabelece prazo para seu início. [Internet]. [citado 6 de março de 2024]. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2012/lei/l12732.htm
30. Sharpless NE. COVID-19 and cancer. Science. 19 de junho de 2020;368(6497):1290.
31. Teglia F, Angelini M, Casolari G, Astolfi L, Boffetta P. Global Association of COVID-19 Pandemic Measures with Cancer Treatment: A Systematic Review and Meta-Analysis. Cancers. 8 de novembro de 2022;14(22):5490.
32. Nikolopoulos M, Maheshwari MK, Doumouchtsis SK. Impact of COVID-19 in gynaecological oncology care: a systematic rapid review. Arch Gynecol Obstet. 2022;305(3):555–65.