Abstract(resumo):

A tuberculose (TB) é um problema de saúde pública por sua distribuição persistente a nível mundial, estando fortemente influenciada pelos determinantes sociais da saúde. Objetivou-se analisar a associação entre variáveis socioeconômicas e a persistência temporal e espacial das taxas de TB notificadas nos municípios brasileiros entre os anos 2001 e 2022. Estudo ecológico de séries temporais e análise espacial realizado a partir de dados secundários de fontes públicas. Buscou-se a correlação espacial entre as taxas de TB e variáveis socioeconômicas nos municípios brasileiros e os seus efeitos diretos e indiretos sobre essas taxas. Recorreu-se aos Índices de Moran Global e Local univariado e bivariado, bem como ao Modelo de Erro Espacial de Durbin. Os resultados mostram que um aumento no PIB per capita e nos gastos com saúde impactam na redução da taxa de casos de TB. Outrossim, há uma correlação direta entre as taxas de TB e as variáveis densidade demográfica e taxa de profissionais de saúde. Concluiu-se que, apesar de sua multicausalidade, a pobreza é um forte determinante no aumento das taxas de TB. A redução dos casos da doença nos municípios brasileiros depende de políticas públicas em saúde e ações intersetoriais que sejam direcionadas a cada espaço geográfico com base em suas particularidades.

Keywords(palavra-chave):

Saúde Pública. Doenças Negligenciadas. Tuberculose. Estudos Ecológicos.

Content(conteúdo):

INTRODUÇÃO
A tuberculose (TB) é uma doença infecciosa, considerada um problema de saúde pública por sua distribuição persistente no mundo, principalmente em países em desenvolvimento, estando fortemente influenciada pelos determinantes sociais da saúde 1.
Cerca de 7,5 milhões de indivíduos foram diagnosticados com TB em 2022, representando o maior registro de diagnósticos pela infecção dentre os 27 anos de sua monitorização pela Organização Mundial de Saúde (OMS). Em relação à mortalidade, registrou-se aproximadamente 1,3 milhões de mortes por TB no referido ano, com estimativa de que ao menos 40% desses óbitos decorreram de interações com a COVID-19 entre 2020 e 2022 2,3.
O Relatório Global de Tuberculose (Global Tuberculosis Report) de 2023 4 aponta ainda uma redução de 900 mil casos em 2022 quando comparado aos anos de 2021 e 2020. No panorama traçado por esse relatório, o Brasil figura a lista global de 30 países com elevada carga de TB a ser usada como referência pela OMS no período de 2021-2025. No país, a incidência de TB em 2022 foi de 32 novos casos para cada 100 mil habitantes, ultrapassando a meta de menos de 10 casos para essa mesma referência populacional, preconizada pelo Plano Nacional pelo Fim da Tuberculose como Problema de Saúde Pública 4.
Embora vivencie um processo de transição epidemiológica, com redução das doenças infectocontagiosas e parasitárias em paralelo ao aumento das doenças crônicas não transmissíveis, a TB ainda ocupa local de atenção nas políticas de saúde pública brasileiras. Isso se deve às características de heterogeneidade nos modos de viver e ter saúde experienciados na vastidão do território brasileiro, demarcado por iniquidades como altos índices em localidades de maior pobreza e exclusão social 5.
Outrossim, as altas taxas de morbidade e mortalidade da TB no Brasil estão associadas às questões sociais e econômicas como pobreza, desnutrição, más condições sanitárias, baixa escolaridade, moradias insalubres, alta densidade populacional e envelhecimento da população 5,6.
Apropriar-se dos fatores que constituem risco para a persistência da TB em países como o Brasil é essencial ao enfrentamento epidemiológico dessa doença, embasando e direcionando de modo efetivo as tomadas de decisão. Nesse sentido, a abordagem espaço-temporal auxilia na compreensão da dinâmica de apresentação da TB, permitindo analisar suas singularidades e variações ao longo do tempo e localidades geográficas. Para além, essa abordagem combinada com estratégias estatísticas e econométricas, ampliam o escopo de análise ao adicionar variáveis hipoteticamente relacionadas ao fenômeno, como condições econômicas e demográficas 5.
Sob este prisma, objetivou-se analisar a associação entre as variáveis socioeconômicas e a persistência temporal e espacial das taxas de TB notificadas nos municípios brasileiros entre os anos 2001 e 2022, enfatizando uma abordagem explicativa do fenômeno.

MÉTODO
Estudo ecológico de séries temporais e análise espacial realizado a partir de dados secundários de fontes públicas, considerando informações dos municípios brasileiros no período de 2001 a 2022. Por tratar-se de dados secundários disponíveis em sistemas de informação de acesso público, respaldou-se pela resolução nº 510/2016, não havendo necessidade de apreciação por Comitê de Ética em Pesquisa.
Para compreensão da persistência da TB nos municípios do Brasil, adotou-se variáveis relacionadas à saúde, demografia e economia extraídas das fontes de dados ilustradas no Quadro 1.
Os valores do Produto Interno Bruto (PIB) e dos profissionais ocupados na saúde para os anos de 2021 e de 2022 foram construídos por média móvel, uma vez que essas informações ainda não foram disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e Relação Anual de Informações Sociais (RAIS), respectivamente.
Conforme apresentado no quadro 1, para a construção das variáveis foram calculadas proporções a partir dos dados brutos extraídos das fontes. Inicialmente, a transformação em proporções não seguiu uma distribuição gaussiana. Desta forma, ao encontro do que realizaram Clayton e Schifflers (1987)7, Hu et al (2015)8, Hradsky e Komarek (2021)9, as variáveis em proporções foram, aqui neste estudo, logaritmizadas, permitindo assim a sua aproximação a uma distribuição normal.
A transformação de variáveis em logaritmo na base 10 tem o fito de reduzir qualquer viés (outliers) de extremidades elevadas (cauda longa), diminuindo os efeitos em medidas como correlação ou regressão deste viés 10,11, bem como permitir uma análise em termos de proporções, tornando a análise mais compreensível 12.
Para a análise dos dados, inicialmente empregou-se a Análise Exploratória de Dados Espaciais (AEDE). Esse método visa descrever a distribuição e a associação espacial de uma determinada variável entre as unidades avaliadas, além de identificar padrões, formas de instabilidade espacial e possíveis outliers. Essa análise tem como pressuposto a adoção de uma matriz de ponderação espacial (W), cujos elementos representam o grau de conexão espacial, seguindo critérios de proximidade como contiguidade e/ou distância geográfica 13.
As matrizes de contiguidade possuem pesos espaciais binários que podem ser construídas de acordo com a noção de vizinhança baseada na contiguidade, onde dois municípios são considerados vizinhos se compartilham uma fronteira física. Neste estudo, foi utilizada uma matriz de contiguidade do tipo Rainha. A definição dessa matriz é embasada nas características da doença e suas formas de transmissão 13.
A análise incorporou a estatística do Índice de Moran (I de Moran) univariada e bivariada, a qual permite observar a existência de regimes espaciais globais nos dados, classificando a autocorrelação dos dados como positiva ou negativa. Em caso positivo, a observação de altos valores em uma variável de interesse tende a estar cercada por altos valores dessa mesma variável em regiões vizinhas (representadas por Wy), indicando similaridade espacial. Essa relação também se aplica aos baixos valores 14.
A estatística Global I de Moran foi aplicada ao contexto bivariado para fins de investigação de associação entre uma variável observada em uma determinada região com outra variável em regiões vizinhas. A autocorrelação espacial positiva evidencia uma ligação entre os valores das variáveis em análise e suas posições geográficas 14,15.
A adoção dessas técnicas objetivou fornecer uma avaliação do grau de associação linear (positiva ou negativa) entre os valores de uma variável em um município específico (i) e a média de outra variável nos municípios vizinhos. Através dela, é viável cartografar valores de probabilidade significantes estatisticamente. Dessa forma, pode-se gerar o diagrama de dispersão I de Moran, o mapa de significância local Local Indicators of Spatial Autocorrelation (LISA) e o mapa de clusters LISA.
No processo de análise econométrica, a dependência espacial em estimações que envolvam variáveis no espaço deve ser considerada como hipótese básica. Nesse sentido as estimações dos modelos apresentados neste estudo iniciaram-se pelo básico modelo Ordinary Least Squares (OLS). Porém, sabendo-se que, o processo gerador de dados espaciais não comporta a simplificação da hipótese de não heterogeneidade espacial, houve, portanto, necessidade de testes adicionais como a estatística I de Moran dos resíduos da regressão, bem como os testes Lagrange Multiplier (LM) e LM robustos para processos de erro-espacial e lag-espacial, tendo sua escolha atendida a todos os critérios sugeridos pela literatura especializada 16,17. Logo recorre-se à estrutura geral de um modelo espacial conforme apresentado em Elhorst (2014)14: DY_t=?WY_t+X? +WX?+?, ?=?W?+u
Onde DY_t é a variável dependente, WY_t denota os efeitos de interação endógena entre a variável dependente, WX os efeitos de interação exógena entre as variáveis independentes e W? os efeitos de interação entre o termo de perturbação das diferentes unidades. Os demais ?,?,? e ? são parâmetros.
Pelo modelo geral de equação de regressão espacial, W representa uma matriz de pesos espaciais, normalizada pela linha, com zeros na diagonal principal (a matriz queen [rainha] foi a utilizada). Por esse mecanismo corrige-se o viés nos estimadores, dado pela omissão de variáveis correlacionadas espacialmente, bem como a heterogeneidade espacial, conforme sugere Lesage e Pace (2009) 18. Assim sendo, quando ?=?=0 o modelo de autocorrelação espacial (SAR) é o indicado; se ?=?=0 o Modelo de Erro Espacial (SEM) é o indicado; e, se ?=0, indica-se o modelo Spatial Autoregressive Model with Autocorrelation Error (SARAR). Neste estudo considerou-se ainda os casos em que apenas ?= 0 , sendo, nesse caso indicado o Modelo Espacial de Durbin (SDM); e, o caso em que ?=0, o Modelo de Erro Espacial de Durbin (SDEM) 19,20. O modelo SDEM foi o indicado pelos testes realizados e as estimações foram realizadas por ele.
Com o objetivo de testar a presença de autocorrelação espacial nos resíduos, aplicaram-se os testes I de Moran e os testes LM. A definição do intervalo de confiança dos testes I de Moran foi realizada por meio de simulações de Monte Carlo. Os testes LM seguiram a distribuição qui-quadrada com graus de liberdade iguais ao número de parâmetros espaciais restritos 19,21.
A escolha da melhor especificação se deu a partir de testes sobre os resíduos de um modelo OLS. Os modelos foram estimados usando o pacote estatístico do Software R (R Core Team, 2021) spatialreg 20. Estimou-se a equação espacial em corte transversal para os anos 2001-2005, 2006-2010, 2011-2016, 2017-2022 (regressão em nível). A escolha de recortes temporais em vez de variáveis binárias, deu-se pelo fato de se objetivar acompanhar os coeficientes das variáveis explicativas sobre a variável explicada em pontos distintos do tempo.
Destaca-se que a codificação utilizada para fins de processamento dos dados e apresentação dos resultados consiste em abreviatura da variável seguida diretamente pelos anos do período a qual se referem, sendo, por exemplo, pib_0610 correspondente à informação sobre o PIB do período de 2006 a 2010. Ressalta-se ainda, que como todas as variáveis deste estudo foram trabalhadas nas análises em logaritmo de base 10, ao referir-se a qualquer variável, como por exemplo “taxa de casos de tuberculose”, entende-se como seu logaritmo, ou seja, “logaritmo da taxa de casos de tuberculose”.

RESULTADOS
A análise espacial adotada para visualizar a autocorrelação espacial global baseia-se no diagrama de dispersão de Moran. Dado que a variável de interesse é a taxa logarítmica de casos de TB, observou-se que o coeficiente angular foi positivo, considerando as características de transmissão da doença. Destaca-se que o I de Moran global foi de valor elevado, excedendo 0,440 no primeiro recorte temporal e 0,419 no último, o que sinaliza um nível substancialmente alto de autocorrelação espacial, fundamentando a análise espacial e suas implicações geográficas na economia, dinâmica demográfica e, sobretudo, no setor de saúde dos municípios.
A Figura 01 apresenta o diagrama de dispersão nos quatro intervalos temporais investigados. O quadrante Alto-Alto (AA) denota que as regiões exibem elevadas taxas de TB por mil habitantes, representados no primeiro quadrante do diagrama. O segundo quadrante Baixo-Alto (BA) refere-se a um grupo no qual qualquer região com uma baixa taxa de TB por mil habitantes está cercada por regiões também com altas taxas de casos. Por sua vez, o terceiro quadrante Baixo-Baixo (BB) descreve um agrupamento espacial onde as regiões apresentam valores abaixo da média, circundadas por regiões que também ostentam baixas taxas de casos. Finalmente, o quarto quadrante Alto-Baixo (AB) aborda o cenário em que uma região com alta taxas de casos de TB é adjacente a regiões com baixas taxas da doença.
Foi construído o I de Moran global bivariado e todas as autocorrelações espaciais apresentaram significância do ponto de vista estatístico, mostrando uma relação negativa com a taxa de profissionais de saúde por mil habitantes e com os gastos na área de saúde per capita. Portanto, os municípios que apresentam alta taxa de casos notificados de TB tendem a estar rodeados por municípios com baixa taxa de profissionais de saúde e que possuem reduzidos gastos com saúde per capita. O inverso também é válido, isto é, os municípios que apresentam baixa taxa de casos notificados de TB tendem a estar rodeados por municípios com alta taxa de profissionais de saúde e elevados gastos na área de saúde, isto é, maiores os investimentos nesse setor proporcionam redução e controle da doença nos municípios e nos municípios vizinhos.
Nesse mesmo contexto, no caso do PIB per capita os resultados apontam que um município com baixas taxas de casos está rodeado de municípios com alto PIB per capita. O inverso também se aplica, evidenciando que municípios mais pobres tendem a sofrer mais com incidência e transmissão da doença. Em relação à densidade demográfica, evidencia-se uma relação positiva, isto é, ocorre que quando há elevada taxa de casos notificados de TB no município, este é rodeado de municípios com alta densidade demográfica, mostrando algo esperado dadas as características de transmissão.
As altas taxas de autocorrelação espacial desvelam a necessidade de examinar os mapas LISA e suas significâncias no contexto bivariado. Inicialmente, analisou-se a relação entre os as taxas de casos de TB, taxas de profissionais de saúde e gastos com saúde per capita (Figura 2) e, em seguida, taxas de casos da doença com a densidade demográfica e PIB per capita (Figura 3).
A Figura 2 ilustra o mapa de clusters bivariados LISA para as variáveis taxa de casos notificados de TB e taxa de profissionais de saúde por mil habitantes. Ressalta-se que os clusters do tipo AB no Acre, Amazonas, Pará e Maranhão, indicam uma associação entre uma taxa elevada de casos e uma baixa taxa de profissionais de saúde nessas localidades, o que destaca a necessidade de maior presença de profissionais nesses estados. Para além, o cluster do tipo AA é mais proeminente em estados como São Paulo, Rio de Janeiro e Porto Alegre, apontando uma relação complexa entre altas taxas de TB e uma grande quantidade de profissionais de saúde por mil habitantes nessas áreas. Ademais, é muito forte a relação BA evidenciada pelos clusters nessas regiões, ou seja, baixa taxa de casos e altas taxas de profissionais de saúde no munícipio vizinho.
Finalmente, é possível identificar uma grande quantidade de clusters do tipo BB em municípios situados na região do MATOPIBA (Maranhão, Tocantins, Piauí e Bahia), região de expansão da fronteira do agronegócio em tempos recentes. Além disso, os clusters do tipo BA, ou seja, municípios com uma baixa taxa de casos em proximidade com municípios que possuem uma alta taxa de profissionais de saúde, também estão localizados nas imediações de estados do centro-sul brasileiro.
Quanto aos gastos com saúde per capita, a Figura 2 exibe o Moran Local bivariado para as ocorrências de TB e essa variável nos anos selecionados. É relevante destacar o cluster bivariado AB, predominante na região Norte e Nordeste, o qual indica que municípios com uma elevada taxa de casos de TB por mil habitantes apresentam reduzidos gastos com saúde per capita. Na análise espaço-temporal, tal cluster demonstra uma tendência crescente e com estabilização no último período. No primeiro recorte temporal (2001-2005), foram identificados 557 clusters, elevando-se para 604 no segundo recorte (2006-2010), 690 no terceiro (2011-2016) e, por fim, permanecendo em 690 nos últimos anos de investigação (2017-2022).
Enquanto isso, os clusters AA predominam na região Centro-Oeste do Brasil, evidenciando que o aumento nas taxas da doença está correlacionado com gastos na área da saúde, essa relação no espaço-tempo vai variando entre reduções e aumentos, sugerindo que a possibilidade de maiores gastos como forma de melhoria na área da saúde nesses estados. Por sua vez, os clusters do tipo BB revelam uma distribuição mais dispersa pelo país. Por último, os clusters do tipo BA também possuem relevância no Centro-Oeste e na região oeste do estado de São Paulo, o que sinaliza que há uma baixa taxa de casos associada a elevados gastos com saúde per capita em determinados municípios.
A Figura 03 apresenta o Moran Local bivariado para as ocorrências de TB e a densidade demográfica dos municípios brasileiros nos anos selecionados. Os dados mostram que no primeiro recorte, a taxa de casos de TB por mil habitantes está relacionada à alta densidade demografia dos seus vizinhos. Destaca-se, porém, o fato de o cluster AB concentrar 554 municípios, sobretudo nas regiões Norte, Nordeste e Centro-oeste, desvelando que a densidade demográfica pode ser um fator de risco de transmissão, mas as áreas endêmicas no país são aquelas consideradas menos densamente povoadas, em termos de habitantes por Km². Assim sendo, os municípios com alta taxa de casos estão próximos aos municípios com baixa densidade demográfica.
Nos recortes de 2011-2016 e 2017-2022, a composição dos clusters nesta dimensão mostra padrões semelhantes aos demais recortes. Reconhece-se um padrão no tempo e no espaço entre as relações de taxa de casos de TB em um município e a densidade demográfica dos municípios vizinhos.
Na dimensão de taxa de casos de TB e PIB per capita dos municípios, a Figura 3 mostra que há uma relação inversa entre essas duas variáveis. Os municípios com altas taxas de casos de TB por mil habitantes estão associados a municípios vizinhos com baixo PIB per capita e esse padrão predominou entre aqueles com significância estatística, conforme os respectivos mapas. Nos recortes que compreenderam os anos de 2011-2016 e 2017-2022, também se mantem o padrão tempo-espaço dos recortes anteriores. Com isso, pode-se inferir que há forte correlação espacial entre as elevadas taxas de casos de TB em um município e o baixo PIB per capita de seus vizinhos.
Os resultados apresentados na Tabela 01 foram estimados por meio do modelo SDEM. Esses resultados mostram que nos dois primeiros recortes, a variável número de profissionais ocupados em saúde por mil habitantes apresentava impactos negativos, mas sem significância estatística sobre a taxa de diagnósticos, também por mil habitantes. Nos dois últimos recortes a variável apresentou sinal negativo, mostrando que o aumento da taxa de profissionais de saúde em 1% no município contribuía com a redução da taxa de casos notificados de TB em 1,5% e em 2,1% no penúltimo e no último recorte, respectivamente. Outrossim, a variável em lag mostra o efeito que a variável tem sobre os municípios vizinhos. Nesse sentido, é possível afirmar que em todos os recortes apresentados na tabela, o aumento da taxa de profissionais de saúde por mil habitantes em um município apresentou impacto na redução da taxa de casos por mil habitantes no município vizinho, sendo os efeitos indiretos estatisticamente significativos e maiores que os efeitos diretos, conforme pode ser visualizado na tabela.
A variável densidade demográfica em todos os recortes, quando se tratando dos efeitos diretos, apresenta sinal positivo, apontando que o aumento da quantidade de habitantes por Km² no município impacta no aumento da taxa de casos confirmados de TB por mil habitantes. Em lag (efeitos indiretos – efeitos no município vizinho), os dois primeiros recortes mostram que ela tem impacto negativo sobre os municípios vizinhos e nos dois últimos a variável não apresentou significância estatística.
A variável gasto com saúde e saneamento per capita em todos os recortes temporais apresentou sinal positivo mostrando haver uma relação entre o aumento do gasto com saúde e saneamento e o aumento dos casos de TB por mil habitantes no mesmo município. O lag desta variável também apresentou sinal positivo e com significância para todos os recortes analisados.
Em contraponto, a variável PIB per capita apresentou sinal negativo em todos os recortes. O aumento em 1% no PIB per capita de um município apresentou impacto na redução da taxa de TB por mil habitantes em 5,6% e em 6,4% nos dois primeiros recortes e em 9% e 10,8% nos dois últimos recortes analisados, respectivamente. Outrossim, o aumento em 1% no PIB per capita de um município impactou na redução em 7,1%, 7,1%, 7,9% e 6,6% na taxa de TB por mil habitantes, no município vizinho, nos recortes temporais apresentados, respectivamente.

DISCUSSÃO
Durante os anos estudados, observou-se que municípios com altas taxas de casos de TB por mil habitantes estavam circundados de outros municípios com o mesmo retrato de casos de TB, sendo esse padrão identificado principalmente na região Norte do Brasil, especialmente no estado do Pará; na região Nordeste, com destaque ao Maranhão, Ceará e norte da Bahia, região litorânea da Paraíba seguindo até o Paraná e no estado do Mato Grosso do Sul, mantendo o padrão espacial durante todos os anos estudados. O número de municípios com altas taxas de casos reduziu discretamente no decorrer dos anos estudados, no entanto ainda representando grandes taxas, longe de atingir as metas de diminuição ou eliminação da doença estabelecidas pela OMS e Ministério da Saúde (MS) 22,23.
Estudos mostram que a distribuição espacial da TB indica que áreas com taxas de incidência semelhantes tendem a estar próximas, ou seja, agrupadas 24. Isso reforça a relação entre aglomerados espaciais da endemia de TB, ressaltando que esses locais são importantes na cadeia de transmissão da doença 25.
Um estudo recente, com o objetivo de identificar os determinantes das variáveis da TB e sua tendência durante os anos de 2005 e 2016 nas diversas regiões do Brasil, identificou que o Norte do Brasil é a região com a maior temperatura média anual, menor cobertura de Atenção Primária à Saúde (APS), menores concentrações de médicos e enfermeiros e baixo nível de Índice de Desenvolvimento Humano (IDH – segunda menor do Brasil) 26, podendo estes serem indicadores importantes para a maior taxa de casos concentrados na região Norte do Brasil.
Diversos são os fatores que podem contribuir para a disseminação da TB, pois se trata de uma doença com determinantes biológicos, clínicos e socioeconômicos como pobreza, aglomeração, coinfecção por HIV, desnutrição e acesso insuficiente aos cuidados em saúde 27. Desta forma, é importante destacar que uma única variável isolada não tem a capacidade de determinar o aumento ou redução dos casos de TB, mas compreender o comportamento dessas variáveis em tempo e espaço pode ajudar a entender o conjunto de fatores que determinam o acometimento da população pela doença.
A forte relação de fatores socioeconômicos com a TB auxilia na compreensão de sua persistência em países em desenvolvimento como o Brasil, considerando ainda sua heterogeneidade populacional e expansão territorial 26,28.
Em se tratando das variáveis analisadas nesse estudo, reforça-se a associação entre os casos de TB e a pobreza e problemáticas desencadeadas por essa, tais como fome e desnutrição, déficits nas condições de higiene, dificuldades de acesso a saneamento básico, condições ruins de moradia, dentre outras. Tratando-se de Brasil, essas situações são observadas principalmente em locais remotos e de maior interiorização. Para além, a disponibilidade de profissionais de saúde ocupados pode contribuir com o acesso a políticas públicas de saúde e oportunidades de atenção à saúde como vigilância em saúde e diagnóstico precoce 29.
Resultados complexos foram encontrados quanto às análises bivariadas entre as taxas de casos de TB e as variáveis “taxa de profissionais ocupados na saúde por mil habitantes” e “gastos com saúde e saneamento per capita”. Municípios com altas taxas de casos de TB estão circundados por municípios com alta proporção de profissionais de saúde ocupados por mil habitantes, padrão evidente nos estados de São Paulo e Rio de Janeiro, grandes centros urbanos. Já em algumas regiões do Amazonas, Acre e MATOPIBA (Maranhão, Tocantins, Piauí e Bahia), municípios com altas taxas de casos da doença estão circundados por aqueles com baixa taxa de profissionais de saúde ocupados. Sugere-se que o fenômeno pode estar vinculado a outros fatores, como densidade demográfica, mobilidade urbana e outras características específicas das cidades.
O diagnóstico oportuno e tratamento completo de indivíduos com TB envolve para além da disponibilidade de profissionais de saúde ocupados, o acesso aos serviços de saúde nos quais esses profissionais atuam, em especial a APS 30.
Em se tratando de gastos com saúde e saneamento per capita, observa-se que municípios com alta taxa de casos de TB estão circundados por municípios com baixo gasto com saúde e saneamento, padrão evidenciado nas regiões Norte e Nordeste. Esse cenário ilustra uma agenda de políticas públicas não resolutivas com impactos na saúde e nas metas de controle e eliminação da TB, o que contribui para inclusão de indicadores relacionados nos Objetivos de Desenvolvimento Sustentável (ODS) que visam estimular o acesso universal à saúde e ações intersetoriais que incidam sobre os determinantes sociais para acabar com essa doença até 2030 27,31.
A análise econométrica evidenciou que nos dois primeiros períodos estudados, quando referentes ao próprio município, o aumento de um por cento na média da taxa de profissionais de saúde por mil habitantes impacta aumentando a média da taxa de casos notificados de TB no próprio município. No entanto, quando referente ao impacto nos municípios vizinhos, observa-se, em todos os períodos estudados, que o aumento em um por cento na taxa de profissionais de saúde de uma cidade impacta na redução de 9,1% (2017-2022) a 18,9% (2001-2005) nas taxas de casos de TB, esse impacto sendo cada vez menor no decorrer dos anos.
É inegável que diagnosticar e tratar corretamente os casos de TB são medidas fundamentais para o seu controle 25. Dessa forma, embora a redução de casos seja necessária e esperada, nem sempre este fenômeno representa os casos reais presentes na população, pois pode haver subnotificação. Assim, a maior oferta de serviços de saúde, o maior número de profissionais capacitados e melhores condições de diagnóstico e tratamento para os casos de TB pode refletir no aumento do registro de notificações e um melhor reconhecimento dos casos 24.
A APS configura-se como porta de entrada aos serviços de saúde, constituindo lócus oportuno à investigação e diagnóstico da TB. Um estudo sobre a acessibilidade da APS no Brasil observou que existe dificuldade de acesso da população aos profissionais de saúde (médicos e enfermeiros), mais acentuadamente nas regiões Norte e Nordeste 31.
O diagnóstico precoce é um dos fatores mais importantes para o controle da doença, podendo estar relacionado ao tipo de serviço de saúde procurado pelo usuário como porta de entrada. Embora a busca ativa de sintomáticos respiratórios se configure como uma atividade multiprofissional com o objetivo de diagnosticar precocemente os casos de TB e interromper a sua cadeia de transmissão, o Agente Comunitário de Saúde (ACS) destaca-se como principal profissional na identificação desses casos na comunidade 33,34.
Desta forma, fica evidente a necessidade de preparo e capacitação desses profissionais e a importância do envolvimento de toda a equipe de saúde, principalmente do enfermeiro e do médico, na educação permanente e continuada da equipe. Além disso, o acesso deve ser fácil, prestando atenção adequada e resolutiva e garantir a continuidade da assistência em serviços especializados quando necessário 33.
O Nordeste e o Norte são marcados pela alta rotatividade de profissionais da saúde nos serviços de APS, o que reforça a precarização e ausência de vínculos com os pacientes e comunidade. Este fato interfere diretamente no processo de formação e educação continuada dos profissionais, pois as ações não se completam 33.
A análise econométrica evidenciou associação entre a densidade demográfica e o acometimento pela TB, ao passo que o aumento de um por cento na média da densidade demográfica aumenta em até 6,1% a média de casos registrados por mil habitantes no próprio município e esse mesmo aumento da densidade demográfica reduz em até 5,7% a taxa de casos nos municípios vizinhos. Isso pode ser explicado pelo processo de migração, em que há um movimento de pessoas de um lugar para outro, seja saindo ou chegando. Na ocasião, sugere-se que o movimento de indivíduos de cidades menores circunvizinhas para aquelas com maiores oportunidades de emprego, estudo, saúde, entre outras condições, pode ocasionar esse fenômeno de aumento da densidade demográfica no município de chegada e consequente redução de casos nos municípios vizinhos em que houve a emigração.
O PIB per capita se destacou em todo o estudo como uma importante variável determinante para a incidência e persistência da TB em todo o país, isso porque municípios localizados em áreas de baixo PIB per capita, mesmo quando apresentando baixa densidade demográfica, ainda se mostraram com elevado número de casos de TB por mil habitantes, seja no próprio município, seja em municípios vizinhos, a exemplo das regiões Norte e Nordeste. Esse fenômeno evidencia a pobreza como, talvez, um dos mais importantes fatores na determinação da doença.
Estudo que avaliou os efeitos da pobreza na dinâmica de transmissão da TB identificou que a transmissão da doença é mais comum nas comunidades atingidas pela pobreza do que nas comunidades ricas. Além disso, os resultados sugeriram que mesmo quando todos os outros fatores determinantes são iguais, a taxa de contatos pobres terá mais impacto do que a taxa de contatos ricos, apoiando o argumento de que a TB é uma doença dos pobres 35.
Estima-se que acabar com a pobreza extrema resultaria em uma redução da incidência global de TB de 33,4% (IC 95%) até 2035 e a expansão da cobertura da proteção social resulta em uma redução na incidência de 76,1% até 2035; ambas as vias juntas resultam numa redução na incidência de 84,3% nos casos de TB 36.
A relação dependente entre a TB e a pobreza ocorre pelo efeito cíclico resultado da associação entre a pobreza e a precariedade das condições de saúde, reduzindo as oportunidades de trabalho e de subsistência. É evidente a associação entre a pobreza e os aglomerados urbanos (favelas), falta de serviços básicos de saúde, alimentação inadequada, baixa escolaridade, abuso de álcool, tabaco e outras drogas. Todos esses fatores estão diretamente ligados ao acometimento pela doença, o que potencializa ainda mais essa relação entre pobreza e TB 37.
Esse estudo se destaca por apresentar análises robustas de uma série temporal longa, últimos 20 anos, abordando anos pré e pós-pandemia de Covid-19, com uma grande amostra em todo o território brasileiro. No entanto, por tratar-se de estudo com dados secundários de bases de dados brasileiras, pode-se apontar como limitação a qualidade dos dados coletados por meio da vigilância epidemiológica em todo o território nacional, podendo esses ser permeados por vieses de preenchimento e subnotificações. Entretanto reconhece-se essa como uma fonte segura de dados que tem sido adotada para subsidiar políticas públicas de saúde no Brasil e tecer comparações com outras localidades.
Pode-se listar ainda como uma limitação a não realização de análises de moderação e confusão, posto o teor dos dados disponíveis, o que possibilita a elaboração de hipóteses, mas não delimitações causais. Além disso, tem-se também como potencial fonte de confundimento a impossibilidade de considerar as diferentes estruturas etárias dos dados pela ausência desses registros nas fontes em grande parte dos municípios brasileiros, o que pode ser apontado como um aspecto a ser aperfeiçoado nos sistemas públicos de informação, de modo que novas análises possam ser realizadas. Por fim, destaca-se a impossibilidade de quantificar a diferença e dependência ao longo do período analisado, posta a realização de análises estratificadas.
Frente a esse desafio, reconhece-se que o estudo possui potencial em contribuir com a saúde pública ao associar a análise econométrica em seus métodos de análise, assegurando o reconhecimento da economia como determinante social da saúde.

CONCLUSÃO
A persistência temporal e espacial de TB no Brasil é complexa e está associada a diferentes determinantes sociais de saúde. As regiões brasileiras que mais se destacaram pela persistência nas taxas de casos notificados de TB por mil habitantes foram as regiões Norte, Nordeste e Centro-Oeste. Identificou-se ainda que essas taxas estão diretamente relacionadas ao número de profissionais de saúde ocupados por mil habitantes e à densidade demográfica. Ao passo, está inversamente relacionado ao PIB per capita e gastos com saúde per capita. Dentre as variáveis analisadas, destaca-se o PIB per capita na determinação das taxas de casos de TB notificados, visto que região com baixo PIB per capita como o Norte, mesmo apresentando baixa densidade demográfica, mostrou alta persistência da TB nos anos estudados. Esses dados enfatizam a pobreza como forte influente no acometimento pela doença.
As reflexões remetem à necessidade de políticas públicas em saúde e ações intersetoriais que sejam direcionadas a cada espaço geográfico com base em suas particularidades e nos principais determinantes e condicionantes sociais presentes nas localidades.
Tendo em vista a multicausalidade da TB e sua relação com o espaço geográfico, sugerem-se estudos que explorem o comportamento dessa doença e seus determinantes em áreas brasileiras específicas e que abordem os anos da década de 2020. Ademais, faz-se relevante a investigação das singularidades de cada região brasileira e como essas podem impactar no acometimento pela TB.

REFERÊNCIAS
Taylan, M; Dogru, S; Sezgi, C; Y?lmaz, S1. Epidemiological Trends and Seasonal Dynamics of Tuberculosis in Southeastern Turkey. Nigerian Journal of Clinical Practice 2023; 26:928-33. https://doi.org/10.4103/njcp.njcp_629_22.
Sveinbjornsdottir GM, Kamowa D, Katundu PN, Gizurarson S, Compliance and illiteracy when treating tuberculosis. International Health 2023; ihad077:1-3. https://doi.org/10.1093/inthealth/ihad077.
World Health Organization. Global tuberculosis report 2023. Geneva: World Health Organization; 2023. Licence: CC BY-NC-SA 3.0 IGO. https://iris.who.int/bitstream/handle/10665/373828/9789240083851-eng.pdf?sequence=1
Pinto PFPS, Teixeira CSS, Ichihara MY, Rasella D, Nery JS, Sena SOL, Brickley EB, Barreto ML, Sanchez MN, Pescarini JM. Incidence and risk factors of tuberculosis among 420?854 household contacts of patients with tuberculosis in the 100 Million Brazilian Cohort (2004–18): a cohort study. Lancet Infect Dis 2023. https://doi.org/10.1016/S1473-3099(23)00371-7.
Lima SVMA, dos Santos AD, Duque AM, Goes MAO, Peixoto MVS, Araújo DC, Ribeiro CJN, Santos MB, Araújo KCGM, Nunes MAP. Spatial and temporal analysis of tuberculosis in an area of social inequality in Northeast Brazil. BMC Public Health 2019; 873. https://doi.org/10.1186/s12889-019-7224-0.
Pereira AGL, Escosteguy CC, Valencia LIO, Magalhães MAFM, Medronho RA. Análise espacial de casos de tuberculose e associação com fatores socioeconômicos: uma experiência no município do Rio de Janeiro. Cad Saúde Colet 2018; 26 (2): 203-210. https://doi.org/10.1590/1414-462X201800020013.
Clayton D, Schifflers E. Models for temporal variation in cancer rates. I: Age-period and age-cohort models. Stat Med. 1987; 6(4), 449-67. https://doi.org/10.1002/sim.4780060405
Hu Y, van Lenthe FJ, Mackenbach JP. Income inequality, life expectancy and cause-specific mortality in 43 European countries, 1987-2008: a fixed effects study. Eur J Epidemiol. 2015; 30(8), 615-25. https://doi.org/10.1007/s10654-015-0066-x
Hradsky O, Komarek A. Demographic and public health characteristics explain large part of variability in COVID-19 mortality across countries. Eur J Public Health. 2021; 31 (1), 12-16. https://doi.org/10.1093/eurpub/ckaa226
Mucelin CA. A teoria dos logaritmos: modelos e aplicações. Rev Tecnologia Humanismo 2001; 15 (21), 34-45.
Chen Y. On the four types of weight functions for spatial contiguity matrix. Letters in Spatial and Resource Sciences 2012; 5 (2), 65-72. https://doi.org/10.1007/s12076-011-0076-6
Gomes HMG, Pavanelo E. Uma história a respeito dos Logaritmos. Revista Brasileira de História da Matemática 2022; 22 (43), 102-123. https://doi.org/10.47976/RBHM2022v22n43102-123
Getis A, Aldstadt J. Constructing the spatial weights matrix using a local statistic. Geographical analysis 2004; 36 (2), 90-104. https://doi.org/10.1111/j.1538-4632.2004.tb01127.x
Elhorst JP, organizer. Spatial econometrics: from cross-sectional data to spatial panels. Heidelberg: Springer, 2014.
Anselin, L. Lagrange multiplier test diagnostics for spatial dependence and spatial heterogeneity. Geographical Analysis 1988; 20: 1-17. https://doi.org/10.1111/j.1538-4632.1988.tb00159.x
Le Gallo, J. Cross-Section Spatial Regression Models. M. M. Fischer, P. Nijkamp (Eds.). Handbook of regional science, p. 1511, 2014.
Lesage J.; Pace; K.P. Introduction to Spatial Econometrics. Boca Raton: CRC Press; 2009.
Anselin L, Bera AK. Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics. In: Lesage J.; Pace; K.P. Introduction to spatial econometrics. Handbook of applied economic statistics, Boca Raton: CRC Press; 1998.
Bivand R, Millo G, Piras G. A review of software for spatial econometrics in R. Mathematics 2021; 9:1276. https://doi.org/10.3390/math9111276
Burridge P. On the Cliff?Ord test for spatial correlation. Journal of the Royal Statistical Society: Series B (Methodology) 2018; 42: 107-108. https://doi.org/10.1111/j.2517-6161.1980.tb01108.x
World Health Organization. The End TB strategy. Geneva: World Health Organization; 2015. https://www.who.int/teams/global-tuberculosis-programme/the-end-tb-strategy
Ministério da Saúde. Brasil Livre da Tuberculose: Plano Nacional pelo Fim da Tuberculose como Problema de Saúde Pública: estratégias para 2021-2025. Brasília: Ministério da Saúde, 2021.
Lima SS, Vallinoto ACR, Machado LFA, Ishak MOG, Ishak R. Análise espacial da tuberculose em Belém, estado do Pará, Brasil. Rev Pan-Amaz Saude 2017; 8:55-63. http://dx.doi.org/10.5123/s2176-62232017000200007.
Maciel ELN, Sales CMM. A vigilância epidemiológica da tuberculose no Brasil: como é possível avançar mais?. Epidemiol Serv Saúde 2016; 25:175-178. http://dx.doi.org/10.5123/S1679-49742016000100018.
Cortez AO, Melo AC, Neves LO, Resende KA, Camargos P. Tuberculosis in Brazil: one country, multiple realities. J Bras Pneumol 2021; 47: e20200119. http:/doi.org/10.36416/1806-3756/e20200119
Trajman A, Saraceni V, Durovni B. Os Objetivos do Desenvolvimento Sustentável e a tuberculose no Brasil: desafios e potencialidades. Cad Saúde Pública 2018; 34: e00030318. https://doi.org/10.1590/0102-311X00030318
Lima SVMA, dos Santos AD, Duque AM, Goes MAO, Peixoto MVS, Araújo DC, Ribeiro CJN, Santos MB, Araújo KCGM, Nunes MAP. Spatial and temporal analysis of tuberculosis in an area of social inequality in Northeast Brazil. BMC Public Health 2019; 873. https://doi.org/10.1186/s12889-019-7224-0
Macedo Junior AM, Silva CDD, Araújo EM, Silva JD, Gomes JT, Granjeiro JSC, Rocha MS. Perfil epidemiológico e fatores determinantes na saúde ambiental da tuberculose no Brasil. Revista Ibero Americana de Ciências Ambientais 2020; 11: 243-52. http://doi.org/10.6008/CBPC2179-6858.2020.007.0022.
Paiva JPS, Brito AB, Bezerra-Santos M, Carmo RF, Souza CDF. Temporal trend of Tuberculosis incidence in northeastern Brazilian municipalities according to Social Vulnerability Index parameters: An ecological study. J Bras Pneumol 2023;49:e20220353. http://doi.org/10.36416/1806-3756/e20220353
Wei X, Fu T, Chen D, Gong W, Zhang S, Long Y, Wu X, Shao Z, Liu K. Spatial-temporal patterns and influencing factors for pulmonary tuberculosis transmission in China: an analysis based on 15 years of surveillance data. Environ Sci Pollut 2023; 30: 96647–59 (2023). https://doi.org/10.1007/s11356-023-29248-4
Figueiredo DCMM, Shimizu HE, Ramalho WM. A Acessibilidade da Atenção Básica no Brasil na avaliação dos usuários. Cad Saúde Colet 2020; 28:288-301. https://doi.org/10.1590/1414-462X202000020288
Cecilio HPM, Teston EF, Marcon SS. Acesso ao diagnóstico de tuberculose sob a ótica dos profissionais de saúde. Texto Contexto Enferm 2017; 26:e0230014. https://doi.org/10.1590/0104-07072017000230014
Matos LP, Oliveira LAT, Ribeiro AF. Educação permanente como ferramenta estratégica para melhoria dos indicadores de busca ativa dos sintomáticos respiratórios de tuberculose em uma unidade de saúde da família no município de Guarulhos – SP. Rev APS 2020; 23: 775-90. https://doi.org/10.34019/1809-8363.2020.v23.32464
Bhunu CP, Mushayabasa S, Smith RJ. Assessing the effects of poverty in tuberculosis transmission dynamics. Applied Mathematical Modelling 2012; 36: 4173-85. https://doi.org/10.1016/j.apm.2011.11.046
Carter DJ, Glaziou P, Lönnroth K, Siroka A, Floyd K, Weil D, Raviglione M, Houben RMGJ, Boccia D. The impact of social protection and poverty elimination on global tuberculosis incidence: a statistical modelling analysis of Sustainable Development Goal 1. Lancet Global Gealth 2018; 6: e514-22. https://doi.org/10.1016/S2214-109X(18)30195-5
Moreira ASR, Kritski AL, Carvalho ACC. Determinantes sociais da saúde e custos catastróficos associados ao diagnóstico e tratamento da tuberculose. J Bras Pneumol 2020; 46 :e20200015. https://doi.org/10.36416/1806-3756/e20200015