Artigos

INTRODUÇÃO
De acordo com a Organização Mundial da Saúde1 (OMS), a tuberculose (TB) é uma doença causada pelo Mycobacterium tuberculosis. A transmissão ocorre principalmente por meio de gotículas respiratórias expelidas quando a pessoa infectada tosse, espirra ou fala.
A TB pode se manifestar de duas formas: pulmonar e extrapulmonar. A forma pulmonar, que atinge os pulmões, é a mais frequente e responsável pela manutenção da cadeia de transmissão. Já a forma extrapulmonar acomete outros órgãos e sistemas, sendo mais comum em pessoas que vivem com HIV2.
Com a pandemia do covid-19 e seus impactos no Brasil, os investimentos e as ações voltadas para a detecção de novos casos de TB foram reduzidos. Logo, a queda nos números apresentados pode ser explicada pela realocação de recursos humanos e materiais, além da reorganização das atividades laboratoriais responsáveis pelo diagnóstico da doença e monitoração das resistências medicamentosas durante o tratamento da tuberculose3.
No Brasil, o diagnóstico laboratorial inicial da tuberculose é realizado por meio da baciloscopia ou do Teste Rápido Molecular para Tuberculose (TRM-TB), com posterior confirmação por cultura. Além do diagnóstico, o TRM-TB consegue detectar mutações ligadas a resistência a rifampicina, um dos principais fármacos utilizados para o tratamento da tuberculose3. Isso é particularmente importante pois, atualmente, as doenças bacterianas que apresentam resistência aos medicamentos para o tratamento representam uma ameaça à saúde pública global4, como é o caso TB-DR, uma vez que as taxas de cura são mais baixas em comparação aos casos sensíveis ao esquema terapêutico padrão5.
De acordo com o Manual de Recomendações e Controle da Tuberculose no Brasil, a Tuberculose drogarresistente (TB-DR) pode ser apresentada de formas distintas, sendo elas: a monorresitência: resistência a somente um fármaco antituberculose, a polirresistência: resistência a dois ou mais fármacos antituberculose, exceto à associação rifampicina e isoniazida. Multirresistência (TB MDR): resistência a pelo menos rifampicina e isoniazida, os dois mais importantes fármacos para o tratamento da TB. A resistência extensiva (TB XDR): resistência à rifampicina e isoniazida acrescida de resistência a fluoroquinolona (qualquer delas) e aos injetáveis de segunda linha e a resistência à rifampicina (TB RR): resistência à rifampicina identificada por meio do TRM-TB exclusivamente6
Em 2020, observou-se que, no mundo, 71% (2,1 milhões) das pessoas confirmadas com TB foram testadas para resistência à rifampicina, destes 157.903 foram detectados com algum tipo de resistência ao tratamento7. Além disso, dados da OMS estimam que no ano de 2024 houve aproximadamente 390 mil casos de TB-DR, mesmo apresentando queda em comparação ao ano de 2015, a alta resistência à rifampicina, o medicamento antituberculose de primeira linha mais eficaz, é alvo de atenção8.
Diante do exposto, o presente estudo trata-se de uma pesquisa inédita e que objetiva analisar o padrão espacial e temporal e identificar indicadores socioeconômicos relacionados aos casos de tuberculose drograrresistente no Brasil no período 2007 a 2020.

MÉTODOS
Trata-se de um estudo do tipo ecológico, de série temporal que possui como unidade de análise o território brasileiro. Nesta pesquisa utilizou-se dados secundários a respeito da tuberculose drogarresistente, que foram obtidos por meio eletrônico, através do portal do Departamento de Informática do Sistema Único de Saúde (DATASUS), do Ministério da Saúde onde, por sua vez, estão disponibilizadas informações notificadas no Sistema de informação de Agravos de Notificação (SINAN).
Para esta investigação foram utilizados dados de notificação de casos incidentes de TB-DR em todos os municípios do país durante o período de 2007 a 2020. Assim, os casos incidentes foram aqueles notificados na entrada como “caso novo”, “não sabe” e “pós-óbito”.
Utilizou-se a estatística univariada para a descrição dos dados sociodemográficos e cínicos desse agravo. Para a análise temporal os dados foram importados para o software livre Joinpoint Regression Program versão 4.6.0.0®, para análise de tendência temporal por meio de métodos de regressão por pontos de inflexão. Essa análise aponta se um ou mais segmentos de reta devem ser adicionados em uma regressão linear para indicar qualquer alteração na tendência temporal, que se opõe à hipótese nula de que nenhum ponto deva ser adicionado. Os resultados desta análise apontam a variação percentual anual (Annual Percentage Change – APC) considerando-se intervalo de confiança de 95% (IC95%).
Definiu-se como variável independente o ano da ocorrência dos casos de TB-DR e como variável dependente a taxa de incidência em cada ano, calculadas diretamente no programa. Desse modo, quando o valor da APC é negativo indica tendência decrescente e um valor positivo, uma tendência crescente. Salienta-se que quando não há significância estatística (p>0,05), diz-se que a tendência é estacionária9.
Para a análise espacial calculou-se a taxa média padronizada que equivale ao total de casos de TB-DR, dividido pela quantidade de anos estudados, o resultado desta operação é dividido ainda pela média da população dos anos centrais (2013 e 2014) multiplicado por 100.
Para a identificação de dependência espacial foram utilizadas técnicas estatísticas, como a autocorrelação espacial, a técnica Gertis-Ord Gi* e varredura Scan. Primeiramente foi aplicado o Índice de Moran Global para testar a hipótese de dependência espacial e fornecer uma medida geral de associação para toda a área do estudo. Posterioremente, foi aplicado o Índice de Moran Local (Local Index Spatial Analysis - LISA) para verificar a presença de agregados espaciais e quantificar o grau de associação espacial em cada município do conjunto amostral, considerando p<0,0510.
Os resultados desta análise foram representados por meio de mapas. O primeiro permite visualizar graficamente o grau de similaridade entre vizinhos e é representado por quatro padrões espaciais: municípios com altas taxas e que estão próximos a municípios com taxas igualmente altas (alto/alto); municípios que possuem baixas taxas e que estão circundados por municípios que também apresentam baixas taxas (baixo/baixo); e os municípios que apresentam áreas de transição epidemiológica e que exibem taxas altas e baixas, mas estão muito próximos a municípios que possuem taxas baixas e altas e vice-versa (alto/baixo e baixo/alto). E o segundo mostra a significância estatística destes aglomerados10.
A técnica Gertis-Ord Gi* cria z-scores para cada município baseado no indicador desejado. Valores elevados de z-scores mostram áreas de altas taxas aglomeradas com áreas de taxas semelhantes (áreas quentes – hotspots); já baixos valores mostram áreas de baixas taxas de incidência rodeados de áreas semelhantes (áreas frias – coldspots)11.
Foi realizada ainda a análise de varredura puramente espacial, com o objetivo de detectar aglomerados espaciais, bem como áreas que apresentam maior risco de novos casos de TB-DR, denominada estatística Scan. Para a identificação de clusters foi adotado o modelo discreto de Poisson. A estatística Scan ainda possibilitou o cálculo do risco relativo (RR) em cada município brasileiro. Aqueles que apresentam valores >1 apresentam risco relativo para incidência de TB-DR superior ao risco do restante do território10.
Para identificar os fatores associados a incidência de TB-DR no Brasil, indicadores socioeconômicos foram testados a fim de se encontrar o modelo mais parcimonioso que explicasse o fenômeno. Inicialmente, dez indicadores foram inseridos no modelo não espacial Ordinary Least Squares (OLS), sendo eles: Cobertura de Atenção Básica, Índice Brasileiro de Privação (IBP), Índice de Vulnerabilidade Social (IVS), Taxa de Analfabetismo, Índice de Gini, Rendimento Domiciliar Per Capita (RDPC), Percentual dos Ocupados com Médio Completo, Percentual da População que Vive em Domicílios com Densidade Superior a 2 Pessoas por Dormitório, Índice de Desenvolvimento Humano Municipal e Percentual de pessoas inscritas no Cadastro Único sem abastecimento de água, esgotamento sanitário e coleta de lixo adequados (PDEFSAN), indicadores estes provenientes do sítio eletrônico da Federação das Indústrias do Estado do Rio de Janeiro (FIRJAN), que mensura o desenvolvimento socioeconômico local, bem como no Atlas da Vulnerabilidade Social do Instituto de Pesquisa Econômica Aplicada (IPEA), que possibilita analisar desigualdades por meio da identificação de vulnerabilidades sociais12,13.
No modelo de regressão OLS, as variáveis explicativas foram selecionadas utilizando-se a técnica backward selection, enquanto a presença de multicolinearidade foi avaliada por meio do fator de inflação da variância (variance inflation fator - VIF). Aquelas que permaneceram no modelo múltiplo final da regressão OLS com p <0,10 também foram inseridas em modelos geográficos globais (spatial lag e spatial error) e depois em um modelo geográfico local: geographically weighted regression (GWR).
O modelo spatial lag demonstra a autocorrelação espacial dos indicadores com a variável dependente (TB-DR), o modelo spatial error deduz que a dependência espacial entre os indicadores e a variável parte dos ruídos causados de variáveis não inseridas no modelo. Tem-se que o modelo GWR avalia eventos que se alteram de acordo com o local de estudo14,15.
O resultado da regressão GWR é apresentado em dois mapas temáticos para cada indicador socioeconômico: um mapa para o valor do coeficiente de regressão e outro para representar a significância estatística de cada município, desta vez, considerando-se p<0,05. Destes, o modelo selecionado foi aquele com melhor ajuste por meio do maior coeficiente R2 e do menor valor do Akaike Information Criterion (AIC).
Para a varredura Scan foi empregado o software SatScan v.9.6®. A regressão OLS foi calculada pelo software Stata v.12®. Para a estatística bayesiana, a técnica Gertis-Ord Gi* e as regressões Spatial Lag e Spatial Error utilizou-se o programa GeoDa 1.6.7®. A regressão GWR foi feita no software GWR v.4.0.9®. Os mapas foram elaborados no software QuantumGis v.2.14.17®.
Foram respeitados todos os aspectos éticos e legais preconizados pela Resolução nº 510/16 do Conselho Nacional de Saúde. Por se tratar de estudo com dados secundários de domínio público, não se fez necessário submissão deste estudo a apreciação por um Comitê de Ética.

RESULTADOS
Foram notificados 5.650 casos de drogarresistência associada ao tratamento de tuberculose no período de 2007 a 2020. Destes, a maior proporção ocorreu em pessoas do sexo masculino (n=3.926; 69,5%), na faixa etária de 20 a 39 anos (n=2.642; 46,4%), com escolaridade igual ou inferior a 8ª série do ensino fundamental (n=2.293; 53,4%), da raça parda ou preta (n=3.233; 61,4%) e que residiam na região Sudeste do país (n=2.561; 45,3%). A partir das características clínicas associadas aos casos de tuberculose drogarresistente foi possível analisar que a TB Pulmonar foi a forma clínica mais prevalente entre os casos de TB-DR (n=5.233; 92,6%), além disso, dentre os casos notificados, 1.034 pessoas eram tabagistas (27,3%), 1.036 eram alcoólatras (19,5%), 646 estavam positivos para o HIV (11,4%) e 596 pessoas possuíam Aids (11,9%).
A taxa média da incidência de TB-DR no Brasil de 2007 a 2020 foi de 0,55 casos por 100 habitantes com TB. Em relação aos 14 anos estudados foi possível observar crescimento significativo da taxa de incidência até o ano de 2019, passando de 0,31 casos por 100 habitantes em 2007 para 0,78 casos por 100 habitantes em 2019. Em contrapartida, observou-se um decréscimo no ano de 2020. Foi possível constatar também que 2017 apresentou a maior taxa de incidência dentre os anos analisados (0,84 casos por 100 habitantes) (Figura 1).
Figura 1 - Evolução temporal das taxas de incidência de Tuberculose Drogarresistente no Brasil, no período de 2007 a 2020.
A análise temporal realizada pelo método Joinpoint demonstrou que nos anos 2007 a 2017 observou-se uma tendência crescente de 12,08% ao ano (IC95%: 8,8 – 15,5; p<0,001) de TB-DR no território brasileiro, contudo, logo em seguida a tendência se mostrou estacionária (APC: -5,32; IC 95%: -18.5 – 10,1; p=0,432). Observou-se ainda crescimento significativo dos casos de TB-DR na região Sudeste (APC: 5,00; IC 95%: 2,6 – 7,5; p<0,001) e região Centro-Oeste (APC: 9,69; IC 95%: 4,3 – 15,4; p=0,002) em todo o período estudado (Tabela 1).
Tabela 1 – Variação percentual anual da incidência de Tuberculose Drogarresistente no Brasil, 2007-2020.
A Figura 2 mostra os resultados obtidos a partir do emprego das técnicas de análise espacial. O mapa A apresenta as incidências médias padronizadas de TB-DR dos municípios brasileiros, as quais indicam dispersão irregular das taxas que deixam o mapa com aparência de um mosaico, isto é, sem um padrão espacial aparente. É possível observar que a maioria dos municípios apresentaram taxas de incidência que variam de 0,0 a 3,00 casos de TB-DR por 100 habitantes. Além disso, verificou-se que as maiores taxas (14,00 – 28,57 por 100 habitantes) abrangeram, principalmente, os municípios no Noroeste do estado de Roraima, na região Norte do país (Mapa A).
Após constatada a autocorrelação espacial global significativa (I=0,017; p=0,045), partiu-se para o cálculo do Índice de Moran Local. A classificação dos municípios brasileiros quanto a tuberculose drogarresistente no gráfico de espalhamento de Moran demonstrou que a maior parte dos municípios apresentaram padrão espacial Baixo/Baixo de distribuição. O padrão Alto/Alto está localizado, principalmente, nos estados de Roraima e Rondônia, no Norte do país, além da Bahia (Nordeste) e Paraná (Sul). Por sua vez, o mapa C mostra a intensidade da significância estatística dos municípios que mostraram algum padrão espacial no mapa B.
Através da técnica Gertis-Ord Gi* pode-se ressaltar o padrão espacial já visualizado no mapa B, que aponta áreas quentes (hotspots), principalmente, em municípios do Norte do país (Roraima, Rondônia, Pará e Amazonas), bem como nos estados do Maranhão, Piauí, Bahia (Nordeste), São Paulo (Sudeste) e no Paraná (Sul) (Mapa D). Da mesma forma, o mapa E demonstra a significância estatística dos municípios identificados como hotspots ou coldspots.
Os mapas F e G mostram os clusters espaciais e o risco relativo (RR) dos casos de TB-DR no território brasileiro, calculados pela varredura Scan puramente espacial. Foram identificados 15 clusters, entretanto, apenas 13 apresentaram significância estatística (p<0,05). O cluster primário, isto é, aquele que possui a maior verossimilhança e menor probabilidade de ter ocorrido ao acaso, incluiu cinco municípios do estado do Rio de Janeiro, sendo eles: Duque de Caxias, Niterói, Rio de Janeiro, São Gonçalo e São João de Meriti. Já os clusters secundários, que também são estatisticamente significativos, se encontram em todo o estado de Roraima, Norte do Amazonas e em parcela expressiva dos estados do Paraná, Santa Catarina e Rio Grande do Sul (Mapa F). Constatou-se ainda que o município de Cajaris, no Maranhão, apresentou o maior RR do país (RR: 22,12) (Mapa G).
Figura 2 - Distribuição da taxa média padronizada (A), Moran Map (B), Lisa Map (C), Áreas quentes (Hostpots) e áreas frias (Coldspots) (D), Significância estatística (E), Cluster de TB-DR – Varredura Scan (F), Risco relativo (G), 2007-2020.
Para testar a influência de indicadores socioeconômicos sobre a TB-DR, comparou-se os resultados das análises dos modelos de regressão OLS (R2=0,003; AIC= 18891,89), Spatial Lag (R2=0,004223; AIC= 18890,4) e Spatial Error (R2= 0,004204; AIC=18888,5). Assim, constatou-se que os modelos espaciais Spatial Error e Spacial Lag mostraram-se melhor ajustados, uma vez que o Spatial Error apresentou menor AIC e o Spatial Lag maior R2.
As variáveis independentes que apresentaram associação positiva com a variável desfecho foram: Taxa de Retratamento (TX_RETRATAMENTO) (?=0,004; p=0,066), Índice de Desenvolvimento Humano Municipal (IDHM) (?=1,00; p<0,001) e População em domicílios com densidade > 2 (T_DENS) (?=0,004; p=0,005). Assim, quando um indicador aumenta, a incidência por TB-DR aumenta na mesma proporção (Tabela 2).
Tabela 2 - Modelos de regressão OLS, Spatial Lag e Spatial Error dos indicadores socioeconômicos que influenciam a taxa de incidência de TB-DR no Brasil, 2007-2020.
A figura 3 mostra os mapas elaborados a partir da análise de regressão espacial GWR dos indicadores que se mostraram estatisticamente associados à incidência por TB-DR na análise de regressão spatial error. Os mapas demonstram que os indicadores IDHM e T_DENS apresentaram influência sobre a variável desfecho nas regiões Sudeste e Sul do Brasil, englobando principalmente os estados de São Paulo, Minas Gerais, Paraná e Santa Catarina. A análise aponta que um mesmo indicador socioeconômico pode se comportar como um fator de risco ou de proteção dependendo do município investigado.
Figura 3 - Distribuição espacial dos coeficientes estimados e da significância estatística das variáveis independentes associadas à incidência por TB-DR no Brasil no modelo de regressão espacial GWR, 2007 - 2020.

DISCUSSÃO
O presente estudo trouxe resultados sociodemográficos que coadunam com outros achados na literatura nacional e internacional, em que a maior parte da população acometida pela TB-DR é do sexo masculino, em idade economicamente ativa (20 a 29 anos)16,17,18,19.
Estudo de meta-análise20, observou que homens, especialmente na idade adulta, apresentam maior probabilidade de conversão imunológica do Mycobacterium tuberculosis quando comparado às mulheres, tendo aproximadamente 1,5 vezes mais chances de conversão.
O estudo aponta que essa diferença pode estar relacionada a fatores sociais que influenciam a exposição ao patógeno. Homens adultos tendem a conviver com maior frequência em ambientes coletivos e fechados para atividades laborais, educacionais ou de lazer20,21.
Outros fatores associados ao sexo masculino como consumo de álcool, drogas ilícitas e tabagismo também podem contribuir para esse padrão de maior conversão. Adicionalmente, pela construção histórico-social dos gêneros os homens buscam menos pelos serviços de saúde, além de dar menos importância a sintomatologia, dificultando o diagnóstico e a manutenção do tratamento, levando-os a interrupção um fator contribuinte ao desenvolvimento de formas resistentes da doença20,22.
Os resultados também mostram que a região Sudeste teve o maior número de notificações de TB-DR. Dados de 2022 mostraram que 14,1% dos casos de tuberculose do Sudeste foram encerrados como interrupção do tratamento. Este percentual é maior que a média nacional para o mesmo ano (11,9%) e demonstra um sinal de fragilidade no programa de controle da TB desta região específica. Assim, embora o Sudeste tenha uma rede de saúde mais estruturada do que outras regiões, há ainda barreiras socioeconômicas, comportamentais e de vigilância que reduzem a eficácia dos programas22,23.
Além disso, o estado do Rio de Janeiro concentra a maior proporção de pessoas vivendo em assentamentos informais e favelas contextos marcados por moradias precárias, ausência de saneamento básico, superlotação domiciliar e acesso limitado a serviços públicos. Esses fatores sociais e estruturais contribuem diretamente para o aumento dos casos de TB, além do atraso no diagnóstico, manutenção da cadeia de transmissão, interrupção do tratamento e consequentemente, para o agravamento dos casos de tuberculose. Segundo dados do Ministério da Saúde, entre 2020 e 2024, o Rio de Janeiro registrou o maior número de casos (n=651; 12,6%), tuberculose drogarresistente no país24,25.
Pode-se dizer que a resistência ao tratamento da TB está fortemente associada ao tratamento descontínuo e sua interrupção. Desse modo, entende-se que o etilismo e o tabagismo estão diretamente ligados a não adesão ao tratamento, podendo ainda levar a resposta tardia dos medicamentos e interações com outras substâncias que causam efeitos adversos e intolerância ao tratamento19,26.
A coinfecção HIV/TB está entre as principais preocupações da saúde pública mundial, uma vez que pessoas que vivem com HIV/AIDS apresentam comprometimento do sistema imunológico. Em face disso, possuem menor sensibilidade aos testes diagnósticos de TB, facilitando a prescrição de tratamentos inoportunos e o desenvolvimento da TB-DR. Além disso, pessoas imunossuprimidas possuem maior dificuldade de aderir ao tratamento devido a exposição a outros efeitos colaterais, sentimentos de desesperança, entre outros fatores27.
A partir da análise temporal, foi possível analisar um aumento significativo dos casos de TB-DR no Brasil nos 14 anos estudados, principalmente, de 2014 a 2019. Este achado coincide com a implantação em 2014, pelo Sistema Único de Saúde (SUS), dos testes rápidos moleculares para Tuberculose (TRM-TB), usados para a detecção da resistência a rifampicina, facilitando o diagnóstico da drogarresistência nos pacientes em tratamento para TB28.
Em conformidade ao encontrado nessa pesquisa, em relação às regiões com maiores taxas de incidência de TB-DR, o boletim epidemiológico nacional sobre TB-DR apontou o Rio Grande do Sul (região Sul) como o terceiro estado com mais casos dentro do território nacional (9,5%). Além disso, a cidade de Manaus (região Norte) foi apontada como terceira capital com maior proporcionalidade de casos, com 6,0% dos casos de TB-DR29.
Com a implantação do TRM-TB em 2014, o Sul foi a segunda região com maior quantidade de equipamentos aptos para a realização dos testes, facilitando o diagnóstico e, consequentemente, aumentando o número de notificações. Ademais, dentre todos os estados, Santa Catarina foi o que apresentou maior identificação de resistência a rifampicina no país no primeiro ano de implantação da tecnologia 28.
Destaca-se também a importante relação entre a TB-DR e as regiões de fronteiras internacionais, principalmente nas regiões Norte e Sul que apresentam números crescentes de notificação de TB-DR, uma vez que a migração sazonal entre os países fronteiriços contribui para a exposição dos indivíduos destas localidades a diferentes agravos devido a diferença cultural e de estilos de vida dessas populações. Observa-se também nessas regiões a migração pela procura de serviços público de saúde de melhor qualidade, devido as disparidades socioeconômicas e de atendimento entre os países vizinhos. Logo, o controle de agravos como a TB em regiões de fronteira torna-se ainda mais difícil devido a dependência de estratégias conjuntas entre mais de um país30,31.
Este estudo identificou que o estado de Roraima (região Norte) apresentou a maior taxa de incidência de TB-DR do país, podendo estar associado ao fato de ser considerado em 2022 o terceiro estado do Brasil com maior incidência de tuberculose contando com 66,6 casos por 100 mil habitantes, taxa superior à média nacional. Tal estatística demonstra barreiras no diagnostico, tratamento e acompanhamento da doença, com possibilidade de desencadeamento de formas mais graves da doença, como a resistência ao seu tratamento 32.
No Brasil, a taxa de tuberculose resistente à rifampicina é relativamente baixa, atingindo 1,5% em casos novos e 8% entre pacientes previamente tratados. No entanto, nos países vizinhos à fronteira com Roraima, esses índices são significativamente maiores: 2,9% em casos novos e 17% em pacientes previamente tratados na Guiana, e 2,9% e 13%, respectivamente, na Venezuela. Esses dados destacam a necessidade de um controle mais rigoroso e de vigilância contínua das cepas, especialmente das resistentes, para prevenir a disseminação de formas mais difíceis de tratar da doença33.
Além disso, diante do cenário político-econômico da Venezuela estudo recente demonstrou o grande fluxo de imigração desta população para o estado de Roraima devido sua localização fronteiriça, buscando melhores condições de vida e saúde, entretanto devido aos modelos divergentes de assistência a saúde dos dois países, o processo imigratório levou ao recrudescimento de doenças infecciosas, como é o caso da tuberculose34.
Outrossim, segundo o último censo demográfico, a região Norte, bem como seus estados possuem a maior população indígena do país, contabilizando cerca de 300.000 pessoas autodeclaradas indígenas 35. Este dado vai de encontro com os resultados de estudo que analisou a situação epidemiológica de municípios da fronteira com o Brasil, o qual mostrou a centralização dos casos de TB-DR da última década na população indígena da região. O mesmo estudo aponta que as divergências entre o modelo biomédico e a medicina tradicional dos povos nativos distanciam a população das abordagens educativas e curativas utilizadas pelos profissionais de saúde, desencadeando a adesão parcial ou não adesão ao tratamento, favorecendo, desse modo, o aparecimento da resistência medicamentosa 36.
Além disso, os municípios dos estados do Piauí, Maranhão e Bahia (região Nordeste) também constituíram aglomerados significativos de casos. Tal resultado assemelha-se ao encontrado em estudo realizado no Nordeste, que relaciona as condições de vida, como infraestrutura urbana, capital humano, renda e trabalho com a incidência por tuberculose. Este estudo associa as condições de vulnerabilidade social com a dificuldade encontrada para acessar os serviços diagnósticos e o tratamento, mantendo ativas as cadeias de transmissão das doenças infectocontagiosas, como a tuberculose 37.
Embora com significância limítrofe, neste estudo, verificou-se que quanto maior a taxa de retratamento de tuberculose, maior será também a taxa de TB-DR. Esse resultado pode estar relacionado a associação entre os casos reingressos e sua probabilidade de interrupção do tratamento, visto que estes têm cerca de seis vezes mais chances de abandonar o tratamento em comparação aos casos novos. Em decorrência disso, o tratamento é feito de forma incompleta e ineficaz, levando ao agravamento da doença e, por sua vez, o desenvolvimento da resistência bacteriana 38.
Nesta pesquisa, o IDHM apresentou associação positiva com o desfecho, contrastando aos achados na literatura, que associam a doença com condições insalubres de vida, relacionadas a pobreza, baixa escolaridade, saneamento básico precário, entre outros 26,39. Apesar das grandes cidades possuírem altos IDHM, indicadores sociais apontam a manutenção da cadeia de transmissão da TB fortemente atreladas as condições de vida e a desigualdade social dentro desses territórios. Desse modo, a doença é encontrada majoritariamente nos grupos populacionais com maior vulnerabilidade. Tal afirmação foi demonstrada em um estudo realizado na região metropolitana do Rio de Janeiro, onde os municípios com maior risco de desenvolvimento da TB eram também aqueles considerados com maiores disparidades socioeconômicas40.
A população em domicílios com densidade > 2 pessoas, também se destacou por sua associação positiva com a TB-DR. Esta relação também foi considerada em estudo realizado na Etiópia, onde casas muito lotadas, com pouca luz e ventilação propiciavam a transmissão dos bacilos resistentes entre a família residente. Além das casas, outros locais superlotados também foram associados, como escolas e transporte público 41.
Uma das limitações apresentadas nessa investigação se refere a utilização de dados secundários de um sistema de informação, que podem apresentar instabilidades em relação à quantidade e qualidade das informações, principalmente devido as subnotificações e mal preenchimento.

CONCLUSÃO
Conclui-se que a ocorrência de TB-DR no Brasil apresenta tendência crescente entre 2007 e 2017, evidenciando o crescente desafio para os programas de controle da doença. A análise espacial identificou municípios com maior incidência, especialmente em Roraima, Rondônia, Bahia e Paraná, sugerindo concentração da TB-DR em áreas específicas, possivelmente relacionadas a características populacionais e estruturais locais.
No âmbito socioeconômico, as variáveis associadas positivamente à ocorrência de TB-DR incluíram a taxa de retratamento, o Índice de Desenvolvimento Humano Municipal (IDHM) e a proporção de população vivendo em domicílios com densidade superior a dois moradores por cômodo. Esses achados indicam que fatores demográficos, de acesso a tratamento e de organização domiciliar desempenham papel importante na disseminação da forma resistente da doença, destacando a necessidade de estratégias de vigilância, acompanhamento e prevenção voltadas às populações mais vulneráveis.
Além disso, os resultados reforçam a importância do desenvolvimento de estudos complementares com delineamentos diversos, capazes de explorar de forma detalhada a ocorrência de TB-DR tanto em nível populacional quanto individual, permitindo a elaboração de intervenções mais direcionadas e eficazes para redução de novos casos e da mortalidade associada à doença.

MMCF, TAM, GJBS contribuíram na concepção, delineamento, análise e interpretação dos dados. MMCF, TKAA, e SRFT ajudaram na revisão crítica e aprovação da versão a ser publicada do artigo. MMCF, SRFT e contribuíram na redação e aprovação da versão final a ser publicada.

O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001.

O conjunto de dados deste artigo está disponível no repositório SciELO Data no Dataverse da Ciência & Saúde Coletiva no link: https://doi.org/10.48331/SCIELODATA.OIBMK6




Declaração de Disponibilidade de Dados
Os bancos de dados utilizados no artigo, incluindo os códigos de extração, análises e
resultados estão disponíveis em repositório: https://doi.org/10.48331/SCIELODATA.OIBMK6
As fontes dos dados utilizados na pesquisa estão indicadas no corpo do artigo.?
REFERENCIAS
1. World Health Organization (WHO). Health topics. Tuberculosis. Geneva: WHO; 2022. Disponível em: . Acesso em: 30 mar 2022.
2. Brasil. Ministério da Saúde. Saúde de A a Z. Tuberculose. Brasília: Ministério da Saúde; 2020. Disponível em: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/t/tuberculose#:~:text=A%20doen%C3%A7a%20afeta%20prioritariamente%20os,especialmente%20aquelas%20com%20comprometimento%20imunol%C3%B3gico>. Acesso em: 30 mar 2022.
3. Brasil. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Doenças de Condições Crônicas e Infecções Sexualmente Transmissíveis. Panorama dos indicadores Laboratoriais da tuberculose no Brasil. Brasília: Ministério da Saúde; 2022. Disponível em: . Acesso em 30 mar 2022.
4. Mirzayev F, Viney K, Linh NN, González-Angulo L, Gegia M, Jaramillo E, Zignol M, Kasaeva T. World Health Organization recommendations on the treatment of drug-resistant tuberculosis. Eur Respir J 2020; 57: 2003300. Disponível em: < https://erj.ersjournals.com/content/57/6/2003300#:~:text=Updated%20WHO%20guidelines%20emerging%20from,making%20the%20regimen%20all%20oral.>. Acesso em: 30 mar 2022.
5. Martins ACBS, Montarroyos U, Queiroz A, Galindo JM, Rabello MCS, Schindler HC. Tendência temporal da tuberculose drogarresistente (TB-DR) e dos tipos de resistência no estado de Pernambuco, Brasil. Cad Saúde Colet, 2021; 29(3):399-410. https://doi.org/10.1590/1414-462X202129030177. Acesso em: 19 nov 2025.
6. Brasil. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Vigilância das Doenças Transmissíveis. Manual de Recomendações para o Controle da Tuberculose no Brasil. Brasília: Ministério da Saúde, 2019. 364 p. Disponível em: https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/svsa/tuberculose/manual-de-recomendacoes-e-controle-da-tuberculose-no-brasil-2a-ed.pdf/view. Acesso em: 19 nov 2025.
7. World Health Organization (WHO). Global tuberculosis report 2021. Geneva: WHO; 2021. Disponível em: < https://www.who.int/publications/i/item/9789240037021>. Acesso em: 30 mar 2022.
8. World Health Organization (WHO). Drug-resistant TB. Geneva: WHO; 2025. Disponível em: < https://www.who.int/teams/global-programme-on-tuberculosis-and-lung-health/tb-reports/global-tuberculosis-report-2024/tb-disease-burden/1-3-drug-resistant-tb#refs >. Acesso em 19 nov 2025.
9. Sousa GJB, Garces TS, Pereira MLD, Moreira TMM, Silveira GM da. Temporal pattern of tuberculosis cure, mortality, and treatment abandonment in Brazilian capitals. Rev Latino-Am Enfermagem, 2019;27:e3218. Disponível em: https://doi.org/10.1590/1518-8345.3019.3218. Acesso em: 31 mar 2022.
10. Brasil, Ministério da Saúde. Abordagens espaciais na saúde pública. Brasília: Ministério da Saúde; 2006. Acesso em: 30 mar 2022.
11. Arcêncio RA, Bezerra TZ, Terena NFM, Rocha MP, Alecrim TFA, Kihara FMS, Mascarello KC, Sales CMM, Maciel ELN. Spatial clustering and temporal trend analysis of international migrants diagnosed with tuberculosis in Brazil. PLoS One, 2021 16(6):0252712. Doi: https://doi.org/10.1371/journal.pone.0252712. Acesso em: 31 marc 2022.
12. Federação das Indústrias do Estado do Rio de Janeiro (FIRJAN). Índice FIRJAN de Desenvolvimento Municipal (IFDM) [Internet]. 2018. [acessado 2022 jun 29]. Disponível em: »https://www.firjan.com.br/data/files/46/21/E2/BD/DF834610C4FC8246F8A809C2/Metodologia%20IFDM%20-%20Final.pdf
13. Instituto de Pesquisa Econômica Aplicada (Ipea). Atlas da Vulnerabilidade Social [Internet]. 2017. [acessado 2022 jun 29]. Disponível em: http://ivs.ipea.gov.br/index.php/pt/
14. GeoDa: An Introduction to Spatial Data Science. Introducing GeoDa 1.22. New York: Luc Anselin, 2003. Disponi?vel em: https:// geodacenter.github.io/
15. Charlton M, Fotheringham S, Brunsdon C. Geographically Wei- ghted Regression. United Kingdom ESRC National Centre for Research Methods, ESRC National Centre for Research Methods NCRM Methods Review Papers, 2005. Disponi?vel em: https:// eprints.ncrm.ac.uk/id/eprint/90/1/MethodsReviewPaperNCRM- 006.pdf
16. Jacobs MG, Pinto-Junior VL. Caracterização da tuberculose drogarresistente no Brasil, 2014. Epidemiol. Serv. Saúde, 2019; 28(3):2018294, set. 2019. Disponível em: . Acesso em: 14 jul 2023.
17. Viana PVS, Redner P, Ramos JP. Fatores associados ao abandono e ao óbito de casos de tuberculose drogarresistente (TB-DR) atendidos em um centro de referência no Rio de Janeiro, Brasil. Cadernos de Saúde Pública, 2018; 34(5). Disponível em: . Acesso em: 14 jul 2023.
18. Rifat M, Milton AH, Hall J, Oldmeadow C, Islam MA, Husain A, Akhanda MW, Siddiquea BN. Development of Multidrug Resistant Tuberculosis in Bangladesh: A Case-Control Study on Risk Factors. PLOS ONE, 2014; 9(8):105214. Disponível em: . Acesso em: 14 jul 2023.
19. Mulisa G, Workneh T, Hordofa N, Suaudi M, Abebe G, Jarso G. Multidrug-resistant Mycobacterium tuberculosis and associated risk factors in Oromia Region of Ethiopia. International Journal of Infectious Diseases, 2015; 39:57–61. Disponível em: . Acesso em: 14 jul 2023.
20. Rickman HM, Phiri MD, Feasey HRA, Krutikov M, Shao H, Horton KC, Dowdy DW, Nightingale ES, Dodd PJ, Corbett EL, MacPherson P. Sex differences in the risk of Mycobacterium tuberculosis infection: a systematic review and meta?analysis of population?based immunoreactivity surveys. Lancet Public Health. 2025;10(7):e588–e598. Disponível em: https://doi.org/10.1016/S2468-2667(25)00120-3. Acesso em 19 nov 2025.
21. Horton?KC, Sumner?T, Houben?RMGJ, Corbett?EL, White?RG. A Bayesian approach to understanding sex differences in tuberculosis disease burden. Am J Epidemiol. 2018;187(11):2431–2438. doi:10.1093/aje/kwy131. Disponível em: https://academic.oup.com/aje/article/187/11/2431/5046038?utm_source=chatgpt.com&login=true .Acesso em 19 nov 2025.
22. Silva TC, Pinto ML, Orlandi GM, Figueiredo TMRM, França FOS, Bertolozzi MR. Tuberculosis From The Perspective Of Men And Women. Rev Esc Enferm USP, 2022; 56: 20220137, 2022. Disponível Em: . Acesso Em: 18 Jul 2023.
23. Ministério da Saúde. Secretaria de Vigilância em Saúde. Boletim Epidemiológico. Tuberculose, número Especial. Brasília: Ministério da Saúde; 2022. Disponível em: https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/boletins/epidemiologicos/especiais/2022/boletim-epidemiologico-de-tuberculose-numero-especial-marco-2022.pdf?utm_source=chatgpt.com Acesso em 19 nov 2025.
24. Ministério da Saúde. Secretaria de Vigilância em Saúde. Boletim Epidemiológico. Tuberculose, número Especial. Brasília: Ministério da Saúde; 2025. Disponível em: https://www.gov.br/aids/pt-br/central-de-conteudo/boletins-epidemiologicos/2025/boletim-epidemiologico-tuberculose-2025/view Acesso em 19 nov 2025.
25. Fiocruz Agência. Favelas e periferias do Rio de Janeiro sofrem com tuberculose. Agência Fiocruz [Internet]. 2017 maio. Disponível em: https://agencia.fiocruz.br/favelas-e-periferias-do-rio-de-janeiro-sofrem-com-tuberculose. Acesso em 19 nov 2025.
26. Pedro HSP, Nardi SMT, Pereira MIF, Oliveira RS, Suffys PN, Gomes HM, Finardi AJ, Moraes EB, Baptista IMFD, Machado RLD, Castiglioni L. Perfil clínico e epidemiológico de indivíduos com tuberculose farmacorresistente. Memórias do Instituto Oswaldo Cruz, 2015; 110 (2): 235–248. Disponível em: https://doi.org/10.1590/0074-02760140316. Acesso em: 13 jul 2023.
27. Santos VF. Geoprocessamento Da Coinfecção Tuberculose/Hiv Drogarresistente No Estado Do Ceará (Tese). Fortaleza: Universidade Federal do Ceará; 2018. Disponível em: https://repositorio.ufc.br/bitstream/riufc/38981/3/2018_tese_vfsantos.pdf. Acesso em: 21 jul 2023.
28. Brasil. Ministério da Saúde. Secretaria de Vigilância em Saúde, Departamento de Vigilância das Doenças Transmissíveis. Rede de Teste Rápido para Tuberculose no Brasil: Primeiro ano da implantação. Brasília: Ministério da Saúde; 2015. Disponível em: . Acesso em: 21 jul 2023.
29. Fundação Oswaldo Cruz (FIOCRUZ). Centro de Referência Professor Hélio Fraga. Boletim Epidemiológico Tuberculose Drogarresistente. Rio de Janeiro: FIOCRUZ; 2022. Disponível em:. Acesso em 22 jul 2023.
30. Zaslavsky R, Goulart BNG, Ziegelmann PK. Cross-border healthcare and prognosis of HIV infection in the triple border Brazil-Paraguay-Argentina. Cad Saúde Pública, 2019;35(9):e00184918. Disponível em: https://doi.org/10.1590/0102-311X00184918.
31. Braga JU, Herrero MB, Cuellar CM. Transmissão da tuberculose na tríplice fronteira entre Brasil, Paraguai e Argentina. Cad. Saúde Pública, 2011; 27(7):1271-1280. Disponível em: https://www.scielo.br/j/csp/a/tYmR9wHLmT434NGmMzWwtyS/?format=pdf&lang=pt. Acesso em: 23 jul 2023.
32. Roraima. Secretaria do Estado da Saúde de Roraima (SESA-RR). Tuberculose Roraima. Boa Vista: SESA-RR, 2023. Disponível em: https://vigilancia.saude.rr.gov.br/wp-content/cgvs/formularios_cgvs/tuberculose/notainformativa_tuberculose_0001_2023.pdf. Acesso em 18 Ago 2023.
33. Tatara?MB, Perdigão?J, Viveiros?M, Kritski?A, da?Silva?KE, Sacchi?FP, de?Lima?CC, Pereira?Dos?Santos?PC, do?Carmo?Guimarães?Diniz?J, Almeida?Silva?PE, Duarte?PG, Quirino?Gomes?MM, Totumi?Cunha?EA, Lapa?e?Silva?JR, Portugal?I, Croda?J, de?N.?Andrade?MK. Genetic Diversity and Molecular Epidemiology of Mycobacterium tuberculosis in Roraima State, Brazil. Am J Trop Med Hyg. 2019 Oct;101(4):774 9. doi: 10.4269/ajtmh.19 0324. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC6779181/ . Acesso em 20 nov 2025.
34. Arruda-Barbosa L de, Sales AFG, Souza ILL de. Reflexos da imigração venezuelana na assistência em saúde no maior hospital de Roraima: análise qualitativa. Saude soc. 2020;29(2):e190730. Available from: https://doi.org/10.1590/S0104-12902020190730
35. Instituto Brasileiro De Geografia E Estatística (IBGE). Os indígenas no Censo Demográfico 2010. Primeiras considerações com base no quesito cor ou raça. Rio de Janeiro: IBGE; 2012. Disponível em: . Acesso 22 jul 2023.
36. Belo EN, Orellana JDY, Levino A, Basta PC. Tuberculose nos municípios amazonenses da fronteira Brasil-Colômbia-Peru-Venezuela: situação epidemiológica e fatores associados ao abandono. Rev Panam Salud Publica, 2013;34(5):321–9 Acesso em: 22 jul 2023. Disponível em: https://iris.paho.org/bitstream/handle/10665.2/8877/a04v34n5.pdf?sequence=1&isAllowed=y. Acesso em: 22 jul 2022.
37. Paiva JPS, Brito AB, Bezerra-Santos M, Carmo RF, Souza CDF. Tendência temporal da incidência de Tuberculose em municípios do Nordeste brasileiro segundo parâmetros do Índice de Vulnerabilidade Social: Um estudo ecológico. J Bras Pneumol, 2023; 49(1): e20220353, 2023. Disponível em: https://dx.doi.org/10.36416/1806-3756/e20220353. Acesso em: 09 ago 2023.
38. Silva TC, Matsuoka PFS, Aquino DMC, Caldas AJM. Fatores associados ao retratamento da tuberculose nos municípios prioritários do Maranhão, Brasil. Ciência & Saúde Coletiva, 2017; 22(12):4095–4104. Disponível em: https://doi.org/10.1590/1413-812320172212.20612015. Acesso em: 09 ago 2023.
39. André SR, Nogueira LMV, Rodrigues ILA, Cunha TN, Palha PF, Santos CB. Tuberculose associada às condições de vida em município endêmico da região Norte do Brasil. Rev. Latino-Am. Enfermagem, 2020; 28:e3343. Disponível em: https://www.scielo.br/j/rlae/a/dYLmZZcWF4y5sYjVRb3r36D/?lang=pt&format=pdf. Acesso em 09 ago 2023.
40. Valente BC, Angelo JR, Kawa H, Baltar VT. A tuberculose e seus fatores associados em um município da região metropolitana do Rio de Janeiro. Revista Brasileira de Epidemiologia, 2019; 22: e190027. Disponível em: https://www.scielo.br/j/rbepid/a/nH43gpTkQR6mvCFtJvsfB7v/?lang=pt#ModalHowcite. Acesso em: 18 ago 2023.
41. Mussie KM, Yimer SA, Manyazewal T, Gradmann C. Exploring local realities: Perceptions and experiences of healthcare workers on the management and control of drug-resistant tuberculosis in Addis Ababa, Ethiopia. PLoS ONE, 2019; 14(11):e0224277. Disponível em: https://doi.org/10.1371/journal. pone.022427. Acesso em 18 jul 2023.