Artigos

INTRODUÇÃO
As estatísticas de mortalidade têm importância fundamental e bem estabelecida para a compreensão da situação de saúde de uma população, em especial para a vigilância de doenças crônicas não transmissíveis (DCNT)1,2. A análise das causas de morte permite que se mensure os principais problemas que afetam a saúde de uma população. Por meio da estimativa das taxas de mortalidade, é possível mensurar os riscos de morte a que estão expostos diferentes grupos populacionais, além de possíveis desigualdades entre os grupos, períodos, gerações ou localidades3. Tais taxas podem subsidiar, ainda, o direcionamento de prioridades em políticas relacionadas aos serviços de saúde, bem como análises de situação, planejamento e avaliação das ações e programas na área4,5.
Criado em 1975, o Sistema de Informações sobre Mortalidade (SIM) permite o armazenamento e monitoramento contínuo dos dados sobre óbitos no Brasil, constituindo uma importante ferramenta para a vigilância em saúde no país6. Apesar de ser considerado um sistema consolidado, o SIM ainda apresenta desigualdades regionais no que se refere à cobertura e qualidade dos dados7. É consenso que, para que o SIM tenha um desempenho adequado, as declarações de óbito e as fichas de investigação (documentos base do sistema) devem apresentar informações precisas sobre a causa básica dos óbitos8.
A Organização Mundial da Saúde (OMS) define causa básica de óbito como (a) a doença ou lesão que iniciou uma sucessão de eventos que culminaram na morte ou (b) nos casos de acidentes ou violências, as circunstâncias que produziram a lesão ou lesões fatais9. Embora as causas básicas de óbito sejam codificadas por meio da Classificação Estatística Internacional de Doenças e Problemas Relacionados à Saúde, 10ª Revisão (CID-10), esta não fornece apenas códigos adequados para declarar a causa subjacente da morte. Também há códigos para doenças não fatais, além de sinais, sintomas e complicações10. Estes códigos, chamados de Códigos Garbage (CG) não são adequados para o preenchimento da causa básica de óbito, posto que fornecem informações pouco úteis ao direcionamento de ações em saúde pública11, dificultando a identificação das reais doenças e agravos que desencadearam o óbito12,13.
Uma alta proporção de CG limita a utilidade das estatísticas de mortalidade, minando a sua importância como fonte primária de informação para o planejamento e avaliação de políticas e intervenções de saúde6,14. Nesse sentido, diferentes abordagens têm sido utilizadas para classificar e reduzir o impacto dos CG, geralmente envolvendo sua redistribuição para códigos de causas de óbito plausíveis15, com consulta aos especialistas, redistribuição proporcional fixa e redistribuição proporcional computada com base nas informações da cadeia de causa de morte e modelos de regressão16. No estudo Global Burden of Disease (GBD) 2019, a redistribuição dos CG foi feita com base em pesos gerados por modelos estatísticos e redistribuídos por algoritmos nos grupos das causas definidas17,18. Embora tal estudo seja considerado como o padrão-ouro no que se refere à redistribuição de CG, é necessário que os países avancem na implementação e melhoria de metodologias próprias, adequadas à realidade local19.
As doenças crônicas não transmissíveis (DCNT) representam a maior causa de morbimortalidade no Brasil e no mundo, resultando em mortes, incapacidades, perda da qualidade de vida e importantes impactos econômicos20,21. Estima-se que, anualmente, as DCNT sejam responsáveis por 41 milhões de mortes no mundo (71% de todas as mortes). Dessas, 15 milhões são óbitos prematuros (30 a 69 anos de idade) e cerca de 12 milhões ocorrem em países de baixa e média renda 20.
Devido à magnitude e impacto das DCNT na população, sua vigilância e monitoramento contínuos são primordiais para a saúde pública22. Tanto que este grupo de doenças foi incluído na Meta 3.4 dos Objetivos do Desenvolvimento Sustentável (ODS), cuja proposta é reduzir em um terço a mortalidade prematura por DCNT23.
No Brasil, as DCNT constituem as causas mais frequentes de óbito, correspondendo a 76% das mortes em 201724. Estudo realizado por Malta e colaboradores apontou que, com a redistribuição dos CG, as taxas de mortalidade prematura por DCNT aumentaram entre 8% e 12% nas capitais brasileiras. Esta variação foi maior nas capitais com maiores índices de privação social 25. Não há estudos semelhantes que abranjam as Unidades Federadas brasileiras.
Assim, este trabalho tem por objetivo estimar a mortalidade prematura por DCNT no Brasil e Unidades Federadas (UF), no período de 2010 a 2019, comparando os dados obtidos a partir do SIM bruto, SIM corrigido pela redistribuição do CG e GBD, bem como sua tendência temporal. Será analisada, ainda, a associação entre o Índice de Desenvolvimento Humano (IDH) das UF e o impacto da correção nas taxas de mortalidade destas.

MÉTODOS
Trata-se de um estudo das séries temporais de mortalidade por DCNT, no período de 2010 a 2019, comparando três metodologias distintas de cálculo: usando dados do SIM brutos, dados do SIM corrigidos pela redistribuição dos CG e sub-registro e os dados extraídos diretamente do estudo GBD18.
Variáveis - Dados de mortalidade
As taxas de mortalidade prematura (30 a 60 anos) foram calculadas tanto para o total de óbitos por DCNT quanto para categorias que compõem esse grupo de doenças (diabetes, doenças cardiovasculares, doenças respiratórias e neoplasias), considerando o período de estudo. As taxas de mortalidade pelo total de DCNT foram calculadas, ainda, desagregadas por UF de residência da vítima para os anos de 2010 e 2019.
Para o cálculo das taxas de mortalidade, foram considerados, no numerador, os óbitos cuja causa básica tenha sido codificada como neoplasias malignas (códigos C00-C97), diabetes mellitus (E10-E14), doenças cardiovasculares (I00-I99) e doenças respiratórias crônicas (J30-J98, exceto J36). O denominador foi composto pela população da mesma localidade e período, obtida a partir do estudo GBD, e que estão disponíveis publicamente no site do Institute for Health Metrics and Evaluation (IHME). Esta mesma população foi considerada para todas as metodologias em estudo, bem como a constante das taxas (100 mil habitantes). A utilização das estimativas populacionais do estudo GBD para compor o denominador das taxas de mortalidade nas três metodologias de cálculo utilizadas faz com estas sejam comparáveis entre si, embora torne os valores diferentes daqueles observados em outros estudos, que utilizam estimativas populacionais distintas.
As taxas de mortalidade prematura por DCNT foram mensuradas por meio de três métodos diferentes:
a) Taxa de mortalidade considerando dados do SIM bruto: Os dados de óbitos foram obtidos diretamente do SIM, disponibilizados publicamente pelo Ministério da Saúde no site do DataSUS.
b) Taxa de mortalidade considerando dados do SIM corrigido: Os dados de óbitos foram obtidos a partir do SIM e a eles foi aplicado o método de correção brasileira desenvolvida por Teixeira e colaboradores em 2021 22. A primeira etapa desta consistiu no tratamento dos “dados faltantes”, por meio da redistribuição proporcional dos dados segundo ano, idade, sexo e local de residência ignorados e em branco26. Posteriormente, foi feita a redistribuição dos CG, considerando os CG listados no estudo GBD 201727,28. Foi feita uma análise dos códigos dessa lista para identificar quais eram os CG relacionadas especificamente aos 4 grupos de DCNT em estudo. Posteriormente, foram feitas as redistribuições de acordo com os níveis de CG e seus respectivos alvos GBD29. Para tanto, foram considerados os 4 níveis de gravidade do CG, descritos pelo estudo GBD, de acordo com a magnitude de suas implicações para a Saúde Pública30: (i) muito alto (nível 1), para causas com implicações graves; (ii) alto (nível 2), para CG com implicações substanciais; (iii) médio (nível 3), contendo CG com implicações importantes; e (iv) baixo (nível 4), em que os GC têm implicações limitadas. Segundo o GBD, os níveis 1 e 2 são os mais importantes devido ao seu maior impacto nas análises de mortalidade30.
Além do processo de redistribuição proporcional, o estudo considerou os resultados das investigações de CG iniciado em 2016 para atribuir pesos à redistribuição31. As causas-alvo foram definidos através dos resultados das investigações de óbitos do projeto que investigou os principais CG em 60 cidades do Brasil32. Após a análise dos principais grupos de CG, os que mostraram maiores diferenças para os códigos-alvo analisados foram: pneumonias, X59 e Y3429,33,34.
c) Taxa de mortalidade usando dados do GBD: Os óbitos foram estimados pelo Institute for Health Metrics and Evaluation (IHME), da Washington University, no âmbito do estudo Carga Global de Doenças (Global Burden of Disease - GBD), produzida em parceria com a Rede GBD Brasil. Tal estudo utiliza como principal fonte de informação, no Brasil, o SIM35, com ajuste por outras fontes nacionais e internacionais. Para todos os estados brasileiros, a qualidade dos dados é considerada alta e próxima aos países de alta renda36. Algoritmos de redistribuição específicos definidos pelo IHME são aplicados em cada idade-sexo-ano,. Detalhes sobre a metodologia e resultados do estudo GBD podem ser consultados em diversas publicações22,37,38.
Os três métodos utilizaram taxas de mortalidade padronizadas pelo método direto, considerando apenas a morte prematura de 30 a 69 anos, usando a população padrão mundial GBD 2019.
Análise dos dados
Inicialmente foi analisada a tendência do número de óbitos e das taxas de mortalidade prematura por DCNT de 2010 a 2019 calculadas pelos três métodos, para o Brasil.
Para estimar as tendências, foi utilizado método de regressão linear de Prais-Winsten. Este é um método delineado para dados que possam ser influenciados pela auto correlação serial, o que frequentemente ocorre em medidas de dados populacionais. Foi adotado como valor crítico para determinar se a tendência foi significativa, P = 0,05. A variação percentual anual (VPA) foi calculada utilizando a seguinte fórmula39:
Variação Percentual Anual= -1+10^b
Onde b corresponde ao coeficiente de inclinação da reta obtida na análise de regressão relacionando o logaritmo em base decimal do indicador em análise com o ano de ocorrência. O intervalo de 95% de confiança da taxa de incremento médio anual percentual no período foi calculado a partir da seguinte fórmula39:
IC95%=-1+10^((b±t*EP))
Onde t é o valor em que a distribuição t de Student apresenta 9 graus de liberdade a um nível de confiança de 95% bicaudal e EP é o erro padrão da estimativa de b fornecido pela análise de regressão.
Foram calculadas as variações percentuais das taxas de mortalidade prematura por DCNT pelos métodos SIM bruto e SIM corrigido para Brasil e UF nos anos de 2010 e 2019, bem como os percentuais de correção, calculados a partir da variação percentual das taxas de mortalidade prematura por DCNT entre os métodos. Por se tratar de valores menores, as séries temporais dos indicadores de UF apresentam bastante variabilidade, dificultando a implementação da análise de regressão. Por isso, optou-se por analisar apenas as variações percentuais.
Adicionalmente, foi realizada análise de correlação de Pearson entre o Índice de Desenvolvimento Humano (IDH) e a variação percentual das taxas de mortalidade prematura por DCNT estimadas a partir do SIM bruto e do SIM corrigido, segundo as UF de 2010 a 2019. O IDH constitui-se em um índice composto por três indicadores, longevidade, renda e educação. Pode variar de 0 a 1 e quanto mais próximo de 1 melhor o desenvolvimento humano. Tem sido amplamente utilizado em estudos, gerando comparabilidade40. A magnitude das correlações foi categorizada de acordo com a classificação proposta por Shimakura41 para valores do coeficiente de correlação (r) positivos ou negativos: (i) Correlação bem fraca (r = 0,00 a 0,19); (ii) Correlação fraca (r = 0,20 a 0,39); (iii) Correlação moderada (r= 0,40 a 0,69); (iv) Correlação forte (r = 0,70 a 0,89); (v) Correlação muito forte (r = 0,90 a 1,00). Foram consideradas correlações significativas aquelas em que o P-valor foi menor que 0,05.
As análises estatíticas foram executadas utilizando o software R (R Core Team 2024. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/).
Aspectos éticos
Esta pesquisa obedece à Resolução Nº 466, de 12 de dezembro de 2012, do Conselho Nacional de Saúde (CNS). Foi aprovada pelo Comitê de Ética em Pesquisa envolvendo Seres Humanos da UFMG sob parecer de número 3.258.076.

RESULTADOS
A Figura 1A mostra o número absoluto de óbitos estimados segundo os três métodos de cálculo. Foi observado aumento similar entre os três métodos, sendo os maiores valores estimados pelo método GBD. Foram registrados aproximadamente 253 mil óbitos em 2010 no SIM bruto, chegando a 288 mil óbitos em 2019 (VPA = 1,55%; IC95% = 1,28%; 1,81%). Considerando o SIM corrigido, este número variou de 267 mil a 310 mil óbitos no mesmo período (VPA = 1,74%; IC95% = 1,44%; 2,03%). Pelo método GBD, foram estimados 292 mil óbitos em 2010, atingindo 337 mil em 2019 (VPA = 1,59%; IC95% = 1,42%; 1,77%).
As taxas de mortalidade prematura por DCNT apresentaram redução no período analisado (Figura 1B). As taxas estimadas pelo método do SIM bruto reduziram de 322,0 a 276,1 óbitos por 100 mil habitantes (VPA = -1,64%; IC95% = -1,96%; -1,32%), enquanto as taxas do SIM corrigido variaram de 340,4 a 296,8 óbitos por 100 mil habitantes (VPA = -1,47%; IC95% = -1,88%; 1,06%). Já as estimadas pelo GDB variaram de 371,6 a 323,0 óbitos por 100 mil habitantes (VPA = -1,58%; IC95% = -1,83%; 1,33%).
A Figura 2 apresenta as taxas de mortalidade por cada um dos quatro grupos de DCNT estudados no período. Também foram observadas reduções na magnitude dessas taxas. As mortes por doenças cardiovasculares apresentaram padrão semelhante de redução entre os três métodos estudados. Para os demais grupos, embora todos os métodos tenham apontado redução na magnitude da taxa de mortalidade, houve variação no comportamento desta no decorrer da série histórica, de acordo com o método de cálculo analisado. Para todos os grupos de doenças estudados, as estimativas calculadas a partir do método GBD foram as maiores, seguidas do SIM corrigido e SIM bruto, durante todo o período analisado.
A Tabela 1 apresenta os valores e a variação percentual das taxas de mortalidade prematura por DCNT calculadas segundo os métodos SIM bruto e SIM corrigido, nas UF e no Brasil, para os períodos de 2010 e 2019. Considerando os dois métodos, em 2010, a maior taxa de mortalidade foi observada no Rio de Janeiro (384,0 óbitos/100 mil habitantes de acordo com o SIM bruto e 392,3 de acordo com o SIM corrigido) e a menor no Amapá (189,1 óbitos / 100 mil habitantes pelo SIM bruto e 218,3 pelo SIM corrigido). Em 2019, de acordo com o SIM bruto, a maior taxa ocorreu em Pernambuco (314,8 óbitos / 100 mil habitantes). Já de acordo com o SIM corrigido, a maior magnitude da taxa foi observada em Alagoas (376,4 óbitos / 100 mil habitantes). Ainda em 2019, a menor taxa de mortalidade prematura por DCNT ocorreu no Distrito Federal (222,9 óbitos / 100 mil habitantes pelo SIM bruto e 232,9 pelo SIM corrigido). A maior variação percentual positiva entre as taxas de mortalidade dos anos de 2010 e 2019 foi observada no Amapá (40,5% pelo SIM bruto e 30,0% pelo SIM corrigido). A maior variação percentual negativa ocorreu no Mato Grosso do Sul (-20,6% pelo SIM bruto e -19,6% pelo SIM corrigido).
A Tabela 2 apresenta o percentual de correção das taxas de mortalidade prematura por DCNT calculadas a partir dos métodos SIM bruto e SIM corrigido, para os anos de 2010 e 2019. No Brasil, o percentual de correção foi de 5,7% em 2010 e 7,5% em 2019. Dentre as UF, o Maranhão apresentou maior percentual de correção (26,7% em 2010 e 33,9% em 2019). O menor percentual de correção foi observado no Rio Grande do Sul em 2010 (1,5%) e em São Paulo e Mato Grosso em 2019 (2,7% para ambas).
A Figura 3 apresenta os resultados da análise de correlação entre as variações percentuais das taxas de mortalidade prematura por DCNT nas UF e o IDH destas. Houve correlação moderada considerando ambas as metodologias (SIM bruto: r =-0,46; P=0,015 e SIM corrigido: r=-0,54; P-valor=0,004), o que significa que as UF com maiores IDH apresentaram menores variações.
?
DISCUSSÃO
O estudo mostrou o impacto da correção de dados de óbito na estimativa do número de óbitos e das taxas de mortalidade prematura por DCNT. Para todas as desagregações estudadas, observou-se que as taxas aumentaram após a redistribuição de CG, com tendências temporais bastante semelhantes entre taxas corrigidas e não corrigidas. O percentual de correção variou entre as UF brasileiras, e a variação percentual das taxas entre 2010 e 2019 foi inversamente proporcional ao IDH destas.
Este estudo mostra a importância da utilização de métodos de correção para os dados de mortalidade por DCNT no Brasil e, em especial, nas UF da Regiões Norte e Nordeste do país. O percentual de correção de até 33,9% (observado no Maranhão, em 2019) mostra a necessidade de cautela na utilização de estimativas de mortalidade calculadas a partir de dados brutos do SIM. Outros estudos têm apontado para esta necessidade no intuito de produzir estimativas de mortalidade com magnitudes mais verossímeis, favorecendo as vigilância epidemiológica 22,27,31,38.
O SIM tem apresentado importantes avanços na cobertura e qualificação dos registros nos últimos anos42. No entanto, entre 30 a 40% das causas de mortes constituem CG.31. Os resultados deste estudo mostraram que há grande diferença entre UF brasileiras, com maiores percentuais de correção naquelas pertencentes às Regiões Norte e Nordeste. Esta desigualdade regional também foi observada por diversos outros autores12,27,38. Em que pese os esforços do Ministério da Saúde brasileiro em parceria com as estados e municípios para a melhoria da captação dos óbitos pelo SIM (como o projeto de redução das causas mal definidas e o projeto de redução das desigualdades regionais e redução da mortalidade infantil nos estados da Região Nordeste e Amazônia Legal)33, estas desigualdades se mantêm, reforçando a necessidade de emprego de métodos de tratamentos na base do SIM, em especial a correção para sub-registro de óbitos e a redistribuição dos CG22,33,38.
Analisando-se as estimativas de mortalidade, foi possível observar redução das taxas de mortalidade por DCNT no Brasil, considerando os três métodos de cálculo. Da mesma forma, Malta e colaboradores, ao analisarem dados do GBD referentes ao período de 1990 a 2017, identificaram declínio de 35,9% na mortalidade prematura por DCNT, sendo que as doenças cardiovasculares tiveram a redução mais expressiva, de 47,9%43. Esses avanços podem ser explicados por fatores como a melhoria das condições de vida e saúde, redução da pobreza, melhoria do acesso a bens e serviços e expansão do Sistema Único de Saúde (SUS), além de avanços nas políticas de saúde43.
Além do maior percentual de correção das taxas de mortalidade por DCNT, as UF das Regiões Norte e Nordeste apresentaram, majoritariamente, menores reduções ou até mesmo aumento das taxas de mortalidade por DCNT, tanto na análise dos dados do SIM bruto quanto do SIM corrigido. Essas UF têm os menores IDH do país, ocasionado uma correlação negativa entra este e a variação percentual das taxas de mortalidade entre 2010 e 2019. Estudo conduzido por Malta e colaboradores, em 2023, apresentou resultados semelhantes, com decréscimos mais expressivos nas taxas de mortalidade por DCNT sendo observados nas capitais brasileiras incluídas nos estratos de menor vulnerabilidade38.
Esses resultados podem ser explicados pelo processo de transição epidemiológica polarizada prolongada experimentado pelo país a partir dos anos 1950. Além da superposição da carga de doenças infecciosas e doenças crônicas e agravos não transmissíveis, este processo é caracterizado pela polarização epidemiológica, com níveis diferenciados de transição entre e intrapaíses, de acordo com o nível socioeconômico44. Assim, é provável que as UF das Regiões Sudeste, Sul e Centro-Oeste estivessem em estágios mais avançados da transição epidemiológica, durante o período de estudo, com elevadas taxas de mortalidade por DCNT. Em contrapartida, as UF das Regiões Norte e Nordeste, no mesmo período, ainda apresentavam desafios residuais de uma sociedade originalmente rural e tradicional, com alta mortalidade por doenças infecciosas e risco de morte na infância elevado, e em processo de transição para uma sociedade predominantemente urbana, com risco de morte na infância reduzido e maior mortalidade por DCNT45.
O estudo inova ao apresentar os efeitos da aplicação do método revisado proposto por Teixeira e colaboradores 22. Tal método aplicou a correção das bases do SIM utilizando dados empíricos brasileiros, como o resultado do projeto de investigação do óbito em 60 cidades34 e as investigações realizadas nas secretarias estaduais de saúde, sendo mais aderida ao contexto nacional27,33. Um dos pontos fortes do estudo atual é o aprimoramento do método de Teixeira et al, com revisão dos CG e códigos-alvo e utilização de dados empíricos de investigação de óbitos32. O uso de mais de 20 mil óbitos com causas básicas definidas alteradas após a investigação fortalece o resultado das causas consideradas por se tratar de um projeto que considerou a realidade brasileira, o que fortalece a riqueza desses dados. Esses dados devem ser mais explorados para que outros tratamentos de qualidade das causas de morte possam ser aplicados aos dados brutos nacionais. Outro ponto forte consiste na utilização de estimativas populacionais semelhantes para os diferentes métodos de cálculo, garantindo comparabilidade aos indicadores em estudo
Apesar dos avanços metodológicos ao tratar dados faltantes e redistribuir os CG, o estudo apresenta limitações, dentre eles os algoritmos foram analisados conforme dados empíricos em estudos realizados em 60 cidades, mas não abrangem todo o território nacional, podendo haver particularidade locais, os dados podem não ter sido completamente ajustados segundo sub-registro, em especial não regiões Norte e Nordeste, foram aplicadas correções até o nível 2 de severidade, classificado segundo o estudo GBD30, devendo ainda aprofundar as metodologias de redistribuição para causas básicas mais desagregadas. Além disto, não foram incluídos na analise os anos de 2020 e 2021, em função da pandemia, quando ocorreu piora dos dados do SIM, necessitando de outra proposta de redistribuição dos CG, que ainda está em desenvolvimento.
O uso de metodologia para tratamento dos dados de mortalidade está em constante desenvolvimento, espera-se com estas análises e com a disponibilização futura destes algoritmos de redistribuição de GC apoiar gestores locais na adequada análise de situação de saúde. Torna-se importante por avançar na vigilância das causas mal definidas, na formação de médicos para o correto preenchimento das declarações de óbito.
Em conclusão o presente estudo destaca que houve redução das taxas de mortalidade prematura por DCNT, no período de 2010 a 2019, sobretudo nas UF de maior IDH. A redistribuição de CG representou aumento dos valores das taxas de mortalidade por DCNT, e o incremento foi maior nas UF das Regiões Norte e Nordeste. Verifica-se, assim, a importância de se adotar métodos que possam ser aplicados para que tenhamos estatísticas relacionadas à mortalidade mais fidedignas, o que contribui para a melhoria contínua da definição das causas de morte no SIM.
Agradecimentos: Os autores agradecem à Fapemig – 2021 - Chamada Universal - Desigualdades nos indicadores de mortalidade por doenças crônicas não transmissíveis e COVID-19 no Brasil e em Minas Gerais”. À Secretaria de Vigilância em Saúde/ Ministério da Saúde pelo financiamento do projeto GBD, inquéritos IA/2023; ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pela bolsa de produtividade de Malta DC; à OPAS /SVSA pelo apoio na carta acordo.

REFERÊNCIAS
1. Laurenti R. A análise da mortalidade por causa básica e por causas múltiplas. Rev Saude Publica. 1974;8:421–35.
2. Santos ÁO dos, Sztajnberg A, Machado TM, Nobre DM, Souza AN de P e, Savassi LCM. Desenvolvimento e Avaliação de uma Plataforma Colaborativa Digital para Educação e Tomada de Decisão Médica Baseada em Evidências. Rev Bras Educ Med. 2019;43(1 suppl 1):513–24.
3. Benedetti MSG, Saraty SB, Martins AG, de Miranda MJ, de Abreu DMX. Evaluation study of the garbage codes research project in the northern region of Brazil. Revista Brasileira de Epidemiologia. 2019;22(Suppl 3).
4. Brasil M da SS de V em S e AD de AE e V de DNTCG de I e AE. Sistema de Informações sobre Mortalidade [Internet]. DataSUS. 2023. Available from: https://datasus.saude.gov.br/mortalidade-desde-1996-pela-cid-10
5. Malta DC, Reis AAC dos, Jaime PC, Morais Neto OL de, Silva MMA da, Akerman M. O SUS e a Política Nacional de Promoção da Saúde: perspectiva resultados, avanços e desafios em tempos de crise. Cien Saude Colet. 2018;23:1799–809.
6. Benedetti MSG, Saraty SB, Martins AG, de Miranda MJ, de Abreu DMX. Evaluation study of the garbage codes research project in the northern region of Brazil. Revista Brasileira de Epidemiologia. 2019;22(Suppl 3).
7. Teixeira RA, Ishitani LH, Marinho F, Pinto Junior EP, Katikireddi SV, Malta DC. Methodological proposal for the redistribution of deaths due to garbage codes in mortality estimates for Noncommunicable Chronic Diseases. Revista Brasileira de Epidemiologia. 2021;24:e210004.
8. Ellingsen CL, Ebbing M, Alfsen GC, Vollset SE. Injury death certificates without specification of the circumstances leading to the fatal injury - The Norwegian Cause of Death Registry 2005-2014. Popul Health Metr. 2018;16(1):1–13.
9. Organization WH. International Statistical Classification of Diseases and related health problems (ICD-10). 5th ed. WHO Press, editor. Vol. 2. gENEVA: World Health Organization; 2016.
10. Ellingsen CL, Alfsen GC, Ebbing M, Pedersen AG, Sulo G, Vollset SE, et al. Garbage codes in the Norwegian cause of death registry 1996–2019. BMC Public Health. 2022;22(1):1301.
11. Malta DC, França E, Abreu DMX, Perillo RD, Salmen MC, Teixeira RA, et al. Mortalidade por doenças não transmissíveis no brasil, 1990 a 2015, segundo estimativas do estudo de carga global de doenças. Sao Paulo Medical Journal. 2017;135(3):213–21.
12. Teixeira RA, Naghavi M, Guimarães MDC, Ishitani LH, França EB. Quality of cause-of-death data in Brazil: Garbage codes among registered deaths in 2000 and 2015. Revista Brasileira de Epidemiologia. 2019;22:e19002-supl.
13. Ishitani LH, Teixeira RA, Abreu DMX, Paixão LMMM, França EB. Quality of mortality statistics’ information: garbage codes as causesof death in Belo Horizonte, 2011-2013. Revista Brasileira de Epidemiologia. 2017;20:34–45.
14. Dahiru T, Sabitu K, Oyemakinde A, Mande A, Singha F. Mortality and cause of death in Abuth, Zaria: 1999-2005. Ann Ib Postgrad Med. 2011;8(1):1999–2005.
15. Monasta L, Alicandro G, Pasovic M, Cunningham M, Armocida B, JL Murray C, et al. Redistribution of garbage codes to underlying causes of death: a systematic analysis on Italy and a comparison with most populous Western European countries based on the Global Burden of Disease Study 2019. Eur J Public Health. 2022;32(3):456–62.
16. Liu L, Wang X, Wang C, Ma X, Meng X, Ning B, et al. A study on garbage code redistribution methods in small area: redistributing heart failure in two Chinese cities by two approaches. 2022;
17. Vos T, Lim SS, Abbafati C, Abbas KM, Abbasi M, Abbasifard M, et al. Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet. 2020;396(10258):1204–22.
18. The Institute for Health Metrics and Evaluation (IHME). Global Health Data Exchange (GHDx) - Discover the World’s Health Data [Internet]. IHME | GHDx. 2019. Available from: https://ghdx.healthdata.org/
19. Liu L, Cai Z, Wang X, Wang C, Ma X, Meng X, et al. A study on garbage code redistribution methods for heart failure at city level by two approaches. 2023;
20. Organization WH. Noncommunicable diseases country profiles 2018. 2018;
21. Marinho F, de Azeredo Passos VM, Malta DC, França EB, Abreu DMX, Araújo VEM, et al. Burden of disease in Brazil, 1990–2016: a systematic subnational analysis for the Global Burden of Disease Study 2016. The Lancet. 2018;392(10149):760–75.
22. Teixeira RA, Ishitani LH, Marinho F, Pinto Junior EP, Katikireddi SV, Malta DC. Proposta metodológica para redistribuição de óbitos por causas garbage nas estimativas de mortalidade para Doenças Crônicas Não Transmissíveis. Revista Brasileira de Epidemiologia. 2021;24.
23. World Health Organization. Health in 2015: from MDGs, Millennium Development Goals to SDGs, Sustainable Development Goals. World Health Organization, editor. Geneva; 2015.
24. Malta DC, Silva AG, Teixeira RA, Machado IE, Coelho MRS, Hartz ZM. Evaluation of the achievement of the goals of the Strategic Action Plan for Coping with Chronic Diseases in Brazil, 2011-2022. An Inst Hig Med Trop (Lisb). 2019;1:9–16.
25. Malta DC, Teixeira RA, Cardoso LS de M, Souza JB de, Bernal RTI, Pinheiro PC, et al. Mortalidade prematura por doenças crônicas não transmissíveis em capitais brasileiras: redistribuição de causas garbage e evolução por estratos de privação social. Revista Brasileira de Epidemiologia. 2023;26:e230002.
26. Allik M, Ramos D, Agranonik M, Pinto Ju?nior EP, Ichihara MY, Barreto ML, et al. Developing a Small-Area deprivation measure for Brazil. 2020;
27. Teixeira RA, Ishitani LH, França E, Pinheiro PC, Lobato MM, Malta DC. Mortality due to garbage codes in Brazilian municipalities: differences in rate estimates by the direct and Bayesian methods from 2015 to 2017. Revista Brasileira de Epidemiologia. 2021;24.
28. Roth GA, Abate D, Abate KH, Abay SM, Abbafati C, Abbasi N, et al. Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980–2017: a systematic analysis for the Global Burden of Disease Study 2017. The Lancet. 2018;392(10159):1736–88.
29. Collaborators GBD 2019 D and I. Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet. 2020;396(10258):1204–22.
30. GBD 2019. Risk Factor Collaborators. Global burden of 87 risk factors in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet. 2020 Oct;396(10258):1223–49.
31. França EB. Códigos garbage declarados como causas de morte nas estatísticas de saúde. Vol. 22, Revista Brasileira de Epidemiologia. SciELO Brasil; 2019. p. e19001-supl.
32. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC da, Santos MR dos, et al. Data for health: impact on improving the quality of cause-of-death information in Brazil. Revista Brasileira de Epidemiologia. 2019;22.
33. França E, Teixeira R, Ishitani L, Duncan BB, Cortez-Escalante JJ, Morais Neto OL de, et al. Ill-defined causes of death in Brazil: a redistribution method based on the investigation of such causes. Rev Saude Publica. 2014;48:671–81.
34. Soares AM, Vasconcelos CH, Nóbrega AA da, Pinto IV, Merchan-Hamann E, Ishitani LH, et al. Melhoria da classificação das causas externas inespecíficas de mortalidade baseada na investigação do óbito no Brasil em 2017. Revista Brasileira de Epidemiologia. 2019;22.
35. Saúde BrasilM da. DATASUS. Informações de Saúde: Estatísticas Vitais Mortalidade e Nascidos Vivos [Internet]. Ministério da Saúde Brazil; 2020.
36. Cf O. Transforming our world: the 2030 Agenda for Sustainable Development. United Nations: New York, NY, USA. 2015;
37. Malta DC, de Morais Neto OL, da Silva Junior JB. Presentation of the strategic action plan for coping with chronic diseases in Brazil from 2011 to 2022. Epidemiologia e Serviços de Saúde. 2011;20(4):425–38.
38. Malta DC, Teixeira RA, Cardoso LS de M, Souza JB de, Bernal RTI, Pinheiro PC, et al. Mortalidade prematura por doenças crônicas não transmissíveis em capitais brasileiras: redistribuição de causas garbage e evolução por estratos de privação social. Revista Brasileira de Epidemiologia. 2023;26:e230002.
39. Antunes JLF, Cardoso MRA. Uso da análise de séries temporais em estudos epidemiológicos. Epidemiologia e Serviços de Saúde. 2015;24(3):564–76.
40. PNUD B. Programa das nações unidas para o desenvolvimento. Atlas do desenvolvimento humano no Brasil. 2012;
41. SHIMAKURA SE. Interpretação do coeficiente de correlação. UFPR, Curitiba. 2006;
42. Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CC da, Santos MR dos, et al. Dados para a saúde: impacto na melhoria da qualidade da informação sobre causas de óbito no Brasil. Revista Brasileira de Epidemiologia. 2019;22:e19005-supl.
43. Malta DC, Duncan BB, Schmidt MI, Teixeira R, Ribeiro ALP, Felisbino-Mendes MS, et al. Trends in mortality due to non-communicable diseases in the Brazilian adult population: national and subnational estimates and projections for 2030. Popul Health Metr. 2020;18:1–14.
44. Duarte EC, Barreto SM. Transição demográfica e epidemiológica: a Epidemiologia e Serviços de Saúde revisita e atualiza o tema. Epidemiologia e Serviços de saúde. 2012;21(4):529–32.
45. Vasconcelos AMN, Gomes MMF. Transição demográfica: a experiência brasileira. 2012