Artigos

Introdução

O Diabetes mellitus (DM) é uma das doenças crônicas não transmissíveis (DCNT) de maior prevalência no mundo, afetando 537 milhões de pessoas¹. No Brasil, estima-se que 16 milhões de pessoas (11% da população nacional) convivam com a doença², configurando um desafio à saúde pública, especialmente em contextos de desigualdade social, nos quais o manejo do DM demanda estratégias integradas e sensíveis às especificidades territoriais.
Em 2024, foram registradas, no Brasil, mais de 139 mil internações por complicações do DM, com associações significativas para seu sistema de saúde e a qualidade de vida dos acometidos, especialmente daqueles em situação de vulnerabilidade social (VS), que enfrentam barreiras no diagnóstico, tratamento e controle da doença³.
Neste estudo, a VS é entendida como condição de precariedade decorrente de interações desiguais entre sujeitos e instituições, sobretudo no campo da saúde, abrangendo fatores como situação socioeconômica, identidade demográfica e cultural, redes de apoio, gênero, violência e ambiente?. Essa abordagem permite a análise crítica dos determinantes sociais da saúde e amplia a possibilidade de alcance das políticas públicas.
Identificar fatores de VS associados às internações ajuda a dimensionar as barreiras na prevenção e no controle do DM. Contudo, ainda há escassez de estudos que tratem esses fatores como preditores de hospitalizações. Embora existam estudos nacionais prévios sobre desigualdades nas internações por DM, nenhum explorou simultaneamente padrões espaço-temporais em nível municipal e indicadores compostos de vulnerabilidade social de forma tão ampla.
A proposta se destaca pelo caráter inovador, ao orientar ações de saúde com base em demandas sociais e cenários futuros. Ao evidenciar a associação da VS com os desfechos clínicos do DM, o estudo fortalece políticas públicas e práticas em saúde coletiva comprometidas com a equidade e a integralidade do cuidado. Assim, objetivou-se analisar a associação entre a VS e o padrão espacial e temporal das internações por DM no Brasil.

Material e métodos

Estudo ecológico, de série temporal e análise espacial, com dados secundários do Sistema de Informação Hospitalar (SIH) do Departamento de Informação e Informática do Sistema Único de Saúde (DATASUS). Tem-se o Brasil como área geográfica de interesse, país localizado na América Latina, com extensão territorial de 8.510.417,822 km² e 212,6 milhões de habitantes. Nesse ínterim, foram consideradas como unidades de análise, para a série temporal, as cinco macrorregiões (Norte, Nordeste, Sudeste, Sul e Centro-Oeste), que dispõem de 26 unidades federativas e, para a análise espacial, os 5.570 municípios brasileiros.
A amostra compreendeu todas as internações hospitalares com diagnóstico principal de diabetes mellitus (DM) registradas no Sistema de Informações Hospitalares (SIH/SUS) entre 2007 e 2024, totalizando 18 anos de observação, período disponível na ocasião da coleta (março de 2025). Por se tratar de uma base administrativa baseada em Autorizações de Internação Hospitalar (AIH), o SIH/SUS registra eventos de internação, e não indivíduos, não sendo possível identificar reinternações de uma mesma pessoa ao longo do período analisado. Além disso, a base pode estar sujeita a sub-registros e inconsistências inerentes aos sistemas secundários de informação. Foram incluídas internações classificadas sob os códigos E10 a E14 da Classificação Internacional de Doenças, 10ª revisão (CID-10), que abrangem o DM tipo 1, tipo 2, relacionado à desnutrição, outros tipos específicos e o não especificado. A inclusão de todos os subtipos buscou representar a carga global de hospitalizações atribuíveis ao DM, englobando tanto complicações agudas quanto crônicas associadas à doença.
Para a série temporal, a taxa de internação foi calculada a partir do número de internações por DM, dividido pela população residente no país e multiplicado por 100.000 habitantes. Esse indicador permite mensurar a carga da doença no sistema de saúde e possibilita comparações entre diferentes populações, regiões e períodos. As taxas de internação foram obtidas pela razão entre o número de internações em cada estrato (ano, macrorregião, unidade federativa, município, sexo, faixa etária, raça/cor e escolaridade) e a respectiva população daquele estrato, multiplicada por um coeficiente de 100.000 habitantes. Esse procedimento favorece comparações proporcionais entre grupos populacionais, considerando as diferenças no tamanho das populações.
Para a análise da série temporal, os dados brutos de internação e das populações para cada unidade federativa foram tabulados no Microsoft Excel® e importados para o software Joinpoint Regression Program®, que possibilita a identificação dos pontos de inflexão do período, além de calcular a Variação Percentual Anual (Annual Percentage Change – APC), a Variação Percentual Anual Média (Average Annual Percentage Change – AAPC) e seus respectivos intervalos de confiança de 95% (IC95%).
Para tanto, o ano da notificação foi definido como variável independente, enquanto a variável dependente foi representada pela taxa de internação por DM em cada ano. Foram assumidos, ainda, os seguintes critérios: de zero a dois pontos de inflexão, segundo a permutação de Monte Carlo, além da autocorrelação serial de primeira ordem (AR = 1). Dessa forma, valores de APC e AAPC negativos ou positivos, com significância estatística (p-valor < 0,05), indicam séries temporais de padrão decrescente e crescente, respectivamente. Quando não há significância estatística, a série é considerada estacionária5.
Para a análise espacial, foi calculada a taxa de internação para cada município (taxa bruta), adotando como numerador a média de internações por DM no período (número de internações/18 anos) e, como denominador, a população residente do município, multiplicada pelo coeficiente de 100.000 habitantes. Para reduzir a variabilidade aleatória, as taxas foram suavizadas por meio do Método Bayesiano Empírico Local, que considera os efeitos espaciais das áreas vizinhas. Esse método utiliza uma matriz de pesos espaciais, na qual os vizinhos recebem peso 1 e os não vizinhos, peso 0, permitindo a redistribuição das taxas conforme a dependência espacial?. Neste estudo, adotou-se a matriz de vizinhança do tipo rainha (queen contiguity), que define como vizinhas todas as áreas que compartilham pelo menos um ponto ou lado em comum?.
Por conseguinte, a identificação de aglomerados espaciais deu-se a partir de métodos de autocorrelação global e local, representados pelo Índice de Moran Global e Local (LISA Map), Getis-Ord Gi* e Varredura Scan. O Índice de Moran Global permite testar a hipótese de dependência espacial do evento e o padrão de distribuição deste na área geográfica. Este varia de +1 a -1, indicando dependência espacial positiva ou negativa, respectivamente.
Os mapas LISA representam padrões em quatro quadrantes: a) Quadrante I/ Alto-Alto - municípios com altas taxas e que estão próximos a municípios com taxas igualmente altas; b) Quadrante III/ Baixo-Baixo - municípios que possuem baixas taxas e que são circundados por municípios que também apresentam baixas taxas; c) Quadrante IV/ Alto-Baixo - municípios com altas taxas circundados por municípios com baixas taxas; e d) Quadrante II/ Baixo-Alto - representam áreas de baixas taxas rodeadas por municípios com altas taxas. De maneira semelhante, a técnica Getis-Ord Gi* cria escores Z para visualização de áreas de altas taxas (hotspots) e áreas de baixas taxas (coldspots), ambas rodeadas por áreas de taxas similares?.
A varredura Scan puramente espacial foi aplicada para identificar clusters e estimar os valores de Risco Relativo (RR) em cada município, utilizando o modelo discreto de Poisson. Foram adotados os seguintes critérios: tamanho máximo do aglomerado de 50,0% da população sob risco, formato circular dos aglomerados e 999 replicações. Municípios com RR > 1 indicam risco de internação por DM superior ao risco médio do país?.
A análise da associação entre vulnerabilidade social e internações por DM está fundamentada na concepção de vulnerabilidade como fenômeno multidimensional, que abrange condições estruturais relacionadas à exclusão social, à desproteção e às iniquidades no acesso aos direitos sociais?. Com base nesse referencial, foram selecionados indicadores que expressam diferentes dimensões socioeconômicas, demográficas e de infraestrutura dos municípios brasileiros, conforme dados do Atlas do Desenvolvimento Humano no Brasil¹?. As variáveis escolhidas foram: Índice de Vulnerabilidade Social (IVS), que sintetiza a exclusão social com base em infraestrutura urbana, capital humano e renda/trabalho; Índice de Desenvolvimento Humano Municipal (IDHM), que mede o desenvolvimento em educação, longevidade e renda; e Índice de Gini (GINI), que expressa a desigualdade na distribuição de renda. Incluíram-se, ainda, a taxa de desocupação de pessoas com 18 anos ou mais e a taxa de analfabetismo de indivíduos com 15 anos ou mais, como indicadores do capital humano.
Variáveis demográficas contemplaram a taxa de envelhecimento (razão entre população ?60 e <15 anos) e a média de moradores por domicílio. As condições de infraestrutura foram representadas pelo percentual de domicílios com abastecimento de água e esgotamento sanitário inadequados e pela ausência de energia elétrica. Aspectos de proteção social foram avaliados pelo percentual de beneficiários do Programa Bolsa Família e do Benefício de Prestação Continuada (BPC). Também foram incluídos o percentual de urbanização, como proxy do acesso a serviços urbanos, e a cobertura da Atenção Primária à Saúde (APS), estimada pelo percentual da população adscrita a equipes da Estratégia Saúde da Família e equivalentes.
A densidade domiciliar corresponde ao número médio de moradores por domicílio particular permanente ocupado. É calculada pela razão entre o total de moradores residentes em domicílios particulares permanentes ocupados e o número total desses domicílios na unidade geográfica de interesse (município, Unidade de Desenvolvimento Humano – UDH ou outra territorialidade). Desse modo, valores mais elevados indicam maior concentração de pessoas por domicílio, sendo utilizados como um indicador indireto das condições habitacionais e de vulnerabilidade social, uma vez que podem refletir situações de adensamento domiciliar e maior compartilhamento do espaço residencial. O Atlas Brasil utiliza como fonte primária os Censos Demográficos do Instituto Brasileiro de Geografia e Estatística (IBGE), disponibilizando esses indicadores de forma padronizada para comparações espaciais e temporais ¹?.
Para isso, foram utilizados diferentes métodos de regressão, incluindo modelos espaciais e não espaciais. A escolha por incorporar modelos espaciais deve-se ao reconhecimento de que a vulnerabilidade social não se expressa apenas por meio de variáveis socioeconômicas e demográficas, mas também é fortemente influenciada pelas dinâmicas territoriais. O espaço geográfico, entendido como um determinante social da saúde, pode intensificar ou atenuar os efeitos da exclusão social e, portanto, afetar diretamente a distribuição das internações por DM11-12.
Inicialmente, todos os indicadores foram submetidos a modelos de regressão linear generalizada (GLM) bivariados. A seleção das variáveis para o modelo multivariado baseou-se na análise bivariada e na relevância epidemiológica dos indicadores. Para identificar possível multicolinearidade entre as variáveis independentes, foi analisado o fator de inflação da variância (VIF), considerando-se os valores obtidos dentro de limites aceitáveis para a interpretação dos modelos. Em seguida, foi ajustado um modelo de regressão linear generalizada (GLM) com distribuição Gaussiana e função de ligação identidade, devido à variabilidade das taxas de internação e ao não atendimento dos pressupostos da regressão linear por mínimos quadrados (OLS). Posteriormente, foram testados os modelos espaciais Spatial Lag e Spatial Error, a fim de capturar a autocorrelação espacial dos dados, avaliada por meio dos parâmetros Rho (Spatial Lag) e Lambda (Spatial Error).
O ajuste desses modelos foi comparado utilizando o Akaike Information Criterion (AIC ou AICc, quando aplicável) e o Pseudo R², sendo que menores valores indicam melhor qualidade do ajuste. Por fim, o modelo de regressão geograficamente ponderada (GWR) foi ajustado para identificar variações locais da associação entre os indicadores socioeconômicos e as taxas de internação. O bandwidth foi definido pela minimização do AICc, com kernel adaptativo, e testou-se a estacionariedade espacial dos coeficientes conforme o método de Leung et al. (2000), assegurando a validade dos resultados locais. Os resultados do GWR são apresentados em dois mapas para cada indicador socioeconômico: um com os coeficientes de regressão locais e outro com os respectivos valores de significância. Todas as análises foram realizadas no software R (versão 4.4.1), utilizando os pacotes spdep (v.1.3-4), GWmodel (v.2.3-5), sf (v.1.0-16) e spgwr (v.0.6-36).
Todos os mapas foram elaborados no software QGIS. A estatística bayesiana, os testes de autocorrelação espacial e a técnica Getis-Ord Gi* foram executados no software GeoDa, enquanto a técnica de varredura e o cálculo do RR deram-se por meio do software SaTScan.
Por se tratar de um estudo ecológico, as associações observadas referem-se às unidades geográficas de análise (municípios e macrorregiões) e não permitem inferências em nível individual, estando, portanto, sujeitas à possibilidade de falácia ecológica. Dessa forma, os resultados devem ser interpretados como associações contextuais entre indicadores de vulnerabilidade social e taxas de internação por diabetes mellitus, sem estabelecer relações causais ou individuais.

Resultados

Foram notificadas 2.327.162 internações por DM no Brasil, no período de 2007 a 2024. Destas, a maior proporção ocorreu em mulheres, na faixa etária de 60 a 69 anos, representada pela taxa de 4 mil internações/100 mil hab., e em indivíduos de raça/cor parda, embora a maior taxa de internação tenha sido registrada em indivíduos de raça/cor amarela (Tabela 1).
A taxa de internação por DM no Brasil foi de 63,87/100 mil hab., correspondendo ao montante médio de 129.286,78 internações ao ano. As regiões brasileiras com maior participação nesse cenário são a Região Sudeste, com a maior proporção de internações (35,72%) e taxa de 54,01/100 mil hab., e a Região Nordeste, que representa 31,32% das notificações, com a maior taxa de internação do país, equivalente a 73,36/100 mil hab. Acerca das unidades federativas, destacam-se Maranhão e Piauí, na Região Nordeste, com taxas de 107,58 e 100,41 internações/100 mil hab., respectivamente, além de Rondônia, na Região Norte, com 109,04 internações/100 mil hab. (Tabela 1).
[Inserir Tabela 1 aqui]
Sobre a tendência temporal das internações por DM, observa-se que o cenário epidemiológico nacional e o de suas macrorregiões apresentam crescimento expressivo de 2007 a 2009. Ressalta-se, entretanto, que o baixo valor observado em 2007 pode representar viés de informação, possivelmente relacionado a limitações na cobertura ou no funcionamento dos sistemas de registro naquele ano, o que explicaria o aumento abrupto a partir de 2008. A partir de 2009, verifica-se relativa estabilidade nas taxas de internação, com pequenas oscilações entre as macrorregiões, sendo as maiores taxas observadas nas regiões Norte e Centro-Oeste. O padrão nacional acompanha, de forma consistente, as médias regionais, refletindo a heterogeneidade territorial da distribuição das internações por DM no Brasil.
Nesse ínterim, as taxas de internação por DM variaram de 4,22 internações em 2009 a 60,18 internações/100 mil habitantes em 2024. A análise por pontos de inflexão indicou tendência de redução não significativa nas taxas de internação por DM no país (APC = –1,67; IC95%: –19,51 a 0,02; p = 0,051), caracterizando estabilidade no período. Padrão semelhante foi observado na região Sul (APC = –3,85; IC95%: –25,62 a –0,43). Períodos de ascensão exponencial do evento foram visualizados do ano 2007 até 2009 na região Norte (APC:68,38; IC95%:2,91-185,63), Nordeste (APC:89,24; IC95%:12,58-235,66) e Centro-Oeste (APC:62,15; IC95%:6,51-192,25). Esta última região foi sucedida por decréscimo de -7,72% ao ano (IC95%:-18,54--4,37) de 2009 a 2016 (Tabela 2).
[Inserir Tabela 2 aqui]
A Figura 1 exibe os resultados da análise espacial. Acerca do mapa de taxas brutas (Mapa 1A), houve predominância de taxas mais elevadas (>250 internações por DM/100 mil hab.) em todos os estados das regiões Nordeste, Sul e Sudeste, e nos estados de Mato Grosso e Goiás, no Centro-Oeste, e Rondônia e Tocantins, na Região Norte do país. Após a suavização pelo método Bayesiano Empírico Local (Mapa 1B), constataram-se concentrações de altas taxas nos estados do Nordeste (Sergipe, Bahia e Piauí) e em todos os estados das regiões Sul e Sudeste.
Constatou-se autocorrelação espacial global significativa (I = 0,110; p-valor < 0,001). O Mapa 1C evidenciou, de modo peculiar, padrões Alto-Alto e hotspots, bem como áreas com padrões Baixo-Baixo e coldspots, nos estados das regiões Sul e Sudeste, além de Rondônia e Pará, na Região Norte, Maranhão, Piauí e Bahia, na Região Nordeste, e Goiás, no Centro-Oeste. De maneira complementar, áreas com elevada significância estatística (p-valor < 0,001) para o LISA e o Getis-Ord Gi* são visualizadas nos estados das regiões Sul, Sudeste e Nordeste (Mapas 1D e 1F).
Todos os estados brasileiros registraram valores de RR > 1, ou seja, todas as unidades federativas possuem localidades com risco de internação por DM superior ao risco do país. Nesse contexto, destacam-se os seguintes municípios, com os maiores valores de RR do país: Luzerna, em Santa Catarina (RR = 9,08), Riachuelo, localizado em Sergipe (RR = 9,19), Herculândia, em São Paulo (RR = 9,39), São José do Calçado, no Espírito Santo (RR = 9,91), e Ibirataia, na Bahia (RR = 10,02) (Figura 1G).
A análise de varredura puramente espacial (Figura 1H) identificou 60 clusters com forte evidência de agrupamentos espaciais significativos (p-valor < 0,001) nos municípios destacados em vermelho, o que sugere que o fenômeno investigado não está distribuído aleatoriamente, mas concentrado em estados do Nordeste (Bahia, Pernambuco, Ceará, Maranhão e Piauí), no norte de Minas Gerais e em Goiás, na Região Centro-Oeste (Mato Grosso), em partes do Sudeste (São Paulo, Minas Gerais e Paraná) e do Sul (Santa Catarina e Rio Grande do Sul).
[Inserir Figura 1 aqui]
A Tabela 3 resume os resultados dos modelos de regressão empregados para analisar a relação entre indicadores de desenvolvimento social e as internações hospitalares por DM. Inicialmente, foram avaliadas regressões bivariadas para todas as variáveis de interesse e, com base nesses resultados, seis variáveis foram selecionadas para o modelo multivariado. Foram estas: IVS, Índice de Gini, média de moradores por domicílio, percentual de domicílios sem energia elétrica, percentual de beneficiários do BPC e percentual de urbanização. No modelo GLM multivariado, as seguintes variáveis permaneceram associadas de maneira estatisticamente significativa ao desfecho: IVS, média de moradores por domicílio e percentual de beneficiários do BPC.
O ajuste dos modelos espaciais, especificamente dos modelos Spatial Error e Spatial Lag, foi superior ao do modelo GLM tradicional. Nesse ínterim, os parâmetros de autocorrelação espacial Rho e Lambda, em conjunto com a significância do p-valor, confirmaram a presença de dependência espacial nos dados. Adicionalmente, o modelo GWR apresentou melhor desempenho global, o que reforça a existência de variações espaciais locais nas associações entre os indicadores socioeconômicos e as internações por diabetes mellitus, compatíveis com a natureza observacional e ecológica do estudo, não permitindo inferências causais.
[Inserir Tabela 3 aqui]
Nos mapas resultantes do GWR (Figura 2), observou-se variação espacial nos efeitos das variáveis, destacando associações mais intensas para os indicadores IVS (Figuras 2A e 2B) e média de moradores por domicílio (Figuras 2K e 2L), a partir da visualização e demarcação de extensas áreas nos mapas de significância. Para este primeiro indicador, os coeficientes mais evidentes foram observados em estados da Região Nordeste, com maior ênfase em Sergipe, Bahia, Paraíba e Pernambuco. Esses achados são verificados, de modo semelhante, em estados das regiões Sul e Sudeste, com maior associação no Paraná e em São Paulo.
Para o indicador média de moradores por domicílio, a associação com internação por DM foi demarcada por elevados coeficientes em estados da Região Norte (Pará e Tocantins) e do Nordeste, como Maranhão, Piauí, Ceará, Pernambuco e Sergipe, além de clusters demarcados no estado de Minas Gerais, na Região Sudeste, e em Mato Grosso do Sul, na Região Centro-Oeste. A significância estatística, por sua vez, foi prevalente em áreas com menores coeficientes, como os estados do Amazonas, Acre e Rondônia, na Região Norte, estados da Região Sul, além de Bahia, Rio de Janeiro e Espírito Santo.
A associação das internações por DM aos coeficientes da variável percentual de urbanização (Figuras 2G e 2H) foi evidenciada com maior ênfase nos estados da Bahia, Minas Gerais, São Paulo e Rio de Janeiro. Para a distribuição dos domicílios sem energia elétrica (Figuras 2I e 2J), observaram-se áreas com elevados coeficientes no estado de Mato Grosso e com baixos coeficientes nos estados do Rio Grande do Sul, Tocantins e Maranhão.
Em menor proporção, a associação do desfecho com o Índice de Gini (Figuras 2C e 2D) foi demarcada nos estados da Região Sul. Enquanto isso, a distribuição dos coeficientes da variável percentual de beneficiários do Benefício de Prestação Continuada (Figuras 2E e 2F) concentrou-se nos estados do Pará, Maranhão, Mato Grosso, Bahia, São Paulo e Rio de Janeiro.
[Inserir Figura 2 aqui]

Discussão

O presente estudo identificou mais de 2,3 milhões de internações hospitalares por DM no Brasil, no período de 2007 a 2024, com maior concentração entre mulheres, idosos e indivíduos autodeclarados de raça/cor parda. Embora as mulheres tenham apresentado maior número de internações neste estudo, outra pesquisa apontou taxas levemente superiores entre homens no município do Rio de Janeiro¹³, sugerindo variações contextuais.
A prevalência de internações entre pessoas de raça/cor parda reflete sua predominância no cenário nacional, além de revelar desigualdades raciais no acesso à saúde. Dados do SUS (2011–2019) indicam que esse grupo teve as maiores taxas de internação (211/10 mil habitantes), com tendência crescente¹?. Tais disparidades evidenciam a interseccionalidade entre raça, classe social e território, exigindo políticas públicas que enfrentem o racismo estrutural e promovam equidade no cuidado em saúde¹?.
A redução das internações desde 2009 é respaldada por estudos nacionais e locais16-17, atribuída à expansão da Estratégia Saúde da Família e à Campanha de Detecção do DM, que ampliou o acesso a medicamentos, encaminhamentos e ações educativas18. Contudo, o contingente de internações evidencia falhas no tratamento e complicações graves19, especialmente entre idosos. Apesar dos avanços, persistem iniquidades territoriais. Barreiras como pobreza, moradia precária e insegurança alimentar dificultam a adesão ao tratamento e o autocuidado. Hotspots de internações no Nordeste e Sudeste refletem desigualdades de renda, infraestrutura e urbanização13,16. Nessas áreas, a APS enfrenta limitações estruturais e de articulação intersetorial, comprometendo a integralidade do cuidado.
Embora haja tendência geral de redução das internações a partir de 2009, todos os estados apresentaram municípios com risco relativo acima de 1, evidenciando a persistência de áreas vulneráveis às complicações do DM. Esses achados reforçam a magnitude do problema para a saúde pública e a relevância da análise territorializada, especialmente diante da interação entre fatores sociais, econômicos e ambientais que influenciam os desfechos em saúde.
Os efeitos das variáveis analisadas variam entre os territórios. A maior repercussão da vulnerabilidade social foi observada no Nordeste brasileiro, evidenciando desigualdades históricas. Esses achados são coerentes com a literatura nacional sobre desigualdades regionais e determinação social das DCNT. Abreu-Silva et al.20 descrevem que a região foi marcada por uma histórica desigualdade no acesso, na qualidade do cuidado e na capacidade de prevenção de complicações, que se soma a baixos índices de desenvolvimento humano. Além disso, Tonaco et al.21 demonstraram que áreas com maior vulnerabilidade social apresentaram associação significativa com o diabetes tipo II, independentemente das características individuais, reforçando que o adoecimento não se explica apenas por fatores biológicos ou comportamentais, mas também pelas condições sociais e territoriais.
A densidade domiciliar teve associação significativa nas regiões Norte e Centro-Oeste, indicando que condições precárias de moradia, como a superlotação, influenciam negativamente os desfechos clínicos. A moradia corresponde a um relevante determinante social da saúde e influencia diretamente a capacidade de indivíduos com diabetes de manterem o autocuidado, a adesão ao tratamento e o acompanhamento contínuo nos serviços de saúde. Esse achado dialoga com Flores-Ortiz et al.22, cuja coorte nacional, envolvendo aproximadamente dez milhões de brasileiros de baixa renda, demonstrou que condições habitacionais desfavoráveis estiveram associadas ao aumento da mortalidade por diabetes, especialmente em municípios com menor desenvolvimento socioeconômico, indicando que vulnerabilidades relacionadas à moradia potencializam os efeitos adversos da doença.
A relação entre condições precárias de moradia como marcador de vulnerabilidade social para internações por diabetes mellitus também encontra respaldo na literatura internacional sobre determinantes contextuais da saúde. Mujahid et al.23 destacam que características do ambiente residencial, incluindo pobreza, insegurança habitacional, precariedade das moradias e privação do território, influenciam o controle glicêmico, favorecem o desenvolvimento de complicações crônicas e aumentam o risco de hospitalizações evitáveis por diabetes, demonstrando que fatores ambientais atuam de forma integrada aos determinantes individuais. Desse modo, a associação observada neste estudo provavelmente expressa não apenas o efeito isolado da densidade domiciliar, como também um conjunto de desigualdades estruturais que comprometem o controle clínico do diabetes e favorecem a ocorrência de complicações que culminam em internações hospitalares.
O índice de VS foi positivamente associado às internações, evidenciando a influência das desigualdades estruturais21,24. O destaque da densidade domiciliar no modelo GWR, especialmente nas regiões Norte e Centro-Oeste, enquadra-se como fator que dificulta o autocuidado e favorece complicações, como úlceras e amputações18,25. A desigualdade de renda, medida pelo Índice de Gini, segue impactando negativamente a saúde, mesmo após sua redução de 1990 a 200916. A carga econômica do DM tende a crescer em regiões com menor acesso ao SUS, como Norte e Nordeste26. Políticas públicas centradas na equidade e nos princípios da saúde coletiva são fundamentais para enfrentar tais desigualdades, pois envolvem a promoção do acesso universal e integral aos serviços de saúde, a qualificação da atenção primária como porta de entrada preferencial do sistema e o fortalecimento das ações intersetoriais voltadas à redução das iniquidades sociais e regionais. Tais políticas devem priorizar territórios historicamente vulnerabilizados e incorporar estratégias baseadas em evidências, respeitando as especificidades culturais, demográficas e epidemiológicas de cada região do país.
A associação positiva entre a proporção de beneficiários do Benefício de Prestação Continuada e as internações por diabetes mellitus sugere que esse indicador atua como marcador contextual de exclusão socioeconômica e fragilidade social, e não como fator causal direto para o aumento das hospitalizações. Esse benefício constitui uma política de proteção social destinada a idosos e pessoas com deficiência em situação de pobreza, de modo que sua maior concentração territorial tende a expressar a presença de populações com maior vulnerabilidade econômica, dependência de políticas públicas e maior risco de adoecimento crônico27.
Almeida, Dardengo e Stocco28 ressaltam que o acesso ao BPC permanece fortemente atravessado pelo critério de renda, evidenciando que o benefício se vincula a condições persistentes de pobreza e desproteção social. Adicionalmente, Aransiola et al.29, ao analisarem programas sociais brasileiros, incluindo o BPC, destacam que políticas de transferência de renda e pensões sociais podem atenuar desfechos adversos em saúde, especialmente em contextos de crise e desigualdade, o que reforça que a associação observada neste estudo deve ser compreendida como expressão da vulnerabilidade dos territórios onde esses beneficiários se concentram.
Ademais, Ding, Kharrazi e Nishimura30 afirmam que determinantes sociais adversos dificultam o manejo do diabetes mellitus tipo 2, associando-se a pior controle glicêmico e maior gravidade clínica. Assim, municípios com maior proporção de beneficiários do BPC possivelmente reúnem condições socioeconômicas, funcionais e assistenciais que dificultam o autocuidado, o acesso oportuno aos serviços de saúde e a continuidade do tratamento, favorecendo complicações evitáveis e, consequentemente, maior ocorrência de internações por diabetes mellitus.
Logo, a associação entre o número de beneficiários do BPC e as taxas de internação reflete a relação entre assistência social e saúde31. A ausência de energia elétrica, ainda que marginal, também interfere no manejo do DM, ao dificultar a conservação de medicamentos32. Outrossim, a regressão espacial apresentou melhor desempenho que os modelos tradicionais, identificando variações locais da VS. Municípios com menor densidade domiciliar, menor IVS e maior acesso à transferência de renda apresentaram menores taxas de hospitalização18. Isso reforça que o território não é apenas cenário, mas parte ativa do processo saúde-doença.
Embora a análise tenha sido conduzida com abrangência nacional e utilizando métodos espaciais robustos, este estudo apresenta limitações inerentes ao delineamento ecológico e ao uso de dados secundários. Inicialmente, destaca-se a possibilidade de ocorrência da falácia ecológica, uma vez que as associações observadas em nível municipal não podem ser extrapoladas para o nível individual. Além disso, os registros do Sistema de Informações Hospitalares do Sistema Único de Saúde (SIH/SUS) estão sujeitos à subnotificação, a inconsistências no preenchimento e a variações na qualidade dos dados entre os municípios.
Outra limitação refere-se ao fato de que o SIH/SUS registra internações hospitalares, e não indivíduos, de modo que reinternações de uma mesma pessoa podem superestimar a frequência de hospitalizações. Adicionalmente, a base de dados não disponibiliza informações clínicas relevantes, como tipo de diabetes mellitus, controle glicêmico, tempo de diagnóstico, presença de complicações específicas, adesão ao tratamento ou outros fatores clínicos individuais, o que limita análises mais aprofundadas sobre os determinantes das internações.
Apesar dessas limitações, a utilização de uma série histórica de abrangência nacional e de técnicas avançadas de análise espacial permitiu identificar padrões territoriais consistentes e associações relevantes entre vulnerabilidade social e internações por diabetes mellitus, fornecendo evidências úteis para o planejamento de políticas públicas e para o direcionamento de intervenções em saúde. Os achados deste estudo subsidiam a implementação de ações estratégicas que convergem com o Plano de Ações Estratégicas para o Enfrentamento das Doenças Crônicas e Agravos Não Transmissíveis no Brasil 2021–2030, estabelecido pelo Ministério da Saúde, o qual orienta ações voltadas à prevenção dos fatores de risco, à promoção da saúde e à redução das desigualdades em saúde33.
Diante do exposto, a identificação de aspectos que associam vulnerabilidade social e internações por diabetes mellitus, em longo prazo, pode subsidiar a formulação e o fortalecimento de políticas públicas que ampliem o acesso à assistência à saúde e à assistência social, favoreçam o diagnóstico precoce do diabetes mellitus, possibilitem o início oportuno do tratamento e reduzam a progressão das complicações relacionadas à doença, as quais contribuem para o aumento das internações hospitalares por diabetes mellitus.

Conclusão

O presente estudo demonstrou que as internações hospitalares por diabetes mellitus no Brasil apresentam distribuição espacial heterogênea e associação com indicadores de vulnerabilidade social. Embora tenha sido observada tendência de redução das taxas de internação ao longo da série histórica, persistem territórios com elevado risco de hospitalização, demonstrando relevantes desigualdades na ocorrência desse desfecho. Recomenda-se que estudos futuros incorporem variáveis individuais e avaliem o impacto de intervenções voltadas à redução das desigualdades sociais e territoriais relacionadas ao diabetes mellitus.

Declaração de Disponibilidade de Dados
As fontes dos dados utilizados na pesquisa estão indicadas no corpo do artigo.

Referências

1. International Diabetes Federation. IDF Diabetes Atlas. 10th ed. IDF; 2021.
2. Athanasiadou KI, Papagianni M, Psaltopoulou T, Paschou SA. Nutrition and Glycemic Control in Children and Adolescents with Type 1 Diabetes Mellitus Attending Diabetes Camps. Nutrients 2024; 16(19).
3. Hoyos-Loya E, González-Robledo MC, Gutiérrez JP. Factores determinantes de las hospitalizaciones evitables por diabetes tipo 2. Revisión narrativa. Atención Primaria 2024;56(11):103051.
4. Florêncio RS, Moreira TMM. Modelo de vulnerabilidade em saúde: esclarecimento conceitual na perspectiva dos sujeitos sociais. Acta Paul Enferm 2021; 34:eAPE00353.
5. Ribeiro LM, Figueira JNR, Abreu AM, Araújo AVEC, Brito PV, Sousa GJB, et al. Padrão temporal, distribuição espacial e fatores associados à incidência de HIV/AIDS entre jovens no Brasil. Rev Panam SaludPublica 2024;48:e52.
6. Assunção RM, Barreto SM, Guerra HL, Sakurai E. Mapas de taxas epidemiológicas: uma abordagem Bayesiana. Cadernos de Saúde Pública. 1998 Oct;14(4):713–23. doi: https://doi.org/10.1590/S0102-311X1998000400013
7. Santos SM, Barcellos C, organizators. Abordagens espaciais na saúde pública. Brasília: MS; 2006.
8. Rocha MIF, Maranhão TA, Frota MMC, Araujo TKA, Silva WWSV, Sousa GJB, et al. Mortalidade por doenças tropicais negligenciadas no Brasil no século XXI: análise de tendências espaciais e temporais e fatores associados. Rev Panam Salud Publica 2023;47:1-10.
9. Silva TL, Maranhão TA, Sousa GJB, Silva IG, Lira Neto JCG, Araujo GAS. Spatial analysis of suicide in Northeastern Brazil and associated social factors. Texto Contexto Enferm 2022;31:e20210096.
10. Programa das Nações Unidas para o Desenvolvimento – PNUD; Fundação João Pinheiro – FJP; Instituto de Pesquisa Econômica Aplicada – IPEA. Atlas do Desenvolvimento Humano no Brasil. Brasília: PNUD, FJP, IPEA, 2024.
11. Sousa PS de, Delizoicov Neto D. Questões Sociocientíficas e a localidade: contribuições de Milton Santos para uma visão relacional. Ciência & Educação (Bauru). 2026;32. doi: https://doi.org/10.1590/S0102-311X1998000400013
12. Augustin J, Andrees V, Walsh D, Reintjes R, Koller D. Spatial Aspects of Health—Developing a Conceptual Framework. 2023 Jan 19;20(3):1817–7. doi: https://doi.org/10.3390/ijerph20031817
13. Palasson RR, Paz EPA, Marinho GL, Pinto LF. Hospital admissions due to Diabetes Mellitus and characteristics of the places of residence. Acta Paul Enferm 2021;34:eAPE02952.
14. Costa LF, Sampaio TL, Moura L, Rosa RS, Iser BPM. Tendência temporal e gastos das internações com diagnóstico principal por diabetes mellitus no Sistema Único de Saúde do Brasil, 2011 a 2019. Epidemiol Serv Saúde 2023; 32(4):e2023509.
15. Fernandes VR, Magalhães MG, D’Oliveira CBLC, Campos Filho E, Sergio JV, Silva JPV, et al. IdeiaSUS: saberes e práticas nos territórios do Sistema Único de Saúde. Cebes; 2020.
16. Garces TS, Sousa GJB, Cestari VRF, Mattos SM, Damasceno LLV, Araújo AL, et al. Internações relacionadas às complicações do diabetes mellitus. Gestão Cuid Saúde 2023; 1(1):e11134.
17. Stahnke DN, Nied C, Oliveira MLG, Costa JSD. Tendências das hospitalizações e mortalidade por diabetes mellitus no Rio Grande do Sul: série histórica 2000-2020. Rev Gaucha Enferm 2023; 44:e20230103.
18. Macedo HKS, Souza TA, Bezerra HS, Fernandes FCGM, Barbosa IR, Silva JA. Hospitalizations for diabetes mellitus in older people in Brazil from 2001 to 2020: temporal trends and spatial patterns. Rev Bras Geriatr Gerentol 2021;24(3):e210107.
19. Camargo A, Campos DB, Lima APC, Bertolini GR, Fréz AR, Binda AC. Disability assessment of individuals with diabetes mellitus: a cross-sectional study with the WHODAS 2.0. Fisioter. Pesqui 2022; 29(3).
20. Abreu-Silva EO de, Uchimura LYT, Chrispim PP. Implementação das linhas de cuidado de hipertensão e diabetes em duas regiões do Nordeste brasileiro. Revista Panamericana de Salud Pública. 2025 Dec 10;49:1. doi: 10.26633/RPSP.2025.117
21. Tonaco LAB, Vieira MAS, Gomes CS, Rocha FL, Oliveira-Figueiredo DST de, Malta DC, et al. Social vulnerability associated with the self-reported diagnosis of type II diabetes: a multilevel analysis. Revista Brasileira de Epidemiologia. 2021;24(suppl 1). doi: https://doi.org/10.1590/1980-549720210010.supl.1.
22. Flores-Ortiz R, Fiaccone RL, Leyland A, Millett C, Hone T, Schmidt MI, et al. Moradia subsidiada e mortalidade por diabetes: um estudo de coorte retrospectivo com 10 milhões de adultos de baixa renda no Brasil . BMJ Open Diabetes Research & Care . 2023 ; 11 : e003224 . https://doi.org/10.1136/bmjdrc-2022-003224.
23. Mujahid MS, Sai Ramya Maddali, Gao X, Khin Yi Oo, Benjamin LA, Lewis TT. The impact of neighborhoods on diabetes risk and outcomes: Centering health equity. Diabetes Care [Internet]. 2023;46(9):1609–18. doi: https://doi.org/10.2337/dci23-0003
24. Cleveland JC, Espinoza J, Holzhausen EA, Goran MI,Alderete TL. The impact of social determinants of health on obesity and diabetes disparities among Latino communities in Southern California. BMC Public Health 2023;23(1):37.
25. Cerqueira MMBF, Maia HMSF, Mercês MC, Natividade MS, Almeida OS, Santana EF, et al. Complications related to diabetic foot ulcer and associated social vulnerability factors at a referral centre in Brazil. J Wound Care 2022; 31(11):946-60.
26. McBenedict B, Hauwanga W, Lizarazo JF, Djeagou A, Akram I. Diabetes Mellitus Mortality Trends in Brazil From 2000 to 2021: An In-Depth Joinpoint Analysis. Cureus 2024 Jan 4;16(1):e51632.
27. Ribeiro KG, Andrade LOM, Barreto ICHC, Raquel SP, Munoz TL, Santos C. The Social Determinants of Health inside and outside the household: capturing a new approach. Saúde debate 2024; 48(140).
28. Almeida JS, Dardengo AM, Stocco AF. Benefício de Prestação Continuada: barreiras de acesso pela renda (2011–2022). Revista Katálysis. 2025. DOI: 10.1590/1982-0259.2025.e108264.
29. Aransiola TJ, Cavalcanti D, Ordoñez JA, et al. Current and Projected Mortality and Hospitalization Rates Associated With Conditional Cash Transfer, Social Pension, and Primary Health Care Programs in Brazil, 2000-2030. JAMA Network Open. 2024;7(4):e247519. DOI: 10.1001/jamanetworkopen.2024.7519.
30. Ding X, Kharrazi H, Nishimura A. Assessing the impact of social determinants of health on diabetes severity and management. JAMIA Open. 2024;7(4):ooae107. DOI: 10.1093/jamiaopen/ooae107.
31. Muzy J, Campos MR, Emmerick I, Silva RS, Schramm JMA. Prevalence of diabetes mellitus and its complications and characterization of healthcare gaps based on triangulation of studies. Cad. Saúde Pública 2021; 37(5).
32. Justo C, Goes M, Cavalcante Filho JB, Bastos KA. Internações hospitalares por diabetes mellitus em sergipe, nordeste brasileiro, de 2008 a 2017: um estudo ecológico. Aracê 2024; 6(4).
33. Brasil. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Análise em Saúde e Vigilância de Doenças Não Transmissíveis. Plano de Ações Estratégicas para o Enfrentamento das Doenças Crônicas e Agravos Não Transmissíveis no Brasil 2021–2030. Brasília: Ministério da Saúde; 2021. Disponível em: https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/svsa/doencas-cronicas-nao-transmissiveis-dcnt/09-plano-de-dant-2022_2030.pdf
?