Um estudo biometereológico em São Paulo: elaboração de um índice de risco meteorotrópico (IRM) sobre a morbilidade por doenças respiratórias na Cidade de São Paulo

Abstract

O meio ambiente atmosférico inclui uma série de factores cuja relação com organismos deve ser feita de início em separado, ainda que existam inter-relações que multiplicam ou reduzem os efeitos observáveis. Do mesmo modo, verificou-se que em muitas ocasiões, tendem a aparecer no homem epidemias ou doenças agudas com acessos quase periódicos. Una doença generalizada, que aparece ou desaparece consoante as mudanças atmosféricas, denomina-se doença meteorotrópica. Este trabalho tem como objectivo o desenvolvimento de uma metodologia que viabilize a criação de um índice de Risco Meteorotrópico (IRM), considerando as consequências das variáveis ambientais (poluentes e meteorológicas) sobre a variabilidade da morbilidade de todas as doenças do aparelho respiratório (conforme, CID 9 e CID 10), na Cidade de São Paulo durante o período de 1993 a 2002. A elaboração do IRM foi efectuada através do emprego das Rede Neuronais Artificiais, considerando a classificação etária e o sexo do paciente. Além das RNA's, foram utilizados técnicas de análises multivariadas de Análise de Cluster (AC) e da Análise em Componentes Principais (ACP). A AC foi utilizado em carácter exploratório, para verificar a similaridade das variáveis envolvidas e a ACP em carácter confirmatório. Essas duas técnicas corroboraram com as informações obtidas pela rede neuronal. A metodologia desenvolvida nesta pesquisa viabilizou a criação do índice de Risco Meteorotrópico, assim como a previsão das doenças respiratórias conforme a classificação etária e sexo, utilizando uma rede de multicamadas perceptrão com o algoritmo de aprendizagem "backpropagation". Os prognósticos da morbilidade respiratória, quando envolvia todos os grupos etários e o sexo [RESP6 - F, M e MF] da Cidade de São Paulo, apresentou uma performance mais robusta para a solução do problema com um grau de acerto em torno de 82% quando comparado com os valores observados. Os padrões de sazonalidade e ciclo semanais das doenças respiratórias foram detectados durante o aprendizado da rede. ### ABSTRACT - The atmospheric environment includes a series of factors whose relationship with organisms should be made at the beginning in separate, although, exist interrelations that multiply or reduce the observable effects. In the same way, it is verified in a lot of occasions the epidemics or burden diseases tend to appear periodically on human being. The disease, that appears or consonant disappears due the atmospheric changes is called meteorotropic disease. This study presents the development of a methodology that became possible the creation of a Risk Meteorotropic Index (RMI), considering the consequences of the environmental variables (pollutant and meteorological) about morbidity variability for all respiratory diseases (ICD 9 and ICD 10) in São Paulo city during for period 1993- 2002. The elaboration of RMI will be made via Artificial Neural Networks (ANN's) in agreement with the age classification and sex. Resides ANN's, two statistical multivariate techniques were used: Principal Components Analysis (PCA) and Cluster Analysis (CA). The CA was used in exploratory character to verify the similarity of the involved variables while PCA was used in confirmative character. The multivariate techniques corroborated with the information obtained by neural network. The results obtained through the methodology developed in this research became possible the creation Risk Meteorotropic Index (RMI), as well as the forecasting respiratory diseases according to the age classification and sex via a multilayer perceptron with the backpropagation algorithm. The prognostica of the respiratory morbilidity for all age groups and sex [RESP6 - F, M and MF] presented a more robust performance for the problem solution with an accuracy degree around 82% when compared with the observed values. The seasonality patterns and weekdays of the respiratory diseases were detected during the net training.