Sara de Souza Oliveira Análise espacial e temporal da infestação

Sara de Souza Oliveira
Análise espacial e temporal da infestação por Aedes aegypti mensurada por ovitrampas
para geração de alerta precoce de dengue no município do Rio de Janeiro
Rio de Janeiro
2016
Sara de Souza Oliveira
Análise espacial e temporal da infestação por Aedes aegypti mensurada por ovitrampas
para geração de alerta precoce de dengue no município do Rio de Janeiro
Dissertação apresentada ao Programa de Pósgraduação em Epidemiologia em Saúde
Pública, da Escola Nacional de Saúde Pública
Sergio Arouca, na Fundação Oswaldo Cruz,
como requisito parcial para obtenção do título
de Mestre em Ciências da Saúde. Área de
concentração: Epidemiologia de Doenças
Transmissíveis.
Orientadora: Profª. Dra. Cláudia Torres Codeço
Coorientadora: Profª. Dra. Paula Mendes Luz
Rio de Janeiro
2016
Catalogação na fonte
Fundação Oswaldo Cruz
Instituto de Comunicação e Informação Científica e Tecnológica
Biblioteca de Saúde Pública
O48a
Oliveira, Sara de Souza
Análise espacial e temporal da infestação por Aedes aegypti
mensurada por ovitrampas para geração de alerta precoce de
dengue no município do Rio de Janeiro. / Sara de Souza Oliveira.
-- 2016.
136 f. ; il. color. ; tab. ; graf. ; mapas
Orientadora: Cláudia Torres Codeço.
Coorientadora: Paula Mendes Luz.
Dissertação (Mestrado) – Fundação Oswaldo Cruz, Escola
Nacional de Saúde Pública Sergio Arouca, Rio de Janeiro, 2016.
1. Aedes. 2. Dengue - epidemiologia. 3. Controle de Vetores.
4. Modelos Estatísticos. 5. Vigilância Epidemiológica.
6. Oviposição. I. Título.
CDD – 22.ed. – 614.571098153
Sara de Souza Oliveira
Análise espacial e temporal da infestação por Aedes aegypti mensurada por ovitrampas
para geração de alerta precoce de dengue no município do Rio de Janeiro
Dissertação apresentada ao Programa de Pósgraduação em Epidemiologia em Saúde
Pública, da Escola Nacional de Saúde Pública
Sergio Arouca, na Fundação Oswaldo Cruz,
como requisito parcial para obtenção do título
de Mestre em Ciências da Saúde. Área de
concentração: Epidemiologia de Doenças
Transmissíveis.
Aprovada em: 26 de setembro de 2016
Banca Examinadora:
Profª. Dra. Denise Valle
Fundação Oswaldo Cruz/ Instituto Oswaldo Cruz
Prof. Dr. Oswaldo Gonçalves Cruz
Fundação Oswaldo Cruz/ Programa de Computação Científica
Prof. Dra. Claudia Torres Codeço (Orientador)
Fundação Oswaldo Cruz/ Escola Nacional de Saúde Pública Sergio Arouca
Rio de Janeiro
2016
Para Sofia.
AGRADECIMENTOS
À Professora Dra. Claudia Torres Codeço pela orientação construtiva, didática, competente e
acolhedora. A maestria com que você repassa ensinamentos continua a me deixar sem palavras.
À Professora Dra. Paula Mendes Luz pelas sugestões certeiras e pelas contribuições na
discussão do tema;
À Dra. Carolin M. Degener pela prontidão em ajudar e pelas maravilhosas sugestões que tanto
enriqueceram o trabalho;
Aos pesquisadores do PROCC/FIOCRUZ, e do Projeto Alerta Dengue, em especial ao Dr.
Leonardo Bastos e ao Dr. Oswaldo Cruz pelas sugestões apresentadas;
Às minhas queridas Alexandra Almeida e Laís Freitas, pela amizade e contribuições;
À Natalia Paiva, Ilmeire Rosembach, Layla Macedo, Ludmila Raupp, e aos demais alunos e
professores da turma de Mestrado/Doutorado de 2014 da ENSP/FIOCRUZ. Vocês me
apresentaram uma nova forma de enxergar as complexidades do mundo.
Aos profissionais da Secretaria Municipal de Saúde do Município do Rio de Janeiro pela
disponibilização dos dados;
Aos meus pais, por sempre incentivarem a busca de conhecimento, por fornecerem apoio e
amor incondicional, e por me ajudarem de tantos modos diferentes.
Aos meus irmãos e sobrinhas pela torcida e apoio.
À minha sogra pelo apoio;
Ao meu melhor amigo, meu marido Bruno Souza, pela compreensão, apoio e companheirismo.
À minha filha Sofia por ser a força motriz que dá sentido a todos os meus esforços. É tudo por
você, meu bem!
A Jeová Deus, pela força vital que torna tudo possível.
A todos aqueles que direta ou indiretamente contribuíram para o meu aperfeiçoamento
profissional.
“Always the beautiful answer who asks a more beautiful question.”
E.E. Cummings , Complete Poems 1904-1962, p.462.
RESUMO
O Aedes aegypti é um artrópode amplamente disseminado no mundo e responsável pela
transmissão de doenças de grande importância epidemiológica, especialmente em países de
clima mais quente. No Brasil, epidemias de doenças transmitidas por este vetor, como a dengue,
têm causado impacto na saúde pública e levado as autoridades a aumentar as medidas de
monitoramento e controle entomológico. Este estudo objetivou caracterizar o programa de
monitoramento por ovitrampas da infestação do mosquito Ae. aegypti, do município do Rio de
Janeiro, entre fevereiro de 2013 e setembro de 2015. O trabalho também visou analisar a
associação entre os índices de infestação (índice de densidade de ovos, IDO e índice de
positividade de ovitrampas, IPO) desse vetor, obtidos através dessas armadilhas, e a variação
da temperatura nas Áreas Programáticas de Saúde (APSs) e Regiões Administrativas (RAs),
bem como a associação entre a incidência de casos notificados de dengue e tais índices de
infestação nas APSs da cidade, através de Modelos Lineares Generalizados. Os resultados
obtidos neste trabalho mostraram que o programa de monitoramento apresentou boas taxas de
eclosão dos ovos coletados (68%), alta especificidade das armadilhas na captura da espécie Ae.
aegpyti (92%) e poucas perdas de armadilhas (4%, em média). Foi encontrada associação
positiva entre o aumento dos índices de infestação e a temperatura, sendo que a temperatura
mínima, defasada em uma semana em relação a data da coleta dos índices, foi a que melhor
explicou o aumento da média de ovos (IDO), enquanto o aumento da positividade de ovitrampas
(IPO) foi melhor esclarecido pela temperatura mínima com defasagem de duas semanas. Foram
encontrados ainda, resultados positivos na associação entre incidência de dengue e IDO/IPO do
mês anterior, quando controlados para outras variáveis. Esses achados são condizentes com a
literatura que aborda o assunto, e evidenciam a importância do monitoramento de Ae. aegypti
por ovitrampas na construção de um sistema de alerta precoce para dengue e outras doenças
transmitidas por esse vetor. Em trabalhos futuros, sugere-se a validação dos modelos
apresentados em cima de dados de outras cidades que possuam programas de monitoramento
semelhantes há mais tempo.
Palavras-chave: Aedes aegypti. Dengue. Vigilância de Vetores. Modelos Estatísticos.
ABSTRACT
Aedes aegypti is an arthropod that occurs throughout the world and is responsible for
diseases of major epidemiological importance, especially in warmer climates. In Brazil,
outbreaks of diseases transmitted by this vector, such as dengue, have public health impact and
have led the authorities to increase the entomological monitoring and control. This study aimed
to characterize the Ae. aegypti infestation monitoring program by ovitraps, in Rio de Janeiro
municipality, between February 2013 and September 2015. The study also aimed to analyze the
association between the vector’s infestation rates (as measured by an egg density index, IDO,
and an egg positivity index, IPO) and temperature variation in health districts and administrative
subdivisions. Additionally, the association between the incidence of reported dengue cases and
IDO/IPO in the health districts of the city was explored. Generalized Linear Models were used
for all these analysis. The results showed good hatching rate (68%), high specificity of traps for
Ae aegypti (92%) and few lost traps (an average of 4%). A positive association between
increased infestation rates and temperature was detected. The minimum temperature, lagged in
one week by the date of collection of indexes, was the one that best explained the increase in
the average number of eggs (IDO), while the increase of the ovitraps positivity index (IPO) was
better explained by the minimum temperature with a two-week lag. A positive association
between dengue and IDO/IPO's of the previous month was also shown, even after controlling
for other variables. These findings are consistent with the literature on the subject, and highlight
the importance of monitoring Ae. aegypti infestation by ovitraps in the construction of an early
warning system for dengue and other diseases transmitted by this vector. Future studies could
focus on the validation of the models here presented with data from other cities that have similar
monitoring programs for longer periods of time.
Keywords: Aedes. Dengue Fever. Vector Control. Statistic Models.
LISTA DE ILUSTRAÇÕES
Figura 1 - Ciclo de vida do Aedes. ......................................................................................... 18
Figura 2 - Armadilha de postura de ovos. ............................................................................... 30
Figura 3 - Delimitação das APSs, RAs e bairros do município do Rio de Janeiro................ 34
Figura 4 - Distribuição das ovitrampas no município do Rio de Janeiro. .............................. 36
Figura 5 - Variação do número de palhetas recolhidas ao longo do período de janeiro de 2013
a setembro de 2015, por (A) APS e (B) RA .......................................................... 46
Figura 6 - Percentual de palhetas perdidas por APS ao longo das semanas de estudo ........... 48
Figura 7 - Boxplot das Taxas de eclosão de ovos recolhidos das palhetas (A) por APS e (B)
por mês................................................................................................................... 49
Figura 8 - Boxplots (A) do IPO e (B) do IDO por APSs e gráfico de dispersão IPO em
relação ao IDO (C)................................................................................................. 50
Figura 9 - Série temporal do (A) IPO e do (B) IDO entre fevereiro de 2013 e setembro de
2015 no município do Rio de Janeiro por área programática ................................ 51
Figura 10 - IDO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015
............................................................................................................................... 52
Figura 11 - IPO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015
............................................................................................................................... 53
Figura 12 - Boxplot da média semanal de temperaturas mínimas e máximas por APS no
período estudado ................................................................................................. 54
Figura 13 - Distribuição dos casos de dengue por APSs entre janeiro de 2013 e outubro de
2015 ..................................................................................................................... 55
Figura 14 - Mapas de incidência de casos dengue nas APSs por mês no ano de 2013 .......... 55
Figura 15 - Mapas de incidência de casos dengue nas APSs por mês no ano de 2014 .......... 55
Figura 16 - Mapas de incidência de casos dengue nas APSs por mês no ano de 2015 .......... 56
Figura 17 - Série temporal da temperatura e número de casos por semana no município do
Rio de Janeiro, de 2010 a 2014 ........................................................................... 56
Figura 18 - Diagrama de dispersão do IDO x temperatura mínima (Temp Min) ou máxima
(Temp Max) e retas de tendência. ....................................................................... 57
Figura 19 - Diagrama de dispersão do IPO x temperatura mínima (Temp Min) ou máxima
(Temp Max) e retas de tendência. ....................................................................... 57
Figura 20 - IDO em cada APS de fevereiro de 2013 a setembro de 2015. ............................. 58
Figura 21 - Efeito predito da temperatura no IDO, de acordo com o modelo A10 (Tabela 4),
para cada APS. ..................................................................................................... 60
Figura 22 - Gráficos dos resíduos do modelo A10: LM (ido~tmin*APS) ............................. 61
Figura 23 - Série temporal de IDO em cada RA do Rio de Janeiro, ao longo do estudo
(semanas corridas de estudo)............................................................................... 62
Figura 24 - Efeito predito da temperatura no IDO, de acordo com o modelo B5.. ................ 64
Figura 25 - Mapas com a diferença entre os interceptos e coeficientes angulares por RA, em
relação ao efeito geral.......................................................................................... 65
Figura 26 - Análise dos resíduos do modelo B5 ..................................................................... 66
Figura 27 - Série temporal de IPO em cada APS do Rio de Janeiro ao longo do tempo de
estudo (semanas corridas de estudo)) .................................................................. 66
Figura 28 - Probabilidade de positividade de ovitrampas em função da temperatura, nas
APSs do Rio de Janeiro, de acordo com o modelo C9:....................................... 68
Figura 29 - Gráfico quantil-quantil comparando a distribuição dos efeitos aleatórios do
modelo C9 com a de uma distribuição normal padrão. ....................................... 69
Figura 30 - Efeitos aleatórios do modelo C9 .......................................................................... 69
Figura 31 - IPO em cada RA do município do Rio de Janeiro, de fevereiro 2013 a setembro
de 2015 ................................................................................................................ 70
Figura 32 - IPO predito de acordo com o modelo D9, em função da média da temperatura
semanal mínima defasada em 2 semanas, por RA .............................................. 72
Figura 33 - Desvio dos efeitos aleatórios de cada RA em relação ao modelo geral no modelo
D9 ........................................................................................................................ 73
Figura 34 - Mapas com os resultados do modelo D9 As cores apontam as diferenças entre os
interceptos e coeficientes angulares por RA, em relação ao efeito geral. ........... 74
Figura 35 - Distribuição dos efeitos aleatórios por quantil normal padrão no modelo D9 .... 75
Figura 36 - Mapa de Calor das ovitrampas positivas em 03/2013 e casos de dengue pontuais
em 04/2013 .......................................................................................................... 76
Figura 37 - Mapa de Calor das ovitrampas positivas em 06/2013 e casos de dengue pontuais
em 07/2013 .......................................................................................................... 77
Figura 38 - Mapa de Calor das ovitrampas positivas em 09/2013 e casos de dengue pontuais
em 10/2013 .......................................................................................................... 78
Figura 39 - Taxa de incidência de casos de dengue entre fevereiro de 2013 e setembro de
2015, por APS, no município do RJ. ................................................................... 79
Figura 40 - Gráficos dos resíduos dos modelos E11 (A) e E12 (B) ....................................... 81
Figura 41 - Gráficos de autocorrelação dos resíduos dos modelos E11 (A) e E12 (B) .......... 81
Figura 42 - Gráficos dos resíduos dos modelos F12(A) e F15 (B)......................................... 83
Figura 43 - Gráficos de autocorrelação dos resíduos dos modelos F12 (A) e F15 (B) .......... 84
LISTA DE TABELAS
Tabela 1 - Divisão dos bairros no município do Rio de Janeiro, por APS ............................. 35
Tabela 2 - Dados disponíveis para análise por unidade de análise espacial e temporal. ........ 37
Tabela 3 - Resumo dos parâmetros entomológicos gerados pelo monitoramento com
ovitrampas no período de janeiro de 2013 a setembro de 2015 nas APSs do
Município do Rio de Janeiro.................................................................................. 48
Tabela 4 - Comparação dos modelos de regressão linear (LM) e aditivo (GAM) ajustados aos
dados de IDO, tendo temperaturas mínima ou máxima, e APS como variáveis
explicativas. ........................................................................................................... 59
Tabela 5 - Estimativas dos parâmetros ajustados do modelo selecionado A10: LM
(ido~tmin1*APS) ................................................................................................... 61
Tabela 6 - Comparação dos modelos de regressão linear de efeitos mistos (LMM) ajustados
aos dados de IDO tendo temperaturas mínima e máxima semanais e RA como
variáveis explicativas. AIC = critério de qualidade de ajuste. .............................. 63
Tabela 7 - Resultado do ajuste do modelo B5, LMM (ido~tmin1, efeitos
aleatórios=~1+tmin1|RA), ajustados pela máxima verossimilhança restrita......... 64
Tabela 8 - Comparação dos modelos ajustados para a relação do índice de positividade de
ovitrampas (IPO) por APS com a temperatura.. .................................................... 67
Tabela 9 - Estimativas dos parâmetros do modelo C9 selecionado para a relação do índice de
positividade de ovitrampas (IPO) por APS com a temperatura: ipo ~ tmin2 +
(tmin2 | APS). ........................................................................................................ 68
Tabela 10 - Comparação dos modelos ajustados para a relação do índice de positividade de
ovitrampas (IPO) por RA com a temperatura. ....................................................... 71
Tabela 11 - Estimativas dos parâmetros de acordo com o modelo D9 GLMM: ipo ~ tmin2 +
(tmin2 | RA). .......................................................................................................... 71
Tabela 12 - Comparação dos modelos da associação dos casos de dengue notificados com o
IDO por APS, pelo AIC (critério de ajuste do modelo). ....................................... 80
Tabela 13 - Estimativas dos parâmetros de acordo com o modelo E11 ................................... 82
Tabela 14 - Comparação dos modelos para casos de dengue em um mês x IPO mês anterior,
por APS, pelo AIC. ................................................................................................ 83
Tabela 15 - Estimativas dos parâmetros de acordo com o modelo F15.................................... 85
SUMÁRIO
1
INTRODUÇÃO ...................................................................................................... 14
2
REVISÃO DE LITERATURA .............................................................................. 17
2.1
O MOSQUITO AE. AEGYPTI ................................................................................. 17
2.2
AEDES ALBOPICTUS ............................................................................................. 18
2.3
PRINCIPAIS DOENÇAS TRANSMITIDAS PELO AE. AEGYPTI NO BRASIL . 19
2.3.1
Dengue ..................................................................................................................... 19
2.3.2
Chikungunya ........................................................................................................... 21
2.3.3
Zika .......................................................................................................................... 22
2.4
FATORES QUE MODULAM A TRANSMISSÃO ................................................. 24
2.5
EPIDEMIOLOGIA DA DENGUE NO BRASIL E NO RIO DE JANEIRO ........... 25
2.6
VIGILÂNCIA EPIDEMIOLÓGICA E CONTROLE DO AE. AEGYPTI NO
BRASIL ................................................................................................................... 27
2.7
OVITRAMPAS......................................................................................................... 29
3
JUSTIFICATIVA .................................................................................................... 32
4
OBJETIVO GERAL .............................................................................................. 33
4.1
OBJETIVOS ESPECÍFICOS ................................................................................... 33
5
MATERIAIS E MÉTODOS .................................................................................. 34
5.1
DELINEAMENTO DO ESTUDO: .......................................................................... 34
5.2
ÁREA DE ESTUDO ................................................................................................ 34
5.3
FONTE DE DADOS ................................................................................................ 36
5.3.1
Avaliação do Comitê de Ética e Pesquisa .............................................................. 37
5.4
ORGANIZAÇÃO DOS DADOS ............................................................................. 38
5.5
VARIÁVEIS DO ESTUDO ...................................................................................... 39
5.6
ANÁLISE DESCRITIVA ......................................................................................... 39
5.7
ANÁLISE INFERENCIAL ...................................................................................... 40
5.7.1
Modelagem da associação entre IDO e temperatura........................................... 41
5.7.1.1
Modelagem por APS ................................................................................................. 41
5.7.1.2
Modelagem por RA .................................................................................................. 42
5.7.2
Modelagem da associação do IPO com a temperatura ....................................... 43
5.7.3
Modelagem da associação entre infestação de ovitrampas e a incidência de
casos no mês seguinte ............................................................................................ 44
6
RESULTADOS ........................................................................................................ 46
6.1
CARACTERIZAÇÃO GERAL DO PROGRAMA DE MONITORAMENTO POR
OVITRAMPAS ........................................................................................................ 46
6.2
CARACTERIZAÇÃO DA OVIPOSIÇÃO .............................................................. 50
6.3
CARACTERIZAÇÃO DO CLIMA DURANTE O ESTUDO................................. 53
6.4
CARACTERIZAÇÃO DOS CASOS DE DENGUE DURANTE O ESTUDO ...... 54
6.5
MODELAGEM DA ASSOCIAÇÃO DA TEMPERATURA COM A OVIPOSIÇÃO
.................................................................................................................................. 57
6.5.1
Modelagem de associação do IDO com a temperatura por APS e RA .............. 58
6.5.3
Modelagem de relação do índice de positividade de ovitrampas (IPO) e
temperatura, por APS ............................................................................................ 66
6.5.4
Modelagem de relação do índice de positividade de ovitrampas (IPO) e
temperatura, por RA ............................................................................................. 70
6.6
DISTRIBUIÇÃO ESPACIAL DA INFESTAÇÃO E OCORRÊNCIA DE CASOS
DE DENGUE NO ANO DE 2013 ........................................................................... 75
6.7
MODELAGEM DA ASSOCIAÇÃO DOS CASOS DE DENGUE NOTIFICADOS
COM A OVIPOSIÇÃO ............................................................................................ 79
6.7.1
Modelagem da associação dos casos de dengue notificados com o IDO ............ 80
6.7.2
Modelagem da associação dos casos de dengue notificados com o IPO ............ 82
7
DISCUSSÃO ........................................................................................................... 86
7.1
SOBRE O SISTEMA DE MONITORAMENTO. .................................................... 86
7.2
ASSOCIAÇÃO DA INFESTAÇÃO COM A TEMPERATURA ............................. 88
7.3
ÍNDICE DE INFESTAÇÃO COMO PREDITOR DE INCIDÊNCIA DE DENGUE
.................................................................................................................................. 89
7.4
LIMITAÇÕES DO ESTUDO ................................................................................... 90
8
CONSIDERAÇÕES FINAIS ................................................................................. 92
REFERÊNCIAS...................................................................................................... 93
APÊNDICE A – SCRIPTS UTLIZADOS NAS MODELAGENS DA
ASSOCIAÇÃO ENTRE IDO E TEMPERATURA .......................................... 102
APÊNDICE B – SCRIPTS UTLIZADOS NAS MODELAGENS DA
ASSOCIAÇÃO ENTRE IPO E TEMPERATURA .......................................... 117
APÊNDICE C – SCRIPTS UTLIZADOS NAS MODELAGENS DA
ASSOCIAÇÃO ENTRE IDO E CASOS DE DENGUE ................................... 127
APÊNDICE D – SCRIPTS UTLIZADOS NAS MODELAGENS DA
ASSOCIAÇÃO ENTRE IPO E CASOS DE DENGUE ................................... 131
14
1 INTRODUÇÃO
O mosquito Aedes aegypti é o principal vetor de transmissão para uma série de doenças
disseminadas nos países do continente americano. Foi erradicado na maior parte do continente
durante a década de 1950 e início da década de 1960, mas reintroduzido no final desta mesma
década. Hoje, o Ae. aegypti, é considerado uma espécie amplamente distribuída nos trópicos
(BARRETO; TEIXEIRA, 2008). Entre as principais doenças carreadas pelo Ae. aegypti está
adengue, tida como a mais difundida das doenças virais transmitidas por mosquitos, com uma
incidência atual 30 vezes maior do que há 50 anos, constituindo-se um desafio para as agências
nacionais e internacionais de saúde (OMS, 2014).
A circulação do vírus dengue no continente americano remonta ao século XIX, seguida,
porém, de um período de ausência de relatos de casos da doença do início até a metade do
século XX. A reemergência ocorreu a partir da década de 1960, com um aumento significativo
dos casos a partir da década de 1980. Epidemias expressivas ocorreram nos anos 2000, e
atualmente é relatada a cocirculação simultânea dos quatro sorotipos do vírus dengue (DENV1, DENV-2, DENV-3 e DENV-4) no Brasil, Colômbia e México (BARRETO; TEIXEIRA,
2008; OPAS, 2015). A incidência de casos notificados da dengue no continente americano
sofreu sucessíveis aumentos com o passar dos anos chegando a uma média 198 casos /100.000
habitantes acumulados até a 21ª semana epidemiológica de 2015. Os países e territórios com a
maior taxa de incidência de dengue nas Américas são: Brasil (507,9 casos / 100.000 habitantes),
Paraguai (444,5 casos / 100.000 habitantes), Guiana Francesa (399,6 casos / 100.000
habitantes), San Martin (269,6 casos / 100.000 habitantes) e Honduras (234,6 casos / 100.000
habitantes) (OPAS, 2015).
No Brasil, a associação entre a ampla dispersão do vetor e a circulação de um ou mais
sorotipos do vírus dengue (DENV), contribuíram para o surgimento de epidemias da doença. A
primeira delas, ocorrida e contida entre 1981 e 1982, sucedeu em Boa Vista, Roraima, e foi
causada pelos sorotipos DENV-1 e DENV-4. A partir de 1986, quando uma epidemia associada
ao sorotipo DENV-1 atingiu o Rio de Janeiro e dali se disseminou para capitais do nordeste
brasileiro, a dengue tem ocorrido de forma persistente no país, intercalando períodos de
epidemias com períodos com baixo número de casos. Em 1990, foi identificada a cocirculação
de dois sorotipos no país, o DENV-1 e o DENV-2, este último também com introdução
identificada no país pelo Rio de Janeiro. Entre os anos de 1990 e 2000, várias epidemias foram
registradas. Em dezembro de 2000, identificou-se a circulação do sorotipo DENV-3 no estado
15
do Rio de Janeiro e, posteriormente, no estado de Roraima, em novembro de 2001. E em 2004,
23 dos 27 estados do país apresentaram a circulação simultânea dos sorotipos 1, 2 e 3 do vírus
dengue (NOGUEIRA et al., 2007). A partir de 2010 o sorotipo 4 (DENV-4) ressurgiu,
alcançando diversos estados e sendo responsável por grande número de casos em 2012 e 2013
(IPP, 2015; NOGUEIRA; EPPINGHAUS, 2011). Desde 1982, ano em que foi constatada a
primeira evidência de uma epidemia de dengue no Brasil, houveram mais de 9 milhões de casos
notificados, sendo o ano de 2015 aquele com maior número de casos da história. E há de se
considerar que os números oficiais não apreciam casos assintomáticos ou que não foram
notificados (BARRETO; TEIXEIRA, 2008; BRASIL, 2016). O número de casos de dengue
grave também sofreu um aumento considerável na década de 2000 em comparação com a
década de 1990, que coincidiu com anos de grandes epidemias da doença no país (TEIXEIRA
et al., 2013).
Recentemente foram detectados no Brasil, casos de outras duas doenças transmitidas
por mosquitos do gênero Aedes – a chikungunya e a Zika. Ambas são doenças exantemáticas
semelhantes à dengue, sendo que a chikungunya também causa nos indivíduos infectados febre
alta e fortes dores nas articulações (BRASIL, 2015a). Apesar de usualmente não levar os
doentes a óbito, a chikungunya, causada pelo vírus chikungunya (CHIKV), pode evoluir para
quadros neurológicos graves e proporcionar alto grau de morbidade aos pacientes, gerando
artralgias que podem durar por meses ou anos, causando dor crônica e incapacidade (STAPLES
et al., 2009).
Os primeiros casos nos quais o vírus causador da Zika (ZIKV) foi identificado no Brasil
ocorreram em março de 2015, sendo que a partir de então uma grande quantidade de casos
suspeitos tem sido reportada às autoridades sanitárias, com relatos de complicações
neurológicas e possibilidade de relação com ocorrência de microcefalia em bebês nascidos de
mães que contraíram Zika durante a gestação, fato que veio a ser confirmado em novembro de
2015 (BRASIL, 2015b, 2015c).
Fatores relacionados ao clima (em especial às condições de temperatura ao longo do ano
propícias ao vetor), à urbanização desordenada, à coleta e tratamento inadequado de resíduos
sólidos, à deficiência de saneamento básico e aos hábitos de vida da população colaboram para
a contínua circulação do Ae. aegypti no Brasil (uma vez que o meio urbano, de baixa
biodiversidade, é o habitat de preferência dessa espécie), facilitando a transmissão das
arboviroses citadas nas regiões do país que possuem clima adequado e população urbana
suficiente (BARBOSA, 2011).
16
A prevenção das doenças transmitidas por meio do Ae. aegypti baseia-se atualmente nas
medidas de vigilância e controle deste vetor. No Brasil, o Programa Nacional de Controle da
Dengue, instituído em 2002, objetiva reduzir a infestação pelo Ae. aegypti, a incidência da
dengue e a letalidade por dengue grave, através de um conjunto de componentes que abrangem
desde a vigilância epidemiológica e o combate ao vetor até a assistência ao paciente (BRASIL,
2002). Este programa usa como indicadores, tanto de índice de infestação de Ae. aegypti como
de mensuração de risco de transmissão de dengue, índices baseados em pesquisas larvária,
obtidos através do Levantamento Rápido de Índice Entomológico (LIRAa) (COELHO, 2008) .
Paralelamente ao LIRAa, mais recentemente iniciou-se em algumas cidades como Rio
de Janeiro e Belo Horizonte, o uso de levantamentos baseados em dados obtidos através das
armadilhas de postura de ovos (ovitrampas). Em caráter experimental, ovitrampas e armadilhas
para mosquitos adultos têm sido utilizadas como ferramenta de vigilância em diversos
municípios brasileiros (BRAGA et al., 2000; MIYAZAKI et al., 2009; PEPIN, et al., 2013;
PEPIN et al., 2015). Os dados dessas armadilhas, entretanto, por vezes são subutilizados, a
despeito de sua coleta.
As vantagens e desvantagens do uso de armadilhas para o monitoramento da população
de mosquitos têm sido muito debatidas na literatura. Não existe até o momento, uma definição
sobre qual armadilha é melhor para fins de vigilância entomológica do vetor da dengue, e qual
a melhor maneira de utilizá-la. Ovitrampas têm sido apontadas como sendo mais sensíveis e de
menor custo em comparação com pesquisas larvárias e com outros tipos de armadilhas
(CODEÇO et al., 2015). Este estudo tem por objetivo avaliar o uso de ovitrampas para
levantamento de dados de infestação de Ae. aegypti e seu potencial de utilização junto à
vigilância epidemiológica da dengue no município do Rio de Janeiro. Avaliar a viabilidade
deste recurso para a geração de alertas de risco de transmissão de dengue poderá agregar ainda
mais valor a esta ferramenta, contribuindo para a sua consolidação como instrumento de
obtenção de dados confiáveis sobre a infestação do vetor da dengue no Brasil.
17
2 REVISÃO DE LITERATURA
2.1 O MOSQUITO AE. AEGYPTI
O Ae. aegypti (Diptera: Culicidae) (Linnaeus, 1762) é um artrópode do subgênero
Stegomyia encontrado em zonas tropicais e subtropicais, usualmente em latitudes entre 35 ° N
e 35 ° S e onde as temperaturas no inverno são acima que 10 ºC (LOBO, 2011). Embora pelo
menos cinco espécies de Aedes possam transmitir o vírus dengue, no Brasil o Ae. aegypti é
considerado o responsável pela transmissão do vírus dengue . (GRATZ, 2004).
O Ae. aegypti, é um dos vetores mais eficientes para a transmissão de arbovírus para
seres humanos, com preferência por ambientes internos dos domicílios. É usualmente
encontrado em áreas urbanas, especialmente nos bairros mais densamente povoados e se
reproduz em recipientes em áreas domésticas e peridomésticas que contenham água limpa
(SIVANATHAN, 2006).
Os mosquitos dessa espécie possuem hábitos diurnos, com atividade hematofágica
antropofílica das fêmeas nos períodos matutino e vespertino. Após cerca de 48 a 96 horas da
atividade hematofágica, a fêmea do Ae. aegypti efetua a postura dos ovos próximo a lâminas
d’água em uma variedade de criadouros - locais usualmente sombreados e que possam
acumular água limpa (CONSOLI; LOURENÇO-DE-OLIVEIRA, 1994). O comportamento de
postura de ovos (oviposição) típico das fêmeas do Ae. aegypti, é a oviposição em salto, no qual
a fêmea distribui seus ovos em vários locais de reprodução (CORBET ; CHADEE, 1993).
Os ovos do Ae. aegypti são bastante resistentes à dessecação, sobrevivendo vários meses
em ambientes secos, até que o aparecimento de água propicie a eclosão da larva. O
desenvolvimento do mosquito até a vida adulta passa por quatro estágios: fase de ovo, fase
aquática (larval e pupa) e fase adulta (CONSOLI; LOURENÇO-DE-OLIVEIRA, 1994;
LOURENÇO-DE-OLIVEIRA et al., 2008).
Os ovos do mosquito apresentam uma coloração clara no momento da postura,
tornando-se mais escuros, até chegar a coloração negro-brilhante. A fecundação se dá durante
a postura e o desenvolvimento do embrião se completa em 48 horas, mas na ausência de água
um ovo pode permanecer viável por até 492 dias (SILVA, H.H.G.; SILVA, I.G., 1999; SANTOS,
2008).
A fase aquática inicia-se quando o ovo com embriogênese completa entra em contato
com a água. A duração da fase larvária depende de vários fatores como a temperatura, a
disponibilidade de alimento e a densidade das larvas no criadouro. A eclosão das larvas
18
acontece de forma mais célere em temperaturas de 27 a 30ºC associadas a períodos de aumento
de pluviosidade. As larvas se alimentam de material orgânico presente no fundo e nas paredes
e em suspensão dentro dos reservatórios. A fase larvária varia em torno de 5 a 7 dias e a fase de
pupa dura em torno de 2 a 3 dias em condições propícias (REY, 2011).
A grande resistência do ovo à dessecação, associada a um curto ciclo geracional e alta
fecundidade/fertilidade, favorece um rápido crescimento populacional em condições propícias
para o desenvolvimento do Ae. aegypti. Na fase adulta os mosquitos da espécie apresentam
coloração escura, com escamas na cor branca na parte posterior da cabeça e nos segmentos
abdominais, e um padrão em forma de lira sobre o dorso (NEVES, 2002). A Figura 1 representa
o ciclo de vida dos mosquitos do gênero Aedes:
Figura 1: Ciclo de vida do Aedes.
Fonte: Hopp MJ and Foley J. Global-scale Relationships between Climate and the Dengue Fever Vector Aedes aegypti. Climate
Change. 2001; 48: 441-463
2.2 AEDES ALBOPICTUS
O Aedes albopictus (Skuse 1894) é um mosquito originário de áreas de clima temperado
e tropical do oriente, que invadiu o continente americano há cerca de 30 anos, tendo sido
encontrado no Brasil pela primeira vez no Rio de Janeiro no ano de 1986 (FORATTINI, 1986).
Embora sua distribuição territorial no Brasil acompanhe a atividade humana, sua disseminação
não depende de grande concentração demográfica como o Ae. aegypti, se espalhando de forma
competente em ambiente rural, semissilvestre e silvestre, onde o Ae. aegypti é ausente ou muito
raro. Em muitos aspectos sua biologia se assemelha à do mosquito Ae. aegypti, sendo, como
19
ele, um mosquito de hábitos diurnos, com fêmeas hematófagas, e densidade de infestação
relacionada diretamente aos índices pluviais. Entretanto, apresenta maior resistência às
temperaturas mais amenas (ex.: norte da Ásia), e seus ovos são menos resistentes a dessecação.
Utiliza tanto recipientes naturais como artificiais como criadouros (CONSOLI; LOURENÇODE-OLIVEIRA, 1994).
O Ae. albopictus possui alta competência vetorial e tem sido motivo de preocupação
entre as autoridades de saúde pública dos países recém-infestados, já que é competente para
pelo menos 22 arbovírus e provavelmente é um vetor de manutenção da dengue em áreas rurais
de países endêmicos no Sudeste da Ásia e em ilhas do Pacífico (GRATZ, 2004 ). No Brasil, o
Ae. albopictus encontra-se disseminado em 24 dos 27 estados da federação (CARVALHO et
al., 2014 ). Embora ainda não tenha sido reconhecido pelo Ministério da Saúde como vetor do
DENV, a infecção de larvas do Ae. albopictus com sorotipos de DENV, recolhidas em duas
regiões diferentes país (sudeste e nordeste) já foi descrita na literatura (CASTRO et al., 2004;
CECILIO et al., 2009; FIGUEIREDO et al., 2010; MARTINS et al. 2012). Além disso, foi
demonstrado em condições laboratoriais, que populações de Ae. albopictus coletadas no país
são capazes de infectar-se e transmitir não somente o DENV como o CHIKV e o ZIKV (VEGARÚA et al., 2014; CHOUIN-CARNEIRO et al., 2016).
2.3 PRINCIPAIS DOENÇAS TRANSMITIDAS PELO AE. AEGYPTI NO BRASIL
2.3.1 Dengue
A dengue é uma doença infecciosa, febril e aguda, causada por um arbovírus (vírus
transmitido por artrópodes a vertebrados) do gênero Flavivirus, família Flaviridae chamado de
vírus dengue (DENV), transmitido por artrópodes do gênero Aedes (BRASIL, 2010a). A
importância da dengue para a saúde pública é amplamente conhecida, dada a sua grande
magnitude epidemiológica e amplitude demográfica, que levam a grandes epidemias em regiões
tropicais e subtropicais do mundo (BARBOSA; LOURENÇO, 2010).
São 4 os sorotipos mais conhecidos do vírus causador da dengue: DENV-1, DENV-2,
DENV-3 e DENV-4. Entretanto, recentemente um novo sorotipo foi identificado, o DENV-5
(MUSTAFA et al., 2014). A cepa e o sorotipo do vírus infectante, o estado imunológico, idade
e antecedentes genéticos e humorais do hospedeiro humano e a ocorrência de infecções
secundárias por outros sorotipos são fatores que influenciam diretamente na ocorrência da
forma grave da doença (SIMMONS et al., 2012).
20
A incubação da doença ocorre por um período de 3 a 14 dias, durando em média 4 a 7
dias. Os sintomas exibem início súbito, podendo seguir três fases: uma fase febril, uma fase
crítica durante a redução da febre seguida de uma fase de recuperação espontânea. A fase febril
é tipicamente caracterizada por um febre alta (≥38.5 ° C) acompanhada de cefaleia, vômito, dor
no corpo, olhos e articulações e, às vezes, manchas vermelhas pelo corpo. Com exceção da
febre alta, as crianças geralmente são menos sintomáticas do que os adultos durante esta fase
da doença. Podem ser observadas algumas manifestações hemorrágicas leves como petéquias
ou hematomas, especialmente em locais de punção venosa, além de fígado palpável. Após 3 a
7 dias, a maior parte dos pacientes se recupera sem complicações (OMS, 2009; SIMMONS et
al., 2012).
Pacientes que melhoram após a diminuição da febre apresentam a forma não grave da
doença. Todavia, pacientes que manifestam indícios de piora no quadro tais como dor
abdominal intensa e contínua, ou dor à palpação do abdômen, vômitos persistentes, acumulação
de líquidos (ascites, derrame pleural, pericárdico), sangramento de mucosas, letargia ou
irritabilidade, hipotensão postural (lipotimia) ou hepatomegalia maior do que 2 cm apresentam
dengue com sinais de alerta. Esses casos normalmente podem apresentar melhora se houver
início rápido da terapia de reidratação intravenosa. Alguns casos, porém, deterioram-se
passando a ser classificados como dengue grave (OMS, 2009).
No período de defervescência, quando a temperatura cai para 37.5-38ºC ou menos e
permanece abaixo deste nível, geralmente entre o 3º e 7º dia de doença, pode haver o aumento
da permeabilidade capilar em associação com o aumento dos níveis de hematócrito, o que marca
o início da fase crítica - a dengue grave. O período em que ocorre extravasamento de plasma
clinicamente importante normalmente dura 24-48 horas. A perda de plasma geralmente é
antecedida por leucopenia progressiva seguida por um rápido decréscimo do número de
plaquetas. Neste ponto, pacientes nos quais não houve aumento na permeabilidade capilar irão
melhorar, enquanto aqueles com aumento da permeabilidade capilar apresentam piora do
quadro à medida em que perdem volume (SIMMONS et al., 2012).
A fase de recuperação espontânea acontece com o retorno da permeabilidade vascular a
níveis normais, o que ocorre espontaneamente depois de cerca de 48 a 72 horas, e condiz a uma
rápida melhoria dos sintomas do paciente. Erupções cutâneas podem aparecer durante a fase de
recuperação. Adultos podem ter profunda fadiga durante várias semanas após a recuperação
(SIMMONS et al., 2012).
21
2.3.2 Chikungunya
A chikungunya é uma doença febril aguda ocasionada por um arbovírus do gênero
Alphavirus da família Togaviridae, o vírus chikungunya (CHIKV). O CHIKV foi identificado
pela primeira vez na década de 1950 durante uma epidemia de uma doença com características
semelhantes à dengue na Tanzânia. Entre 1960 e 2003 pequenos surtos da doença ocorreram
em países da Ásia e da África até que em 2004 uma grande epidemia de chikungunya começou
no Quênia e se espalhou durante os 4 anos seguintes por diversos países da África, sudeste da
Ásia e ilhas do Oceano Índico (POWERS; LOGUE, 2007).
Indivíduos infectados por esta doença apresentam como sintomas clássicos: febre alta
(acima de 38,9ºC), erupção cutânea e poliartralgia. O quadro febril possui duração variando de
alguns dias até 2 semanas (em média 10 dias) e natureza bifásica (embora nos surtos ocorridos
entre 2005 e 2007 não tenham sido relatados episódios de febre bifásica nos pacientes)
(POWERS; LOGUE, 2007; STAPLES et al., 2009). Após o aparecimento da febre, grande parte
dos doentes desenvolve dores intensas e debilitantes nas articulações, geralmente simétricas e
atingindo mais comumente dedos, punhos, cotovelos, joelhos e tornozelos, que podem durar de
semanas a meses. É comum ocorrer também artrite, com edemaciamento das articulações e
parestesia da pele sobre as articulações afetadas. Outros sintomas comumente relatados incluem
cefaleia, fotofobia, náuseas, vômitos, fraqueza e mialgias. Como esses são sintomas de diversas
outras doenças infecciosas comuns em regiões tropicais, incluindo dengue, existe a
possibilidade do número de casos de chikungunya ser maior do que o relatado (STAPLES, et
al., 2009).
Algumas apresentações clínicas atípicas foram relatadas em pacientes com
comprovação sorológica de infecção pelo CHIKV, nos surtos de chikungunya ocorridos,
incluindo um caso de miocardite seguido de insuficiência cardíaca congestiva no Sri Lanka em
1972. Houve também relatos de manifestações hemorrágicas em alguns dos surtos da doença
no decorrer dos anos, mas sua documentação é bastante irregular, com alguns dos infectados
com manifestações hemorrágicas apresentando anticorpos também para o vírus dengue
(POWERS; LOGUE, 2007).
No Brasil, os primeiros casos de transmissão autóctone de chikungunya foram
identificados entre junho e setembro de 2014, nas cidades de Feira de Santana (BA) e Oiapoque
(AM) respectivamente. Os genótipos do CHIKV responsáveis pela infecção nas duas cidades
são diferentes, sendo o de Oiapoque o genótipo asiático e o de Feira de Santana o Centro-LesteSul-Africano (ECSA) (NUNES et al., 2015). Entre 2014 e 2015, mais de 24.300 casos de
22
chikungunya foram notificados no país (BRASIL, 2015a). As medidas de vigilância
epidemiológica propostas até o momento pelo Ministério da Saúde envolvem a vigilância e
controle entomológico e monitoramento dos casos incidentes de chikungunya (BRASIL,
2014a).
2.3.3 Zika
O vírus Zika (ZIKV) é um arbovírus do gênero Flavivirus, família Flaviridae. Foi
isolado pela primeira vez em 1947, em cérebros de camundongos inoculados com sangue de
um macaco Rhesus que se encontrava doente. Embora em seu ciclo silvestre a Zika seja
transmitida por diversas espécies de mosquitos do gênero Aedes, em 1956 foi demonstrada a
transmissão do ZIKV por mosquitos Ae. aegypti para ratos e camundongos em laboratório
(FREIRE, 2014; HAYES, 2009) . Da sua descoberta até meados da década de 2000, foram
relatados poucos casos da doença, até quem 2007, um surto de Zika acometeu a ilha de Yap, na
Micronésia e subsequentemente, em 2013 foi registrada uma epidemia na Polinésia Francesa,
com estimativa de mais de 32000 casos da doença (DUFFY et al., 2009; MALLET et al., 2015).
No Brasil, os primeiros casos da doença foram identificados em março de 2015, sendo que em
14 de maio de 2015 foi confirmada a circulação do ZIKV no Brasil, com casos na Bahia e no
Rio Grande do Norte. (BRASIL, 2015b). Em outubro, o vírus se espalhou para pelo menos 14
estados brasileiros, e em dezembro de 2015, o Ministério da Saúde estimou que até 1,3 milhão
de casos suspeitos teriam ocorrido. Ainda em outubro de 2015, a Colômbia informou a primeira
transmissão autóctone de ZIKV fora do Brasil na América Latina. Até 3 de março de 2016, um
total de 51.473 casos suspeitos Zika haviam sido relatados no Brasil. Até março de 2016, o
vírus havia se espalhado para pelo menos 61 países e territórios em todo o mundo, segundo
relatório da OPAS/OMS (2016).
Humanos infectados por ZIKV desenvolvem sintomas com características semelhantes
às da dengue, mas usualmente mais brandas. As manifestações clínicas envolvem o exantema
macopapular no rosto, tronco e membros como característica diferencial, mas os infectados
também costumam desenvolver dor de cabeça, mal-estar, febre transitória (em torno de 1 a 2
dias) e dores no corpo. Outras manifestações incluem anorexia, diarreia, constipação, dor
abdominal, tonturas, prurido, conjuntivite e artralgia. Com menos frequência pode haver dor
retro-orbital, edema e vômito. A doença tende a ser leve e autolimitada, com os sintomas
desaparecendo após cerca de uma semana, sem aparentes complicações (HAYES, 2009).
Todavia, a infecção por ZIKV tem sido associada a desordens com acometimentos neurológicos
23
em pacientes que sofreram a doença e a casos de microcefalia em bebês cujas mães foram
acometidas pelo vírus durante a gestação, em especial no primeiro trimestre (OPAS/OMS,
2016).
Em outubro de 2015, pesquisadores brasileiros observaram um aumento no número de
bebês nascidos com microcefalia (condição caracterizada por perímetro cefálico menor do que
o esperado para a idade) nas regiões onde foi constatada pela primeira vez a presença de casos
de Zika. Até meados de fevereiro de 2016, mais de 4300 casos suspeitos de microcefalia haviam
sido relatados no Brasil, embora o número de casos possa ser menor devido à baixa
especificidade dos critérios iniciais utilizados para identificação dos casos. Após a divulgação
da possibilidade de associação entre casos de microcefalia em bebês e a infecção por ZIKV nas
mães desses bebês, foi realizada uma investigação retrospectiva do surto de Zika da Polinésia
Francesa, na qual foi constatado um aumento do número de anomalias fetais, incluindo
microcefalia, após o referido surto (CAUCHEMEZ et al., 2016; OPAS/OMS, 2016;
SCHULER-FACCINI, et al., 2016; VICTORA et al., 2016).
A importância desse vírus como potencial problema de saúde pública foi renegada
durante muitos anos, embora estudos já indicassem seu tropismo por células neurológicas em
animais, bem como a possibilidade de sua disseminação em condições favoráveis. (BELL, et
al., 1971; WEAVER; REISENB, 2009). Complicações neurológicas associadas a Zika foram
relatadas pela primeira vez em 2013, na Polinésia Francesa. Durante a epidemia, 74 pacientes
apresentaram complicações neurológicas ou autoimunes após manifestarem sintomas
consistentes com infecção por ZIKV, sendo que 42 desses casos foram classificados como
Síndrome de Guillain-Barré (OPAS/OMS, 2016).
Além da transmissão por mosquitos do gênero Aedes e da transmissão vertical do ZIKV
nos casos de anomalias fetais, há evidências significativas para transmissão por contato sexual
através do sêmen (BESNARD, et al., 2014; FOY, et al., 2011; MUSSO et al., 2015).
Além das medidas de prevenção e controle já adotadas para a dengue e chikungunya no
Brasil, a partir de outubro de 2015 houve a intensificação das ações de combate ao Ae. aegypti.
Foi estabelecida também a destinação de recursos federais para pesquisas relacionadas ao
ZIKV, para a produção e distribuição de testes diagnósticos para a doença, e para programas de
diagnóstico e acompanhamento de casos de microcefalia no país (BRASIL, 2016).
24
2.4 FATORES QUE MODULAM A TRANSMISSÃO
O ciclo de transmissão de uma arbovirose inicia-se quando a fêmea do mosquito
susceptível ingere sangue infectado pelo vírus, de uma pessoa no período da viremia. A partir
desse momento, inicia-se o processo de replicação viral dentro dos tecidos e órgãos do vetor
infectado (chamado período de incubação extrínseco) até chegar à glândula salivar do mosquito,
quando pode ocorrer a inoculação do vírus em um hospedeiro humano susceptível por meio de
uma picada, fechando o ciclo de transmissão (GUBLER; KUNO, 1997; SALAZAR et al.,
2007).
A capacidade vetorial diz respeito à eficiência com a qual um vetor artrópode transmite
um agente patogênico a uma população susceptível (KLEMPNER, et al., 2007). A definição
básica desse conceito é dada por Garrett-Jones (1964), e menciona que capacidade vetorial é o
número médio de contatos potencialmente infectivos feitos por uma população de vetores,
originário de um único caso, por unidade tempo. Segundo Lourenço-de-Oliveira (2015), vetores
com alta capacidade vetorial são capazes de desencadear e manter a transmissão de uma doença
em um local. No contexto da dengue, a capacidade vetorial é a velocidade com que determinado
sorotipo do vírus seria capaz de se disseminar entre humanos susceptíveis às custas das
populações naturais de Ae. aegypti ou Ae. albopictus em uma localidade.
O cálculo da capacidade vetorial considera a longevidade e sobrevivência diária das
fêmeas do mosquito ao período de incubação extrínseco, a susceptibilidade do vetor ao vírus, a
frequência de picadas infectantes (que contém o vírus) e a densidade populacional do vetor.
(LOURENÇO-DE-OLIVEIRA, 2015). A sobrevivência diária das fêmeas depende de
condições externas (como temperatura, umidade relativa e fontes de repasto sanguíneo,
necessidade de deslocamento), e de fatores intrínsecos ao mosquito, como a capacidade
sobrevivência ao período de incubação extrínseco (que depende de características genéticas e
fisiológicas). A competência vetorial corresponde ao percentual de indivíduos de uma
população de vetores que ingeriu o vírus, foi infectada e se tornou infectiva, após o período de
incubação extrínseco. Tanto a capacidade como a competência vetorial são processos dinâmicos
e, portanto, dependem de condições ambientais, da variabilidade genética das populações e das
interações entre vetor e vírus (LOURENÇO-DE-OLIVEIRA, 2015).
Uma meta-análise publicada em 2014 avaliou dados de 49 estudos sobre fatores que
influenciam a variação da taxa de desenvolvimento do Ae. aegypti. Os autores dessa metaanálise sugeriram que a temperatura “é o fator determinante ecológico mais importante da taxa
de desenvolvimento em Ae. aegypti” (COURET; BENEDICT, 2014) . Mohammed e Chadee
25
(2011) em um estudo para determinar os efeitos do aumento das temperaturas da água no
desenvolvimento de estágios imaturos de Ae. aegypti averiguaram que este mosquito pode
potencialmente se tornar um vetor eficiente com capacidade de adaptação às faixas mais altas
de temperatura (que podem encurtar os períodos de incubação extrínseco para arbovírus).
Tun-Lin et al. (2000), testaram a influência da temperatura na quantidade de fêmeas
nascidas de Ae. aegypti e verificaram um aumento em relação aos machos na proporção de 4:3,
a uma temperatura constante de 30ºC. Yang et al. (2009) averiguaram, em um experimetno
laboratorial simulando as condições naturais do habitat do Ae. aegypti, que as taxas de
oviposição crescem de forma linear entre 15 e 30 ºC. Watts e Burke (1987) constataram que o
período de incubação extrínseco do arbovírus dentro do organismo do mosquito reduz de acordo
com o aumento da temperatura. Estes achados sugerem que a temperatura é um fator abiótico
que afeta diretamente o ciclo de transmissão da dengue.
2.5 EPIDEMIOLOGIA DA DENGUE NO BRASIL E NO RIO DE JANEIRO
As epidemias de dengue apresentam comportamento cíclico, intercalando anos com
altas e baixas incidências. A incidência de casos de dengue também varia de forma sazonal,
aumentando nos períodos de alta pluviosidade, e de temperaturas mais elevadas. Além disso, a
propagação da dengue é facilitada devido à globalização que acarreta aumento da intensidade
de tráfego de pessoas (SOUZA et al., 2010).
A primeira epidemia recente de dengue, após a reinvasão do país pelo Ae. aegypti na
década de 70, foi 1982, em Roraima, pelos sorotipos DENV-1 e DENV-4, que logo foi contida.
Todavia, foi somente com a introdução do DENV-1 no Rio de Janeiro, em 1986, que a doença
tomou maiores proporções no país (SANTOS, 2008). Entre 1982 e 1998 houve disseminação
de Ae. aegypti para todos os estados brasileiros, sendo que em 23 deles já havia transmissão de
dengue estabelecida nesta data (NOGUEIRA et al., 2007). A partir de 1994, epidemias de
dengue passaram a ocorrer de forma periódica até o presente. Em 2013, última data de registros
consolidados de dengue no país, foram notificados 1.470.487 casos da doença em todo Brasil.
No ano de 2013 a região sudeste apresentou o maior número de casos notificados (926.595)
(BRASIL, 2014b).
A primeira confirmação laboratorial do vírus dengue no Brasil ocorreu no estado do Rio
de Janeiro em abril de 1986, pelo Laboratório de Flavivirus do Instituto Oswaldo Cruz. Obtevese o isolamento do vírus DENV-1 oriundo de pacientes com doença exantemática, cujas
amostras foram coletadas durante uma epidemia explosiva na mesma época em Nova Iguaçu,
26
município pertencente a Região Metropolitana do Rio de Janeiro. Do Rio de Janeiro, houve
uma rápida propagação do vírus para outros estados, facilitada pela alta infestação do vetor,
resultando em epidemias com características semelhantes à do Rio de Janeiro, ainda sem a
presença de casos de dengue grave e com a circulação apenas de um sorotipo (DENV 1)
(NOGUEIRA et al., 2007). Em 1990 houve outra epidemia, com duas ondas. Nessa epidemia
identificou-se dois sorotipos (DENV-1 e DENV-2) e no período em que o DENV-2 foi
predominante
houve
uma
proporção significativamente maior de
pacientes com
trombocitopenia e pacientes com necessidade de hospitalização (NOGUEIRA et al., 1993).
Em janeiro de 1998 ocorreu uma nova epidemia no vale do rio Paraíba no estado do Rio
de Janeiro e rapidamente se espalhou para outros municípios. O sorotipo DENV-2 propagou-se
do Rio de Janeiro para diferentes partes do país, com surtos manifestando formas clínicas mais
graves em comparação com os surtos anteriores do sorotipo DENV-1. Em 2000 isolou-se o
sorotipo DENV-3, a partir de um caso de dengue clássico e do vetor Ae. aegypti coletado no
campo (DE SIMONE, NOGUEIRA et al., 2004). A introdução do sorotipo DENV-3 aumentou
de forma substancial o número de casos notificados 2001 e 2002, bem como a quantidade de
casos de dengue grave (NOGUEIRA et al., 2007).
Em 2010 o sorotipo 4 (DENV-4) ressurgiu em Roraima, com cerca de 20 casos
confirmados neste estado. A partir de então, o vírus alcançou dois estados da Região Norte,
Amazonas e Pará, em janeiro; em março, o vírus foi detectado na região Nordeste, no Piauí,
Pernambuco, Bahia e Ceará, e também na Região Sudeste, nos estados do Rio de Janeiro e São
Paulo. Na epidemia de 2013 este sorotipo foi responsável por grande parte dos casos
confirmados no Rio de Janeiro (NOGUEIRA; EPPINGHAUS, 2011; RIO DE JANEIRO,
2015).
A relação dos fatores socioambientais com a proliferação do vetor e a consequente
disseminação da doença no Brasil e no Rio de Janeiro têm sido objeto de discussão há bastante
tempo (COSTA, 1998; MONDINI; CHIARAVALLOTI-NETO, 2008; TEIXEIRA; CRUZ,
2011). São múltiplos os fatores condicionantes para a multiplicação e disseminação do vetor
nos dias atuais, tais como o aumento populacional nas áreas urbanas, as condições precárias de
habitação em aglomerados subnormais de grandes cidades, e irregularidade de acesso a serviços
de saneamento (TAUIL, 2002). Esses mesmos fatores condicionantes ecoam no município do
Rio de Janeiro, uma cidade com características semelhantes a outros grandes centros urbanos
brasileiros.
27
2.6 VIGILÂNCIA EPIDEMIOLÓGICA E CONTROLE DO AE. AEGYPTI NO BRASIL
As ações de controle do Ae. aegypti no Brasil tiveram início nas primeiras décadas do
século XX, devido as epidemias de febre amarela urbana que ocorriam no país. Durante a
primeira metade do século XX, sucessivas ações de controle vetorial levaram à erradicação do
vetor em 1955. Após esse marco, entretanto, a descontinuidade das ações de vigilância e
controle entomológico acabaram por resultar na reintrodução do Ae. aegypti no país, em 1967.
Nesse ano, o programa de ações de erradicação foi iniciado sob a responsabilidade da
Superintendência de Campanhas de Saúde Pública (SUCAM), e em 1990 a coordenação passou
à da Fundação Nacional de Saúde, através do Programa Nacional de Controle da Febre Amarela
e Dengue (BRAGA; VALLE, 2007; BRASIL, 2001)
Em 1996, em virtude da grande ocorrência de dengue no país, e do surgimento de casos
de dengue hemorrágica, o Ministério da Saúde elaborou o Plano de Erradicação do Aedes
aegypti (PEAa), que preconizava ações integradas com diversos ministérios, contemplando
nove áreas de atuação que abrangiam desde entomologia e operações de campo de combate ao
vetor até ações relacionadas a saneamento, vigilância epidemiológica e sistema de informações,
suporte laboratorial , treinamento de pessoal e legislação de suporte. Todavia, em 2001 foi
constatado que esse plano não impediu o aumento do número de casos de dengue e nem a
propagação territorial da infestação, talvez devido à descontinuidade das ações de combate ao
vetor ou ao fato das ações não terem sido universalizadas para cada município (BRAGA;
VALLE, 2007).
A partir de julho de 2001, com a implantação do Plano de Intensificação das Ações de
Controle da Dengue (PIACD), modificou-se o foco da erradicação para o controle do vetor,
aumentando a atenção aos municípios com maior transmissão de dengue, escolhidos com base
nos Índices de Infestação Predial e nos dados de incidência de dengue de 2000/2001(BRASIL,
2002).
Em 2002 ocorreu a implantação do Programa Nacional de Controle da Dengue (PNCD),
em continuidade ao PIACD, também com focos em municípios prioritários (com mais casos de
dengue), visando a modificação dos modelos anteriores em uma série de aspectos como
(BRASIL, 2002):

A elaboração de programas permanentes, (uma vez que a erradicação do
mosquito a curto prazo é tecnicamente impossível);
28

O desenvolvimento de campanhas que objetivem a informação e mobilização
da população na manutenção de seu ambiente doméstico livre de potenciais
criadouros do vetor;

A ampliação da capacidade de predição e detecção precoce de surtos da doença
por meio do fortalecimento da vigilância epidemiológica e entomológica;

A melhoria da qualidade do trabalho de campo no combate ao vetor; a
integração das ações de controle da dengue na atenção básica;

A utilização de instrumentos legais a fim de facilitar a eliminação de
criadouros em imóveis comerciais, casas abandonadas e etc.;

O incentivo à destinação adequada de resíduos sólidos e à utilização de
recipientes seguros para armazenagem de água, por meio de ações
multissetoriais;

O desenvolvimento de instrumentos mais eficazes de acompanhamento e
supervisão das ações desenvolvidas pelo Ministério da Saúde, Estados e
Municípios.
A pesquisa larvária é o método de escolha do PNCD no monitoramento da infestação
de Ae. aegypti em espaços urbanos. Existem formas diversas de se realizar o levantamento de
índices larvários, de maneira a se obter amostras representativas do total de domicílios. Uma
delas é o Levantamento de Índice Amostral (LIA) que é o levantamento do índice larvário “em
uma amostra de imóveis do município de modo a apresentar significância estatística”, e que
vem sendo usado no Brasil desde a década de 1980 (BRASIL, 2009).
O método de levantamento entomológico desenvolvido e utilizado pelo PNCD desde
2003 é o Levantamento Rápido de Índice de Infestação (LIRAa), que monitora a densidade
larvária através do Índice de Breteau (IB) e do Índice de Infestação Predial (IIP) e, utilizando
como unidade de análise amostras representativas de aglomerados intraurbanos. O IB é a
quantidade total de recipientes contendo larvas de Ae. aegypti em cada 100 residências
(BRETEAU, 1954). Já o IIP corresponde ao percentual de domicílios positivos para larvas de
Ae. aegypti entre os domicílios examinados (CONNOR; MONROE, 1923).
Municípios de médio e grande porte devem realizar este levantamento 3 vezes ao ano.
O LIRA é realizado de forma simultânea em todos os muncipios que participam do
levantamento. Para tal, o município é dividido em grupos de 8100 a 12000 imóveis (estratos)
e, desses, 450 imóveis sorteados são verificados. Quando os índices de infestação predial são
inferiores a 1% em um determinado estrato, este é considerado como estando em condições
29
satisfatórias. Estratos com índices entre 1% a 3,9% estão em situação de alerta. E para índices
superiores a 4% há risco de surto de dengue. O LIRAa não só produz esses indicadores
larvários, mas também auxilia na identificação dos criadouros preferenciais do mosquito. Esse
método de levantamento foi desenvolvido de forma a simplificar a disposição das informações
entomológicas a fim de atender às necessidades dos gestores e profissionais que
operacionalizam o programa.
Embora o LIRAa produza resultados mais ágeis que os levantamentos tradicionais, têm
sido levantadas questões conexas a pertinência de se relacionar índices larvários com níveis de
transmissão de dengue, levando em conta que os índices de infestação são apenas uma parte
componente da equação que viabiliza a transmissão. Todavia, em função da factibilidade do
método, programas de combate vetorial continuam utilizando índices larvários. (BRASIL,
2009; COELHO, 2008).
Desde 2003 o país tem implementado o modelo da Estratégia de Gestão Integrada para
Prevenção e Controle da Dengue (EGI-Dengue) com base na resolução CD44.R9 da
Organização Pan Americana de Saúde (OPAS), um modelo de gestão com foco na redução da
morbidade, mortalidade e ônus social gerados pelas epidemias de dengue, por intermédio de
ações integradas entre o setor de saúde e outros setores que sejam impactados de forma indireta
pela transmissão da doença dentro dos países (BRAGA; MARTIN, 2015). Em 2009, as
diretrizes desse modelo foram incluídas no Plano de Diretrizes Nacionais para Prevenção e
Controle de Epidemias de Dengue (BRASIL, 2009). Segundo Braga e Martin (2015), uma
avaliação do PNCD realizada pela OPAS revelou a necessidade da realização de ajustes no
programa para melhoria das ações de prevenção e controle da dengue.
2.7 OVITRAMPAS
As ovitrampas surgiram na década de 1960 nos Estados Unidos, desenvolvidas por Fay
e Perry (1965), com o objetivo de monitorar populações de Ae. aegypti. É uma armadilha
simples, composta de um recipiente de cor escura contendo água ou infusão de feno e um
suporte para postura de ovos. A Figura 2 mostra os componentes básicos de uma ovitrampa.
Algumas variações dessa mesma armadilha utilizam substâncias que aumentam a
atratividade para fêmeas grávidas do mosquito (SANTOS, 2008). De acordo com Braga et al.
(2000), a principal vantagem da ovitrampa é a capacidade de detectar precocemente a presença
de Aedes ssp., comparada à pesquisa larvária.
30
Figura 2: Armadilha de postura de ovos.
Fonte: http://www.fiocruz.br/ioc/cgi/cgilua.exe/sys/start.htm?infoid=21 35&sid=32&tpl=printerview
Fay e Eliasson (1966) avaliaram a sensibilidade da ovitrampa para a detecção de Ae.
aegypti e constataram que essa armadilha configura-se um método rápido, econômico e sensível
para determinar a presença de fêmeas adultas em uma determinada área. Outros estudos
apresentaram os mesmos resultados ao comparar a armadilha de postura de ovos a outras
armadilhas e a outros tipos de levantamentos (CODEÇO et al., 2015; MORAIS, 2009). Dentre
os aspectos que contribuem para a eficiência dessa armadilha destaca-se a possibilidade de
estimar mais fidedignamente os níveis de infestação do que, por exemplo, a pesquisa larvária
(SANTOS, 2008).
O uso de ovitrampas como preditor em sistemas de alerta precoce para epidemias de
dengue tem sido discutido por diversos pesquisadores (BOWMAN et al., 2014; CODEÇO et
al., 2015; FOCKS, 2003; PESSANHA et al., 2014). Focks (2003) ressalta a importância dos
dados espaçotemporais obtidos através do uso de armadilhas de postura de ovos, bem como sua
maior sensibilidade em relação aos índices de pesquisa larvária, especialmente quando as
populações do mosquito são baixas. Todavia esse mesmo autor ressalta que o uso de armadilhas
de postura de ovos não tem sido considerado um bom preditor durante grandes epidemias, pois
além da quantidade de ovos colocados variar de uma fêmea para outra (dificultando
correlacionar o número de ovos por armadilha com o número de fêmeas adultas postando ovos
na região), uma mesma fêmea pode colocar ovos em diversas armadilha. E há o fato de que
com altas densidades populacionais de Ae. aegypti (como nos momentos de grandes epidemias,
por exemplo), pode ocorrer a saturação de uma armadilha, ou a visita à mesma ovitrampa por
31
várias fêmeas em poucos dias, o que levaria à perda da correlação entre o número provável de
fêmeas aladas e o número de armadilhas positivas (FOCKS, 2003).
Em contrapartida, pesquisas recentes sugerem que as ovitrampas são boas fontes de
dados precoces sobre a presença do vetor, com maior sensibilidade ao Ae. aegypti que
armadilhas para mosquitos adultos, podendo indicar a necessidade de, por exemplo, ampliar as
medidas para controle do vetor (HONÓRIO et al., 2009a; PESSANHA et al., 2014). Além disso,
Codeço et al. (2015) evidenciaram que os indicadores baseados em ovitrampas conseguem
acompanhar bem a dinâmica temporal de infestação, sendo altamente correlacionados com os
índices baseados em armadilhas de adultos.
Alguns municípios têm implementado metodologias alternativas ao LIRAa, utilizando
armadilhas no acompanhamento da infestação de Ae. aegypti. Em Belo Horizonte (MG), a
Secretaria Municipal de Saúde realiza quinzenalmente, desde agosto de 2002, o monitoramento
das cerca de 1.700 ovitrampas espalhadas pelas nove regionais da cidade, com distância de 400
metros entre as armadilhas (BELO HORIZONTE, 2015). Em João Pessoa (PB), ovitrampas
têm sido utilizadas desde 2014 para observar a infestação do vetor no município e com o
objetivo de direcionar as ações de controle. Em Vitória (ES), além do monitoramento da
infestação por meio de ovitrampas, são utilizadas armadilhas de captura de fêmeas adultas do
mosquito Ae. aegypti. Porto Alegre (RS), Cubatão (SP), Juiz de Fora (MG) e outros municípios
também têm utilizado essa armadilha como método alternativo de monitoramento de infestação
do vetor da dengue.
No Rio de Janeiro (RJ), ovitrampas são utilizadas pela Vigilância Ambiental em Saúde
da Secretaria Municipal de Saúde como método complementar ao LIRAa desde 2012. Ao todo,
cerca de 3410 ovitrampas encontram-se distribuídas em todos os bairros do município.
32
3 JUSTIFICATIVA
A geração de indicadores rápidos de alerta para o risco de dengue permite agilizar o
processo de tomada de decisão na vigilância da doença, bem como a alocação de recursos
materiais e humanos de forma otimizada. Desde 2014, o Projeto Alerta Dengue, desenvolvido
como uma parceria entre academia e Prefeitura, apresenta um enfoque no monitoramento
conjunto dos dados de incidência da doença, índices de infestação do Ae. aegypti, e indicadores
climáticos, integrando metodologias de análise de séries temporais e espaciais a fim de gerar
um sistema de alerta em tempo real para dengue. Neste contexto, o uso de armadilhas de postura
de ovos apresenta-se com uma alternativa viável, de baixo custo e sensível para monitoramento
da infestação do Ae. aegypti. Sendo assim, analisar o uso dos indicadores gerados por
armadilhas de postura de ovos e propor modelo para a geração de alertas de risco de aumento
de infestação e de transmissão de dengue com base nestes indicadores poderá agregar ainda
mais valor a esta ferramenta, contribuindo para a sua consolidação como instrumento de
obtenção de dados confiáveis sobre a infestação do vetor da dengue no Brasil.
33
4 OBJETIVO GERAL
Analisar o uso de indicadores de infestação gerados por armadilhas de postura de ovos
de Ae. aegypti para geração de alerta precoce para casos de dengue no município do Rio de
Janeiro.
4.1 OBJETIVOS ESPECÍFICOS
•
Caracterizar o programa monitoramento da infestação por Ae. aegypti por ovitrampas
realizado no município do Rio de Janeiro;
•
Analisar a associação entre os índices de infestação de Ae. aegypti mensurados por
ovitrampas e a variação da temperatura no município do Rio de Janeiro;
•
Analisar a associação entre a incidência de casos de dengue e os índices de infestação
de Ae. aegypti mensurados por ovitrampa no mês anterior.
34
5 MATERIAIS E MÉTODOS
5.1 DELINEAMENTO DO ESTUDO:
Estudo ecológico analítico, elaborado a partir de base de dados secundária, tendo como
unidade de análise o município do Rio de Janeiro, e sua subdivisão em Áreas Programáticas da
Saúde (APSs) e Regiões Administrativas (RAs), objetivando investigar a possibilidade de
associações entre os índices de infestações do vetor Ae. aegypti mensurada por armadilhas de
postura de ovos, temperatura e a incidência da dengue, para a geração de um sistema de alerta
precoce para casos da doença.
5.2 ÁREA DE ESTUDO
O Rio de Janeiro é a capital do estado homônimo, e possui uma área de cerca 1200 km².
Com uma população de aproximadamente 6.453.680 habitantes, é a segunda cidade com maior
população do Brasil (BRASIL, 2010). Com a finalidade de otimizar administração municipal,
a cidade do Rio de Janeiro é particionada em dez APSs e 33 RAs, organizadas em conjuntos de
bairros geograficamente próximos uns dos outros, com diferentes níveis de necessidades de
ações governamentais. A Figura 3 mostra a distribuição das APSs e RAs no município. A Tabela
1 apresenta a divisão dos bairros, segundo APS e RA.
Figura 3: Delimitação das APSs, RAs e bairros do município do Rio de Janeiro.
Fonte: Instituto Pereira Passos (IPP), 2012.
35
Tabela 1: Divisão dos bairros no município do Rio de Janeiro, por APS
Região Administrativa
Bairro
APS 1
I Portuária
Saúde
Gamboa
Santo Cristo
Caju
II Centro
Centro
Lapa
III Rio Comprido
Catumbi
Rio Comprido
Cidade Nova
Estácio
VII São Cristóvão
São Cristóvão
Mangueira
Benfica
Vasco da Gama
XXI Paquetá
Paquetá
XXIII Santa Teresa
Santa Teresa
APS 2.1
IV Botafogo
Flamengo
Glória
Laranjeiras
Catete
Cosme Velho
Botafogo
Humaitá
Urca
V Copacabana
Leme
Copacabana
VI Lagoa
Ipanema
Leblon
Lagoa
Jardim Botânico
Gávea
Vidigal
São Conrado
XXVII Rocinha
Rocinha
APS 2.2
VIII Tijuca
Praça da Bandeira
Tijuca
Alto da Boa Vista
IX Vila Isabel
Maracanã
Vila Isabel
Andaraí
Grajaú
APS 3.1
Zumbi
XX Ilha do Govern.
Cacuia
Pitangueiras
Praia da Bandeira
Cocotá
Bancários
Freguesia
Jardim Guanabara
Jardim Carioca
Tauá
Moneró
Portuguesa
Galeão
Cidade Universitária
Fonte : IPP ,2010.
Região Administrativa
Bairro
APS 3.1
XX Ilha do
Ribeira
Governador
Manguinhos
X Ramos
Bonsucesso
Ramos
Olaria
XXX Maré
Maré
XXIX Comp. do
Complexo do Alemão
Alemão
XI Penha
Penha
Penha Circular
Brás de Pina
XXXI Vigário Geral
Cordovil
Parada de Lucas
Vigário Geral
Jardim América
APS 3.2
XIII Méier
Jacaré
São Francisco Xavier
Rocha
Riachuelo
Sampaio
Engenho Novo
Lins de Vasconcelos
Méier
Todos os Santos
Cachambi
Engenho de Dentro
Água Santa
Encantado
Piedade
Abolição
Pilares
XXVIII Jacarezinho
Jacarezinho
XII Inhaúma
Higienópolis
Maria da Graça
Del Castilho
Inhaúma
Engenho da Rainha
Tomás Coelho
APS 3.3
XIV Irajá
Vila Cosmos
Vicente de Carvalho
Vila da Penha
Vista Alegre
Irajá
Colégio
XV Madureira
Campinho
Quintino Bocaiúva
Cavalcanti
Engenheiro Leal
Cascadura
Madureira
Vaz Lobo
Turiaçu
Rocha Miranda
Honório Gurgel
Oswaldo Cruz
Bento Ribeiro
Marechal Hermes
Região Administrativa
Bairro
APS 3.3
XXII Anchieta
Guadalupe
Anchieta
Parque Anchieta
Ricardo de Albuquerque
XXV Pavuna
Coelho Neto
Acari
Barros Filho
Costa Barros
Pavuna
Parque Colúmbia
APS 4
XVI Jacarepaguá
Jacarepaguá
Anil
Gardênia Azul
Curicica
Freguesia (Jacarepaguá)
Pechincha
Taquara
Tanque
Praça Seca
Vila Valqueire
XXXIV Cid. de Deus
Cidade de Deus
XXIV Barra da Tijuca Joá
Itanhangá
Barra da Tijuca
Camorim
Vargem Pequena
Vargem Grande
Recreio dos
Bandeirantes
Grumari
XVII Bangu
APS 5.1
Padre Miguel
Bangu
Senador Camará
Gericinó
XXXIII Realengo
Deodoro
Vila Militar
Campo dos Afonsos
Jardim Sulacap
Magalhães Bastos
Realengo
APS 5.2
XVIII Campo Grande Santíssimo
Campo Grande
Senador Vasconcelos
Inhoaíba
Cosmos
XXVI Guaratiba
Guaratiba
Barra de Guaratiba
Pedra de Guaratiba
APS 5.3
XIX Santa Cruz
Paciência
Santa Cruz
Sepetiba
36
5.3 FONTE DE DADOS
Os dados de infestação por Ae. aegypti foram disponibilizados pela Secretaria Municipal
de Saúde do Rio de Janeiro, que realiza monitoramento por meio de cerca de 3410 ovitrampas
georreferenciadas em todo o município desde 2012. As ovitrampas consistem em um recipiente
plástico, com 300 ml de infusão de feno e uma palheta de aglomerado de polpa de madeira
apoiada na parede do recipiente, que serve como base para que a fêmea do mosquito coloque
os ovos. As ovitrampas são instaladas uma vez por mês e retiradas após 7 dias no domicílio,
quando são levadas para o laboratório de entomologia do município onde é contabilizado o
número de ovos. Em seguida, esses ovos são alocados para eclosão e as larvas que nascem são
identificadas por espécie (Ae. aegypti, Ae. albopictus ou outras) e contadas, mantendo o registro
dos dados em planilhas de formato eletrônico. Nessas planilhas são encontradas as seguintes
variáveis: APS; território; código da armadilha; logradouro; número do domicílio; bairro; tipo
do local de instalação (urbana ou comunidade); quadra; longitude; latitude; data de instalação;
data de retirada; data de entrega no laboratório; número de ovos; número de palhetas positivas;
número de palhetas recolhidas; número de palhetas perdidas; número de larvas Ae. aegypti;
número de larvas Ae. albopictus; número de outras larvas; total de larvas; taxa de eclosão; IPO;
IDO; bairro de instalação/retirada e taxa de densidade Ae. aegypti. Todavia, parte das variáveis
constantes nas planilhas não foram preenchidas, foram preenchidas de forma incompleta, ou
traziam informações que não eram pertinentes ao estudo e por esses motivos não foram
utilizadas. A Figura 4 representa a distribuição das ovitrampas instaladas no município do Rio
de Janeiro.
Figura 4: Distribuição das ovitrampas no município do Rio de Janeiro.
37
Os dados de incidência de casos de dengue utilizados são provenientes da base de dados
do Sistema de Informação de Agravos de Notificação (SINAN), disponibilizado para esse
estudo pelo Projeto InfoDengue (Alerta Dengue). Os critérios de inclusão são: casos suspeitos
ou confirmados de dengue, dengue com sinais de alerta ou dengue grave, no período de janeiro
de 2011 a maio de 2015 no município do Rio de Janeiro. Para cada caso, as variáveis utilizadas
foram: data de notificação, bairro de residência e, quando disponível, as coordenadas
geográficas do local de residência.
As informações de temperatura utilizadas são oriundas de 4 estações meteorológicas,
localizadas em aeroportos no município: Aeroporto Internacional do Rio de Janeiro/Galeão Antônio Carlos Jobim (localizado na Ilha do Governador), Aeroporto do Rio de Janeiro - Santos
Dumont (localizado no Centro), Aeroporto de Jacarepaguá - Roberto Marinho (localizado na
Barra da Tijuca) e a Base Aérea dos Afonsos – base da Força Aérea Brasileira (localizada em
Campo dos Afonsos). A Tabela 2 apresenta o resumo dos dados por unidade de análise e tempo
para os quais estes se encontram disponíveis:
Tabela 2: Dados disponíveis para análise por unidade de análise espacial e temporal.
Tipo de
Resolução espacial
Período
Dado
Resolução
Temporal
Temperatura
4 aeroportos (Rio de Janeiro)
jan. /2010 a jan. /2016
Diária
Ovitrampa
Georreferenciadas
fev. /2013 a set./2015
Mensal
Casos de
Bairro
jan. /2013 a dez./2015
Mensal
Georreferenciados
jan.-dez/2013
Diária
dengue
Casos de
dengue
A base cartográfica digital utilizada na elaboração dos mapas foi obtida na Prefeitura do
Município do Rio de Janeiro e no IBGE.
5.3.1 Avaliação do Comitê de Ética e Pesquisa
Este estudo foi submetido e aprovado como subprojeto da pesquisa “Desenvolvimento
de um sistema de alerta de surtos de dengue utilizando Dados Híbridos de Redes Sociais,
38
Monitoramento Entomológico, Epidemiológico e Climático”, pelo Comitê de Ética e Pesquisa
(CEP) da Escola Nacional de Saúde Pública Sérgio Arouca, da Fundação Oswaldo Cruz
(ESNP/FIOCRUZ).
Certificado
de
apresentação
para
apreciação
ética
-
CAAE: 26910214.7.0000.5240
5.4 ORGANIZAÇÃO DOS DADOS
Os dados originais das armadilhas foram obtidos em planilhas mensais separadas, que
foram agregadas e organizadas para análise em uma planilha unificada. Após este
procedimento, acrescentou-se a variável semana epidemiológica (SE) à planilha, considerando
a data de retirada da armadilha como referência. Em seguida, acrescentou-se as RAs e APSs a
que essas armadilhas pertenciam. E por fim, foram adiciondas as seguintes variáveis: média da
temperatura mínima e máxima da SE da coleta entomológica, e as mesmas variáveis para as
três SEs anteriores. A definição da estação meteorológica cujos dados de temperatura foram
utilizados para cada APS e suas respectivas RAs foi feita com base na proximidade entre
estação e APS. Para as APSs 1, 2.1 e 2.2 os dados de temperatura provieram da estação
meteorológica do Aeroporto do Rio de Janeiro - Santos Dumont. Os dados de temperatura
utilizados nas APSs 3.1, 3.2 e 3.3 foram capturados na estação meteorológica do Aeroporto
Internacional do Rio de Janeiro/Galeão - Antônio Carlos Jobim. Os dados de temperatura
utilizados na APS 4 foram coletados na estação meteorológica do Aeroporto de Jacarepaguá Roberto Marinho. E para as APSs 5.1, 5.2 e 5.3 os dados de temperatura foram colhidos na
estação meteorológica da Base Aérea dos Afonsos –Campo dos Afonsos.
Para as análises espaciais não pontuais, os dados dessa planilha base foram agregados
por semana epidemiológica e Área Programática de Saúde ou Região Administrativa. Para as
análises envolvendo casos de dengue, um banco de dados contendo os dados de casos
notificados de dengue foi organizado por mês, somando os registros com data de início de
sintomas em cada mês, e concatenado aos dados de infestação coletados no mesmo mês. Dados
discrepantes ou duvidosos foram removidos a fim de não comprometer as análises, após
minuciosa investigação e confirmação junto a instituição fornecedora dos dados, conforme
detalhado ao longo do texto.
39
5.5 VARIÁVEIS DO ESTUDO
As variáveis resposta principais analisadas neste estudo são os índices de infestação
mensurados por armadilhas de postura de ovos no período de janeiro de 2013 a setembro de
2015 e o número de casos notificados de dengue no mesmo período. Os indicadores
entomológicos utilizados nesse estudo são o índice de densidade dos ovos (IDO) e o índice de
positividade ovitrampa (IPO) (GOMES, 2002; GOMES, 1998). O IDO corresponde à razão
entre o número de ovos (NO) coletados e o número de armadilhas válidas examinadas (NAE):
𝐼𝐷𝑂 =
𝑁𝑂
𝑁𝐴𝐸
O IPO corresponde à proporção de armadilhas válidas encontradas com pelo menos 1
ovo entre as armadilhas totais examinadas e traduz a distribuição espacial da infestação em uma
localidade trabalhada:
𝐼𝑃𝑂 =
𝑁𝐴𝑃 × 100
𝑁𝐴𝐸
onde NAP é o número de armadilhas positivas.
A variável de saúde investigada é quantidade de casos notificados de dengue por mês.
Para a agregação temporal dos casos, foi usada a data de primeiros sintomas, disponível no
SINAN. As variáveis ambientais consideradas para a elaboração do modelo são os extremos de
temperatura semanais.
5.6 ANÁLISE DESCRITIVA
Na etapa descritiva foi explorada a configuração geral do monitoramento de infestação
de Ae. aegypti por ovitrampas realizado pela Prefeitura no município do Rio de Janeiro. Foram
analisadas por unidade de análise espacial (RA e APS) e tempo (SE e mês) a estabilidade e
distribuição do número de ovitrampas implementadas, os índices de positividade e de densidade
de ovos, as taxas de eclosão dos ovos recolhidos, o percentual de ovitrampas recolhidas e
perdidas.
Para visualização do padrão temporal dos dados, elaborou-se também gráficos das séries
temporais das variáveis climáticas, de índice de infestação por APS e RA e de dengue por APS.
40
Do mesmo modo, gráficos boxplot de variáveis estratificadas por mês foram empregados para
caracterizar o padrão de sazonalidade de cada variável.
Para visualização dos padrões espaciais, mapas cloropléticos foram utilizados ainda para
visualizar espacialmente a distribuição dos índices de infestação e as incidências de dengue
mensais nas APSs ao longo do período compreendido entre fevereiro de 2013 e setembro de
2015.
Executou-se o mapeamento pontual dos dados de positividade das ovitrampas
georreferenciadas e dos casos georreferenciados de dengue notificados no município no período
de 2013. Foram confeccionados mapas com a distribuição espacial da incidência de dengue por
APS. A fim de se identificar as “áreas quentes” de infestação mensuradas pelas ovitrampas foi
utilizado o Kernel como estimador de intensidade de infestação por unidade de área. O software
utilizado para a confecção dos mapas foi o QGIS versão 2.12.3.
5.7 ANÁLISE INFERENCIAL
A análise inferencial foi realizada em duas etapas para investigar: 1) a associação entre
IDO/IPO e temperatura e; 2) entre casos notificados de dengue e IDO/IPO. Para análise da
associação entre infestação e temperatura foram utilizados dois níveis de agregação dos dados:
por APS e por RA. Para a segunda etapa de estudo da associação dos casos notificados de
dengue e os dados de infestação, a modelagem foi feita em nível de APS.
Modelos de regressão foram construídos para testar as hipóteses de existência de
associação entre índice de infestação (IDO e IPO) e as temperaturas mínimas e máximas
semanais de 0 a 3 semanas antes da coleta dos índices (etapa 1), e entre número de casos
notificados e índices de infestação no mês anterior (etapa 2). Em ambas as análises foram
utilizadas as séries temporais das variáveis estudadas entre 2013 e 2015. Pela natureza das
variáveis utilizadas na análise inferencial, foi considerada a distribuição normal para
caracterizar os dados de IDO, binomial para o IPO e Poisson ou Binomial Negativa para os
casos de dengue. Sendo assim, os modelos de regressão utilizados encontram-se na família dos
modelos lineares generalizados (GLM). O software utilizado para as análises estatísticas foi o
R versão 3.1.2.
41
5.7.1 Modelagem da associação entre IDO e temperatura
5.7.1.1 Modelagem por APS
Seja IDOij o índice de densidade de ovos na APS i (i=1 até 10), na semana j (j=1 até
139). O modelo ajustado para analisar a associação do IDO com as temperaturas mínimas ou
máximas semanais assume que IDOij segue uma distribuição normal
𝐼𝐷𝑂𝑖𝑗 ~𝑁(𝜇𝑖𝑗 , 𝜎 2) )
cuja média depende da APS e da temperatura.
𝜇 = 𝛽0 + 𝛽1 𝐴𝑃𝑆𝑖 + 𝛽2 𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗 + 𝛽3 𝐴𝑃𝑆 ∗ 𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗
onde Tempdef corresponde à média da temperatura (mínima ou máxima) semanal defasada. O
procedimento de modelagem iniciou-se com a avaliação da forma funcional da relação entre
cada variável explicativa e o desfecho usando modelos aditivos generalizados (generalized
additive models, GAM).
Os GAM são uma extensão dos modelos lineares generalizados (generalized linear
models, GLM), propostos Hastie e Tibshirani (HASTIE; TIBSHIRANI, 1986; 1990). Os
GLM’s, propostos por Nelder e Wedderburn (1972), são extensões do modelo linear que
relacionam a distribuição aleatória da variável resposta com o preditor linear através de uma
função chamada função de ligação, que varia de acordo com o tipo de distribuição da variável
explicativa. O GAM admite a dependência da média da variável resposta a um preditor aditivo,
porém, enquanto os modelos GLM partem do pressuposto de que as variáveis têm relação linear
com a variável resposta, os modelos GAM incorporam a não-linearidade na relação entre as
variáveis. A análise foi realizada utilizando a biblioteca mgcv do software R (WOOD, 2006).
Uma boa introdução a esses modelos no contexto de problemas ecológicos e epidemiológicos
pode ser encontrada em Zuur (2009).
As variáveis referentes à temperatura (temperatura máxima e mínima) foram
consideradas com uma defasagem de até três semanas em relação à medida de infestação. Para
avaliar a forma funcional da associação entre temperatura e infestação, foram observados os
valores do grau de liberdade estimado (estimated degrees of freedom, edf) (quando edf = 1 a
relação é linear), e o valor de significância dos parâmetros do modelo, assim como os gráficos
de saída do GAM, que ajustam a suavização dos termos preditores na função do modelo.
Quando houve evidente relação linear entre o termo preditor e a variável resposta, o GLM
correspondente foi ajustado e mantido no modelo final. Para a escolha da defasagem de
42
temperatura e do modelo que melhor se ajusta à relação entre temperatura e índice de infestação
por APS, foi utilizado o Critério de Informação de Akaike (AIC), que indica o melhor modelo
balanceando o ajuste e o número de parâmetros a serem estimados. O AIC utiliza a função de
verossimilhança (V) e penaliza o modelo pelo número de parâmetros (p), e sua fórmula é dada
por:
𝐴𝐼𝐶 = −2𝑙𝑜𝑔𝑉 + 2𝑝
Se os modelos possuem o mesmo conjunto de dados, será considerado o melhor modelo
aquele que possuir AIC com menor valor (AKAIKE, 1974). Ao final do ajuste foi realizada
uma análise de resíduos para avaliar se os pressupostos de normalidade dos resíduos e
heterocedasticidade foram respeitados.
5.7.1.2 Modelagem por RA
Na modelagem anterior, a APS foi considerada como um efeito fixo. Porém, na
modelagem por Região Administrativa, porque eram muitas unidades espaciais, foram
utilizados modelos lineares de efeitos mistos (linear mixed-effect models, LMM) (LAIRD;
WARE,1982). Estes modelos incluem um termo adicional de efeitos aleatórios e são
apropriados para modelar dados oriundos de muitas unidades espaciais, como é o caso de
ovitrampas por RAs. Nesses modelos os coeficientes da regressão (inclinação e intercepto)
podem variar para cada RA. O modelo adaptado aos dados estudados possui um componente
inerente à variação dentro do próprio agrupamento (RA) (apresentado no modelo de regressão
com um intercepto e inclinação populacional) e outro referente aos diferentes agrupamentos
(variação no intercepto e inclinação individual) (FOX et al., 2015; GELMAN e HILL, 2007;
ZUUR et al., 2009). Assim, como antes, assume-se que IDOij segue uma distribuição normal,
cuja média depende da RA e da temperatura:
𝐼𝐷𝑂𝑖𝑗 ~𝑁(𝜇𝑖𝑗 , 𝜎 2) )
𝜇𝑖𝑗 = 𝛽0 𝑖 + 𝛽1 𝑖 𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗
mas agora, considera-se que os coeficientes do modelo podem ser variáveis aleatórias.
𝛽0 𝑖 ~𝑁(0, 𝜙)
𝛽1 𝑖 ~𝑁(0, 𝜈 )
43
Foram comparados os ajustes de modelos onde apenas o intercepto β 0 era aleatório, e
onde ambos intercepto e RA (β0 e β1) eram aleatórios para cada defasagem de temperatura (0, 1,
2 e 3 semanas). A partir do ajuste dos modelos foi selecionado o melhor através da análise de
variância do modelo, do AIC e do resultado do teste de razão de verossimilhança (ZUUR et al.,
2009). A análise foi realizada utilizando a biblioteca nlme do software R (PINHEIRO et al.,
2016).
5.7.2 Modelagem da associação do IPO com a temperatura
A associação do IPO com a média das temperaturas semanais nível de APS e RA, foi
testada utilizando modelos lineares generalizados de efeitos mistos (generalized linear mixedeffects models, GLMM), que são extensões do modelo LMM descrito anteriormente, apenas
permitindo que a variável resposta tenha distribuição não normal.
No caso da variável resposta IPO, dada a natureza dos dados (proporções), a função de
ligação escolhida foi a logit, e caracteriza o logaritmo da chance de um evento ocorrer (no caso
desse estudo, a chance das ovitrampas de uma determinada unidade de agregação espacial (APS
ou RA) ser encontradas com ovos e, portanto, estar “positiva”) (FOX et al., 2015; GELMAN;
HILL, 2007; ZUUR et al., 2009).
Seja IPOij=NAPij/NAEij a proporção de armadilhas positivas na APS i ou na RA i, na
semana j, calculada como a razão entre NAP (número de armadilhas positivas) e NAE (número
de armadilhas válidas). Assume-se que NAP segue uma distribuição binomial
𝑁𝐴𝑃𝑖𝑗 ~𝐵𝑖𝑛(𝑛 = 𝑁𝐴𝐸𝑖𝑗 , 𝑝𝑖𝑗 )
sendo que
𝑙𝑜𝑔𝑖𝑡(𝑝𝑖𝑗 ) = log (
𝑝𝑖𝑗
) = 𝛽0 𝑖 + 𝛽1 𝑖 𝐴𝑃𝑆𝑖 + 𝛽2 𝑖 𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗
1 − 𝑝𝑖𝑗
Ou
𝑙𝑜𝑔𝑖𝑡(𝑝𝑖𝑗 ) = log (
𝑝𝑖𝑗
) = 𝛽0 𝑖 + 𝛽1 𝑖 𝑅𝐴𝑖 + 𝛽2 𝑖 𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗
1 − 𝑝𝑖𝑗
e os coeficientes do modelo podem ser variáveis aleatórias.
𝛽0 ~𝑁(0, 𝜙)
44
𝛽1 ~𝑁(0, 𝜈 )
A biblioteca do software R utilizada para essa análise foi a lme4, que ajusta os modelos
pelo método de Laplace, para aproximar a verossimilhança e estimar os parâmetros do modelo
logístico misto (BATES et al., 2014).
Para a escolha do melhor modelo (com intercepto ou intercepto e inclinação aleatórios)
com a defasagem de temperatura que melhor se ajusta à relação entre temperatura e índice de
infestação por nível de agregação, foi utilizado o AIC (AKAIKE, 1974). Ao final do ajuste foi
realizada uma análise de resíduos e averiguado se os pressupostos de normalidade dos resíduos
e heterocedasticidade foram respeitados.
5.7.3 Modelagem da associação entre infestação de ovitrampas e a incidência de casos no
mês seguinte
Para avaliar a capacidade preditiva dos índices IDO e IPO, foram ajustados modelos de
regressão generalizados em que a variável resposta era o número de casos notificados no mês
j, na APS i e a variável preditora era o IDO ou IPO do mês anterior e a população da APS como
offset, de forma a poder interpretar a variável resposta como taxa. Incialmente foram testadas
modelagens lineares e aditivas (não lineares, com suavizações) assumindo que a variável
resposta (contagem de casos) seguia uma distribuição Poisson, uma vez que esta consiste em
dados de contagem (número de casos notificados de dengue por mês). Todavia, dada à grande
dispersão encontrada nos dados, os modelos Poisson não foram adequados para explicar as
associações.
Para corrigir o problema da superdispersão, primeiramente tentou-se modelos quasePoisson (nos quais a variância é dada por f × μ, onde μ é a média e f é o parâmetro de dispersão).
Todavia, houve violações dos pressupostos de linearidade dos resíduos desses modelos. Assim
optou-se por experimentar modelos nos quais a variável resposta segue distribuição binomial
negativa, com função de ligação logarítmica. Nessa distribuição de probabilidade é possível
que a variância seja maior do que a média, o que não ocorre na distribuição de probabilidade
Poisson. A estratégia foi partir de um modelo nulo sem covariáveis e em seguida acrescentouse gradativamente as variáveis explicativas. Os modelos testados foram comparados também
com modelos aditivos generalizados, afim de investigar associações não lineares. Se o modelo
aditivo generalizado apresentasse melhor ajuste, este permaneceu como modelo final. Modelos
45
com efeitos aleatórios também foram testados, mas não houve convergência nesses modelos,
impossibilitando as análises. Os ajustes dos modelos foram comparados pelo AIC.
Em todos os modelos testados para essa associação, foi incluído o número de pessoasmês nas APS como offset1, a fim de abarcar a heterogeneidade da população, cujo tamanho
varia de acordo com cada APS do município. Seja Denij, o número de casos de dengue
registrados na APS i, no mês j. Essa variável segue uma distribuição Binomial Negativa
𝐷𝑒𝑛𝑖𝑗 ~𝐵𝑖𝑛𝑁𝑒𝑔(𝜆𝑖𝑗 , 𝜃)
sendo que
𝑙𝑜𝑔(𝜆𝑖𝑗 ) = log ( 𝑃𝑜𝑝𝑖 ) + 𝛽0 + 𝛽1 𝐷𝑒𝑛𝑖,𝑗−1 + 𝛽2 𝐼𝐼𝑖,𝑗−1 + 𝛽3 𝐴𝑃𝑆𝑖 + 𝛽4 (𝑗 − 1)
onde IIi,j-1=IPOi,j-1 ou IDOi,j-1 é o índice de infestação no mês anterior, medido como IPO ou
IDO, e Pop corresponde à população de cada APS (não foram feitas análises por RA). A seleção
do modelo com melhor ajuste foi efetuada utilizado o AIC e averiguando na análise de resíduos
se os pressupostos de normalidade dos resíduos e heterocedasticidade foram respeitados. A
biblioteca do software R utilizada para essa análise foi a MASS (VENABLES; RIPLEY, 2002).
1
Offset é um termo de deslocamento, adicionado a um preditor linear, que mede a quantidade de exposição que
gerou a taxa de incidência observada (DOBSON, 2002).
46
6 RESULTADOS
6.1 CARACTERIZAÇÃO GERAL DO PROGRAMA DE MONITORAMENTO POR
OVITRAMPAS
Durante o período de fevereiro de 2013 a setembro de 2015, foram implantadas pela
Prefeitura do Rio de Janeiro uma média de 3409 armadilhas (3404-3017) mensalmente em todo
o município. Os dados foram coletados de forma não regular, sendo que as coletas foram
realizadas de forma seguida por alguns meses, intercalando-se essas sequências com um mês
sem coleta. Esses meses sem coleta de dados das ovitrampas usualmente corresponderam aos
meses de coleta de índices larvários com a metodologia LIRAa e a meses de coleta das
armadilhas de oviposição especiais (OSES) que são ovitrampas instaladas em edifícios e
espaços públicos, e que não fizeram parte do estudo por terem uma distribuição distinta das
ovitrampas estudadas.
Figura 5: Variação do número de palhetas recolhidas ao longo do período de janeiro de 2013 a
setembro de 2015, por (A) APS e (B) RA
(A)
(B)
47
Alguns parâmetros foram considerados para avaliação do Programa de monitoramento:
Número de armadilhas. O número de armadilhas não é homogêneo entre as APSs e
RAs, embora seja relativamente constante ao longo de todo o período (Tabela 3). A APS 1
(centro) tem o menor número de palhetas (cerca de 100), e a APS 4 tem o maior número
(variando entre cerca de 500 a 600 palhetas, com uma redução nos últimos meses). A razão
imóvel: armadilha varia entre as APSs, sendo que a APS na qual essa razão possui menor valor
é a 5.3 (1 armadilha para cada 420 imóveis). Com 1 armadilha para cada 1582 imóveis, a APS
1 apresenta a maior razão imóveis: armadilha. De forma geral, há no município uma média de
908 imóveis para cada armadilha instalada. O número médio de armadilhas para cada 10000
habitantes varia entre 3 e 9, dependendo da APS. A APS com maior número de armadilhas por
10000 habitantes é a APS 5.3 (8,57). A APS que apresenta menor proporção é a 5.1, com 2,67
armadilhas para cada 10000 habitantes. Esses resultados sugerem que a distribuição das
armadilhas não segue uma relação de proporcionalidade nem com o número de imóveis nem
com a população.
Taxa de perda de armadilhas: Durante o processo de coleta houve algumas perdas de
palhetas das armadilhas. A média de perda total foi de 4%. A Figura 6 mostra a porcentagem
de palhetas perdidas por APS, ao longo das semanas de estudo. As maiores variações nas perdas
ocorreram nas APS 3.1 e 2.2. Na APS 3.1 o alto percentual de perda ocorreu na semana
epidemiológica 26 de 2014. Todavia nessa semana apenas 24 palhetas deveriam ser recolhidas
naquela APS, sendo que 15 foram perdidas. O mesmo ocorre na APS 2.2, que na semana
epidemiológica 14 de 2013, apresentou 33% de perda. Entretanto, na semana referida, apenas
6 palhetas deveriam ser coletadas, das quais 2 foram perdidas. As menores perdas ocorreram
nas APS 4, 5.1 e 5.3. Tomando 5% como um percentual de perda aceitável, a única APS que
possui uma média de perda maior que 5% é a 3.1, com 7 % de perda média no período total
estudo.
A Tabela 3 mostra um resumo dos resultados do monitoramento por ovitrampas em cada
uma das APS. Ao todo, foram coletados 759.746 ovos entre fevereiro de 2013 e setembro de
2015, sendo que a maior parte dos ovos foram provenientes da AP 4.0 (19,87%) onde estão
localizadas 18,45% das armadilhas. Os menores percentuais de ovos provieram das APS 2.1 e
2.2, com 2,59% e 2,23% dos ovos respectivamente. Todavia enquanto a APS 2.2 contém 3,92%
das armadilhas, a APS 2.1, contém 10,90% do total de armadilhas distribuídas no município.
(Tabela 3)
48
Tabela 3: Resumo dos parâmetros entomológicos gerados pelo monitoramento com ovitrampas
no período de janeiro de 2013 a setembro de 2015 nas APSs do Município do Rio de Janeiro.
APS 1
APS 2.1
APS
2.2
APS
3.1
APS 3.2
APS 3.3
APS 4
APS 5.1
APS 5.2
APS 5.3
Nº médio de
armadilhas
97
348
125
395
277
455
589
175
414
316
Nº de ovos
39584
19605
16922
106033
65338
107496
150954
94653
83741
75420
27452
12853
9715
54005
45839
58011
93769
67441
42451
47204
2352
624
1011
5769
813
1836
13527
2449
4825
5490
1
0
2
0
0
0
0
14
63,38%
56,37%
71,40%
55,67%
71,08%
73,84%
56,46%
69,87%
APS
Nº de larvas
Ae.aegpity
identificadas
Nº de larvas
Ae.albopicuts
identificadas
Outras larvas
Taxa eclosão
0
75,29%
68,74%
X²
p-valor
0.03692
População
(Censo 2010)
226963
552691
371120
735788
489716
924364
838857
655874
665198
368534
Nº médio de
armadilhas por
4.27
6.30
3.37
5.37
5.66
4.93
7.02
2.67
6.22
8.57
10.000
individuos
Nº de imóveis
para cada
1582
936
1251
794
787
758
626
1335
590
420
armadilha*
*Domicilios -Fonte: Censo 2010; Imóveis comerciais e de serviços - Fonte: Secretaria Municipal de Fazenda - SMF, Coordenação do IPTU - Cadastro Imobiliário
– 2000
Figura 6: Percentual de palhetas perdidas por APS ao longo das semanas de estudo
Taxa de eclosão. A taxa de eclosão depende de características da espécie, mas também
do processamento da amostra. Uma taxa de eclosão baixa pode indicar problemas no transporte
ou armazenamento das palhetas. A taxa de eclosão média dos ovos coletados foi de 68%, com
49
uma variação não significativa entre as APS. A mediana da taxa de eclosão nas APS varia entre
na 58 e 77 %. A taxa de eclosão apresentou variação ao longo dos meses de estudo sem, no
entanto, configurar algum padrão específico, como evidenciado no gráfico B da Figura 7.
O maior contingente de larvas identificadas foi de Ae. aegypti (92%). Menos de 10%
das larvas identificadas eram de Ae. albopictus e apenas 0,005% eram de outras espécies. A
Tabela 3 apresenta um resumo dos dados entomológicos totais por APS, coletados entre
fevereiro de 2013 e setembro de 2015.
Figura 7: Boxplot das Taxas de eclosão de ovos recolhidos das palhetas (A) por APS e (B) por
mês
50
6.2 CARACTERIZAÇÃO DA OVIPOSIÇÃO
Na Figura 8, nos painéis A e B, pode-se observar diferenças tanto na distribuição de
densidade média de ovos como na positividade de armadilhas em cada Área Programática de
Saúde. De forma geral, os padrões de IPO e IDO entre APS são semelhantes, sendo que a maior
discrepância ocorre entre o IPO e o IDO da APS 3.2 que tem IPO muito alto e IDO baixo,
sugerindo uma infestação concentrada ou heterogeneidade espacial. A APS de menor
infestação, segundo ambos os índices, é a APS 2.1. A APS 2.2 também apresenta valores baixos
de infestação embora o IDO seja um pouco mais elevado.
Figura 8: Boxplots (A) do IPO e (B) do IDO por APSs e gráfico de dispersão IPO em relação
ao IDO (C).
(A) Índice de positividade de ovitrampa por APS
(B) Índice de densidade de ovos por APS
(C)
O IPO parece ser mais alto nas APSs 3.2 e 5.1 em comparação com as demais APSs,
com uma mediana de IPO = 60 % . Ao se observar o IDO, os valores da APS 3.2 são mais
baixos que os valores das demais APSs (a exceção da APS 2.1), e a APS 5.1 apresenta uma
51
média de ovos discretamente elevada, sendo menor apenas que a média de ovos das APSs 3.1
e 1 (esta última possui a maior média de ovos). As APSs 3.2 e 4 apresentam grande variabilidade
na proporção de ovitrampas positivas, mas pequena variabilidade nas médias de ovos
encontradas em suas armadilhas. O painel C exibe a reta de tendência da positividade das
armadilhas em relação à média de ovos do município. É possível notar uma tendência de
aumento do índice de positividade, conforme ocorre o aumento da densidade de ovos, mas a
variabilidade é muito alta. Em resumo, esses resultados indicam uma grande variabilidade de
infestação entre APS e ao longo do tempo. Essa variabilidade é medida de forma diferente,
quando se observa o IPO ou IDO.
Os painéis A e B da Figura 9 apresentam respectivamente as séries temporais de IDO e
IPO coletados por APS. Existe uma grande variabilidade nos dados. Observa-se uma queda nos
dois índices nas semanas correspondentes ao inverno/ primavera de 2013 (entre junho e
setembro de 2013) em todas as APSs, mas tal feito parece não se repetir em 2014. Nota-se uma
grande diferença em ambos os índices de infestação entre APS que parece ser mais intensa do
que a diferença entre meses.
Figura 9: Série temporal do (A) IPO e do (B) IDO entre fevereiro de 2013 e setembro de 2015
no município do Rio de Janeiro por área programática
(A)
(B)
52
Os valores de IDO e IPO por RA são apresentados na forma de mapas (Figuras 10 e 11).
É possível visualizar queda nos índices em junho e agosto, meses caracterizadamente mais frios
e aumento nos índices nos meses de março, abril e setembro e dezembro, cujas temperaturas
médias alcançam patamares mais elevados, em especial quando observamos a proporção de
ovitrampas positivas, sugerindo sazonalidade.
Figura 10: IDO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015
53
Figura 11: IPO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015
6.3 CARACTERIZAÇÃO DO CLIMA DURANTE O ESTUDO
A Figura 12 mostra as variações das temperaturas mínimas e máximas semanais nas
APSs no período de estudo. É importante lembrar que existem apenas quatro estações
meteorológicas e que valores repetidos são às vezes usados para mais de uma APS. As APSs
5.1, 5.2 e 5.3 estiveram mais sujeitas a maiores variações de temperatura semanal, com
temperaturas mínimas menores e máximas maiores que as demais APS. A variabilidade dos
mínimos e máximos de temperatura nas próprias APSs também foi maior nessas três APSs, de
acordo com os dados das semanas de coleta dos índices de infestação para cada uma das APSs.
54
Figura 12: Boxplot da média semanal de temperaturas mínimas e máximas por APS no
período estudado
6.4 CARACTERIZAÇÃO DOS CASOS DE DENGUE DURANTE O ESTUDO
A Figura 13 mostra a distribuição dos casos de dengue por APS no período de estudo.
Houve uma epidemia de dengue em 2013 com mais de 66000 casos, seguido por um período
de queda significativa do número de casos em 2014 que somou um total de 2747 casos
notificados. Em 2015 houve uma nova epidemia de dengue, somando cerca de 16000 casos até
o mês de setembro. As variações das taxas de incidência de dengue nas APSs por mês em cada
ano podem ser observadas nos mapas das Figuras 14, 15 e 16.
Em 2015, houve aumento dos casos a partir do mês de abril, e retornando a níveis mais
baixos em julho. As APSs 2.1 e 4.0 apresentaram o maior número de casos notificados em 2013,
enquanto a APS 5.1 registrou o maior número de notificações em 2015, com um pico de número
de casos semelhante ao de 2013. Na soma total dos casos notificados, as APSs 2.1, 5.1 e 3.3
apresentaram maior número de casos.
55
Figura 13: Distribuição dos casos de dengue por APSs entre janeiro de 2013 e outubro de 2015
Figura 14: Mapas de incidência de casos dengue nas APSs por mês no ano de 2013
Figura 15: Mapas de incidência de casos dengue nas APSs por mês no ano de 2014
56
Figura 16: Mapas de incidência de casos dengue nas APSs por mês no ano de 2015
A Figura 17 mostra a variação temporal da temperatura nas 4 estações meteorológicas
do estudo e a série temporal de casos no Rio de janeiro de 2010 a 2014, evidenciando o aumento
da transmissão quando a temperatura sobe acima dos 20 oC, e o declínio da transmissão (após
o pico), quando a temperatura cai para perto de 20 oC.
Figura 17: Série temporal da temperatura e número de casos por semana no município do Rio
de Janeiro, de 2010 a 2014
57
6.5 MODELAGEM DA ASSOCIAÇÃO DA TEMPERATURA COM A OVIPOSIÇÃO
Ao observarmos as retas de tendência de ambas variáveis de infestação em relação às
médias de temperatura mínimas e máximas semanais, exibidos nas Figuras 18 e 19, é possível
ver uma discreta tendência de aumento dos índices de infestação, conforme ocorre o aumento
da temperatura. Ao verificarmos os modelos de regressão linear correspondentes ajustados, seus
coeficientes de determinação (R²) e p-valores dessas retas de tendência (Apêndice A),
entretanto, evidencia-se que esses modelos possuem um ajuste pobre aos dados, necessitando
talvez de um refinamento no ajuste, devido à natureza dos dados.
Figura 18: Diagrama de dispersão do IDO x temperatura mínima (Temp Min) ou máxima (Temp
Max) e retas de tendência. Foram utilizadas temperaturas nas defasagens de 0 a 3 semanas (T=0
, T=1, T=2, T=3)
Figura 19: Diagrama de dispersão do IPO x temperatura mínima (Temp Min) ou máxima (Temp
Max) e retas de tendência. Foram utilizadas temperaturas nas defasagens de 0 a 3 semanas (T=0
, T=1, T=2, T=3)
58
Por conseguinte, foram experimentadas algumas modelagens. A seguir são apresentados
os resultados das análises dessas modelagens por APS e por RA.
6.5.1 Modelagem de associação do IDO com a temperatura por APS e RA
A primeira análise feita teve o objetivo de investigar a relação entre IDO e temperatura
nas 10 APSs. É possível observar, na Figura 20, que a média de ovos mostra variação no
decorrer do tempo, internamente e entre as APSs.
Figura 20: IDO em cada APS de fevereiro de 2013 a setembro de 2015.
Um conjunto de modelos GAM e LM com IDO como variável resposta e temperatura
mínima ou máxima como variável explicativa foi ajustado e os resultados do AIC estão na
Tabela 4. Num primeiro momento, foram comparados modelos GAM com temperatura
defasada de 0, 1, 2 e 3 semanas como únicas variáveis explicativas para avaliar a necessidade
de incluir associações não lineares. Após a análise segundo os critérios definidos na
metodologia (edf se o modelo fosse não linear, significância do modelo, AIC, e análise de
resíduos), optou-se entre a forma linear (LM) ou aditiva (GAM) para cada defasagem.
59
Tabela 4: Comparação dos modelos de regressão linear (LM) e aditivo (GAM) ajustados aos
dados de IDO, tendo temperaturas mínima ou máxima, e APS como variáveis explicativas. Em
negrito, o modelo selecionado.
Identificação
do Modelo
A1
A2
A3
A4
A5
A6
A7
A8
A9
A10
A11
A12
A13
A14
A15
A16
A17
A18
A19
A20
A21
A22
A23
A24
Modelo
(GL
AIC
GAM (ido~ s(tmin))
LM (ido~ tmin1)
GAM (ido~ s(tmin2))
LM (ido~ tmin3)
GAM ((ido~ s(tmin)+ APS )
GAM (ido~s(tmin1)+APS)
GAM (ido~s(tmin2)+APS)
GAM (ido~s(tmin3)+APS)
LM (ido~tmin*APS)
LM (ido~tmin1*APS)
LM (ido~tmin2*APS)
LM (ido~tmin3*APS)
GAM (ido~s(tmax))
LM (ido~tmax1)
GAM (ido~s(tmax2))
LM(ido~tmax3)
GAM (ido~s(tmax)+APS)
GAM (ido~s(tmax1)+APS)
GAM (ido~s(tmax2)+APS)
GAM (ido~s(tmax3)+APS)
LM (ido~tmax*APS)
LM (ido~tmax1*APS)
LM (ido~tmax2*APS)
LM (ido~tmax3*APS)
5,1
3,2
4,9
3,0
15,2
12,0
17,9
14,3
21,0
21,0
21,0
21,0
4,4
3,0
4,6
3,0
14,8
13,2
17,9
12,0
21,0
21,0
21,0
21,0
2265,5
2261,5
2266,9
2268,2
2119,0
2103,7
2117,1
2126,4
2115,3
2094,9
2121,9
2129,4
2264,3
2258,1
2260,3
2266,2
2125,1
2109,3
2117,7
2130,3
2133,8
2101,3
2125,0
2138,8
AIC = critério de qualidade de ajuste.
GL= graus de liberdade
tmin, tmin1, tmin2, tmin3= média semanal das temperaturas mínimas com 0, 1, 2 e 3 semanas de
defasagem em relação à data da retirada das ovitrampas.
tmax, tmax1, tmax2, tmax3= média semanal das temperaturas máximas com 0, 1, 2 e 3 semanas de
defasagem em relação à data da retirada das ovitrampas.
s(): função suavizadora (spline).
Numa comparação entre todos modelos testados para descrever a relação entre IDO e
média das temperaturas semanais, o modelo contendo APS e temperatura mínima com
defasagem de 1 semana, com interação entre elas, como variáveis explicativas, obteve o menor
valor no AIC (modelo A10, Tabela 4), sendo escolhido, portanto, para representar essa relação.
A inclusão das APSs como variável de efeito fixo, e de sua interação com a temperatura
melhoraram o ajuste do modelo. Isso indica que o efeito da temperatura no IDO é diferente em
cada APSs, como pode ser observado na Figura 21. Embora o comportamento de infestação das
60
APSs seja um tanto heterogêneo é possível notar uma tendência geral de aumento da média de
ovos em temperaturas mais altas. Essa relação é especialmente intensa nas APSs 1 e 3.1. Na
APS 5.1, embora essa relação não seja tão evidente, é importante observar que o número médio
de ovos inicial é consideravelmente maior que o das outras APSs. A exceção dessa relação
positiva entre IDO e temperatura fica por conta da APS 2.1, cuja média de ovos parece diminuir
com o aumento da temperatura.
Figura 21: Efeito predito da temperatura no IDO, de acordo com o modelo A10 (Tabela 4),
para cada APS.
Na análise dos resíduos do modelo selecionado foi encontrado um ponto discrepante
(resultados não mostrados). Contato pessoal com o serviço provedor dos dados sugeriu que se
tratava de um ponto de valor duvidoso. Por isso, esse ponto foi removido de todas as
modelagens após análise dos dados pontuais e em relação às demais medidas na mesma região
e semana epidemiológica. A Tabela 5 exibe os valores dos parâmetros ajustados, após a remoção
do ponto extremo.
A Figura 22 apresenta a análise dos resíduos do modelo selecionado. O coeficiente de
determinação ajustado foi 0,50 indicando que os termos preditores presentes no modelo
explicam 50% da variação da média de ovos. O Coeficiente de correlação foi de 0,70, o que
indica uma correlação forte e positiva entre os regressores e o IDO.
61
Tabela 5: Estimativas dos parâmetros ajustados do modelo selecionado A10: LM
(ido~tmin1*APS)
Intercepto
tmin1
APS2.1
APS2.2
APS3.1
APS3.2
APS3.3
APS4
APS5.1
APS5.2
APS5.3
tmin1:APS2.1
tmin1:APS2.2
tmin1:APS3.1
tmin1:APS3.2
tmin1:APS3.3
tmin1:APS4
tmin1:APS5.1
tmin1:APS5.2
tmin1:APS5.3
Coeficientes
-40,751
4,083
74,253
57,157
4,949
49,847
36,024
51,834
64,197
32,523
45,802
-4,747
-3,640
-0,41
-3,452
-2,296
-3,215
-3,109
-2,209
-2,769
Erro Padrão
20,6017
0,9465
27,1168
29,9591
25,6513
25,9272
26,0216
27,8960
24,5561
24,0239
24,5433
1,2407
1,3697
1,1970
1,2027
1,2136
1,3002
1,1752
1,1456
1,1730
P-valor
0,05
0,0001
0,001
0,06
0,85
0,06
0,17
0,06
0,001
0,18
0,063
0,0001
0,008
0,73
0,004
0,06
0,01
0,009
0,05
0,02
Figura 22: Gráficos dos resíduos do modelo A10: LM (ido~tmin*APS)
62
6.5.2 Modelagem de relação da abundância média de ovos (IDO) e temperatura, por
Região Administrativa
A relação entre IDO e temperatura nas 33 RAs foi analisada utilizando modelos lineares
de efeitos mistos. Ao analisar visualmente a média de ovos nas semanas de estudo por RA
(Figura 26), é possível perceber que IDO apresenta variação temporal em cada RA e entre as
RAs, mas não é evidente se há sazonalidade. Nota-se também que a RA 27 (Rocinha) apresenta
vários pontos faltantes.
Figura 23: Série temporal de IDO em cada RA do Rio de Janeiro, ao longo do estudo
(semanas corridas de estudo)
A Tabela 6 mostra os modelos mistos ajustados com IDO como variável resposta e as
médias de temperatura mínima ou máxima semanais (efeitos fixos ou aleatórios) e RA (efeito
aleatório) como variáveis explicativas. Foram comparados modelos com temperatura defasada
de 0, 1, 2 e 3 semanas. Também foram comparados modelos nos quais a interação entre
temperatura e RA são modeladas como efeitos aleatórios. A Tabela 6 apresenta os valores de
AIC dos modelos testados. Aquele com menor AIC foi selecionado.
63
Tabela 6: Comparação dos modelos de regressão linear de efeitos mistos (LMM) ajustados aos
dados de IDO tendo temperaturas mínima e máxima semanais e RA como variáveis
explicativas. AIC = critério de qualidade de ajuste. Em negrito, o modelo escolhido.
Identificação
Modelo
B1
Modelo
GL
AIC
LMM nulo (ido~1, efeito aleatorio=~1|RA)
3
7266,9
B2
LMM(ido~tmin, efeito aleatório= ~1|RA)
4
7247,5
B3
LMM(ido~tmin, efeitos aleatórios= ~ 1+tmin|RA)
6
7234,8
B4
LMM (ido~tmin1, efeito aleatório=~1|RA)
4
7235,8
B5
LMM (ido~tmin1, efeitos aleatórios=~1+tmin1|RA)
6
7218,7
B6
LMM (ido~tmin2, efeito aleatório=~1|RA)
4
7251,0
B7
LMM (ido~tmin2 efeitos aleatórios=~1+tmin2|RA)
6
7247,5
B8
LMM (ido~tmin3, efeito aleatório=~1|RA)
4
7251,5
B9
LMM (ido~tmin3, efeitos aleatórios=~1+tmin3|RA)
6
7242,9
B10
LMM (ido~tmax, efeito aleatório= ~1|RA)
4
7259,4
B11
LMM (ido~tmax, efeitos aleatórios= ~ 1+tmax|RA)
6
7253,1
B12
LMM (ido~tmax1, efeito aleatório=~1|RA)
4
7245,9
B13
LMM (ido~tmax1, efeitos aleatórios=~1+tmax1|RA)
6
7226,2
B14
LMM (ido~tmax2, efeito aleatório=~1|RA)
4
7260,6
B15
LMM (ido~tmax2 efeitos aleatórios=~1+tmax2|RA)
6
7248,2
B16
LMM (ido~tmax3, efeito aleatório=~1|RA)
4
7257,0
B17
LMM (ido~tmax3, efeitos aleatórios=~1+tmax3|RA)
6
7247,5
O modelo que melhor se ajustou aos dados foi o modelo B5, aquele que possui intercepto
e coeficiente angular aleatórios, com defasagem de média de temperatura mínima de 1 semana
em relação à data da retirada das ovitrampas (Tabela 7). Esse modelo é equivalente ao modelo
escolhido na análise a nível de APS e reforça a associação com a temperatura mínima defasada
de 1 semana. Também reforça a interação entre temperatura e unidade espacial de análise,
sugerindo que o efeito da temperatura não é homogêneo no espaço. A Tabela 7 mostra os
resultados do ajuste do modelo. O valor 40,71 é a quantidade de variação no intercepto do IDO.
O valor 2,18 é a variação no slope (inclinação) nas 33 RAs.
Para facilitar a interpretação, a Figura 24 traz o gráfico do efeito da temperatura no IDO,
de acordo com o modelo final selecionado. Cada linha fina indica o efeito em uma das RAs e a
linha grossa indica a média de todos esses efeitos. É possível notar uma grande heterogeneidade
entre as RAs, mas uma tendência geral de maior infestação com maiores temperaturas.
64
Tabela 7: Resultado do ajuste do modelo B5, LMM (ido~tmin1,
aleatórios=~1+tmin1|RA), ajustados pela máxima verossimilhança restrita
efeitos
AIC
7218,668
Efeitos aleatórios:
Formula: ~1 + tmin1 | RA
Desv. Padrão
Corr
(Intercepto)
40,71
(Intr)
tmin1
2,18
Resíduos
Efeitos Fixos:
-0,98
20,02
Fórmula: ido ~ tmin1
Valor
Erro Padrão
GL
t-valor
p-valor
(Intercepto)
-4,20
9,60
773
-0,44
0,6624
tmin1
1,81
0,49
773
3,71
0,0002
Correlação:
(Intr)
tmin1
-0,99
Figura 24: Efeito predito da temperatura no IDO, de acordo com o modelo B5. Cada linha
fina indica o efeito predito em cada RAs e a linha grossa indica a média de todos esses efeitos.
Para melhor visualização espacial, a Figura 25 traz os mapas dos interceptos e
coeficientes angulares do modelo B5, ajustados para cada RA. No mapa dos interceptos, as
áreas mais escuras e acima de 0 são as que os IDOs em média são mais elevados do que a média
da cidade. No mapa dos coeficientes angulares (slope), as áreas de cor escura evidenciam uma
relação mais intensa e positiva entre o aumento da média da temperatura e a média de ovo, em
comparação com aquela observada para o geral da cidade (para todas as RAs). Observa-se uma
65
associação mais intensa entre infestação e temperatura nas RAs localizadas nas APS 3.2, 3.3 e
menos intensa na Zona Sul e Centro (APS 2.1 e 1.0).
Figura 25: Mapas com a diferença entre os interceptos e coeficientes angulares por RA, em
relação ao efeito geral.
A análise dos resíduos do modelo escolhido demonstrou relativa normalidade e
heterocedasticidade, além de ausência de autocorrelação entre os resíduos (Figura 26). Optouse por remover 4 pontos de influência extremos das observações totais, pois suas médias de
ovos eram muito discrepantes do restante das observações, e muito incomuns em relação aos
valores usualmente observados.
66
Figura 26: Análise dos resíduos do modelo B5
ACF dos resíduos fixos
6.5.3 Modelagem de relação do índice de positividade de ovitrampas (IPO) e
temperatura, por APS
O estudo da relação entre a proporção de ovitrampas apresentando ovos e a temperatura
foi realizado utilizando o IPO dos dados agregados por APS como variável dependente e as
médias das temperaturas mínimas e máximas e as APSs como variáveis independentes do
modelo. É possível observar, na Figura 27 a variação da proporção de ovitrampas positivas,
dentro de cada APS e entre as APSs. Não é evidente uma sazonalidade ou tendência temporal.
Figura 27: Série temporal de IPO em cada APS do Rio de Janeiro ao longo do tempo de
estudo (semanas corridas de estudo))
67
Conforme descrito na seção de métodos, foram ajustados modelos logísticos de efeitos
mistos para investigar a relação entre as variáveis supracitadas. A Tabela 8 apresenta os valores
de AIC dos modelos testados.
Tabela 8: Comparação dos modelos ajustados para a relação do índice de positividade de
ovitrampas (IPO) por APS com a temperatura. Em negrito, o modelo selecionado.
Identificação do
Modelo
C1
C2
C3
C4
C5
C6
C7
C8
C9
C10
Modelos:
GL
AIC
GLMM: ipo ~ 1 + (1 | APS)
GLMM: ipo ~ tmin + (1 | APS)
GLMM: ipo ~ tmin1 + (1 | APS)
GLMM: ipo ~ tmin2 + (1 | APS)
GLMM: ipo ~ tmin3 + (1 | APS)
GLMM: ipo ~ 1 + (tmin | APS)
GLMM: ipo ~ tmin + (tmin | APS)
GLMM: ipo ~ tmin1 + (tmin1 | APS)
GLMM: ipo ~ tmin2 + (tmin2 | APS)
GLMM: ipo ~ tmin3 + (tmin3 | APS)
2
3
3
3
3
4
5
5
5
5
7375,2
6874,0
6570,8
6559,5
6710,0
6835,1
6820,1
6506,3
6480,6
6623,6
C11
GLMM: ipo ~ tmax + (1 | APS)
3
7324,1
C12
GLMM: ipo ~ tmax1 + (1 | APS)
3
7272,6
C13
GLMM: ipo ~ tmax2 + (1 | APS)
3
7340,7
C14
GLMM: ipo ~ tmax3 + (1 | APS)
3
7247,1
C15
GLMM: ipo ~ 1 + (tmax | APS)
4
7238,9
C16
GLMM:: ipo ~ tmax + (tmax | APS)
5
7236,2
C17
GLMM:: ipo ~ tmax1 + (tmax1 | APS)
5
7178,3
C18
GLMM:: ipo ~ tmax2 + (tmax2 | APS)
5
7255,7
C19
GLMM:: ipo ~ tmax3 + (tmax3 | APS)
5
7077,4
Com base nos critérios pré-definidos (ver Métodos), o modelo que melhor se ajustou foi
o modelo logístico com intercepto e inclinação aleatórios, com temperatura mínima com 2
semanas de defasagem (modelo C9, Tabela 8). A Tabela 9 apresenta as estimativas dos
parâmetros desse modelo. O gráfico da Figura 28 apresenta os IPO’s preditos pelo modelo 9,
para cada APS. O eixo x mostra as temperaturas mensuradas 2 semanas antes da coleta das
armadilhas que deram origem aos índices. Como é possível notar no gráfico, o IPO cresce
conforme o aumento da temperatura, sendo essa relação particularmente mais intensa nas APSs
5.1, 3.2, 3.1 e 4, e praticamente nula nas APSs 2.1 e 2.2.
68
Tabela 9: Estimativas dos parâmetros do modelo C9 selecionado para a relação do índice de
positividade de ovitrampas (IPO) por APS com a temperatura: ipo ~ tmin2 + (tmin2 | APS).
Resíduos Dimensionados:
Efeitos Aleatórios:
Grupos
APS
AIC
Deviance
GL .resid
6480,6
6470,6
297
Min
1Q
Mediana
3Q
Max
-11,3723
-2,3365
-0,5665
2,0256
13,8777
Corr
Nome
Variancia
Dev. Pad.
(Intercepto)
2,130792
1,4597
tmin2
0,002007
0,0448
-0,92
Número de obs: 302, grupos: APS, 10
Efeitos fixos:
(Intercepto)
tmin2
Estimativa
Erro Padrão
z value
Pr(>|z|)
-2,96421
0,47193
-6,281
0,0001
0,10221
0,01488
6,869
0,0001
Correlação dos Efeitos fixos:
tmin2
-0,921
Figura 28: Probabilidade de positividade de ovitrampas em função da temperatura, nas APSs
do Rio de Janeiro, de acordo com o modelo C9:
69
Um dos pressupostos do modelo é que os efeitos aleatórios seguem uma distribuição
normal. Isso pode ser visto no gráfico quantil-quantil que compara a distribuição dos efeitos
aleatórios com uma distribuição normal. A Figura 29 mostra que esse pressuposto foi atendido.
Os efeitos aleatórios de cada APS podem ser vistos na Figura 30. O painel da esquerda
mostra o intercepto aleatório, evidenciando como a positividade das ovitrampas de cada APS
varia em relação à média geral da cidade. Valores negativos indicam que as APSs 1. 2.1 e 2.2
apresentam positividade menor do que a média da cidade, enquanto que as 3.x e 5.1 são mais
positivas que a média. O painel da direita mostra como o efeito da temperatura no IPO de cada
APS desvia do efeito médio da cidade. Em vermelho, estão as APS 3.1, 3.2, 3.3 e 5.1 cujo efeito
da temperatura é mais fraco do que a média.
Figura 29: Gráfico quantil-quantil comparando a distribuição dos efeitos aleatórios do modelo
C9 com a de uma distribuição normal padrão.
Figura 30: Efeitos aleatórios do modelo C9
70
6.5.4 Modelagem de relação do índice de positividade de ovitrampas (IPO) e
temperatura, por RA
A Figura 31 apresenta a série de índices de positividade de ovitrampa de cada RA
durante as semanas de estudo. É possível perceber que existe variação intra e entre as RAs no
decorrer do tempo.
Figura 31: IPO em cada RA do município do Rio de Janeiro, de fevereiro 2013 a setembro de
2015
A associação entre IPO e temperatura nas 33 RAs também foi analisada utilizando
modelos binomiais de efeitos mistos. O modelo ajustado teve IPO como variável resposta e as
médias de temperatura mínima ou máxima semanais (efeito fixo) e RA (efeito aleatório) como
variáveis explicativas. Foram comparados modelos com temperatura defasada de 0, 1, 2 e 3
semanas, e modelos com efeito linear e não linear. Os mesmos dois tipos de modelos - intercepto
aleatório e intercepto e slope aleatórios foram testados, sendo o melhor modelo escolhido
através do AIC. A Tabela 10 apresenta os valores de AIC dos modelos testados
71
Tabela 10: Comparação dos modelos ajustados para a relação do índice de positividade de
ovitrampas (IPO) por RA com a temperatura. Em negrito, o modelo selecionado.
Identificação
do Modelo
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10
D11
D12
D13
D14
D15
D16
D17
D18
D19
Modelos:
GL
AIC
GLMM: ipo ~ 1 + (1 | RA)
GLMM: ipo ~ tmin + (1 | RA)
GLMM: ipo ~ tmin1 + (1 | RA)
GLMM: ipo ~ tmin2 + (1 | RA)
GLMM: ipo ~ tmin3 + (1 | RA)
GLMM: ipo ~ 1 + (tmin | RA)
GLMM: ipo ~ tmin + (tmin | RA)
GLMM: ipo ~ tmin1 + (tmin1 | RA)
GLMM: ipo ~ tmin2 + (tmin2 | RA)
GLMM: ipo ~ tmin3 + (tmin3 | RA)
GLMM: ipo ~ tmax + (1 | RA)
GLMM: ipo ~ tmax1 + (1 | RA)
GLMM: ipo ~ tmax2 + (1 | RA)
GLMM: ipo ~ tmax3 + (1 | RA)
GLMM: ipo ~ 1 + (tmax | RA)
GLMM:: ipo ~ tmax + (tmax | RA)
GLMM:: ipo ~ tmax1 + (tmax1 | RA)
GLMM:: ipo ~ tmax2 + (tmax2 | RA)
GLMM:: ipo ~ tmax3 + (tmax3 | RA)
2
3
3
3
3
4
5
5
5
5
3
3
3
3
4
5
5
5
5
10556,5
10049,4
9754,9
9693,0
9869,3
9985,7
9953,0
9675,2
9586,5
9767,8
10498
10454
10519
10427
10381
10379
10344
10441
10260
Tabela 11: Estimativas dos parâmetros de acordo com o modelo D9 GLMM: ipo ~ tmin2 +
(tmin2 | RA).
Resíduos
Dimensionados:
AIC
Deviance
GL. Resid
9586,5
9576,5
911
Min
1Q
Mediana
3Q
Max
-10,38
-1,54
-0,42
1,29
11,14
Corr
Efeitos Aleatórios:
Grupos
APS
Nome
Variância
Dev.Pad
(Intercepto)
2,23
1,49
tmin2
0,003
0,05
-0,86
Número de obs: 916, grupos: RA, 33
Efeitos fixos:
Estimativa
Erro Padrão
z valor
Pr(>|z|)
(Intercepto)
2,98
0,29
-10.222
0,0001
tmin2
0,10
0,010
9,045
0,0001
Correlação dos
Efeitos fixos:
tmin2
-0,89
72
O modelo que melhor se ajustou à relação entre IPO e temperaturas mínimas foi o
modelo logístico com intercepto e inclinação aleatórios (modelo D9), com 2 semanas de
defasagem entre a coleta e a média da temperatura mínima semanal. Esse modelo é equivalente
ao escolhido na análise a nivel de APS. As estimativas dos parâmetros desse modelo são
apresentadas na Tabela 11. Com base no modelo D9, elaborou-se um gráfico com o IPO predito
para cada RA. No eixo x tem-se a temperatura mensurada 2 semanas antes (Figura 32).
Figura 32: IPO predito de acordo com o modelo D9, em função da média da temperatura
semanal mínima defasada em 2 semanas, por RA
Como é possível notar no gráfico, a probabilidade de positivação de ovitrampas cresce
conforme o aumento da temperatura, sendo especialmente forte essa relação nas RAs 34
(Cidade de Deus) e 15 (Madureira). Em outras RAs observa-se uma fraca associação da
infestação com a temperatura.
73
Figura 33: Desvio dos efeitos aleatórios de cada RA em relação ao modelo geral no modelo
D9
A Figura 33 mostra os efeitos aleatórios de cada RA de acordo com o modelo D9. O
painel da esquerda mostra como o intercepto aleatório (a positividade das ovitrampas) de cada
RA varia em relação à média geral da cidade. As RAs 2, 4 a 9, 23 a 27 e 29 possuem valores
negativos, indicando uma positividade menor do que o esperado da cidade. Já as demais são
mais positivas que a média. O painel da direita mostra o desvio do efeito da temperatura no IPO
de cada RA em relação ao efeito médio da cidade. Nas RAs cujos os valores estão em vermelho,
o efeito da temperatura é mais fraco do que a média da cidade como um todo.
Para melhor visualização espacial, a Figura 34 apresenta os mapas dos interceptos e
coeficientes angulares dos efeitos aleatórios do modelo final, ajustados para cada RA. No mapa
dos interceptos, as áreas mais escuras e acima de 0 representam aquelas onde os IPOs são em
média mais elevados do que a média da cidade. No mapa dos coeficientes angulares (slope), as
áreas de cor escura evidenciam uma relação mais intensa e positiva entre o aumento da média
da temperatura e o aumento do número de ovitrampas positivas, em comparação com aquela
observada para o geral da cidade (para todas as RAs). Observa-se uma associação mais forte
com a temperatura nas RAs localizadas nas APS 4 e 2.2.
74
Figura 34: Mapas com os resultados do modelo D9 As cores apontam as diferenças entre os
interceptos e coeficientes angulares por RA, em relação ao efeito geral.
75
A fim de checar a normalidade dos efeitos aleatórios, a Figura 35 apresenta um gráfico
quantil-quantil. A comparação entre a distribuição dos efeitos aleatórios com uma distribuição
normal, e evidencia que não houve violação dos pressupostos do modelo.
Figura 35: Distribuição dos efeitos aleatórios por quantil normal padrão no modelo D9
6.6 DISTRIBUIÇÃO ESPACIAL DA INFESTAÇÃO E OCORRÊNCIA DE CASOS DE
DENGUE NO ANO DE 2013
As Figuras 36, 37 e 38 mostram o mapa de Kernel da positividade das ovitrampas e o
mapa de localização dos casos de dengue do mês seguinte à coleta ocorrida em três momentos
distintos do ano de 2013: março, junho e setembro de 2013.
O ano de 2013 foi marcadamente epidêmico para dengue no município do Rio de
Janeiro. E embora seja bastante discutida a utilização de armadilhas de oviposição como
instrumento de monitoramento de infestação em ano de epidemias, é possível observar que o
aumento do número de ovitrampas positivas para ovos de Ae. aegypti em um mês corresponde
ao aumento do número de casos no mês seguinte. No mês de março, a infestação atingiu valores
de até 5, principalmente na região das APS 3.1, 3.2. Foi também o período de maior ocorrência
de casos. Pelos mapas, não é possível estimar uma associação, por isso, em seguida, são
apresentados os resultados da modelagem.
76
Figura 36: Mapa de Calor das ovitrampas positivas em 03/2013 e casos de dengue pontuais
em 04/2013
77
Figura 37: Mapa de Calor das ovitrampas positivas em 06/2013 e casos de dengue pontuais
em 07/2013
78
Figura 38: Mapa de Calor das ovitrampas positivas em 09/2013 e casos de dengue pontuais
em 10/2013
79
6.7 MODELAGEM DA ASSOCIAÇÃO DOS CASOS DE DENGUE NOTIFICADOS COM
A OVIPOSIÇÃO
Para uso em um sistema de alerta, é importante verificar se a infestação tem uma
capacidade preditiva para a incidência de dengue. O teste dessa relação a nível de APS foi
realizado de forma separada para cada um dos índices de infestação (IDO e IPO). Nos modelos
testados, os casos de dengue entraram como variável resposta, e os índices de infestação do mês
anterior, o mês da coleta desses índices, os casos do mês anterior aos da variável resposta e as
APSs entraram como variáveis independentes do modelo. A população entrou como offset, de
forma que a variável resposta pode ser interpretada como taxa de incidência (ver mais detalhes
na seção de métodos).
A Figura 39 exibe a série temporal da taxa de incidência de casos de dengue para cada
10.000 habitantes no decorrer dos meses do estudo, por APS. É interessante notar que as
maiores taxas de incidência em 2013 ocorreram na APSs 1 e 2.1, com mais de 50 casos para
cada 10.000 habitantes. Todavia, essa taxa elevada de incidência dessas APSs não se repetiu
em 2015. As demais APSs, apesar de terem apresentado uma taxa de incidência menor que as
supracitadas em 2013, também obtiveram taxas de incidência menores em 2015, à exceção da
APS 5.1, que apresentou taxas de incidência de casos semelhantes nos picos das epidemias de
2013 e 2015, com até 30 casos para cada 10.000 habitantes. O ano de 2014 foi um ano marcado
por baixa incidência de casos de dengue no município do Rio de Janeiro.
Figura 39: Taxa de incidência de casos de dengue entre fevereiro de 2013 e setembro de 2015,
por APS, no município do RJ.
80
6.7.1 Modelagem da associação dos casos de dengue notificados com o IDO
A Tabela 12 mostra os modelos ajustados tendo os casos de dengue como variável
resposta e IDO e APS como variáveis explicativas, bem como os valores de AIC dos modelos
testados.
Tabela 12: Comparação dos modelos da associação dos casos de dengue notificados com o IDO
por APS, pelo AIC (critério de ajuste do modelo).
Identificação
do Modelo
E1
Modelos:
GL
AIC
GLM-NB: (casos~1 + offset(log(pop)))
2.0
3145.4
E2
GLM-NB: (casos~ido + offset(log(pop)))
3.0
3139.6
E3
GLM-NB: (casos~ido +APS+ offset(log(pop)))
12.0
3142.0
E4
GLM-NB: (casos~ido *APS+ offset(log(pop)))
21.0
3146.5
E5
GLM-NB: (casos~ido +mês+offset(log(pop)))
13.0
2862.6
E6
GLM-NB: (casos~ido +APS+ mês+ offset(log(pop)))
22.0
2861.8
E7
GLM-NB: (casos~ido *APS+mês+offset(log(pop)))
31.0
2874.8
E8
GAM-NB: (casos~ido+s(mes)+offset(log(pop)))
11.6
2862.9
E9
GAM-NB: (casos~ido+s(mês/ano)+offset(log(pop)))
23.7
2470.6
E10
GAM-NB: (casos~ido+s(mes) + ano +offset(log(pop)))
12.6
2865.0
E11
GLM-NB: (casos ~ log(casos1) + ido+ mes+ offset(log(pop)))
14.0
2442.5
E12
GAM-NB: (casos~ s(log(casos1) + ido+ mes + offset(log(pop)))
19.1
2387.7
casos= casos notificados de dengue;
casos1= casos do mês anterior aos casos cuja associação está sendo investigada
pop= população da APS (de acordo com o senso de 2010)
mês= mês referente à coleta dos dados de infestação
s (): função suavizadora usada nos modelos GAM
Os modelos com menores valores de AIC (modelos 11 e 12, Tabela 12) foram aqueles
sem a variável “APS” e com as variáveis “casos1”, “IDO” e “mês”. A variável com os casos
do mês anterior foi adicionada ao modelo com a finalidade de corrigir a autocorrelação presente
nos resíduos dos modelos anteriores. Ela corresponde ao número de casos no mês anterior. Os
dois melhores modelos diferem na forma como os casos defasados entram no modelo, sendo
linear (modelo E11) ou não linear (modelo E12).
81
Figura 40: Gráficos dos resíduos dos modelos E11 (A) e E12 (B)
(A)
(B)
Ambos os modelos (GLM e GAM) apresentaram resíduos sem violações de
pressupostos (Figura 40) contudo, permaneceu um resquício de autocorrelação nos resíduos
(Figura 41) talvez pelo fato da dengue ser uma doença marcadamente sazonal, com outros
fatores de contribuição para essa sazonalidade não contemplados nas variáveis aqui
investigadas.
Figura 41: Gráficos de autocorrelação dos resíduos dos modelos E11 (A) e E12 (B)
(A)
(B)
O modelo GAM obteve melhor ajuste, mas optou-se por manter o modelo GLM como
modelo final, já que também é um bom modelo, e apresenta uma parametrização mais simples
em relação ao modelo aditivo. Os dois modelos apresentam efeito semelhante do IDO nos casos
de dengue (efeito estimado do IDO no modelo E11: 0,013; efeito estimado do IDO no modelo
E12: 0,012). Em ambos é evidente o efeito positivo do IDO no aumento dos casos de dengue.
Todavia, eles não captam todo o efeito sazonal, já que outros fatores também influenciam o
aumento da incidência. Por esta razão, acrescentou-se também a variável mês no modelo. Todas
as estimativas do efeito de mês em que os dados foram coletados no modelo têm como
82
referência o mês de agosto (mes8), por usualmente ser este mês a apresentar menores índices
de infestação. A Tabela 13 apresenta as estimativas dos parâmetros do modelo E11.
Tabela 13: Estimativas dos parâmetros de acordo com o modelo E11
Resíduos do Deviance:
Min
-2,4805
Coeficientes:
1Q
-0,91
Mediana
-0,23
3Q
0,49
Max
2,92
Estimativa
-12,02
0,55
Erro padrão
0,20
0,03
z –valor
-60,87
18,49
Pr(>|z|)
0,0001
0,0001
Ido
mes1
mes2
0,013
-0,0013
-0,0007
0,003
0,18
0,22
4,41
-0,006
-0,003
0,0001
0,99
0,99
mes3
mes4
mes5
2,1215
0,9235
0,2765
0,19
0,17
0,17
11,41
5,29
1,58
0,0001
0,0001
0,11
mes6
mes7
0,1239
-0,0021
0,17
0,18
0,73
-0,01
0,46
0,99
(Intercepto)
log(casos1)
mes9
mes11
mes12
-0,1121
0,17
-0,67
0,51
-0,6158
0,23
-2,66
0,008
0,5725
0,18
3,10
0,002
Deviance nula: 1735,38 em 238 graus de liberdade
Deviance residual: 249,53 em 226 graus de liberdade
AIC: 2442,5
Theta: 3,290
Erro padrão: 0,310
6.7.2 Modelagem da associação dos casos de dengue notificados com o IPO
Foram ajustados modelos como os mostrados acima, tendo IPO como índice de
infestação. A Tabela 14 apresenta os valores de AIC dos modelos testados.
Os modelos com menores valores de AIC (modelos F12 e F15, Tabela 14) foram aqueles
nos quais foi acrescentada a variável explicativa com os casos defasados, e mantida a variável
APS com interação aditiva (nesta modelagem, sua presença reduz a correlação cruzada). A
variável com os casos defasados foi adicionada ao modelo com a finalidade de corrigir a
autocorrelação presente na variável independente, a série de casos.
83
Tabela 14: Comparação dos modelos para casos de dengue em um mês x IPO mês anterior, por
APS, pelo AIC.
Identificação
do Modelo
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
F11
Modelos:
GL
AIC
GLM-NB: (casos~1 + offset(log(pop)))
GLM-NB: (casos~ipo + offset(log(pop)))
GLM-NB: (casos~ipo +APS+ offset(log(pop)))
GLM-NB: (casos~ipo *APS+ offset(log(pop)))
GLM-NB: (casos~ipo +mês+offset(log(pop)))
GLM-NB: (casos~ipo +APS+ mês+ offset(log(pop)))
GLM-NB: (casos~ipo *APS+mês+offset(log(pop)))
GAM-NB: (casos~ipo+s(mes)+offset(log(pop)))
GAM-NB: (casos~ipo+s(mês/ano)+offset(log(pop)))
GAM-NB: (casos~ipo+s(mes) + ano +offset(log(pop)))
GLM-NB: (casos ~ log(casos1) + ipo+ mes+ offset(log(pop)))
2.0
3.0
12.0
21.0
13.0
22.0
31.0
11.6
23.9
12.6
14.0
3145.4
3097.4
3037.5
3043.7
2858.7
2845.0
2853.5
2858.6
2485.8
2860.6
2461.8
F12
F13
F14
GLM-NB: (casos ~ log(casos1) + ipo+APS+ mes+ offset(log(pop)))
GLM-NB: (casos ~ log(casos1) + ipo*APS+ mes+ offset(log(pop)))
GAM-NB: (casos~ s(log(casos1)) + ipo+ mes + offset(log(pop)))
23.0
32.0
19.1
2413.6
2418.5
2406.7
F15
GAM-NB: (casos~ s(log(casos1)) + ipo+APS+ mes + offset(log(pop)))
28.0
2357.5
Os gráficos dos resíduos desses modelos são apresentados na Figura 41
Figura 42: Gráficos dos resíduos dos modelos F12(A) e F15 (B)
(A)
(B)
Ambos os modelos (GLM e GAM) apresentaram resíduos sem violações de
pressupostos (Figura 41) contudo, permaneceu um resquício de autocorrelação nos resíduos
(Figura 42) talvez pelo fato da dengue ser uma doença marcadamente sazonal, com outros
fatores de contribuição para essa sazonalidade não contemplados nas variáveis aqui
investigadas.
84
Figura 43: Gráficos de autocorrelação dos resíduos dos modelos F12 (A) e F15 (B)
(A)
(B)
Os dois modelos apresentam efeito positivo do IPO nos casos de dengue (efeito
estimado do IPO no modelo F12: 0,011; efeito estimado do IPO no modelo F15: 0,27).
Novamente, porém o IPO não é capaz de apreender todo o efeito sazonal, e por isso aqui
também se acrescentou a variável mês no modelo, tendo como referência o mês de agosto para
as estimativas do efeito do mês em que os dados foram coletados. O modelo F15 (GAM-NB:
(casos~ s(log(casos do mês anterior)) + ipo + APS+ mes + offset(log(pop))) apresentou o
melhor ajuste aos dados, bem como maior efeito do IPO e por isso foi mantido como modelo
final. A Tabela 15 apresenta as estimativas dos parâmetros do modelo F15.
85
Tabela 15: Estimativas dos parâmetros de acordo com o modelo F15
Coeficientes paramétricos:
Estimativa
(Intercepto)
9,27
Error
padrão
0,1362
-68,101
0,0001
Ipo
mes1
mes2
mes3
mes4
mes5
mes6
mes7
0,27
0,0076
0,1980
2,1301
0,8150
0,495
-0,0969
-0,1534
0,2336
0,1760
0,2190
0,1855
0,1744
0,1725
0,1621
0,1752
1,142
0,043
0,904
11,482
4,674
0,287
-0,598
-0,875
0,25
0,97
0,37
0,0001
0,0001
0,77
0,55
0,38
mes9
-0,0881
0,1610
mes11
-0,4631
0,2230
mes12
0,2447
0,1846
Significância aproximada do termo suavizador s()
-0,547
-2,077
1,325
0,58
0,04
0,19
s(log(casos1))
z valor
Pr(>|z|)
Edf
GL ref
Χ2
p-valor
5,711
6,89
452,4
0,0001
R2 (adj) = 0.43 Deviance explicada = 89%
86
7 DISCUSSÃO
Este estudo caracterizou o monitoramento da infestação por Ae. aegypti realizado pela
Prefeitura do Rio de Janeiro por meio de ovitrampas entre fevereiro de 2013 e setembro de 2015
com o intuito de subsidiar sua inclusão num sistema de alerta precoce de dengue. Para isso,
foram também apresentadas modelagens estatísticas na intenção de analisar a associação entre
os índices de infestação mensurados pelas ovitrampas e a temperatura ambiente com 0, 1, 2 e 3
semanas de defasagem em relação à coleta dos índices. Essa análise foi importante para
qualificar os dados, uma vez que se conhece da literatura a forte associação existente entre
infestação e temperatura (Honório et al, 2009a; Codeço et al 2015). Do mesmo modo, foi
estudado o grau de associação do número de casos notificados de dengue em um mês e o
IDO/IPO coletados no mês anterior, para avaliar a capacidade preditiva da infestação, conforme
medida pelo programa. De forma resumida, os resultados obtidos evidenciam associação
positiva da temperatura com os índices de infestação embora com forte heterogeneidade
espacial. Foram encontrados também efeitos positivos do IDO/IPO nos casos de dengue do mês
seguinte, mas apenas quando associados a outras variáveis explicativas.
7.1 SOBRE O SISTEMA DE MONITORAMENTO.
No Brasil, sistemas de monitoramento entomológico utilizando armadilhas ainda são
poucos, e não preconizados pelo Ministério da Saúde em municípios onde já ocorre infestação
de Ae. aegypti. Assim, os sistemas em funcionamento, como o do Rio de Janeiro, são realizados
em paralelo com as outras atividades de caráter obrigatório, como o LIRAa, e tendem a perder
a prioridade quando as atividades acumulam. A pesquisa larvária é o método de investigação
principal utilizado no PNCD, mas apresenta problemas importantes que dificultam sua
execução. Por exemplo, pode haver recusa do morador em autorizar a entrada dos agentes de
saúde para vistoriar o imóvel. Também existe a possibilidade de criadouros existentes não serem
encontrados no imóvel ou a impossibilidade de acesso a determinados criadouros, que portanto
não seriam contabilizados no Índice de Breteau (RUEDA, 2009). E além dos problemas de
execução citados, pode haver a contabilização de larvas que sejam oriundas de oviposição de
outros períodos, não representando de forma real a infestação vigente (MORATO et al., 2005).
Atualmente no PNCD, o monitoramento por ovitrampa é preconizado como principal método
de pesquisa entomológica apenas em municipios considerados não infestados (BRASIL, 2002).
Todavia, a utilização das armadilhas de oviposição em conjunto com a pesquisa larvária em
87
uma mesma localidade já foi sugerida como forma de aprimorar o monitoramento no país
(RUEDA, 2009).
O Programa de monitoramento da infestação por ovitrampas no Rio de Janeiro realizado
de 2013 a 2015 apresenta pontos positivos como: o número alto e estável de armadilhas ao
longo do tempo, boa cobertura do município com uma média de 908 imóveis por armadilha,
baixa taxa de perda de armadilhas e boas taxas de eclosão dos ovos coletados. Todavia, é
necessário pontuar algumas questões a fim de aquilatar o monitoramento. Um ponto importante
é a distribuição das ovitrampas no município. Em áreas onde o monitoramento por ovitrampas
é preconizado, o Ministério da Saúde recomenda que haja 1 armadilha para cada 225 imóveis.
Entretanto, não há indicações, pelo Ministério da Saúde, sobre o número mínimo de armadilhas
para locais onde já ocorre infestação (BRASIL, 2001). O número de imóveis por ovitrampa no
município do Rio de Janeiro varia de forma considerável de bairro para bairro, e
consequentemente de APS para APS. Por exemplo, na APS 1.0, há cerca de 1582 imóveis por
armadilha. Já na APS 5.3, são 420 imóveis por armadilha. A realocação das armadilhas poderia
ser uma forma de tornar a razão entre o número de armadilhas e o número de imóveis mais
homogêneo entre as APSs. Métodos de alocação ótima de armadilhas existem na literatura
(LIMA et al., 2016), e poderiam guiar uma otimização do programa de monitoramento. Costa
(2016, em preparação), calculou o número ótimo de armadilhas para o município do Rio de
Janeiro, e indicou a possibilidade de uma redução de 35% no número total de ovitrampas
instaladas no munícipio.
As taxas de eclosão obtidas pelo Programa de Monitoramento giraram em torno dos
68% nas APSs. Embora alguns autores tenham encontrado taxas em torno dos 30% (CECILIO
et al., 2009; DIBO et al., 2005), as taxas de eclosão encontradas neste trabalho são semelhantes
às encontradas em outros estudos (BYTTEBIER et al., 2014; DICKERSON, 2007; TUN-LIN
et al., 2000). A diferença nos resultados encontrados neste trabalho e nos resultados dos demais
estudos apontados poderia ser atribuída a fatores diversos, como a forma de manipulação das
armadilhas, palhetas e ovos ou a umidade relativa do ar (DICKERSON, 2007). Mais
informações sobre como foram manipuladas as armadilhas poderiam ajudar na interpretação
dessas diferenças.
Os resultados encontrados neste estudo confirmam a alta especificidade dessas
armadilhas para a espécie Ae. aegypti, conforme ratificado por outros autores. Valle e Codeço
(2014), em um trabalho de avaliação de armadilhas para a vigilância entomológica de Ae.
aegypti, constaram a alta especificidade da ovitrampa em capturar preferencialmente essa
espécie. Entre as armadilhas avaliadas, a ovitrampa foi a armadilha significativamente mais
88
específica, com captura de ovos de Ae. aegypti, sempre superior a 90% em relação a todos os
ovos capturados. Para a identificação da larva de Ae. aegypti é necessário aguardar a eclosão
do ovo, e o desenvolvimento do estágio larval em laboratório, o que leva cerca de 2 dias
(CLEMONS et al., 2010). Armadilhas com alta especificidade são boas porque reduzem o
trabalho de processamento, abrindo a possibilidade de trabalhar apenas com contagem de ovos
ao invés de fazer eclodir as larvas. Para um sistema de alerta precoce, essa característica é
especialmente importante porque acelera a geração dos índices.
Considerando todos os parâmetros utilizados neste estudo, a APS 5.3 parece ter melhor
programas de monitoramento, com menor índice imóveis: armadilha (420:1), boas taxas de
eclosão (69,87%) e poucas perdas de armadilhas (3,4%). Em contrapartida, a APS 3.1
apresentam um índice imóveis: armadilha de 794:1, mas possui uma das menores taxas de
eclosão (56,36%) e o maior índice de perda de armadilhas (7,28%). As demais APS apresentam
valores heterogêneos para os parâmetros, não sendo possível definir um ranking de qualidade
entre elas.
7.2 ASSOCIAÇÃO DA INFESTAÇÃO COM A TEMPERATURA
Na análise das associações entre temperatura e IDO/IPO realizada neste estudo, foi
verificado que o aumento da temperatura favorece tanto o aumento do número de ovos quanto
do número de ovitrampas positivas. Ou seja, tanto IDO quanto IPO se relacionam positivamente
com a temperatura nesse estudo. Os modelos com melhores ajustes foram aqueles que
utilizaram as médias das temperaturas semanais mínimas em defasagens de 1 (IDO), e 2
semanas (IPO). Esse resultado harmoniza-se com os resultados encontrados por Honório et al.
(2009a) em três bairros do Rio de Janeiro para o IDO e por Codeço et al. (2015) em regiões
com clima semelhante, dentro do estado do Rio de Janeiro, tanto para IDO como para IPO. É
importante ressaltar que esses resultados condizem com o que é encontrado na literatura sobre
a história de vida dos mosquitos do gênero Aedes. Sabe-se que a temperatura tem influência na
velocidade de desenvolvimento e no comportamento deste vetor, sendo considerada o principal
fator abiótico de interferência em seu ciclo de vida (COURET; BENEDICT, 2014). Além disso,
Yang et al. (2009), evidenciaram o aumento das taxas de oviposição do Ae aegypti entre 15 e
30 ºC. Apesar de importante, a temperatura não é o único fator abiótico de influência no
desenvolvimento e na reprodução do Ae. aegypti. A umidade relativa, a pluviosidade, bem como
disponibilidade de alimentação e de sítios para reprodução também influenciam o
comportamento do vetor (COURET; BENEDICT, 2014; SIMÕES et al., 2013).
89
O efeito da temperatura na infestação foi heterogêneo no espaço, evidenciado pela
significância do termo de interação com APS ou RA, nos modelos melhor ajustados. Essas
diferenças espaciais poderiam ser explicadas em parte pela forma de captura dos dados de
temperatura, que neste estudo foram captadas em apenas 4 pontos distintos da cidade (estações
meteorológicas localizadas nos aeroportos), e talvez não possuam sensibilidade suficiente para
captar as nuances de temperatura das regiões estudadas. Além disso, as APSs apresentam
características urbanas complexas e diversidade climática, a depender da sua proximidade com
o mar e com as montanhas que permeiam a cidade (CODECO et al., 2016 (em preparação)).
As APSs cujo efeito da temperatura nos índices de positividade foi mais forte foram a
3.1 e 5.1, onde estavam localizadas duas das estações meteorológicas. Por outro lado, essas
mesmas duas APS possuem características urbanas semelhantes. Ao observar o IDO é fácil
perceber que os efeitos preditos mais intensos são nas APSs 3.1 e 1 – as duas são próximas das
estações meteorológicas. Na APS 5.1, onde se encontra uma das estações meteorológicas, o
efeito no IDO não é tão pronunciado, mas a média de ovos inicial é mais elevada que as demais
APSs. Em suma, tanto IDO quanto IPO se relacionam positivamente com a temperatura nesse
estudo em todas as APS. Entretanto, essa relação é heterogênea e depende das características
urbanas e climáticas de cada uma das APS.
No Projeto Alerta Dengue, é utilizado um limiar de temperatura mínima de 22 graus
para indicar que há risco de transmissão de dengue. Os modelos apresentados nesse estudo
indicam uma relação positiva entre os índices de infestação e a temperatura, e embora não tenha
sido definido um limiar de temperatura mínima para indicar risco de transmissão de dengue, a
média semanal da temperatura mínima foi considerada tendo melhor ajuste aos dados que a
média semanal da temperatura máxima, fato que corrobora não só com estudos anteriores
previamente citados mas também com os resultados do próprio projeto (CODECO et al., 2016
(em preparação)).
7.3 ÍNDICE DE INFESTAÇÃO COMO PREDITOR DE INCIDÊNCIA DE DENGUE
Na análise da associação dos casos de dengue com os índices de infestação do mês
anterior, os resultados obtidos mostram uma correlação significativa (ainda que pequena) entre
os índices de infestação, em especial o IPO, e os casos de dengue. Foram utilizadas outras
variáveis explicativas nos modelos, como o número de casos do mês anterior ao da variável
resposta, o mês de coleta dos índices de infestação e a APS, por que somente o IDO ou o IPO
não abarcavam toda a variação do número de casos do mês seguinte. Isto evidencia que, embora
90
a infestação seja um preditor, a quantidade de casos de um mês depende de uma série de fatores
que vão para além da dela, como a densidade populacional humana, o número de casos do mês
anterior e a sazonalidade da doença e da infestação. Para além das variáveis consideradas neste
estudo, a oferta de alimentação para o vetor e o fluxo da população humana (que pode se infectar
em outros locais além dos domicílios) também têm impacto no número de casos incidentes
(MONDINI; CHIARAVALLOTI-NETO, 2008).
A associação entre índices de infestação e a transmissão de dengue segue sendo
vastamente debatida na literatura. Embora o Ae. aegypti e o Ae. albopictus sejam
reconhecidamente os principais vetores de transmissão da dengue no mundo, os estudos que
relacionam índices de infestação desse vetores com casos de dengue divergem nos resultados à
cerca dessa correlação, com alguns autores encontrando correlações positivas e outros
encontrando ausência de correlação ou correlação duvidosa entre os índices e a transmissão de
dengue. Arboleda et al. (2012), não encontraram associação ente o Índice de Breteau e os casos
de dengue no município de Bello, na Colômbia. Honório et al. (2009b) utilizaram modelos
GAM no intuito de relacionar os casos de dengue notificados com índices de infestação (média
de ovos e densidade média de mosquitos adultos) em três bairros do Rio de Janeiro, mas não
encontraram nenhuma relação clara, atribuindo este fato à possibilidade de as infecções terem
ocorrido em outros locais que não os domicílios. Sanchez et al.(2006) encontram associação
entre índices larvários, em especial o Índice de Breteau e os casos de dengue confirmados num
estudo caso-controle no muncípio de Playa, em Cuba. No presente estudo, uma associação
positiva entre o IDO/IPO e os casos de dengue também foi encontrada. Esse fato é importante
pois expõe a possibilidade de trabalhar com dados obtidos em armadilhas de oviposição para
estimar o risco de transmissão de dengue.
7.4 LIMITAÇÕES DO ESTUDO
O fato desse estudo abarcar um período relativamente curto de tempo e com
características distintas (um ano epidêmico, seguido de um ano sem epidemia, sucedido por um
ano novamente epidêmico), faz com que a validação dos modelos se torne difícil, talvez sendo
necessária uma série temporal de dados mais longa. Além disso, as unidades de análise espacial
dos dados foram baseadas na disponibilidade dos dados, porém é pertinente que modelos com
níveis de agregação mais refinados possam ser elaborados a fim de tentar explicar a associação
entre as variáveis abordadas. Um outro ponto é a resolução temporal dos dados de infestação
que são semanais, mas com intervalos mensais. Se a infestação variar muito dentro de um mês,
91
o que não é possível avaliar com os dados presentes, então a associação com a dengue torna-se
mais difícil de mensurar. Os dados do monitoramento semanal realizado por Honório et al
(2009a) mostram a alta variabilidade da infestação entre semanas subsequentes. Esses
resultados sugerem que para uso preditivo, o ideal seria aumentar a frequência de realização
dos inquéritos entomológicos.
Estabelecer regularidade nas coletas, bem como modificar a resolução temporal destas,
tornando-as quinzenais ou semanais ao invés de mensais, possibilitaria a utilização dos dados
de forma mais consistente, melhorando as previsões e possibilitando a validação de modelos
estatísticos de séries temporais baseados nos dados de infestação. A criação e alimentação de
um banco de dados por meio de um sistema informacional computadorizado poderia aprimorar
a coleta e o armazenamento dos dados de infestação obtidos através das armadilhas, que
atualmente são registrados em planilhas eletrônicas, sujeitas a erros humanos e problemas de
configuração. Plataformas para automação do monitoramento deste tipo de armadilha já
existem no mercado (um exemplo é o Projeto Communitor, em Belo Horizonte e Mariana).
A relação entre os índices de infestação é um outro aspecto que poderia ter sido mais
explorado neste estudo. Em armadilhas com mais de um ovo, não é possível identificar o
número de fêmeas que fizeram oviposição, devido ao comportamento de oviposição em salto
das fêmeas do Ae. aegypti. Entretanto, estudos sugerem que é possível explorar a relação entre
os índices de outras maneiras. Uma dessas compreende investigar se houve ou não saturação
das armadilhas (LOURENÇO-DE-OLIVEIRA et al., 2008). Já Codeço et al. (2015)
investigaram a associação entre os índices utilizando modelos não-lineares. A utilização de
modelos estatísticos no intuito de explorar a associação entre IPO e IDO pode contribuir no
intuito de entender a dinâmica de infestação bem como na relação entre o mosquito e a
armadilha.
Braga et al., (2000) sugeriram uma revisão operacional naqueles programas que utilizam
apenas a pesquisa larvária, dado o potencial de monitoramento das armadilhas de oviposição.
Os resultados obtidos neste estudo apoiam essa sugestão, pois mostram que estas armadilhas
conseguem acompanhar a infestação em sua dinâmica temporal e em sua heterogeneidade
espacial. Sendo assim, a ampliação da atenção dada ao monitoramento com ovitrampas, com
aprimoramento da distribuição das armadilhas e aperfeiçoamento da coleta e armazenamento
dos dados de infestação por elas captados, poderia trazer contribuições para um sistema de
alerta precoce ao risco de infestação de Ae. aegypti e subsequentemente às doenças por ele
transmitidas.
92
8 CONSIDERAÇÕES FINAIS
Este trabalho ponderou sobre o monitoramento da infestação de Ae. aegypti através de
índices de infestação obtidos por armadilhas de oviposição e sua relação com a temperatura nas
APSs e RAs do município do Rio de Janeiro entre 2013 e 2015, utilizando regressões lineares,
Modelos Aditivos Generalizados e Modelos Lineares Generalizados de Efeitos Mistos. A
associação entre os índices de infestação e a série de casos mensais de dengue do mês seguinte
também foi explorada, utilizando-se Modelos Lineares Generalizados e Modelos Aditivos
Generalizados. É possível destacar, nos resultados obtidos neste estudo, que temperatura foi
estatisticamente associada com o aumento dos índices de infestação, sendo que a temperatura
mínima, defasada em uma semana é a que melhor se ajusta ao aumento do IDO, enquanto o
aumento do IPO é melhor explicado pelas temperaturas mínimas semanais com uma defasagem
de duas semanas. Foi possível ainda encontrar resultados positivos na associação entre dengue
e IDO/IPO, quando associados a outras variáveis
A análise do monitoramento por meio de ovitrampas no município do Rio de Janeiro
realizada nesta pesquisa permitiu evidenciar as potencialidades dos dados gerados por essas
armadilhas, bem como distinguiu os pontos que podem ser aprimorados para tornar o
monitoramento mais eficiente. As modelagens das associações entre os índices de infestação
gerados pelas ovitrampas com os dados de temperatura e casos de dengue que foram aqui
realizadas evidenciam o valor desta ferramenta como instrumento de obtenção de dados
confiáveis sobre a infestação do Ae aegypti. Esses achados, consistentes com a literatura que
aborda o assunto, mostram o valor das ovitrampas na construção de um sistema de
monitoramento do Ae. aegypti, principal vetor de doenças de grande importância para a saúde
pública no Brasil. Em trabalhos futuros, sugere-se a validação dos modelos apresentados em
cima de dados de outras cidades, que possuam programas de monitoramento semelhantes há
mais tempo. Explorar as melhores formas de utilizar os dados obtidos através de ferramentas
como as armadilhas de oviposição, permite aumentar a compreensão do comportamento do Ae.
aegypti bem como dos fatores abióticos que o condicionam, tornando possível direcionar
medidas de saúde pública e auxiliar no controle e prevenção das doenças por ele transmitidas
tanto no município do Rio de Janeiro como no Brasil.
93
REFERÊNCIAS
AKAIKE, H. A new look at the statistical model identification. IEEE Transactionson
Automatic Control, Texas, v. 19, n. 6, p. 716–723, mar 1974.
ALMEIDA, A. S.; MEDRONHO, R. A.; VALENCIA, L. I. O. Spatial analysis of dengue and
the socioeconomic context of the city of Rio de Janeiro (Southeastern Brazil). Revista de
Saúde Pública, 43, n. 4, p. 666-673, ago 2009.
ARBOLEDA, S.; JARAMILLO-O, N.; PETERSON, A. T. Spatial and temporal dynamics of
Aedes aegypti larval sites in Bello, Colombia. J Vector Ecol. , v. 37, p. 37-48, jun 2012.
BARBOSA, G. L.; LOURENÇO, R. W. Análise da distribuição espaço-temporal de dengue e
da infestação larvária no município de Tupã, Estado de São Paulo. Rev Soc Bras Med Trop.,
v. 43, n. 2, mar. 2010. Disponivel em: <http://www.scielo.br/scielo.php?script=sci_art
text&pid=S003786822010000200008&lng= en&nrm=iso >. Acesso em: 16 jun. 2014.
BARBOSA, J. R. Avaliação do Sistema de Vigilância Epidemiológica da Dengue no
Brasil, 2005 - 2009..Dissertação (Mestrado) - Instituto de Patologia Tropical e Saúde Pública.
Universidade Federal de Goiás. 2011.
BARRETO, M. L.; TEIXEIRA, M. G. Dengue no Brasil: situação epidemiológica e
contribuições para uma agenda de pesquisa. Estudos Avançados, 22, n. 64, p.53-72, 2008.
Disponivel em: <http://www.scielo.br/pdf/ea/v22n64/a05v2264.pdf>. Acesso em:15 jun 2014.
BATES, D. et al. Fitting linear mixed-effects models using lme4. arXiv preprint
arXiv:1406.5823, 2014.
BELL, T. M.; FIELD, E. J.; NARANG, H. K. Zika virus infection of the central nervous
system of mice. Archiv für die gesamte Virusforshcung, v. 35, n. 2, p. 183-193, jun., 1971.
Acesso em: 08 março 2016.
BELO HORIZONTE. Secretaria Municipal de Saúde. Um tempo contra a dengue, 2015.
Disponivel em: <http://www.pbh.gov.br/smsa/dengue/pag.php?p=11>. Acesso em: 15
setembro 2015.
BESNARD, M. et al. Evidence of perinatal transmission of Zika virus, French Polynesia,
December 2013 and February 2014. Euro Surveill. , v. 19, n. 13, abr., 2014.
BOWMAN, L. R.; RUNGE-RANZINGER, S.; MCCALL, P. J. Assessing the relationship
between vector indices and dengue transmission: a systematic review of the evidence. PLoS
neglected tropical diseases, v. 8, n. 5, e2848, maio 2014. Disponivel em:
<http://dx.plos.org/10.1371/journal.pntd.0002848>. Acesso em: 9 jun 2015.
BRAGA, I. A. et al. Comparação entre pesquisa larvária e armadilha de oviposição, para
detecção de Aedes aegypti. Rev Soc Bras Med Trop, 4, p. 347-353, jul-ago 2000.
BRAGA, I. M. A.; MARTIN, J. L. S. Histórico do Controle do Aedes aegypti. In: VALLE, D.;
(ORG) Dengue: Teorias e Práticas. Rio de Janeiro: Editora Fiocruz, 2015. Cap. 2, p. 61-74.
BRAGA, I. M. A.; VALLE, D. Aedes aegypti: histórico do controle no Brasil. Epidemiologia
e serviços de saúde, v. 16, n. 2, p. 113–118, 2007.
94
BRASIL. Ministério da Saúde. Fundação Nacional de Saúde. Dengue- Instruções para
pessoal de combate ao vetor: manual de normas técnicas. 3ed. Brasília: FUNASA, 2001.
BRASIL. Ministério da Saúde. Fundação Nacional de Saúde. Programa Nacional de
Controle da Dengue.: Brasília: FUNASA, 2002.
BRASIL. Ministerio da Saúde. Secretária de Vigilânica em Saúde. Diretrizes Nacionais para
a Prevenção e Controle de Epidemias de Dengue: Brasília: Ministério da Saúde, 2009.
BRASIL. Ministério da Saúde. Secretaria de Vigilância em Sáude. Departamento de
Vigilância Epidemiológica. Doenças Infecciosas e Parasitárias: Guia de Bolso. 8ª ed.
Brasília, DF: Ministério da Saúde, 2010a.
BRASIL. Instituto Brasileiro de Geografia e Estatística. Cidades - Rio de Janeiro, 2010b.
Disponivel em: <http:www.ibge.gov.br>. Acesso em: 22 out 2014.
BRASIL. Secretaria de Vigilância em Saúde. Departamento de Vigilância das Doenças
Transmissíveis. Preparação e resposta à introdução do vírus Chikungunya no Brasil.:
Brasília,DF: Ministério da Saúde, 2014a.
BRASIL. Ministério da Saúde. Portal Saúde. Situação Epidemiológica da Dengue, 2014b.
Disponivel em: <http://portalsaude.saude.gov.br/index.php/situacao-epidemiologica-dadosdengue>. Acesso em: 28 nov 2014.
BRASIL. Ministério da Saúde. Portal Saúde. Prevenção e combate - Dengue, Chikungunya
e Zika, 2015a. Disponivel em: <http://portalsaude.saude.gov.br>. Acesso em: 09 jun 2015.
BRASIL. Ministério da Saúde. Nota Informativa 07/2015: Evento de Saúde Pública (ESP)
relacionado a casos de síndrome exantemática em estados da Região Nordeste do Brasil em
2015 – atualização 2., Brasília, DF, 2015b.
BRASIL. Ministério da Saúde. Portal Saúde. Nota à imprensa: Ministério da Saúde confirma
relação entre vírus Zika e microcefalia. 2015c. Disponivel em:
<http://portalsaude.saude.gov.br>. Acesso em: 28 nov 2015.
BRASIL, MINISTÉRIO DA SAÚDE. Prevenção e Combate: Dengue , Chikungunya e
Zika. Disponível em:<http: //combateaedes.saude.gov.br/linha-do-tempo>, 2016. Acesso em:
04 abr 2016.
BRETEAU, H. La fièvre jaune en afrique-occidentale française:. Bull World Health Organ,
v. 11, p. 453–481, 1954.
BYTTEBIER, B.; DE MAJO, M. S.; FISCHER, S. Hatching Response of Aedes aegypti
(Diptera: Culicidae) Eggs at Low Temperatures: Effects of Hatching Media and Storage
Conditions. Journal of Medical Entomology, v. 51, n. 1, p. 97-103, 2014.
CARVALHO, R.G.; LOURENCO-DE-OLIVEIRA, R.; BRAGA, I. A. Updating the
geographical distribution and frequency of Aedes albopictus in Brazil with remarks regarding
its range in the Americas. Mem. Inst. Oswaldo Cruz, Rio de Janeiro, v. 109, p. 787-796, set
2014.
CASTRO, M. G. et al. Dengue virus detection by using reverse transcription-polymerase
chain reaction in saliva and progeny of experimentally infected Aedes albopictus from Brazil.
95
Mem. Inst. Oswaldo Cruz, Rio de Janeiro, v. 99, n. 8, p. 809-814, dez 2004. Disponível em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S007402762004000800005&lng=en&nrm=iso>. Acesso em: 20 abr. 2016.
CAUCHEMEZ, S. et al. Association between Zika virus and microcephaly in French
Polynesia, 2013–15: a retrospective study. The Lancet, v. 387, n. 10033, p.2125–2132, maio
2016. Disponível em :< http://thelancet.com/abstract/S0140-6736(16)00651-6> Acesso em:
05 julho 2016.
CECILIO, A. B. et al. Natural vertical transmission by Stegomyia albopicta as dengue vector
in Brazil. Braz. J. Biol., São Carlos, v. 69, n. 1, p. 123-127, fev. 2009.
CHOUIN-CARNEIRO, T. et al. Differential Susceptibilities of Aedes aegypti and Aedes
albopictus from the Americas to Zika. PloS Neg. Trop. Dis., v. 10, p. e0004543, Mar 2016.
Disponível em:< http://journals.plos.org/plosntds/article?id=10.1371/journal.pntd.0004543>.
Acesso em: 17 jul 2016.
CLEMONS, A. et al. Aedes aegypti Culturing and Egg Collection. Cold Spring Harb
Protoc., v. pdb.prot5507., Out. 2010. Disponível em:
<http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2966317/>. Acesso em: 16 jul 2016.
CODEÇO, C. T. et al. Aedes aegypti: Comparison of House Index with Four Surveillance of
Alternative Traps. PLoS Negl Trop Dis, 9, n. 2, Fev. 2015. e0003475. Disponivel em:
<http://www.arca.fiocruz.br/handle/icict/11485>. Acesso em: 17 jun 2016.
CODECO, C. T. et al. InfoDengue: a nowcasting system for the surveillance of dengue fever
transmission. bioRxiv 046193, 2016 (No prelo).
COELHO, G. E. Relação entre o índice de infestação predial (IIP), obtido pelo
levantamento rápido (LIRAa) e intensidade de circulação do vírus do Dengue.
Dissertação (Mestrado em Saúde Pública) - Instituto de Saúde Coletiva. Universidade Federal
da Bahia. Salvador. 2008.
CONNOR, M. E.; MONROE, W. M. Stegomyia indices and their value in yellow fever
control. Am. J. Trop. Med. Hyg, v. 3, p. 9-19, 1923.
CONSOLI, R. A.; LOURENÇO-DE-OLIVEIRA, R. Principais mosquitos de importância
sanitária no Brasil. Rio de Janeiro: Editora Fiocruz, 1994.
CORBET, P.; CHADEE, D. D. An improved method for detecting substrate preferences
shown by mosquitoes that exhibit ‘skip oviposition’. Physiological Entomology , v. 18, p.
114-118, 1993.
COSTA, A. I. N. D. Geographical distribution of dengue and socioeconomic factors in an
urban locality in Southeastern Brazil. Revista de Saúde Pública, v.32, n. 3, p. 232-236, jun.
1998.
COSTA, L. R. M. Algoritmos Genéticos Aplicados ao Problema de Redução da Malha
Amostral. Dissertação (Mestrado) - Escola de Matemática Aplicada da Fundação Getúlio
Vargas. Rio de Janeiro, 2016.
COURET, J.; BENEDICT, M. Q. A meta-analysis of the factors influencing development rate
variation in Aedes aegypti (Diptera: Culicidae). BMC Ecology, v.14, n. 1, fev 2014.
96
CRANS, W. J.; SPRENGER, D. A.; MAHMOOD, F. The Blood-Feeding Habits of Aedes
sollicitans (Walker) in Relation to Eastern Equine Encephalitis virus in coastal areas of New
Jersey, II. Results of experiments with caged mosquitoes. Journal of Vector Ecology, v. 21,
n. 1, p.1-5, out 1995.
COMMUNITOR. http://www.communitor.com.br/. Projeto Cummunitor, 2016. Acesso em:
16 julho 2016.
DE SIMONE, T. S., et al. Dengue virus surveillance: the co-circulation of DENV-1, DENV-2
and DENV-3 in the State of Rio de Janeiro, Brazil. Transactions of the Royal Society of
Tropical Medicine and Hygiene, v.98, n. 9, p. 553-562, set. 2004.
DIBO, M. R., et al. Identification of the best ovitrap installation sites for gravid Aedes
(Stegomyia) aegypti in residences in Mirassol, state of São Paulo, Brazil. Mem. Inst.
Oswaldo Cruz, Rio de Janeiro , v. 100, n. 4, p. 339-343, jul. 2005.
DICKERSON, C. Z. The effects of temperature and humidity on the eggs of Aedes
aegypti (L.) and Aedes albopictus (Skuse) in Texas. Texas A&M University. Dissertação
(Mestrado).Texas, 2007.
DOBSON, A. J. An introduction to generalized linear models. 2ª. ed. Florida: Chpman &
Hall, 2002.
DUFFY, M. R.; AL, E. Zika Virus Outbreak on Yap Island, Federated States of Micronesia. N
Engl J Med , New England, v. 360, p. 2536-2543, jun. 2009.
FAY, R. W.; ELIASON, D. A. A preferred oviposition site as a surveillance method for Aedes
aegypti. Mosq. News, v.26, n. 4, p. 531–535, 1966.
FAY, R. W.; PERRY, A. S. Laboratory studies of ovipositional preferences of Aedes aegypti.
Mosq. News,v. 25, n. 3, p.276–81, 1965.
FIGUEIREDO, M. L. G., et al. Mosquitoes infected with dengue viruses in Brazil. l. Virol J ,
v. 7, p. 152, 2010.
FOCKS, D. A. A review of entomological sampling methods and indicators for dengue
vectors. World Health Organization on behalf of the Special Programme for Research and
Training in Tropical Diseases, Gainsville: 2003. Disponivel em:
<http://whqlibdoc.who.int/hq/2003/TDR_IDE_DEN_03.1.pdf>. Acesso em: 9 jun 2015.
FORATTINI, O. P. Identificação de Aedes (Stegomyia) albopictus (Skuse) no Brasil. Revista
de Saúde Pública, v.20, n. 3, p. 244–5, set 1986.
FOX, G.; NEGRETE-YANKELEVICH, S.; SOSA, V. J. Ecological Statistics: Contemporary
Theory and Application. Oxford : Oxford University Press , 2015.
FOY, B. D., et al. Probable non–vector-borne transmission of Zika virus, Colorado, USA.
Emerg Infect Dis., v.17, n.5, maio, 2011.
FREIRE, C. C. M. Caracterização de processos evolutivos de vírus de RNA a partir de
padrões deixados nas filogenias virais. Tese (Doutorado) - Bioinformática. Universidade de
São Paulo. São Paulo. 2014.
97
GARRETT-JONES, C. Prognosis for interruption of malaria transmission through assessment
of the mosquito's vectorial capacity. Nature, v. 204, p. 1173–1175, 1964.
GELMAN, A.; HILL, J. Data Analysis Using Regression and Multilevel/Hierarchical
Models. Cambridge: Cambridge University Press, 2007.
GOMES, A. C. Medidas dos níveis de infestação urbana para Aedes (Stegomyia) aegypti e
Aedes (Stegomyia) albopictus em programa de vigilância entomológica. Informe
epidemiológico do SUS, v.7, n. 3, p. 49-57, set 1998.
GOMES, A. C. Vigilância entomológica. Informe epidemiológico do SUS, v.11, n. 2, p. 7990, 2002.
GRATZ, N. G. Critical review of the vector status of Aedes albopictus. Medical and
veterinary entomology, v.18, n. 3,p. 215–27, 2004.
HASTIE, T.; TIBSHIRANI, R. Generalized Additive Models. Statistical Science, v.1, n. 3, p.
297-318, 1986.
HASTIE, T.; TIBSHIRANI, R. Generalized Additive Models. London: Chapman and Hall,
1990.
HAYES, E. B. Zika Virus Outside Africa. Emerg Infect Dis, v.15, n. 9, p.1347–50, set. 2009.
HONÓRIO, N. A. et al. Temporal Distribution of Aedes aegypti in Different Districts of Rio
De Janeiro, Brazil, Measured by Two Types of Traps. J. Med. Entomol, v.46, n. 5, p. 10011014, 2009.
HONÓRIO, N. A. et al. Spatial Evaluation and Modeling of Dengue Seroprevalence and
Vector Density in Rio de Janeiro, Brazil. PLoS Negl Trop Dis., v. 11, n. 3, p. e545., Nov.
2009b.
INSTITUTO MUNICIPAL DE URBANISMO PEREIRA PASSOS. Prefeitura Municipal do
Rio de Janeiro. Armazem de Dados, 2015. Disponivel em: <http://portalgeo.rio.rj.gov.br/>.
Acesso em: 24 julho 2015.
KLEMPNER, M. S.; UNNASCH, T. R.; HU, L. T. Taking a Bite Out of Vector-Transmitted
Infectious Diseases. New England Journal of Medicine,v. 356, n. 25,p. 2567-2569, jun.
2007.
LAIRD, N. M.; WARE, J. H. Random-Effects Models for Longitudinal Data. Biometrics, v.
38, n. 4, p. 963-974., dez 1982.
LIMA, A. W. S.; HONÓRIO, N. A.; CODEÇO, C. T. Spatial Clustering of Aedes aegypti
(Diptera: Culicidae) and Its Impact on Entomological Surveillance Indicators. J Med
Entomol., v. 53, n. 2, p. 343-348, mar. 2016.
LOBO, I. Dengue Fever. Dengue Fever, 2011. Disponivel em:
<http://www.nature.com/scitable/ebooks/dengue-fever-22453392>. Acesso em: 15 jun. 2014.
LOURENÇO-DE-OLIVEIRA, R. Transmissão Vetorial. In: VALLE, D.; (ORG) Dengue:
Teorias e Práticas. Rio de Janeiro: Editora Fiocruz, 2015. Cap. 5, p. 127-146.
LOURENÇO-DE-OLIVEIRA, R. et al. Comparison of Different Uses of Adult Traps and
Ovitraps for Assessing Dengue Vector Infestation in Endemic Areas. Journal of the
98
American Mosquito Control Association, v.24, n. 3, p. 387-392,set. 2008. Disponivel em:
<http://www.bioone.org/doi/abs/10.2987/5585.1>. Acesso em: 16 nov. 2014.
MALLET, H. P.; VIAL, A. L.; MUSSO, D. Bilan de L’épidémie a virus Zika en Polynésie
Française, 2013-2014. Direction de la Sante. Papeete, p. 1-8. 2015.
MARTÍN, J. L. S. et al. The Epidemiology of Dengue in the Americas Over the Last Three
Decades: A Worrisome Reality. Am J Trop Med Hyg, v.82, n. 1, p. 128-135, jan. 2010.
MARTINS, V. E. et al. Occurrence of natural vertical transmission of dengue-2 and dengue-3
viruses in Aedes aegypti and Aedes albopictus in Fortaleza, Ceara, Brazil. PloS One, n. 7, p.
e41386, jul. 2012.
MIYAZAKI, R. D. et al. Monitoramento do mosquito Aedes aegypti (Linnaeus,
1762)(Diptera: Culicidae), por meio de ovitrampas no Campus da Universidade Federal de
Mato Grosso, Cuiabá, Estado de Mato Grosso. Revista da Sociedade Brasileira de
Medicina Tropical,v. 9, p. 392-397, jul-ago 2009.
MOHAMMED, A.; CHADEE, D. D. Effects of different temperature regimens on the
development of Aedes aegypti. Acta Tropica, v.119, p.38-43, jul. 2011
MONDINI, A.; CHIARAVALLOTI-NETO, F. Spatial correlation of incidence of dengue with
socioeconomic, demographic and environmental variables in a Brazilian city. Science of The
Total Environment, v393, n. 2-3, p. 241-248, abr. 2008.
MORAIS, M. B. J. Avaliação da BG-Sentinel e da Mosquitrap na captura do Mosquito
Aedes (Stegomya) aegypti (Linnaeus), (Diptera: Culicidae). Dissertação (Mestrado em
Ciência Biológicas) - Programa de Pós-Graduação em Ciências Biológicas. Universidade
Estadual de Montes Claros. Montes Claros. 2009.
MORATO, V. C. G. et al. Infestation of Aedes aegypti estimated by oviposition traps in
Brazil., São Paulo, v. v. 39, n. n. 4, p. 553-558, ago 2005.
MUSSO, D., et al. Potential Sexual Transmission of Zika Virus. Emerg Infect Dis, Atlanta, v.
21, n. 2, fev. 2015.
MUSTAFA, M. S., et al. Discovery of fifth serotype of dengue virus (DENV-5): A new public
health dilemma in dengue control. Medical Journal Armed Forces India, New Delhy, v.71,
p. 67-70, jan. 2015.
NELDER, J.; WEDDERBURN, R. Generalized Linear Models. Journal of the Royal
Statistical Society., v.135, p.370–384, 1972.
NEVES, D. P. Parasitologia humana. 11 ed.. Rio de Janeiro: Atheneu, 2002.
NOGUEIRA, R. M. R. et al. Dengue epidemic in the stage of Rio de Janeiro, Brazil, 1990-1:
co-circulation of dengue 1 and dengue 2 serotypes. Epidemiology and Infection, v.111, n. 1,
p. 163-170, ago. 1993.
NOGUEIRA, R. M. R.; ARAÚJO, J. M. G.; SCHATZMAYR, H. G. Dengue viruses in Brazil,
1986-2006. Revista Panamericana de Salud Publica, 22, n. 5, p. 358–363, nov. 2007.
Disponivel em: <http://www.scielosp.org/scielo.php?pid=S102049892007001000009&script=sci_arttext>. Acesso em: 22 out 2014.
99
NOGUEIRA, R. M. R.; EPPINGHAUS, A. L. F. Dengue virus type 4 arrives in the state of
Rio de Janeiro: a challenge for epidemiological surveillance and control. Memórias do
Instituto Oswaldo Cruz, v.106, n. 3, p. 255–6, maio 2011.
NUNES, M. R. et al. Emergence and potential for spread of Chikungunya virus in Brazil.
BMC Medicine, v.13, n. 1, p.102, 2015.
OOI, E.-E.; GOH, K.-T.; GUBLER, D. J. Dengue Prevention and 35 Years of Vector Control
in Singapore. Emerging Infectious Diseases, v.12, n. 6, p. 887-893, jun. 2006.
ORGANIZAÇÃO MUNDIAL DE SAÚDE. Dengue guidelines for diagnosis, treatment,
prevention and control: new edition. Geneva: WHO, 2009.
ORGANIZAÇÃO MUNDIAL DE SAÚDE. Impact of Dengue, 2014. Disponivel em:
<http://www.who.int/cs.r/disease/dengue/impact/en/>. Acesso em: 29 out 2014.
ORGANIZAÇÃO PAN-AMERICANA DE SAÚDE. Description of the current
epidemiological trends of dengue in the Americas. PAHO, 2015. Disponivel em:
<http://www.paho.org/hq/index.php?option=com_content&view=article&id=4494%3A2010descripcion-situacion-epidemiologica-actual-dengue-americas&catid=1221%3Adenguestatistics-maps&Itemid=41505&lang=en>. Acesso em: 16 ago 2015.
ORGANIZAÇÃO PAN-AMERICANA DE SAÚDE. Number of Reported Cases of
Chikungunya Fever in the Americas, by Country or Territory, 2015. Disponivel em:
<Disponível em
http://www.paho.org/hq/index.php?option=com_topics&view=readall&cid=5511&Itemid=40
931&lang=pt>. Acesso em: 1 jun. 2015.
ORGANIZAÇÃO PAN-AMERICANA DE SAÚDE/ ORGANIZAÇÃO MUNDIAL DA
SAÚDE. Epidemiological Update: Neurological syndrome, congenital anomalies and
Zika virus infection. PAHO/WHO. Washington, p. 2-8. 2016.
PEPIN, K. M. et al. Cost-effectiveness of Novel System of mosquito surveillance and control,
Brazil. Emerging Infectious Diseases, v.19, n.4, abr 2013.
PEPIN, K. M. et al. Utility of mosquito surveillance data for spatial prioritization of vector
control against dengue in three Brazilian cities. Parasites & Vectors, v.98,n.8, fev 2015.
PESSANHA, J. E. M. et al. Ovitrap surveillance as dengue epidemic predictor. Journal of
Health & Biological Sciences,v 2, n. 2, p. 51-56, abr 2014. Disponivel em:
<http://201.20.109.36:2627/index.php/medicina/article/view/54>. Acesso em: 09 jun. 2015.
PINHEIRO, J. et al. _nlme: Linear and Nonlinear Mixed Effects Models_. R package
version 3.1, 2016.
POWERS, A. M.; LOGUE, C. H. Changing patterns of chikungunya virus: re-emergence of a
zoonotic arbovirus. J Gen Virol,v. 88, n. 9, p. 2363–77,set. 2007.
REY, L. Bases da parasitologia médica. 3. ed. Rio de Janeiro: Guanabara Koogan, 2011.
RIO DE JANEIRO (ESTADO). Dengue: Cenário epidemiológico e perspectiva para o ano
de 2016. Secretaria de Estado de Saúde do Rio de Janeiro. Rio de janeiro, p. 1-7. 2015.
100
RUBIO-PALIS, Y. et al. Influence of climatic variables on dengue cases and abundance of
Aedes aegypti (Diptera: Culicidae) in Maracay, Venezuela. Bol Mal Salud Amb, Maracay , v.
51, n. 2, p. 145-158, dez 2011.
RUEDA, B. Z. Comparação da eficácia dos métodos “Índice de Breteau” e Armadilha de
Oviposição (ovitrampa) na obtenção dos índices de infestação de Aedes (stegomyia)
aegypti e Aedes (stegomyia) albopictus no município de Botucatu, SP. Tese (Doutorado)Universidade Estadual Paulista, Instituto de Biociências. Botucatu. 2009.
RUEDA, L. M. et al. Temperature-Dependent Development and Survival Rates of Culex
quinquefasciatus and Aedes aegypti (Diptera: Culicidae). Journal of Medical Entomology,
v.27, n. 5, p. 892-898, 1990.
SALAZAR, M. I. et al. Dengue virus type 2: replication and tropisms in orally infected Aedes
aegypti mosquitoes. BMC Microbiology, v.7, n.9, jan 2007.
SANCHEZ, L. et al. Aedes aegypti Larval Indices and Risk for Dengue Epidemics. Emerg
Infect Dis , v. 12, maio 2006.
SANTOS, M. A. V. M. Aedes aegypti (diptera: culicidae): estudos populacionais e
estratégias integradas para controle vetorial em municípios da região metropolitana do
Recife, no período de 2001 a 2007. Tese (Doutorado) - Centro de Pesquisas Aggeu
Magalhães, Fundação Oswaldo Cruz. Recife. 2008.
SCHULER-FACCINI, L., et al. Possible Association Between Zika Virus Infection and
Microcephaly — Brazil, 2015. Morbidity and Mortality Weekly Report (MMWR).
Centers for Disease Control and Prevention. Atlanta, p. 59–62, 2016.
SILVA, H. H. G.; SILVA, I. G. Influência do período de quiescência dos ovos sobre o ciclo de
vida de Aedes aegypti (Linnaeus, 1762)(Diptera, Culicidae) em condições de laboratório. Rev
Soc Bras Med Trop., v.32, n. 4,p. 349–355, jul. 1999.
SIMMONS, C. P. et al. Dengue. New England Journal of Medicine., v. 366, n. 15, p. 1423–
32, abr. 2012. Disponivel em: <http://www.nejm.org/doi/full/10.1056/NEJMra1110265>.
Acesso em: 30 out. 2014.
SIMÕES, T. C. et al. Modeling the Non-Stationary Climate Dependent Temporal Dynamics of
Aedes aegypti. PLoS One, v. 8, p. e64773, ago 2013.
SIVANATHAN, S. The Ecology And Biology Of Aedes Aegypti (L.) And Aedes Albopictus
(Skuse)(Diptera: Culicidae) And The Resistance Status Of Aedes Albopictus (Field
Strain) Against Organophosphates In Penang, Malaysia. Dissertação (Mestrado em
Ciências)- Universiti Sains Malaysia. 2006. Penang. 2006.
SOUZA, S. S.; SILVA, I. G.; SILVA, H. H. G. Associação entre incidência de dengue,
pluviosidade e densidade larvária de Aedes aegypti, no Estado de Goiás. Rev. Soc. Bras. Med
Trop., v. 43, n. 2, p. 152–5, mar-abr 2010. Disponivel em:
<http://www.scielo.br/pdf/rsbmt/v43n2/09.pdf>. Acesso em: 22 out 2014.
STAPLES, J. E.; BREIMAN, R. F.; POWERS, A. M. Chikungunya Fever: An
Epidemiological Review of a Re-Emerging Infectious Disease. Clin Infect Dis., v.49, n. 6, p.
942–8, set. 2009.
101
TAUIL, P. L. Critical aspects of dengue control in Brazil. Cadernos de Saúde Pública, v. 18,
n. 3, p. 867-871, jun. 2002.
TEIXEIRA, M. G. et al. Epidemiological trends of dengue disease in Brazil (2000–2010): a
systematic literature search and analysis. PLoS neg. trop. dis., v.7, n. 12, p. e2520, dez 2013.
Disponivel em: <http://dx.plos.org/10.1371/journal.pntd.0002520.g004>. Acesso em: 21 jan
2015.
TEIXEIRA, T. R. A.; CRUZ, O. G. Spatial modeling of dengue and socio-environmental
indicators in the city of Rio de Janeiro, Brazil. Cadernos de Saúde Pública, v.27, n. 3, p.
591-602, mar. 2011.
TUN-LIN, W.; BURKOT, T. R.; KAY, B. H. Effects of temperature and larval diet on
development rates and survival of the dengue vector Aedes aegypti in north Queensland,
Australia. Medical and Veterinary Entomology, v.14, n. 1, p. 31-37, mar. 2000.
VALLE, D.; CODEÇO, C. T. Avaliação de armadilhas para a vigilância entomológica de
Aedes aegypti com vistas à elaboração de novos índices de infestação. Nota Técnica,
Insituto Oswaldo Cruz/ FIOCRUZ. Rio de Janeiro, maio 2014.
VEGA-RÚA, A. et al. High vector competence of Aedes aegypti and Aedes albopictus from
ten American countries as a crucial factor of the spread of Chikungunya. J Virol, v. 88, n. 11,
p. 6294-6306, mar. 2014.
VENABLES, W. N.; RIPLEY, B. D. Modern Applied Statistics with S. 4ª. ed. New York.:
Springer, 2002.
VICTORA, C. G., et al. Microcephaly in Brazil: How to interpret reported numbers? The
Lancet, v. 387 (10019), p. 621-624, fev. 2016.
WATTS, D. et al. Effect of temperature on the vector efficiency of Aedes aegypti for dengue 2
virus. Am. J. Trop. Med. Hyg., v.36, n. 1, p. 143-152, jan. 1987.
WEAVER, S. C.; REISENB, W. K. Present and future arboviral threats. Antiviral Research,
v. 85, n. 1, p. 328-345, out. 2009.
WOOD, S. N. Generalized Additive Models: An Introduction with R. [S.l.]: Chapman and
Hall/CRC, 2006.
YANG, H. M. et al. Assessing the effects of temperature on the population of Aedes aegypti,
the vector of dengue. Epidemiol. Infect., Cambridge, v. 137, p. 1188–1202, 2009.
ZUUR, A. F. et al. Mixed effects models and extensions in ecology with R. New York:
Springer, 2009.
102
APÊNDICE A – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO
ENTRE IDO E TEMPERATURA
title: " title: "Script Analise IDO por AP"
author: "Sara de Souza"
date: "Thursday, May 19, 2016"
--Carregando os dados e bibliotecas
```{r}
setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")
setwd("script + arquivos/arquivos clima ovitrampas")
library(ggplot2)
library(grid)
ovi<-read.csv2("indtemptotal.csv")
ovi$data= as.Date(ovi$data, format = "%d/%m/%Y")
ovi <- ovi[-155,]
```
Descricao das variaveis
ipo = indice de positividade de ovos (proporcao de ovitrampas positivas)
ido = indice de densidade de ovos (media de ovos por ovitrampa)
tmin = media semanal das temperaturas minimas, na semana da coleta dos dados, na estacao
correspondente a area de coleta.
tmin1 = media semanal das temperaturas minimas, na semana a anterior a semana da coleta
dos dados, na estacao correspondente a area de coleta.
tmin2 = media semanal das temperaturas minimas duas semanas antes da semana de coleta
dos dados, na estacao correspondente a area de coleta.
tmin3 = media semanal das temperaturas minimas, tres semanas antes da semana da coleta
dos dados, na estacao correspondente a area de coleta.
tmax = media semanal das temperaturas maximas, na semana da coleta dos dados, na estacao
correspondente a area de coleta.
tmax1 = media semanal das temperaturas maximas, na semana a anterior a semana da coleta
dos dados, na estacao correspondente a area de coleta.
tmax2 = media semanal das temperaturas maximas duas semanas antes da semana de coleta
dos dados, na estacao correspondente a area de coleta.
tmax3 = media semanal das temperaturas maximas, tres semanas antes da semana da coleta
dos dados, na estacao correspondente a area de coleta.
```{r}
= 2, layout.pos.col = 2))
```
IDO por APS
```{r}
str(ovi)
par(mfrow=c(1,1),mar=c(2,2,2,1))
103
ovim <- ovi[-which(is.na(ovi$ido)),]
idoaps=base <- ggplot(ovim, aes( data,ido,group=APS, color=APS,)) +
geom_line(size = 1)+labs(title="IDO por APS")+ scale_colour_brewer(palette="Set3")
idoaps
library("nlme")
```
IPO por APS
```{r}
par(mfrow=c(1,1),mar=c(2,2,2,1))
str(ovi)
ovim <- ovi[-which(is.na(ovi$ipo)),]
ipoaps=ggplot(ovim, aes( data,ipo,group=APS, color=APS,)) +
geom_line(size = 1)+ labs(title="IPO por APS")+ scale_colour_brewer(palette="Spectral")
```
Box plot relacao IDO-IPO
```{r}
idoipo=ggplot(ovi, aes(APS, ido*ipo)) +
geom_boxplot()+labs(title="IDO interagindo com IPO por APS")
par(mfrow=c(1,1),mar=c(6,6,6,6))
ipoxido=ggplot(ovi, aes(x=ido, y=ipo, group=APS)) +
geom_point(shape=1) + # Use hollow circles
geom_smooth(method=lm)
ipoxido
summary(lm(ovi$ido~ovi$ipo))
```
Transformando em dado agrupado
```{r}
ovim <- ovi[-which(is.na(ovi$ido)),]
ovim$APS <- as.factor(ovim$APS)
str(ovim)
gd<- groupedData(ido~week|APS,data=ovim,labels=list(x='Semanas do Estudo',y='IDO'))
plot(gd)
```
Modelo de relacao do mosquito com temperatura por APS, usando GAM e LM
```{r}
library(mgcv)
mod0<-gam(ido~s(tmin),data=ovi)
mod1<-gam(ido~s(tmin1),data=ovi)
mod2<-gam(ido~s(tmin2),data=ovi)
mod3<-gam(ido~s(tmin3),data=ovi)
summary(mod0)
summary(mod1)
104
summary(mod2)
summary(mod3)
par(mfrow=c(2,2), mar=c(2,4,2,1))
plot(mod0)
abline(h=0, col=2)
plot(mod1)
abline(h=0, col=2)
plot(mod2)
abline(h=0, col=2)
plot(mod3)
abline(h=0, col=2)
AIC(mod1, mod2, mod3, mod0)
#nao linear mod0 mod3
#substituindo os demais por lineares (mod1d, mod2d e mod3)
mod1d<-lm(ido~tmin1,data=ovi)
mod2d<-lm(ido~tmin2,data=ovi)
summary(mod1d)
summary(mod2d)
par(mfrow=c(2,2), mar=c(2,4,2,1))
plot(mod1d)
plot(mod2d)
AIC(mod1d, mod2d, mod3, mod0)
#por enquanto vence o modelo mod1d
mod0c<-gam(ido~s(tmin)+APS,data=ovi)
mod1c<-gam(ido~s(tmin1)+APS,data=ovi)
mod2c<-gam(ido~s(tmin2)+APS,data=ovi)
mod3c<-gam(ido~s(tmin3)+APS,data=ovi)
summary(mod0c)
summary(mod1c)
summary(mod2c)
summary(mod3c)
par(mfrow=c(2,2))
plot(mod0c)
abline(h=0, col=2)
plot(mod1c)
abline(h=0, col=2)
plot(mod2c)
abline(h=0, col=2)
plot(mod3c)
abline(h=0, col=2)
AIC(mod0c,mod1c,mod2c,mod3c)
#aqui ganhou mod1c
105
mod0d=gam(ido~s(tmin,by=APS), data=ovi)
mod1d=gam(ido~s(tmin1,by=APS), data=ovi)
mod2d=gam(ido~s(tmin2,by=APS), data=ovi)
mod3d=gam(ido~s(tmin3,by=APS), data=ovi)
AIC(mod0d,mod1d,mod2d,mod3d)
summary(mod0d)
summary(mod1d)
summary(mod2d)
summary(mod3d)
plot(mod0d, pages =1)
plot(mod1d, pages =1)
plot(mod2d, pages =1)
plot(mod3d, pages =1)
mod0a<-lm(ido~tmin*APS,data=ovi)
mod1a<-lm(ido~tmin1*APS,data=ovi)
mod2a<-lm(ido~tmin2*APS,data=ovi)
mod3a<-lm(ido~tmin3*APS,data=ovi)
summary(mod0a)
summary(mod1a)
summary(mod2a)
summary(mod3a)
par(mfrow=c(2,2))
plot(mod0a)
plot(mod1a)
plot(mod2a)
plot(mod3a)
AIC(mod0a,mod1a,mod2a,mod3a)
#ganhou mod1a
```
Melhor modelo: lag de 1 semana
Escolhendo o melhor modelo com lag de 1 semanas
```{r}
mod1<-gam(ido~s(tmin1),data=ovi)
mod1e=lm(ido~tmin1, data=ovi)
mod1b<-lm(ido~tmin1+APS,data=ovi)
mod1a<-lm(ido~tmin1*APS,data=ovi)
plot(mod1a)
mod1c= gam(ido~s(tmin1)+APS, data=ovi)
mod1d=gam(ido~s(tmin1,by=APS), data=ovi)
gam.check(mod1c)
gam.check(mod1d)
AIC(mod1, mod1a, mod1b, mod1c, mod1d, mod1e)
# grafico do predito
106
aps = unique(ovi$APS)
newdata <- expand.grid(tmin1=seq(16,26), APS=aps)
newdata$predmod1 <- predict(mod1a, newdata)
par(mfrow=c(1,1))
plot(newdata$tmin1[newdata$APS==aps[1]],newdata$predmod1[newdata$APS==aps[1]],typ
e="l", col= "OliveDrab",ylab="predito(IDO)", xlab="temperatura mí-nima",ylim=c(0,70))
lines(newdata$tmin1[newdata$APS==aps[2]],newdata$predmod1[newdata$APS==aps[2]],co
l="DeepSkyBlue")
lines(newdata$tmin1[newdata$APS==aps[3]],newdata$predmod1[newdata$APS==aps[3]],co
l="LawnGreen")
lines(newdata$tmin1[newdata$APS==aps[4]],newdata$predmod1[newdata$APS==aps[4]],co
l="Gold")
lines(newdata$tmin1[newdata$APS==aps[5]],newdata$predmod1[newdata$APS==aps[5]],co
l="MediumOrchid")
lines(newdata$tmin1[newdata$APS==aps[6]],newdata$predmod1[newdata$APS==aps[6]],co
l="LightSalmon")
lines(newdata$tmin1[newdata$APS==aps[7]],newdata$predmod1[newdata$APS==aps[7]],co
l="Sienna")
lines(newdata$tmin1[newdata$APS==aps[8]],newdata$predmod1[newdata$APS==aps[8]],co
l="Tomato")
lines(newdata$tmin1[newdata$APS==aps[9]],newdata$predmod1[newdata$APS==aps[9]],co
l="Grey")
lines(newdata$tmin1[newdata$APS==aps[10]],newdata$predmod1[newdata$APS==aps[10]],
col="RosyBrown")
legend(x="topleft", legend=aps, lty=1, col=c("OliveDrab", "DeepSkyBlue", "LawnGreen",
"Gold", "MediumOrchid","LightSalmon", "Sienna", "Tomato", "Grey", "RosyBrown"),
cex=0.5)
```
Melhor modelo para as minimas: linear lag de 1 semana, com ido e temp com intera??o com
a APS
```{r}
mod1a<-lm(ido~tmin1*APS,data=ovi)
par(mfrow=c(2,2),mar=c(2,2,2,2))
plot(mod1a)
hist(resid(mod1a))
boxplot(resid(mod1a))
ovi$predicted=predict(mod1a)
predict(mod1a)
```
Ido x Temp Para as maximas
```{r}
modmax0<-gam(ido~s(tmax),data=ovi)
modmax1<-gam(ido~s(tmax1),data=ovi)
modmax2<-gam(ido~s(tmax2),data=ovi)
107
modmax3<-gam(ido~s(tmax3),data=ovi)
summary(modmax0)
summary(modmax1)
summary(modmax2)
summary(modmax3)
par(mfrow=c(2,2))
plot(modmax0)
abline(h=0, col=2)
plot(modmax1)
abline(h=0, col=2)
plot(modmax2)
abline(h=0, col=2)
plot(modmax3)
abline(h=0, col=2)
#lineares = modmax1 e 3
modmax1lm=lm(ido~tmax1, data=ovi)
modmax3lm=lm(ido~tmax3, data=ovi)
summary(modmax1lm)
summary(modmax3lm)
plot(modmax1lm)
plot(modmax3lm)
AIC(modmax0,modmax1lm, modmax2,modmax3lm )
#O melhor: o lag 2
#Agora com aps
modmax0<-gam(ido~s(tmax)+APS,data=ovi)
modmax1<-gam(ido~s(tmax1)+APS,data=ovi)
modmax2<-gam(ido~s(tmax2)+APS,data=ovi)
modmax3<-gam(ido~s(tmax3)+APS,data=ovi)
summary(modmax0)
summary(modmax1)
summary(modmax2)
summary(modmax3)
par(mfrow=c(2,2), mar=c(1,1,1,1))
plot(modmax0)
abline(h=0, col=3)
plot(modmax1)
abline(h=0, col=3)
plot(modmax2)
abline(h=0, col=3)
plot(modmax3)
abline(h=0, col=3)
AIC(modmax0,modmax1,modmax2,modmax3)
#Melhor modelo = modmax1
108
#Agora os modelos com intera??o da APS
modmax0<-gam(ido~s(tmax, by=APS),data=ovi)
modmax1<-gam(ido~s(tmax1, by=APS),data=ovi)
modmax2<-gam(ido~s(tmax2, by=APS),data=ovi)
modmax3<-gam(ido~s(tmax3, by=APS),data=ovi)
summary(modmax0)
summary(modmax1)
summary(modmax2)
summary(modmax3)
AIC(modmax0,modmax1,modmax2,modmax3)
#Melhor modelo = modmax1
lmmodmax0<-lm(ido~tmax*APS,data=ovi)
lmmodmax1<-lm(ido~tmax1*APS,data=ovi)
lmmodmax2<-lm(ido~tmax2*APS,data=ovi)
lmmodmax3<-lm(ido~tmax3*APS,data=ovi)
summary(lmmodmax0)
summary(lmmodmax1)
summary(lmmodmax2)
summary(lmmodmax3)
plot(lmmodmax1)
AIC(lmmodmax0, lmmodmax1,lmmodmax2, lmmodmax3)
```
Melhor modelo: lag 1 semana
Escolhendo o melhor modelo com lag
```{r}
mod<-gam(ido~s(tmax),data=ovi)
modmax1<-gam(ido~s(tmax1)+APS,data=ovi)
lmmodmax1<-lm(ido~tmax1*APS,data=ovi)
mod1b<-gam(ido~s(tmax1, by=APS),data=ovi)
summary(mod1b)
AIC(mod,modmax1,lmmodmax1, mod1b)
lmmodmax1<-lm(ido~tmax1*APS,data=ovim)
mod1b<-gam(ido~s(tmax1, by=APS),data=ovim)
plot(lmmodmax1)
plot(mod1b)
AIC(mod1a, mod1b, lmmodmax1)
#Ao remover ponto de influencia (apos consulta a fonte e constatacao que o ponto foi
digitado errado) , o melhor modelo e o linear
title: "Script Analise IDO por RA"
author: "Sara de Souza"
date: "Friday, June 03, 2016"
109
--```{r}
setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")
setwd("script + arquivos/arquivos clima ovitrampas")
ovi<-read.csv2("indtemptotalra.csv")
str(ovi)
ovi$data= as.Date(ovi$data, format = "%Y-%m-%d")
ovi$RANUM=as.factor(ovi$RANUM)
ovi <- ovi[-461,]
head(ovi)
```
ipo = indice de positividade de ovos (proporcao de ovitrampas positivas)
ido = indice de densidade de ovos (media de ovos por ovitrampa)
```{r}
library(ggplot2)
par(mfrow=c(1,1),mar=c(2,3,2,3))
boxplot=ggplot(ovi, aes( RANUM,ido)) +
geom_boxplot()+ xlab('Regioes Administrativas') + ylab('IDO')
boxplot+ggtitle('IDO por Regiao Adiministrativa')
boxplot=ggplot(ovi, aes( RANUM,ipo)) +
geom_boxplot()+ xlab('Regioes Administrativas') + ylab('IPO')
boxplot+ggtitle('IPO por Regiao Adiministrativa')
```
Modelo misto
Carregando bibliotecas necessarias
```{r}
library("nlme")
```
Transformando em dado agrupado
```{r}
ovim <- ovi[-which(is.na(ovi$ido)),]
ovim$RANUM <- as.factor(ovim$RANUM)
str(ovim)
gd<- groupedData(ido~week|RANUM,data=ovim,labels=list(x='Semanas do
Estudo',y='IDO'))
gd1<-groupedData(ipo~week|RANUM,data=ovim,labels=list(x='Semanas do
Estudo',y='IPO'))
par(mfrow=c(1,1), mar=c(1,1,1,1))
plot(gd)
plot(gd1)
head(gd)
```
Para temperaturas miminas
110
(As primeiras analises serao tambem exemplos de como fazer cada etapa, conforme
ZUUR(2007))
Como ajustar modelo de regressao de intercepto aleatoriol
tmin = 0 lag e IDO
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefit<-lme(ido~tmin, data=gd, random=~1|RANUM)
summary(lmefit)
```
Como ajustar modelo de slope e intercep aleatorio tmin = 0 lag
```{r}
lmefitt<-lme(ido~tmin, data=gd, random=~1+tmin|RANUM)
summary(lmefitt)
anova(lmefit, lmefitt)
AIC(lmefit, lmefitt)
#modelo com intercepto e slope aleat?rio ? o melhor
```
Como plotar grafico do intercep aleatorio
```{r}
par(mfrow=c(1,1), mar=c(3,3,3,3))
F0 <- fitted(lmefit, level=0) # modelo pop
F1 <- fitted(lmefit, level=1) # modelo intraRA
temps <- sort(ovim$tmin)
I <- order(ovim$tmin)
plot(temps,F0[I],type="l",xlab="tmin",ylab="IDO",lwd=3)
RAs = unique(ovim$RANUM)
for(i in RAs){
x1 <- ovim$tmin[ovim$RANUM == i]
y1 <- F1[ovim$RANUM ==i]
K <- order(x1)
lines(sort(x1),y1[K],lwd=0.8,col="grey")
}
```
Como plotar grafico do slope e intercep aleatorio
```{r}
par(mfrow=c(1,1), mar=c(2,2,2,2))
F0 <- fitted(lmefitt, level=0) # modelo pop
F1 <- fitted(lmefitt, level=1) # modelo intraRA
temps <- sort(ovim$tmin)
I <- order(ovim$tmin)
plot(temps,F0[I],type="l",xlab="tmin",ylab="IDO",lwd=3)
RAs = unique(ovim$RANUM)
for(i in RAs){
111
x1 <- ovim$tmin[ovim$RANUM == i]
y1 <- F1[ovim$RANUM ==i]
K <- order(x1)
lines(sort(x1),y1[K],lwd=0.8,col="grey")
}
```
como plotar o Mapa
```{r}
library(rgeos)
library(maptools)
library(RColorBrewer)
library(classInt)
par(mai=c(0,0,0,0),mar=c(4,4,1,1))
mapa <- readShapePoly("C:/Users/Sara/Dropbox/Sara/script +
arquivos/SARA/limite_RA.shp",verbose=TRUE)
summary(mapa)
plot(mapa)
```
Como plotar o Grafico dos interceptos
```{r}
interc <- random.effects(lmefit)
plot(interc)
names(interc) <- "intercepto"
```
Como colocar os valores de intercepto no shape
```{r}
mapa$interc <- NA
for (i in 1:33){
RAi <- as.character(mapa$CODRA[i])
mapa$interc[i]<-interc$intercepto[which(rownames(interc)==RAi)]
}
colors <- brewer.pal(5, name = "YlOrRd")
brks<-classIntervals(mapa$interc, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$interc,brks,all.inside=TRUE)], axes=F)
#add a title
title(paste ("intercepto do modelo aleatorio"))
#isto é , as áreas mais escuras já saem na frente em relação ao IDO
#add a legend
legend(x=620000, y=7486000, legend=leglabs(round(brks)), fill=colors, bty="n",x.intersp =
.9, y.intersp = .6)
````
Como plotar o grafico dos interceptos e slopes
```{r}
112
interc <- random.effects(lmefitt)
plot(interc)
names(interc) <- c("intercepto","slope")
```
Como colocar os valores de intercepto no shape
```{r}
mapa$interc <- NA
mapa$slope <- NA
for (i in 1:33){
RAi <- as.character(mapa$CODRA[i])
mapa$interc[i]<-interc$intercepto[which(rownames(interc)==RAi)]
mapa$slope[i]<-interc$slope[which(rownames(interc)==RAi)]
}
colors <- brewer.pal(5, name = "YlOrRd")
brks<-classIntervals(mapa$interc, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$interc,brks,all.inside=TRUE)], axes=F)
colors <- brewer.pal(5, name = "YlOrRd")
brks<-classIntervals(mapa$slope, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$slope,brks,all.inside=TRUE)], axes=F)
#add a title
title(paste ("slope"))
#add a legend
legend(x=620000, y=7486000, legend=leglabs(round(brks)), fill=colors, bty="n",x.intersp =
.9, y.intersp = .6)
```
Ajustando modelo de regressao de intercepto aleatorio - tmin , lag 1 semana
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitt1<-lme(ido~tmin1, data=gd, random=~1|RANUM)
summary(lmefitt1)
AIC(lmefit0, lmefitt1)
```
Ajustando modelo de regressao de intercepto e slope aleatorio- tmin , lag 1 semana
(melhor modelo ap?s toda an?lise, logo, os graficos e mapas ser?o feitos com base nesse
modelo)
```{r}
str(gd)
lmefitt12<-lme(ido~tmin1, data=gd, random=~1+tmin1|RANUM)
summary(lmefitt12)
summary(lmefitt123)
AIC(lmefitt1, lmefitt12)
anova(lmefitt1, lmefitt12)
113
```
Grafico do modelo de regressao de intercepto e slope aleatorio- tmin , lag 1 semana
```{r}
par(mfrow=c(1,1))
F0 <- fitted(lmefitt12, level=0) # modelo pop
F1 <- fitted(lmefitt12, level=1) # modelo intraRA
temps <- sort(ovim$tmin1)
I <- order(ovim$tmin1)
plot(temps,F0[I],type="l",xlab="tmin1",ylab="IDO",lwd=3)
RAs = unique(ovim$RANUM)
for(i in RAs){
x1 <- ovim$tmin1[ovim$RANUM == i]
y1 <- F1[ovim$RANUM ==i]
K <- order(x1)
lines(sort(x1),y1[K],lwd=0.8,col="grey")
}
# Modelo com interceptos e slopes aleatórios é melhor
```
Plotando o grafico com os interceptos e slopes
```{r}
interc <- random.effects(lmefitt12)
plot(interc)
names(interc) <- c("intercepto","slope")
```
Colocando os valores de intercepto e slope no shape
```{r}
mapa$interc <- NA
mapa$slope <- NA
for (i in 1:33){
RAi <- as.character(mapa$CODRA[i])
mapa$interc[i]<-interc$intercepto[which(rownames(interc)==RAi)]
mapa$slope[i]<-interc$slope[which(rownames(interc)==RAi)]
}
colors <- brewer.pal(5, name = "YlOrRd")
brks<-classIntervals(mapa$interc, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$interc,brks,all.inside=TRUE)], axes=F)
title(paste ("Intercepto"))
legend(x=620000, y=7486000, legend=leglabs(round(brks,digits=1)), fill=colors,
bty="n",x.intersp = .9, y.intersp = .6)
colors <- brewer.pal(5, name = "YlOrRd")
brks<-classIntervals(mapa$slope, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$slope,brks,all.inside=TRUE)], axes=F)
114
title(paste ("slope"))
legend(x=620000, y=7486000, legend=leglabs(round(brks, digits=1)), fill=colors,
bty="n",x.intersp = .9, y.intersp = .6)
```
Ajustando modelo de regressao de intercepto aleatorio - lag 2 semanas
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitt2<-lme(ido~tmin2, data=gd, random=~1|RANUM)
summary(lmefitt2)
AIC(lmefit0, lmefit)
```
modelo de intercepto e slope aleatorio - lag 2 semanas
```{r}
lmefitt22<-lme(ido~tmin2, data=gd, random=~1+tmin2|RANUM)
summary(lmefitt22)
AIC(lmefitt2,lmefitt22)
anova(lmefitt2,lmefitt22)
````
Ajustando modelo de regressao de intercepto aleatorio - lag 3 semanas
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitt3<-lme(ido~tmin3, data=gd, random=~1|RANUM)
summary(lmefitt3)
AIC(lmefit0, lmefitt3)
```
modelo de intercepto e slope aleatorio - lag 3 semanas
```{r}
lmefitt32<-lme(ido~tmin3, data=gd, random=~1+tmin3|RANUM)
summary(lmefitt32)
AIC(lmefitt3, lmefitt32)
anova(lmefitt3, lmefitt32)
AIC (lmefit0, lmefit, lmefitt, lmefitt1,lmefitt12,lmefitt2,lmefitt22, lmefitt3,lmefitt32 )
anova (lmefit0, lmefit, lmefitt, lmefitt1,lmefitt12,lmefitt2,lmefitt22, lmefitt3,lmefitt32 )
```
Para temperaruras m?ximas
Modelo de regressao de intercepto aleatoriol temperaturas m?ximas sem lag
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitmax<-lme(ido~tmax, data=gd, random=~1|RANUM)
summary(lmefitmax)
AIC(lmefit0, lmefitmax)
```
Ajustando modelo de regressao de intercepto e slope aleatorio temperaturas m?ximas sem lag
```{r}
115
lmefitmaxx<-lme(ido~tmax, data=gd, random=~1+tmax|RANUM)
summary(lmefitmaxx)
AIC(lmefitmax, lmefitmaxx)
anova(lmefitmax, lmefitmaxx)
```
Ajustando modelo de regressao de intercepto aleatorio - temp max lag 1 semana
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitmaxt1<-lme(ido~tmax1, data=gd, random=~1|RANUM)
summary(lmefitmaxt1)
AIC(lmefit0, lmefitmaxt1)
```
Ajustando modelo de regressao de intercepto e slope aleatorio - temp max lag 1 semanas
```{r}
lmefitmaxt12<-lme(ido~tmax1, data=gd, random=~1+tmax1|RANUM)
summary(lmefitmaxt12)
AIC(lmefitmaxt1, lmefitmaxt12)
anova(lmefitmaxt1, lmefitmaxt12)
```
Ajustando modelo de regressao de intercepto aleatorio - temp max lag 2 semanas
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitmaxt2<-lme(ido~tmax2, data=gd, random=~1|RANUM)
summary(lmefitmaxt2)
AIC(lmefit0, lmefitmaxt2)
```
Ajustando modelo de regressao de intercepto e slope aleatorio - temp max lag 2 semanas
```{r}
lmefitmaxt22<-lme(ido~tmax2, data=gd, random=~1+tmax2|RANUM)
summary(lmefitmaxt22)
AIC(lmefitmaxt2, lmefitmaxt22)
anova(lmefitmaxt2, lmefitmaxt22)
```
Ajustando modelo de regressao de intercepto aleatorio - temp max lag 3 semanas
```{r}
lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)
lmefitmaxt3<-lme(ido~tmax3, data=gd, random=~1|RANUM)
summary(lmefitmaxt3)
AIC(lmefit0, lmefitmaxt3)
```
Ajustando modelo de regress?o inetrcepto e slope aleatorio - temp max lag 3 semanas
```{r}
lmefitmaxt32<-lme(ido~tmax3, data=gd, random=~1+tmax3|RANUM)
summary(lmefitmaxt32)
116
AIC(lmefitmaxt3, lmefitmaxt32)
anova(lmefitmaxt3, lmefitmaxt32)
AIC (lmefitmax,lmefitmaxx, lmefitmaxt1, lmefitmaxt12,
lmefitmaxt2,lmefitmaxt22,lmefitmaxt3,lmefitmaxt32 )
anova (lmefitmax,lmefitmaxx, lmefitmaxt1, lmefitmaxt12,
lmefitmaxt2,lmefitmaxt22,lmefitmaxt3,lmefitmaxt32 )
```
Analise de residuo melhor modelo: tmin lag 1 week slope e intercepto aleat?rio
```{r}
anova.lme(lmefitt12, lmefitt1)
AIC(lmefitt12, lmefitt1)
par(mfrow=c(1,1), mar=c(2,3,2,3))
plot(lmefitt12)
resid=lmefitt12$residuals
fit=lmefitt12$fitted
plot(resid~fit ,xlab="residuos",ylab="valores ajustados" )
abline(h=0, col=2, lty=2)
lines(smooth.spline(fitted(lmefitt12), residuals(lmefitt12)))
names(lmefitt12)
res=as.data.frame(resid)
names(res)
plot (res$fixed)
acf(res$fixed)
hist(res$fixed)
which(res$fixed>100)
ovim2 <- ovim[-c(318,668,706,765),]
gd1<- groupedData(ido~week|RANUM,data=ovim2,labels=list(x='Semanas do
Estudo',y='IDO'))
lmefitt122<-lme(ido~tmin1, data=gd1, random=~1+tmin1|RANUM)
plot(lmefitt122)
resid2=lmefitt122$residuals
fit2=lmefitt122$fitted
plot(resid2~fit2 ,xlab="residuos",ylab="valores ajustados" )
abline(h=0, lty=2)
lines(smooth.spline(fitted(lmefitt122), residuals(lmefitt122)))
res2=as.data.frame(resid2)
par(mfrow=c(2,2), mar=c(2,2,2,2))
plot (res2$fixed, main="Residuos fixos x valores ajustados",)
acf(res2$fixed)
hist(res2$fixed)
qqnorm(res2$fixed)
117
APÊNDICE B – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO
ENTRE IPO E TEMPERATURA
title: "Script Analise IPO por AP e RA"
author: "Sara de Souza"
```
Modelagem dos dados positividade de ovitrampa agregados para APS usando regressao
logistica
```{r}
library(lme4)
library(nlme)
setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")
posit=read.csv2("indtemptotal.csv")
posit <- posit[-155,]
str(posit)
posit$data= as.Date(posit$data, format=("%d/%m/%Y"))
posit$palpos[posit$palrec==1 & is.na(posit$palpos)==TRUE] <- 0
posit$palrec[posit$palrec==NA]=0
head(posit)
gdAP<-groupedData(ipo~week|APS,data=posit,labels=list(x='Semanas do Estudo',y='IPO'))
plot(gdAP)
library(lme4)
```
Modelo nulo
```{r}
#com efeito aletorio (intercepto)
modipoRE= glmer(ipo~1+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRE)
#com efeito aletorio (intercepto e slope)
modipoRES= glmer(ipo~1+(tmin|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRES)
anova(modipoRE, modipoRES)
```
Modelo tmin sem lag
```{r}
#com efeito aletorio (intercepto)
modipoRE0= glmer(ipo~tmin+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRE0)
#com efeito aletorio (intercepto e slope) t. This could be specified as (1+x|group) inlme4 or
glmmADMB). In many cases the 1 is optional- (x | group) would also work.Por isso escrevi
assim. (FOX, et al, 2015)
modipoRES0= glmer(ipo~tmin+(tmin|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRES0)
118
anova(modipoRE0, modipoRES0)
```
Modelo tmin com lag de 1 semana
```{r}
#com efeito aletorio (intercepto)
modipoRE1= glmer(ipo~tmin1+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRE1)
#com efeito aletorio (intercepto e slope)
modipoRES1= glmer(ipo~tmin1+(tmin1|APS), weights = palrec, family=binomial,
data=posit)
summary(modipoRES1)
```
Modelo tmin lag 2 semanas
```{r}
#com efeito aletorio (intecepto)
modipoRE2= glmer(ipo~tmin2+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRE2)
#com efeito aletorio (intercepto e slope)
modipoRES2= glmer(ipo~tmin2+(tmin2|APS), weights = palrec, family=binomial,
data=posit)
summary(modipoRES2)
```
Modelo tmin com lag de 3 semanas
```{r}
#com efeito aletorio (intercepto)
modipoRE3= glmer(ipo~tmin3+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRE3)
#com efeito aletorio (intercepto e slope)
modipoRES3= glmer(
ipo~tmin3+(tmin3|APS), weights = palrec, family=binomial, data=posit)
summary(modipoRES3)
```
Seleção dos modelos de efeito aleatório usando AIC
```{r}
AIC(modipoRE, modipoRE0, modipoRE1, modipoRE2, modipoRE3, modipoRES,
modipoRES0, modipoRES1, modipoRES2, modipoRES3)
anova(modipoRE, modipoRE0, modipoRE1, modipoRE2, modipoRE3, modipoRES,
modipoRES0, modipoRES1, modipoRES2, modipoRES3)
119
#Quando colocamos como efeito aleatório apenas intercepto, a defasagem de 2 semanas
parece ser a que melhor se ajusta
#Quando colocamos como efeito aleatório intercepto e inclinação, a defasagem de 2 semanas
tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos
```
Plotando o melhor modelo com ggplot
```{r}
library(ggplot2)
library(arm)
library(sjPlot)
# plot qq-plot of random effects
qqplot=sjp.glmer(modipoRES2, type = "re.qq")
# simple plot
plot=sjp.lmer(modipoRES2)
# plot probability curves for each covariate
# grouped by random intercepts
sjp.glmer(modipoRES2,
type = "ri.pc",
facet.grid = FALSE)
```
Para as máximas
Modelo nulo
```{r}
#com efeito aletorio (intercepto)
modipoxRE= glmer(ipo~1+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRE)
#com efeito aletorio (intercepto e slope)
modipoxRES= glmer(ipo~1+(tmax|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRES)
```
Modelo tmax sem lag
```{r}
#com efeito aletorio (intercepto)
modipoxRE0= glmer(ipo~tmax+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRE0)
#com efeito aletorio (intercepto e slope)
modipoxRES0= glmer(ipo~tmax+(tmax|APS), weights = palrec, family=binomial,
data=posit)
summary(modipoxRES0)
```
Modelo tmax com lag de 1 semana
120
```{r}
#com efeito aletorio (intercepto)
modipoxRE1= glmer(ipo~tmax1+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRE1)
#com efeito aletorio (intercepto e slope)
modipoxRES1= glmer(ipo~tmax1+(tmax1|APS), weights = palrec, family=binomial,
data=posit)
summary(modipoxRES1)
```
Modelo tmax lag 2 semanas
```{r}
#com efeito aletorio (intecepto)
modipoxRE2= glmer(ipo~tmax2+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRE2)
#com efeito aletorio (intercepto e slope)
modipoxRES2= glmer(ipo~tmax2+(tmax2|APS), weights = palrec, family=binomial,
data=posit)
summary(modipoxRES2)
```
Modelo tmax com lag de 3 semanas
```{r}
#com efeito aletorio (intercepto)
modipoxRE3= glmer(ipo~tmax3+(1|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRE3)
#com efeito aletorio (intercepto e slope)
modipoxRES3= glmer(
ipo~tmax3+(tmax3|APS), weights = palrec, family=binomial, data=posit)
summary(modipoxRES3)
```
Seleção dos modelos de efeito aleatório usando AIC
```{r}
AIC(modipoxRE, modipoxRE0, modipoxRE1, modipoxRE2, modipoxRE3, modipoxRES,
modipoxRES0, modipoxRES1, modipoxRES2, modipoxRES3)
anova(modipoxRE, modipoxRE0, modipoxRE1, modipoxRE2, modipoxRE3, modipoxRES,
modipoxRES0, modipoxRES1, modipoxRES2, modipoxRES3)
#Quando colocamos como efeito aleatório apenas intercepto, a defasagem de 3 semanas
parece ser a que melhor se ajusta
#Quando colocamos como efeito aleatório intercepto e inclinação, a defasagem de 3 semanas
tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos de
temperatura máximas (mas ainda assim perde para o das mínimas)
```
121
Plotando o melhor modelo com ggplot
```{r}
library(ggplot2)
library(arm)
library(sjPlot)
# plot qq-plot of random effects
qqplot=sjp.glmer(modipoxRES3, type = "re.qq")
# simple plot
plot=sjp.lmer(modipoxRES3)
# plot probability curves for each covariate
# grouped by random intercepts
sjp.glmer(modipoxRES3,
type = "ri.pc",
facet.grid = FALSE)
```
Modelagem dos dados positividade de ovitrampa agregados para RA usando regressao
logistica
```{r}
setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")
posit=read.csv2("indtemptotalra.csv")
str(posit)
posit$data= as.Date(posit$data, format=("%d/%m/%Y"))
posit$RANUM= as.factor(posit$RANUM)
posit$palpos[posit$palrec==1 & is.na(posit$palpos)==TRUE] <- 0
posit$palrec[posit$palrec==NA]=0
head(posit)
gd1<-groupedData(ipo~week|RANUM,data=posit,labels=list(x='Semanas do
Estudo',y='IPO'))
plot(gd1)
library(lme4)
```
Modelo nulo
```{r}
#com efeito aletorio (intercepto)
modiporeRA= glmer(ipo~1+(1|RANUM), weights = palrec, family=binomial, data=posit)
summary(modiporeRA)
#com efeito aletorio (intercepto e slope)
modiporesRA= glmer(ipo~1+(tmin|RANUM), weights = palrec, family=binomial, data=posit)
summary(modiporesRA)
```
Modelo tmin sem lag
```{r}
#com efeito aletorio (intercepto)
122
modiporeRA0= glmer(ipo~tmin+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporeRA0)
#com efeito aletorio (intercepto e slope)
modiporesRA0= glmer(ipo~tmin+(tmin|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporesRA0)
```
Modelo tmin com lag de 1 semana
```{r}
#com efeito aletorio (intercepto)
modiporeRA1= glmer(ipo~tmin1+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporeRA1)
#com efeito aletorio (intercepto e slope)
modiporesRA1= glmer(ipo~tmin1+(tmin1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporesRA1)
```
Modelo tmin lag 2 semanas
```{r}
#com efeito aletorio (intecepto)
modiporeRA2= glmer(ipo~tmin2+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporeRA2)
#com efeito aletorio (intercepto e slope)
modiporesRA2= glmer(ipo~tmin2+(tmin2|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporesRA2)
```
Modelo tmin com lag de 3 semanas
```{r}
#com efeito aletorio (intercepto)
modiporeRA3= glmer(ipo~tmin3+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modiporeRA3)
#com efeito aletorio (intercepto e slope)
modiporesRA3= glmer(
ipo~tmin3+(tmin3|RANUM), weights = palrec, family=binomial, data=posit)
123
summary(modiporesRA3)
```
Seleção dos modelos de efeito aleatório usando AIC
```{r}
AIC(modiporeRA, modiporeRA0, modiporeRA1, modiporeRA2, modiporeRA3,
modiporesRA, modiporesRA0, modiporesRA1, modiporesRA2, modiporesRA3)
anova(modiporeRA, modiporeRA0, modiporeRA1, modiporeRA2, modiporeRA3,
modiporesRA, modiporesRA0, modiporesRA1, modiporesRA2, modiporesRA3)
#Quando colocamos como efeito aleatório apenas intercepto, a defasagem de 2 semanas
parece ser a que melhor se ajusta
#Quando colocamos como efeito aleatório intercepto e inclinação, a defasagem de 2 semanas
tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos
```
Plotando o melhor modelo com ggplot
```{r}
library(ggplot2)
library(arm)
library(sjPlot)
# plot qq-plot of random effects
qqplot=sjp.glmer(modiporesRA2, type = "re.qq")
# simple plot
plot=sjp.glmer(modiporesRA2 )
# plot probability curves for each covariate
# grouped by random intercepts
sjp.glmer(modiporesRA2,
type = "ri.pc",
facet.grid = FALSE)
modiporesRA2
#Agora os mapas de intercepto e slope <3
library(rgeos)
library(maptools)
library(RColorBrewer)
library(classInt)
par(mai=c(0,0,0,0),mar=c(4,4,1,1))
mapa <- readShapePoly("C:/Users/Sara/Dropbox/Sara/script +
arquivos/SARA/limite_RA.shp",verbose=TRUE)
summary(mapa)
plot(mapa)
interc <- random.effects(modiporesRA2)
intercs= as.data.frame(interc$RANUM)
intercs
names(intercs) <- c("intercepto","slope")
124
mapa$interc <- NA
mapa$slope <- NA
for (i in 1:33){
RAi <- as.character(mapa$CODRA[i])
mapa$interc[i]<-intercs$intercepto[which(rownames(intercs)==RAi)]
mapa$slope[i]<-intercs$slope[which(rownames(intercs)==RAi)]
}
colors <- brewer.pal(5, name = "Blues")
brks<-classIntervals(mapa$interc, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$interc,brks,all.inside=TRUE)], axes=F)
title(paste ("Intercepto"))
legend(x=620000, y=7486000, legend=leglabs(round(brks, digits=4)), fill=colors,
bty="n",x.intersp = .9, y.intersp = .6)
colors <- brewer.pal(5, name = "Blues")
brks<-classIntervals(mapa$slope, n=5, style="quantile")
brks<- brks$brks
plot(mapa,col=colors[findInterval(mapa$slope,brks,all.inside=TRUE)], axes=F)
title(paste ("Slope"))
legend(x=620000, y=7486000, legend=leglabs(round(brks, digits=4)), fill=colors,
bty="n",x.intersp = .9, y.intersp = .6)
```
Para as máximas
Modelo nulo
```{r}
#com efeito aletorio (intercepto)
modipoxreRA= glmer(ipo~1+(1|RANUM), weights = palrec, family=binomial, data=posit)
summary(modipoxreRA)
#com efeito aletorio (intercepto e slope)
modipoxresRA= glmer(ipo~1+(tmax|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxresRA)
```
Modelo tmax sem lag
```{r}
#com efeito aletorio (intercepto)
modipoxreRA0= glmer(ipo~tmax+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxreRA0)
#com efeito aletorio (intercepto e slope)
modipoxresRA0= glmer(ipo~tmax+(tmax|RANUM), weights = palrec, family=binomial,
data=posit)
125
summary(modipoxresRA0)
```
Modelo tmax com lag de 1 semana
```{r}
#com efeito aletorio (intercepto)
modipoxreRA1= glmer(ipo~tmax1+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxreRA1)
#com efeito aletorio (intercepto e slope)
modipoxresRA1= glmer(ipo~tmax1+(tmax1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxresRA1)
```
Modelo tmax lag 2 semanas
```{r}
#com efeito aletorio (intecepto)
modipoxreRA2= glmer(ipo~tmax2+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxreRA2)
#com efeito aletorio (intercepto e slope)
modipoxresRA2= glmer(ipo~tmax2+(tmax2|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxresRA2)
```
Modelo tmax com lag de 3 semanas
```{r}
#com efeito aletorio (intercepto)
modipoxreRA3= glmer(ipo~tmax3+(1|RANUM), weights = palrec, family=binomial,
data=posit)
summary(modipoxreRA3)
#com efeito aletorio (intercepto e slope)
modipoxresRA3= glmer(
ipo~tmax3+(tmax3|RANUM), weights = palrec, family=binomial, data=posit)
summary(modipoxresRA3)
```
Seleção dos modelos de efeito aleatório usando AIC
```{r}
AIC(modipoxreRA, modipoxreRA0, modipoxreRA1, modipoxreRA2, modipoxreRA3,
modipoxresRA, modipoxresRA0, modipoxresRA1, modipoxresRA2, modipoxresRA3)
126
anova(modipoxreRA, modipoxreRA0, modipoxreRA1, modipoxreRA2, modipoxreRA3,
modipoxresRA, modipoxresRA0, modipoxresRA1, modipoxresRA2, modipoxresRA3)
#Quando colocamos como efeito aleatório apenas intercepto, a defasagem de 3 semanas
parece ser a que melhor se ajusta
#Quando colocamos como efeito aleatório intercepto e inclinação, a defasagem de 3 semanas
tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos de
temperatura máximas (mas ainda assim perde para o das mínimas)
```
Plotando o melhor modelo com ggplot
```{r}
library(ggplot2)
library(arm)
library(sjPlot)
# plot qq-plot of random effects
qqplot=sjp.glmer(modipoxresRA3, type = "re.qq")
# simple plot
plot=sjp.lmer(modipoxresRA3)
# plot probability curves for each covariate
# grouped by random intercepts
sjp.glmer(modipoxresRA3,
type = "ri.pc",
facet.grid = FALSE)
````
127
APÊNDICE C – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO
ENTRE IDO E CASOS DE DENGUE
title: "Script Modelagem Casos IDO"
author: "Sara de Souza"
date: "Monday, March 21, 2016"
--```{r, results='hide',echo=FALSE}
library(lubridate)
library(ggplot2)
library(RColorBrewer)
library(mgcv)
library(lubridate)
library(zoo)
library(MASS)
````
Chamando e organizando os dados
```{r}
setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")
ovicasos= read.csv2(file="dadosoviagregacasos.csv",header=T)
str(ovicasos)
```
Criando variaveis de data
```{r}
ovicasos$datacoleta=as.yearmon(ovicasos$datacoleta, "%b/%y")
ovicasos$datacaso=as.yearmon(ovicasos$datacaso, "%b/%Y")
ovicasos$mes <- month(ovicasos$datacoleta)
ovicasos$mes <- as.factor(ovicasos$mes)
ovicasos$ano <- year(ovicasos$datacoleta)
```
Colocando mes de agosto como referencia
```{r}
ovicasos$mes <- relevel(ovicasos$mes, ref="8")
```
Modelagem de poisson com offset
```{r}
par(mfrow=c(2,2))
poisson1.nulo<-glm(casos~1 + offset(log(pop)), family="poisson",data=ovicasos)
poisson1.ido<-glm(casos~ ido + offset(log(pop)), family="poisson",data=ovicasos)
poisson1.idomaps<-glm(casos~ ido + APS + offset(log(pop)), family="poisson",data=ovicasos)
poisson1.idoxaps<-glm(casos~ ido * APS + offset(log(pop)), family="poisson",data=ovicasos)
AIC(poisson1.nulo, poisson1.ido, poisson1.idomaps, poisson1.idoxaps)
#O melhor modelo ate agora pelo AIC e´ o com interaçao. Vamos testar se com gam é melhor:
poisson1.sido<-gam(casos~ s(ido) + offset(log(pop)), family="poisson",data=ovicasos)
poisson1.sidomaps<-gam(casos~ s(ido) + APS + offset(log(pop)), family="poisson",data=ovicasos)
poisson1.sidoxaps<-gam(casos~ s(ido, by = APS) + offset(log(pop)), family="poisson",data=ovicasos)
128
AIC(poisson1.nulo, poisson1.ido, poisson1.idomaps, poisson1.idoxaps, poisson1.sido,
poisson1.sidomaps,
poisson1.sidoxaps)
summary(poisson1.sidoxaps)
# O modelo gam com s(ido, by=APS) fica bem melhor em termos de AIC do que o modelo com
interacao
par(mfrow=c(2,2))
plot(poisson1.sidoxaps, residuals = TRUE)
abline(h=0, col=2, lty=3)
plot(resid(poisson1.sidoxaps))
acf(resid(poisson1.sidoxaps))
#O modelo gam(casos~ s(ido, by = APS) + offset(log(pop)), family="poisson",data=ovicasos) tem
varios problemas: autocorrelacao dos residuos e alta, indicando que há estrutura, e evidencia de
superdispersao, além disso os splines de ido por APS sao pouco informativos.
```
Modelagem com Binomial Negativa
Modelo sem gam, so ido e aps
```{r}
par(mfrow=c(2,2))
nb1.nulo<-glm.nb(casos~1 + offset(log(pop)), link="log", data=ovicasos)
nb1.ido<-glm.nb(casos~ ido + offset(log(pop)), link="log", data=ovicasos)
nb1.idomaps<-glm.nb(casos~ ido + APS + offset(log(pop)),link="log", data=ovicasos)
nb1.idoxaps<-glm.nb(casos~ ido * APS + offset(log(pop)), link="log", data=ovicasos)
AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps)
```
Modelo sem gam, acrescentando mes como fator.
```{r}
nb1.idommes<-glm.nb(casos ~ ido+ mes+ offset(log(pop)),link="log",data=ovicasos)
nb1.idomapsmmes<-glm.nb(casos~ ido + APS + mes + offset(log(pop)), link="log",data=ovicasos)
nb1.idoxapsmmes<-glm.nb(casos~ ido * APS + mes + offset(log(pop)), link="log",data=ovicasos)
AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps, nb1.idommes, nb1.idomapsmmes,
nb1.idoxapsmmes)
#Dentre os modelos nb ate agora, os melhores pelo AIC são
nb1.idomapsmmes<-glm.nb(casos~ ido + APS + mes + offset(log(pop)) e
nb1.idommes<-glm.nb(casos ~ ido+ mes+ offset(log(pop)),link="log",data=ovicasos) a aps parece
contribuir pouco
```
testando modelo alternativo com mes como spline, com ou sem ano como fator
```{r}
gamnb1<-gam(casos~ido+s(as.numeric(mes))+offset(log(pop)),family=nb(),data=ovicasos)
gamnb2<-gam(casos~ido+s(as.numeric(mes),
by=as.factor(ano))+offset(log(pop)),family=nb(),data=ovicasos)
gamnb3<-gam(casos~ido+s(as.numeric(mes)) + ano +offset(log(pop)),family=nb(),data=ovicasos)
AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps, nb1.idommes, nb1.idomapsmmes,
nb1.idoxapsmmes, gamnb1, gamnb2, gamnb3)
129
#A inclusao do gam so ajuda se estratifica por ano.
#No modelo nb1.idommes, os residuos nao estao ruins mas sobrou muita autocorr.
nb1.idommes<-glm.nb(casos ~ ido+ mes+ offset(log(pop)),link="log",data=ovicasos)
par(mfrow=c(2,2))
summary(nb1.idommes)
plot(nb1.idommes)
acf(resid(nb1.idommes))
#No modelo com gam, a autocorr é resolvida, mas esta mais dificil de interpretar os gams. O
importante porem é que em ambos, o ido tem um efeito positivo.
gamnb2<-gam(casos~ido+s(as.numeric(mes),
by=as.factor(ano))+offset(log(pop)),family=nb(),data=ovicasos)
par(mfrow=c(2,2))
summary(gamnb2)
plot(gamnb2)
acf(resid(gamnb2))
```
Solucoes para resolver o problema da autocorrelacao: variavel casos defasado
Criando uma variavel defasada de casos chamada casos1
```{r}
head(ovicasos)
aps = unique(ovicasos$APS)
d1 <- subset(ovicasos, APS==aps[1])
d1$casos1 <- NA
d1$casos1[2:25]<-d1$casos[1:24]
for (i in 2:10){
dn <- subset(ovicasos, APS==aps[i])
N = dim(dn)[1]
dn$casos1 <- NA
dn$casos1[2:N]<-dn$casos[1:(N-1)]
d1 <- rbind(d1,dn)
}
head(d1)
#Ajustando com essa variavel de casos defasada
nb1.idommes1<-glm.nb(casos ~ log(casos1) + ido+ mes+ offset(log(pop)),link="log",data=d1)
AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps, nb1.idommes, nb1.idomapsmmes,
nb1.idoxapsmmes, gamnb1, gamnb2, gamnb3,nb1.idommes1)
#Melhorou bastante a autocorr mas ficou um pouco de estrutura sazonal nos residuos.
par(mfrow=c(2,2))
summary(nb1.idommes1)
plot(nb1.idommes1)
par(mfrow=c(1,1))
130
acf(resid(nb1.idommes1))
#E se colocarmos a temperatura?
nb1.idommes.temp1<-glm.nb(casos ~ log(casos1) + ido+
mes+Tmin+offset(log(pop)),link="log",data=d1)
par(mfrow=c(2,2))
summary(nb1.idommes.temp1)
plot(nb1.idommes.temp1)
par(mfrow=c(1,1))
acf(resid(nb1.idommes.temp1))
#caiu um pouco a ACF, mas agora há muitos termos
```
Investigando nao linearidades
```{r}
gamnbcasos1<-gam(casos~ s(log(casos1)) + ido+ mes + offset(log(pop)),family=nb(),data=d1)
AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps, nb1.idommes, nb1.idomapsmmes,
nb1.idoxapsmmes, gamnb1, gamnb2, gamnb3,nb1.idommes1,gamnbcasos1)
par(mfrow=c(1,1))
plot(gamnbcasos1)
acf(resid(gamnbcasos1))
gam.check(gamnbcasos1)
summary(gamnbcasos1)
131
APÊNDICE D – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO
ENTRE IPO E CASOS DE DENGUE
title: "Script Modelagem Casos IPO"
author: "Sara de Souza"
date: "Friday, June 24, 2016"
--```{r, results='hide',echo=FALSE}
library(lubridate)
library(ggplot2)
library(RColorBrewer)
library(mgcv)
library(lubridate)
library(zoo)
library(MASS)
library(foreign)
library(effects)
library(epiDisplay)
library(gridExtra)
library(visreg)
library(car)
library(pscl)
````
Chamando e organizando os dados
```{r}
setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")
ovicasos= read.csv2(file="dadosoviagregacasos.csv",header=T)
str(ovicasos)
```
Criando variaveis de data
```{r}
ovicasos$datacoleta=as.yearmon(ovicasos$datacoleta, "%b/%y")
ovicasos$datacaso=as.yearmon(ovicasos$datacaso, "%b/%Y")
ovicasos$mes <- month(ovicasos$datacoleta)
ovicasos$mes <- as.factor(ovicasos$mes)
ovicasos$ano <- year(ovicasos$datacoleta)
```
Colocando o mes de agosto como referencia
```{r}
ovicasos$mes <- relevel(ovicasos$mes, ref="8")
```
Modelo relacao ipo X casos mes seguinte
```{r}
gamipo<-gam(casos~s(ipo)+offset(log(pop))+APS,data=ovicasos)
132
summary(gamipo)
par(mfrow=c(1,1))
plot(gamipo)
abline(h=0, col=2)
gam.check(gamipo)
acf(resid(gamipo))
#Residuos ruins e muita estrutura de autocorrelacao
````
Modelagem de poisson com offset
```{r}
par(mfrow=c(2,2))
ipo.poisson1.nulo<-glm(casos~1 + offset(log(pop)), family="poisson",data=ovicasos)
ipo.poisson1<-glm(casos~ ipo + offset(log(pop)), family="poisson",data=ovicasos)
ipo.poisson1.maps<-glm(casos~ ipo + APS + offset(log(pop)),
family="poisson",data=ovicasos)
ipo.poisson1.xaps<-glm(casos~ ipo * APS + offset(log(pop)),
family="poisson",data=ovicasos)
AIC(ipo.poisson1.nulo, ipo.poisson1, ipo.poisson1.maps, ipo.poisson1.xaps)
#Pelo AIC mais completo é o de melhor ajuste
ipo.poisson1.xaps<-glm(casos~ ipo * APS + offset(log(pop)),
family="poisson",data=ovicasos)
summary(ipo.poisson1.xaps)
#Ocorreu overdispersion .
````
Modelagem gam poisson com offset
```{r}
ipo.poisson1.s<-gam(casos~ s(ipo) + offset(log(pop)), family="poisson",data=ovicasos)
ipo.poisson1.s.maps<-gam(casos~ s(ipo) + APS + offset(log(pop)),
family="poisson",data=ovicasos)
ipo.poisson1.s.xaps<-gam(casos~ s(ipo, by = APS) + offset(log(pop)),
family="poisson",data=ovicasos)
AIC(ipo.poisson1.nulo, ipo.poisson1, ipo.poisson1.maps, ipo.poisson1.xaps,
ipo.poisson1.s,ipo.poisson1.s.maps,ipo.poisson1.s.xaps)
summary(ipo.poisson1.s.xaps)
#O modelo gam com spline,(ipo, by=APS) possui AIC mais baixo do que o modelo com
interacao
par(mfrow=c(1,1))
plot(ipo.poisson1.s.xaps, residuals = TRUE)
abline(h=0, col=2, lty=3)
plot(resid(ipo.poisson1.s.xaps))
acf(resid(ipo.poisson1.s.xaps))
gam.check(ipo.poisson1.s.xaps)
#Problemas do modelo gam(casos~ s(ipo, by = APS) + offset(log(pop)),
family="poisson",data=ovicasos) :estrutura autocorrelacao dos residuos importante, ha
133
evidencia de superdispersao, residuos com estrutura, e os splines de ipo por APS sao pouco
informativos, como na media de ovos.
```
Modelos binomial negativa para correrção da superdisperssão
Modelo sem termo suavizador, com ipo e aps
```{r}
par(mfrow=c(2,2))
nb1.nulo<-glm.nb(casos~1 + offset(log(pop)), link="log", data=ovicasos)
nb1.ipo<-glm.nb(casos~ ipo + offset(log(pop)), link="log", data=ovicasos)
nb1.ipomaps<-glm.nb(casos~ ipo + APS + offset(log(pop)),link="log", data=ovicasos)
nb1.ipoxaps<-glm.nb(casos~ ipo * APS + offset(log(pop)), link="log", data=ovicasos)
AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps)
```
Agora acrescentando o mes acrescentando mes como fator.
```{r}
nb1.ipommes<-glm.nb(casos ~ ipo+ mes+ offset(log(pop)),link="log",data=ovicasos)
nb1.ipomapsmmes<-glm.nb(casos~ ipo + APS + mes + offset(log(pop)),
link="log",data=ovicasos)
nb1.ipoxapsmmes<-glm.nb(casos~ ipo * APS + mes + offset(log(pop)),
link="log",data=ovicasos)
AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps, nb1.ipommes, nb1.ipomapsmmes,
nb1.ipoxapsmmes)
#os três modelos melhoraram em termos de AIC. Chequemos os pressupostos
summary(nb1.ipoxapsmmes)
plot(nb1.ipomapsmmes)
acf(resid(nb1.ipoxapsmmes))
summary(nb1.ipomapsmmes)
plot(nb1.ipomapsmmes)
acf(resid(nb1.ipomapsmmes))
#muita estrutura nos residuos e muita autocorrelacao nos residuos dos modelos com APS
#vejamos só mes ,sem aps
summary(nb1.ipommes)
par(mfrow=c(2,2))
plot(nb1.ipommes)
acf(resid(nb1.ipommes))
````
Modelagem gam nb, com mes como suavizador
```{r}
#gam
par(mfrow=c(1,1))
# testando modelo alternativo com mes como spline, com ou sem ano como fator
134
gamiponb1<gam(casos~ipo+s(as.numeric(mes))+offset(log(pop)),family=nb(),data=ovicasos)
gamiponb2<-gam(casos~ipo+s(as.numeric(mes),
by=as.factor(ano))+offset(log(pop)),family=nb(),data=ovicasos)
gamiponb3<-gam(casos~ipo+s(as.numeric(mes)) + ano
+offset(log(pop)),family=nb(),data=ovicasos)
AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps, nb1.ipommes, nb1.ipomapsmmes,
nb1.ipoxapsmmes, gamiponb1, gamiponb2, gamiponb3)
summary(gamiponb1)
summary(gamiponb2)
plot(resid(gamiponb1))
plot(resid(gamiponb2))
gam.check(gamiponb1)
gam.check(gamiponb2)
acf(resid(gamiponb1)) #muita correla??o
acf(resid(gamiponb2)) #um pouco
par(mfrow=c(3,1))
plot(gamiponb2)
#aqui GAM so vale a pena quando estratificado por ano, mas ainda assim não é uma boa
forma de visualizar
```
A fim de solucionar o problema da autocorrelacao, foi criada uma variavel defasada de casos
chamada casos1, que correponde aos casos do mes anterior, para ver a influencia desses casos
nos do mes seguinte
```{r}
head(ovicasos)
aps = unique(ovicasos$APS)
d1 <- subset(ovicasos, APS==aps[1])
d1$casos1 <- NA
d1$casos1[2:25]<-d1$casos[1:24]
for (i in 2:10){
dn <- subset(ovicasos, APS==aps[i])
N = dim(dn)[1]
dn$casos1 <- NA
dn$casos1[2:N]<-dn$casos[1:(N-1)]
d1 <- rbind(d1,dn)
}
head(d1)
```
Modelagem com a adicao dos casos do mes anterior como parametro . (Aqui, na modelagem
com IPO, resolvemos testar também com APS interagindo, pq não houve diferença
significativa no resíduo dos três modelos, e alem disso o AIC foi menor nos modelos com
APS, em especial no modelo onde APS aparece com efeito aditivo )
135
```{r}
nb1.ipommes1<-glm.nb(casos ~ log(casos1) + ipo+ mes+
offset(log(pop)),link="log",data=d1)
nb1.ipomapsmmes1<-glm.nb(casos~ log(casos1) +ipo + APS + mes + offset(log(pop)),
link="log",data=d1)
nb1.ipoxapsmmes1<-glm.nb(casos~log(casos1) + ipo * APS + mes + offset(log(pop)),
link="log",data=d1)
AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps, nb1.ipommes, nb1.ipomapsmmes,
nb1.ipoxapsmmes, gamiponb1, gamiponb2,
gamiponb3,nb1.ipommes1,nb1.ipomapsmmes1,nb1.ipoxapsmmes1)
#O melhor até agora foi o modelo com interação aditiva da APS e com a variavel de casos
defasados. Melhorou bastante a autocorrecao mas há ainda um pouco de estrutura sazonal nos
residuos.
par(mfrow=c(2,2))
summary(nb1.ipomapsmmes1)
plot(nb1.ipomapsmmes1)
par(mfrow=c(1,1))
acf(resid(nb1.ipomapsmmes1))
par(mfrow=c(2,2))
summary(nb1.ipommes1)
plot(nb1.ipommes1)
par(mfrow=c(1,1))
acf(resid(nb1.ipommes1))
#a primeira opção segue parecendo melhor
#E se adicionarmos a temperatura?
nb1.ipomapsmmes.temp1<-glm.nb(casos ~ log(casos1) + ipo+APS+
mes+Tmin+offset(log(pop)),link="log",data=d1)
par(mfrow=c(2,2))
summary(nb1.ipomapsmmes.temp1)
plot(nb1.ipomapsmmes.temp1)
par(mfrow=c(1,1))
acf(resid(nb1.ipomapsmmes.temp1))
#Aumentou o AIC, não vale a pena
nb1.ipommes.temp1<-glm.nb(casos ~ log(casos1) + ipo+
mes+Tmin+offset(log(pop)),link="log",data=d1)
par(mfrow=c(2,2))
summary(nb1.ipommes.temp1)
plot(nb1.ipommes.temp1)
par(mfrow=c(1,1))
acf(resid(nb1.ipommes.temp1))
#Pior em relação ao o primeiro
136
```
Investigando nao-linearidades
```{r}
ipogamnbcasos1<-gam(casos~ s(log(casos1)) + ipo+ mes +
offset(log(pop)),family=nb(),data=d1)
ipogamnbcasosaps1<-gam(casos~ s(log(casos1)) + ipo+APS+ mes +
offset(log(pop)),family=nb(),data=d1)
AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps, nb1.ipommes, nb1.ipomapsmmes,
nb1.ipoxapsmmes,gamiponb1, gamiponb2,
gamiponb3,nb1.ipommes1,nb1.ipomapsmmes1,nb1.ipoxapsmmes1, ipogamnbcasos1,
ipogamnbcasosaps1)
#sem aps
par(mfrow=c(1,1))
plot(ipogamnbcasos1)
acf(resid(ipogamnbcasos1))
gam.check(ipogamnbcasos1)
summary(ipogamnbcasos1)
#com aps
par(mfrow=c(1,1))
plot(ipogamnbcasosaps1)
acf(resid(ipogamnbcasosaps1))
gam.check(ipogamnbcasosaps1)
summary(ipogamnbcasosaps1)
#com a APS o residuo e autocor melhoram.
```
Comparando os dois melhores modelos
#nb1.ipomapsmmes1<-glm.nb(casos~ log(casos1) +ipo + APS + mes + offset(log(pop)),
link="log",data=d1)
#ipogamnbcasosaps1<-gam(casos~ s(log(casos1)) + ipo+APS+ mes +
offset(log(pop)),family=nb(),data=d1)
```{r}
AIC(nb1.ipomapsmmes1, ipogamnbcasosaps1)
# Modelo Final: ipogamnbcasosaps1