ANÁLISIS ESPACIAL Y ESPACIO-TEMPORAL DEL COVID-19 EN EL ESTADO DE PARAÍBA
DOI:
https://doi.org/10.26512/2236-56562023e41886Palabras clave:
Palabras clave: Infecciones por coronavirus, Análisis espacial, Análisis espacio-temporal.Resumen
Resumen: Este estudio tiene como objetivo detectar la distribución espacial y espacio-temporal de los nuevos casos semanales de COVID-19 en el estado de Paraíba. Metodología: Estudio epidemiológico, retrospectivo con abordaje cuantitativo, cuyos datos utilizados para el análisis se refieren al número de nuevos casos semanales confirmados de COVID-19 notificados en el estado de Paraíba, Brasil, y que corresponden al período de la 12ª semana epidemiológica de Datos epidemiológicos de 2020 a la semana 32 para 2021. Se estimaron las razones de incidencia espacial y se aplicaron las estadísticas Circular Scan y Space-Time Scan para detectar conglomerados. Resultados: El análisis espacial se dividió en cuatro momentos, el primero se evidenció en la 12ª semana epidemiológica de 2020, los casos de COVID-19 estuvieron presentes en cuatro municipios: João Pessoa, Pitimbu, Igaracy y Sousa. El segundo estuvo compuesto por el primer pico de la pandemia de COVID-19, en la semana epidemiológica 28 de 2020, marcada por la presencia de conglomerados espaciales en todas las regiones del estado, especialmente en la región Nordeste. El tercero fue determinado por la 35ª semana epidemiológica de 2020, presentando una dispersión de casos al interior del estado de Paraíba. La cuarta se caracterizó por la 22ª semana epidemiológica de 2021, identificando conglomerados dispersos en todas las regiones del estado de Paraíba. En el análisis espacio-temporal se observaron cinco conglomerados, la mayoría presentes en las regiones norte, sur y centro del estado. Conclusión: La detección de conglomerados espaciales y espacio-temporales puede ayudar a los gestores públicos a reconocer áreas prioritarias para el seguimiento de casos de COVID-19.
Palabras clave: Infecciones por coronavirus, Análisis espacial, Análisis espacio-temporal.
Referencias
REFERÊNCIAS BIBLIOGRÁFICAS
ARROYO LH, et al. Identificação de áreas de risco para a transmissão da tuberculose no município de São Carlos, São Paulo, 2008 a 2013.Epidemiol Serv Saúde. 2017;26(3):525-34. DOI: http://dx.doi.org/10.5123/s1679-49742017000300010
BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Análise em Saúde e Doenças não Transmissíveis. Guia de vigilância epidemiológica Emergência de saúde pública de Importância nacional pela Doença pelo coronavírus 2019 – covid-19/ Ministério da Saúde, Secretaria de Vigilância em Saúde. – Brasília: Ministério da Saúde, 2021. Disponível em: https://www.conasems.org.br/wp-content/uploads/2021/03/Guia-de-vigila%CC%82ncia-epidemiolo%CC%81gica-da-covid_19_15.03_2021.pdf.
______. Ministério da Saúde. Diretrizes para diagnóstico e tratamento da COVID-
Brasília, DF, 2020. Disponível em: https://portalarquivos.saude.gov.br/images/pdf/2020/May/08/Diretriz-Covid19-v4-07-
20h05m.pdf. Acesso em: 20 nov. 2021.
DENG T, et al. Spatial-temporal clusters and risk factors of hand, foot, and mouth disease at the district level in Guangdong Province, China. PloS one. 2013;8(2):e56943. DOI: https://doi.org/10.1371/journal.pone.0056943
FLOSS, M et al. A pandemia de COVID-19 em territórios rurais e remotos: perspectiva
de médicas e médicos de família e comunidade sobre a atenção primária à saúde.
Cadernos de Saúde Pública [online]. 2020, v. 36, n. 7. ISSN 1678-4464. Acesso em: 20 Janeiro 2022. Disponível em: https://doi.org/10.1590/0102-311X00108920
GOODCHILD, M. Geographical Data Modeling. Computers & Geosciences, v.8, n. 4,
p. 401-408, 1992. https://doi.org/10.1016/0098-3004(92)90069-4
HOLMES, D. C. S. C.; MORAES, R. M.; VIANNA, R. P. T. A Rule for Combination
of Spatial Clustering Methods. In: The Seventh International Conferences on Pervasive
Patterns and Applications, 2015, Nice, França. Anais. Proceedings of the Seventh International Conferences on Pervasive Patterns and Applications. 2015, p. 55-59. DOI: 10.1142/9789813273238_0091.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATISTICA - IBGE (2010) População residente, total, urbana total e urbana na sede municipal, em números absolutos e relativos, com indicação da área total e densidade demográfica, segundo as Unidades da Federação e os municípios – 2010. Brasília: IBGE. Disponível em: https://www.ibge.gov.br/
KULLDORFF, M.; NAGARWALLA, N. Spatial disease clusters: detection and inference. Statistics in Medicine, v.14, p. 799-810, 1995. Disponível em: https://pubmed.ncbi.nlm.nih.gov/7644860/
KULLDORFF, M. (1997). A spatial scan statistic. Communications in Statistics: Theory and Methods, 26(6):1481–1496. Disponível em: https://www.tandfonline.com/doi/abs/10.1080/03610929708831995
LI, R., et al. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV-2). Science, 2020. 368(6490), 489-493. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32179701/
LIMA, LMM, et al. A new combination rule for Spatial Decision Support Systems for
epidemiology. Int J Health Geogr. 2019; 18:25. Disponível em: https://ijhealthgeographics.biomedcentral.com/articles/10.1186/s12
MORAES, R. M.; NOGUEIRA, J. A.; SOUSA, A. C. A. (2014) A New Architecture for a Spatio-Temporal Decision Support System for Epidemiological Purposes. In: 11th International FLINS Conference on Decision Making and Soft Computing. Anais... João Pessoa (Brasil): FLINS 2014, p. 17-23. Disponível em: https://www.worldscientific.com/doi/abs/10.1142/9789814619998_0006
ORGANIZAÇÃO MUNDIAL DE SAÚDE. WHO Coronavirus Disease (COVID19) Dashboard. Publicado em 2021. Acesso em 04 maio 2021. Disponível em: https://covid19.who.int/
OUSLANDER, JG. Coronavirus Disease19 in Geriatrics and Long-Term Care: An Update. J Am Geriatr Soc. 2020 May;68(5):918-921. doi: 10.1111/jgs.16464. Epub 2020 Apr 16. PMID: 32243567. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32243567/
PARAÍBA (Estado). Secretaria de Saúde do Estado da Paraíba. Paraíba, PB, 2020c.
Disponível em: https://paraiba.pb.gov.br/diretas/saude. Acesso em: 25 dez 2021.
PEDROSA, N. L.; ALBUQUERQUE, N. L. S. Análise Espacial dos Casos de COVID-
e leitos de terapia intensiva no estado do Ceará, Brasil. Ciênc. saúde coletiva, Rio
de Janeiro, v. 25, p. 2461-8, 2020. Suppl. 1. https://doi.org/10.1590/1413-
1.10952020.
ROCHE LM, et al. Disparities in Female Breast Cancer Stage at Diagnosis in New Jersey: A Spatial-Temporal Analysis. J Public Health Manag Pract. 2017; 23(5):477-86. DOI: https://doi.org/10.1097/PHH.0000000000000524
SÁ, L.R, et al, "New Combining Rules for Spatial Clustering Methods Using Sigma-Count for Spatial Epidemiology," 2020 International Conference on Decision Aid Sciences and Application (DASA), 2020, pp. 794-800, DOI: 10.1109/DASA51403.2020.9317161. Disponível em: https://ieeexplore.ieee.org/document/9317161
SOUZA ALP. Geoprocessamento e Vigilância Epidemiológica no enfrentamento da
Covid-19 na Macrorregião Triangulo Sul, MG. Ra. e Rum. 4º de dezembro de 2020
[acesso 13º de maio de 2021];8(1):189-201. Disponível em:
http://www.seer.unirio.br/raizeserumos/article/view/10389
TANGO, T. Statistical Methods for Disease Clustering. Springer, 2010. Disponível em: https://link.springer.com/book/10.1007/978-1-4419-1572-6
YAMADA, I.; THILL, J-C. (2007) Local Indicators of Network-Constrained Clusters in Spatial Point Patterns. Geographical Analysis, v. 39, n.3, p. 268–292. Disponível em: https://www.tandfonline.com/doi/abs/10.1080/00045600903550337
ZHAO, W, YU, S, ZHA, X, et al. Clinical characteristics and durations of hospitalized patients with COVID-19 in Beijing: a retrospective cohort study. MedRxiv. 2020. Disponível em: https://www.medrxiv.org/content/10.1101/2020.03.13.20035436v2
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Revista Espacio y Geografía
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
