13 de outubro de 2026
Preditores de óbitos em idosos com síndrome respiratória aguda grave confirmados por Influenza A(H1N1)pdm09
Preditores de Óbitos em Idosos com Síndrome Respiratória Aguda Grave Confirmados por Influenza A(h1n1)pdm09
Mônica Tilli Reis Pessoa Conde; Nícolas Volgarine Scaraboto
DOI: 10.22167/2675-6528-202603298
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A infecção pelo vírus influenza A(H1N1)pdm09 pode evoluir para Síndrome Respiratória Aguda Grave (SRAG), com maior risco de óbitos em idosos. O objetivo foi analisar fatores preditores de óbito em casos de SRAG confirmados para influenza A(H1N1)pdm09, entre idosos com 60 anos ou mais, considerando fatores individuais e contextuais das Regiões Administrativas (RA) do Estado de São Paulo (ESP), e comparar o desempenho de modelos de regressão. Realizou-se um estudo descritivo e analítico no ESP, de 2023 a 2024, utilizando dados do SIVEP-Gripe e da Fundação SEADE. Incluíram-se 714 casos confirmados por RT-PCR de influenza A(H1N1)pdm09 em residentes do ESP com 60 anos ou mais. Analisaram-se variáveis sociodemográficas, clínicas, de internação, tratamento, vacinação e local de residência. Empregou-se regressão logística binária e hierárquica logística, com o desfecho de evolução para óbito. Dos 714 casos, 202 resultaram em óbito. O modelo final de regressão logística binária associou maior chance de óbito ao sexo masculino, idade avançada, saturação de oxigênio inferior a 95%, internação em UTI e uso de suporte ventilatório invasivo. A presença de tosse e o uso de antiviral foram associados a menor chance de óbito. O modelo hierárquico logístico apresentou desempenho semelhante, com pequena contribuição contextual residual das RA. Concluiu-se que o modelo de regressão logística binária foi suficiente e mais simples para representar os dados, sendo adotado como modelo final.
Palavras-chave: Influenza A(H1N1)pdm09; Modelagem hierárquica logística; Óbito por Influenza A(H1N1)pdm09; Regressão logística; Síndrome Respiratória Aguda Grave.
1. Introdução
O vírus influenza, pertencente à família Orthomyxoviridae, é um RNA vírus de cadeia simples classificado em quatro tipos: A, B, C e D (Brasil, 2024). Dentre estes, o tipo A destaca-se pela capacidade de infectar tanto humanos quanto animais, sendo subdividido em subtipos com base nas proteínas hemaglutinina (H) e neuraminidase (N) presentes em sua superfície (CDC, 2021). Um exemplo notável é o vírus Influenza A (H1N1), que possui hemaglutinina H1 e neuraminidase N1. A capacidade de mutação genética dos vírus influenza, por meio de processos como drift e shift, é um fator crucial para a sua epidemiologia. Enquanto o drift envolve pequenas alterações genéticas que justificam a reformulação anual das vacinas, o shift refere-se a grandes mudanças genéticas, frequentemente resultantes de recombinações entre vírus, que podem levar a pandemias. Um exemplo histórico é a emergência do vírus influenza A(H1N1)pdm09 em 2009, que se disseminou rapidamente por mais de 200 países, resultando em um elevado número de casos graves e óbitos (WHO, 2025b).
O quadro clínico da infecção por Influenza A(H1N1)pdm09 é bastante variável, podendo manifestar-se desde sintomas leves, como febre e tosse, até evoluir para uma Síndrome Respiratória Aguda Grave (SRAG). A SRAG é caracterizada por hipotensão, dispneia e saturação de oxigênio inferior a 95%, frequentemente exigindo internação hospitalar e, em casos mais severos, assistência ventilatória e intubação. As complicações mais comuns incluem pneumonia e infecções bacterianas, sendo particularmente prevalentes e graves em idosos (Talbot, 2017). Fatores de risco para o desenvolvimento de quadros graves e óbitos incluem idade avançada (60 anos ou mais), crianças menores de dois anos, gestantes e indivíduos com doenças crônicas como cardiopatias, pneumopatias, doenças renais, obesidade e imunossupressão. A população idosa apresenta um risco elevado devido à maior prevalência de comorbidades e à imunossenescência, que é o envelhecimento do sistema imunológico (Braga, 2024; Talbot, 2017).
As medidas de saúde pública para o manejo da influenza incluem o tratamento específico com antivirais, como o oseltamivir, recomendado pelo Ministério da Saúde para grupos de risco, idealmente nas primeiras 48 horas após o início dos sintomas (Brasil, 2024). A prevenção é reforçada por campanhas anuais de vacinação com a vacina trivalente influenza, que inclui o vírus influenza A(H1N1)pdm09, o vírus influenza A H3N2 e um dos tipos de influenza B, direcionadas a grupos prioritários como idosos com 60 anos ou mais e portadores de doenças crônicas (Brasil, 2024). No Brasil, a vigilância epidemiológica da influenza é realizada por meio da notificação compulsória de casos de SRAG e óbitos suspeitos no Sistema de Vigilância Epidemiológica da Gripe (SIVEP-Gripe). No Estado de São Paulo (ESP), em 2024, foram notificados 58.811 casos hospitalizados de SRAG, dos quais 6494 (11,0%) foram confirmados para o vírus influenza, com uma letalidade de 11,0% (744 óbitos) para influenza A (ESP, 2025a).
Considerando a importância e a gravidade da infecção por influenza A(H1N1)pdm09 em idosos com 60 anos ou mais, especialmente nos casos de SRAG internados, e a existência de tratamentos antivirais, medidas preventivas e protocolos de atendimento no ESP, torna-se relevante aprofundar a análise dos fatores preditores de óbitos nesse grupo etário. Essa análise deve ir além dos fatores de risco individuais, incorporando também os fatores contextuais regionais das Regiões Administrativas (RA) do ESP, por meio de um estudo de modelagem hierárquico. Modelos hierárquicos são vantajosos por capturar diferenças tanto no nível individual quanto entre os grupos, permitindo a inclusão de efeitos aleatórios em cada camada da análise (Fávero e Belfiore, 2024). Assim, o objetivo deste estudo foi analisar os fatores preditores de óbito em pessoas com 60 anos ou mais, dentre os casos de SRAG confirmados por influenza A(H1N1)pdm09, considerando fatores individuais e os fatores contextuais de grupo relacionados às Regiões Administrativas [RA] do ESP, bem como comparar o desempenho do modelo de regressão logística binária e do modelo hierárquico logístico na análise deste desfecho.
2. Material e Métodos
O presente estudo caracterizou-se como descritivo e analítico, empregando análises de regressão logística binária e modelagem hierárquica logística. O objetivo foi predizer fatores associados à evolução para óbito em casos específicos. A pesquisa foi realizada no período de 1º de janeiro de 2023 a 31 de dezembro de 2024, abrangendo o Estado de São Paulo (ESP).
A população de estudo consistiu em indivíduos com 60 anos ou mais, residentes no ESP. O ESP, localizado na região Sudeste do Brasil, possui 645 municípios, os quais são agrupados em dezesseis Regiões Administrativas (RA) (SEADE, 2025a). A população idosa representa 17,8% da população total do estado (SEADE, 2023).
Foram incluídos todos os casos de Síndrome Respiratória Aguda Grave (SRAG) e óbitos confirmados por influenza A(H1N1)pdm09, notificados no Sistema de Vigilância Epidemiológica da Gripe (SIVEP-Gripe) durante o período do estudo. Os participantes deveriam ter sessenta anos ou mais, independentemente do sexo, e residir no ESP. Foram excluídos os casos com idade inferior a sessenta anos ou que não residiam no estado.
A SRAG foi definida como um indivíduo com síndrome gripal (febre, tosse ou dor de garganta, e sintomas como mialgia, artralgia e cefaleia) que apresentasse dispneia/desconforto respiratório, pressão persistente no tórax, saturação de oxigênio inferior a 95% em ar ambiente ou cianose (Brasil, 2024). Um caso foi confirmado por influenza A(H1N1)pdm09 quando o vírus foi detectado por RT-PCR em secreção respiratória ou outro material biológico, sendo esta a técnica padrão-ouro (Brasil, 2024).
As fontes de dados para esta pesquisa foram os bancos de dados abertos da Vigilância de SRAG, disponíveis no portal OpenDATASUS (OpenDATASUS, 2025), referentes aos anos de 2023 e 2024. Adicionalmente, utilizou-se o banco de dados do repositório da Fundação SEADE (SEADE, 2025b) para obter informações sobre as Regiões Administrativas do ESP.
As variáveis explicativas analisadas para os indivíduos incluíram dados sociodemográficos (sexo, idade, grau de escolaridade e local de residência), clínicos (comorbidades, histórico de vacinação contra influenza, atendimento em unidade de terapia intensiva [UTI], uso de suporte ventilatório invasivo e não invasivo), e relativas ao atendimento (tempo para internação e uso de antiviral). A variável dependente do estudo foi a evolução para óbito.
Os dados foram obtidos de datasets secundários, anonimizados e disponíveis para download. Após o download, os bancos de dados de SRAG de 2023 e 2024 foram preparados para junção, considerando a estrutura e as variáveis comuns. O novo banco passou por transformações para adequação às análises e seleção das variáveis de interesse. Uma etapa de limpeza incluiu a exclusão de dados faltantes e a aplicação dos critérios de inclusão e exclusão.
A integração dos dados do dataset de SRAG foi realizada em um sistema de gerenciamento de banco de dados relacional (SQL), consolidando as notificações individuais em uma única tabela analítica. Esta tabela foi enriquecida com a variável contextual (RA do ESP), vinculada por meio do código do município do Instituto Brasileiro de Geografia e Estatística (IBGE), estruturando o banco de dados final para as análises exploratórias.
O pré-processamento e a análise exploratória dos dados foram conduzidos na linguagem de programação R, com o auxílio do pacote tidyverse. Realizou-se a seleção das variáveis de interesse e o tratamento dos dados ausentes, codificados como “9” no banco de dados original. As variáveis categóricas foram convertidas para o tipo factor, e as numéricas foram ajustadas para o cálculo do intervalo de tempo em dias.
As análises descritivas foram realizadas, apresentando as variáveis contínuas por meio de medidas de tendência central e de dispersão (média, desvio-padrão, mediana, valores mínimos e máximos). As variáveis categóricas foram descritas em frequências absolutas e relativas. A associação entre as variáveis de interesse, a variável de grupo e a evolução clínica dos pacientes foi avaliada por meio do teste do qui-quadrado (X²) ou do teste exato de Fisher.
Para a análise dos fatores associados ao óbito, propôs-se inicialmente um modelo de regressão logística binária (Fávero e Belfiore, 2024), onde a variável dependente foi qualitativa e binária. Avaliou-se o modelo nulo, sem variáveis explicativas, utilizando a função glm do pacote stats do R, com distribuição binomial. Em seguida, as variáveis explicativas foram incluídas sequencialmente, avaliando-se a significância estatística dos coeficientes por meio da estatística z de Wald, com critério de seleção de p inferior a 0,20.
O modelo foi estimado por máxima verossimilhança. Para a escolha do modelo final, foram avaliados o pseudo-R² de McFadden, os critérios Akaike Information Criterion (AIC) e Bayesian Information Criterion (BIC), e a máxima verossimilhança, calculados com o pacote stats. Analisaram-se também a sensitividade e especificidade, e a curva Receiver Operating Characteristic (ROC), obtidas com o pacote pROC. A área sob a curva ROC (AUC) foi utilizada para avaliar a capacidade discriminatória e comparar os modelos (Fávero e Belfiore, 2024).
Após a definição do modelo de regressão logística binária, realizou-se a modelagem hierárquica logística. Esta análise permitiu avaliar a relação da variável dependente com fatores preditivos no nível individual, considerando que os indivíduos estavam inseridos em grupos (RA de residência) com características próprias (Fávero e Belfiore, 2024). O modelo hierárquico logístico foi testado com base em dois níveis: o nível um para o indivíduo e o nível dois para a Região Administrativa de residência.
Estimou-se inicialmente o modelo hierárquico logístico nulo, utilizando a função gimer do pacote lme4, para verificar a existência de variância entre os grupos e a pertinência do modelo. Posteriormente, testaram-se os coeficientes das variáveis explicativas do nível um, empregando os mesmos métodos da regressão logística binária. O modelo hierárquico logístico foi então estimado com a inserção da variável de grupo, também com o pacote lme4.
A escolha do melhor modelo final foi realizada de maneira análoga à regressão logística binária, considerando a significância estatística e a plausibilidade biológica. Para comparação entre os modelos, foram construídas as curvas ROC e calculado o Coeficiente de Correlação Intraclasse (ICC) com o pacote performance, a fim de estimar o percentual de variância atribuída às diferenças entre os grupos.
As análises foram realizadas nos softwares MySQL Workbench 8.0.41 Community, RStudio® 2026.1.0.392 e R® versão 4.5.2.
3. Resultados e Discussão
A análise dos dados de Síndrome Respiratória Aguda Grave (SRAG) para os anos de 2023 e 2024, provenientes do OpenDATASUS, revelou um panorama significativo da infecção por influenza A(H1N1)pdm09 no Estado de São Paulo (ESP). No Brasil, foram notificados 518.738 casos suspeitos de SRAG, dos quais 142.122 (27,4%) eram residentes no ESP. Dentre os casos confirmados para influenza A(H1N1)pdm09, o país registrou 7.413 ocorrências e 1.149 óbitos. No ESP, os casos confirmados totalizaram 1.710, com 304 óbitos, resultando em uma letalidade de 17,8%. Especificamente para a faixa etária de 60 anos ou mais no ESP, que foi o foco deste estudo, foram identificados 714 casos confirmados, dos quais 202 evoluíram para óbito, configurando uma letalidade de 28,3%. A distribuição anual desses casos no ESP mostrou 297 registros e 74 óbitos em 2023, e 417 casos e 128 óbitos em 2024, indicando uma persistência da gravidade da doença nesse grupo.
As características sociodemográficas dos 714 casos de SRAG confirmados por influenza A(H1N1)pdm09 em idosos no ESP revelaram que 56,7% eram do sexo feminino. Contudo, na análise logística univariada, o sexo masculino apresentou uma Odds Ratio (OR) de 1,46 (intervalo de confiança de 95% [IC95%]: 1,05-2,03; p=0,023) para evolução ao óbito, em comparação ao sexo feminino. Este achado, embora a predominância feminina seja consistente com estudos anteriores (Braga, 2024; Mata-Marin et al., 2025; Sumner et al., 2023), aponta para uma maior vulnerabilidade masculina ao desfecho fatal. A idade média dos pacientes foi de 74,5 anos (desvio padrão=9,3), e a análise univariada indicou uma OR de 1,01 (IC95%: 0,99-1,02; p=0,542) para óbito, sugerindo que a idade avançada é um fator relevante.
Em relação à raça, a maioria dos casos (79,6%) foi de indivíduos brancos, seguida por pardos (14,9%). A raça parda, em comparação com a branca, mostrou uma maior chance de óbito na análise univariada, com OR de 1,66 (IC95%: 1,05-2,61; p=0,029). Quanto à escolaridade, o ensino fundamental (1º e 2º ciclos) predominou em 63,0% dos pacientes, sem diferença estatisticamente significativa entre os grupos de cura e óbito na análise logística univariada. É importante notar que a variável escolaridade apresentava dados preenchidos em apenas 43% dos casos, o que pode ter influenciado a ausência de significância estatística, embora o perfil dos casos não tenha diferido da população idosa do ESP, que possui em média 8,3 anos de estudo (ESP, 2023).
A ocorrência de infecção nosocomial foi baixa, com apenas 18 (2,8%) dos 641 casos com dados disponíveis adquirindo a infecção dentro do hospital. Desses, 3 (16,7%) evoluíram para óbito, enquanto 15 (83,3%) evoluíram para cura. Embora o número seja pequeno, esses dados reforçam a importância da vacinação contra influenza em profissionais de saúde, especialmente em ambientes hospitalares, como medida protetiva aos pacientes, conforme destacado por Talbot (2017) em um estudo que revelou maior letalidade em instituições com profissionais de saúde não vacinados. A ausência de significância estatística para a infecção nosocomial na análise univariada pode ser atribuída ao baixo número de eventos.
No que concerne aos aspectos clínicos, a tosse foi o sintoma mais prevalente, presente em 81,2% de todos os casos, e mais frequente entre os pacientes que evoluíram para cura (87,5%). A análise univariada demonstrou que a presença de tosse foi um fator protetor, associada a uma menor chance de óbito, com OR de 0,26 (IC95%: 0,17-0,39; p<0,001). Em contraste, o desconforto respiratório foi significativamente mais comum entre os casos que evoluíram para óbito (86,3%) do que entre os que se curaram (69,4%), com uma OR de 2,78 (IC95%: 1,75-4,41; p<0,001) na análise univariada. A saturação de oxigênio inferior a 95% também foi um preditor significativo de óbito, com OR de 2,53 (IC95%: 1,56-4,11; p<0,001) na análise univariada, sendo observada em 87,6% dos óbitos.
Outros sintomas como febre, dor de garganta, dispneia, diarreia, vômito, dor abdominal, fadiga, perda do olfato e perda do paladar foram avaliados. A febre foi observada em 56,7% dos casos, com uma OR de 0,83 (IC95%: 0,58-1,18; p=0,291). A dispneia foi relatada em 80,8% dos pacientes, com uma OR de 1,55 (IC95%: 0,97-2,47; p=0,065). Esses achados corroboram a literatura que aponta a febre, a tosse e o desconforto respiratório como sintomas frequentes da influenza (Braga, 2024; Braga e Ribeiro, 2024). No entanto, a significância estatística variou entre os sintomas, com tosse e desconforto respiratório apresentando as associações mais robustas com o desfecho de óbito na análise univariada.
A avaliação dos fatores de risco e comorbidades não revelou diferenças estatisticamente significativas entre os pacientes que evoluíram para cura ou óbito na análise de regressão logística univariada. Comorbidades como doença cardiovascular crônica (OR=0,82; p=0,366), diabetes (OR=0,67; p=0,060), asma (OR=0,48; p=0,070) e outras não mostraram associação significativa com o óbito. Essa divergência em relação à literatura, que frequentemente associa comorbidades a um maior risco de mortalidade por influenza A(H1N1)pdm09 (Braga, 2024; Braga e Ribeiro, 2024), pode ser explicada pela alta prevalência basal de comorbidades na população idosa estudada, o que tende a reduzir as diferenças entre os grupos de cura e óbito. Além disso, a presença de um número considerável de casos sem informação sobre essas variáveis pode ter limitado a capacidade de detectar associações.
Os aspectos relativos à internação hospitalar também foram cruciais. Observou-se que 12 (6,0%) dos óbitos ocorreram sem internação, o que indica a gravidade da doença mesmo fora do ambiente hospitalar. A internação em Unidade de Terapia Intensiva (UTI) foi significativamente mais frequente entre os casos que evoluíram para óbito (61,7%) em comparação com os que se curaram (21,9%), resultando em uma OR de 5,74 (IC95%: 3,97-8,30; p<0,001) na análise univariada. O uso de suporte ventilatório invasivo também se destacou como um forte preditor de óbito, presente em 53,7% dos casos fatais e apenas 7,8% dos casos de cura, com uma OR de 16,43 (IC95%: 9,30-29,05; p<0,001) na análise univariada. O suporte ventilatório não invasivo, por sua vez, apresentou uma OR de 1,31 (IC95%: 0,79-2,18; p=0,289) na análise univariada. Esses resultados estão em consonância com estudos nacionais e internacionais que identificam a internação em UTI e o uso de ventilação mecânica como fatores de risco para mortalidade por influenza A(H1N1)pdm09 (Braga e Ribeiro, 2024; Minney-Simmth et al., 2019; Sumner et al., 2023).
Em relação às medidas preventivas e de tratamento, a vacinação contra influenza não demonstrou diferença significativa entre os casos que evoluíram para cura ou óbito, com uma OR de 0,79 (IC95%: 0,51-1,25; p=0,324). Apenas 62,5% dos casos possuíam essa variável preenchida, e a baixa adesão à vacina entre os idosos, tanto nos grupos de cura quanto de óbito, pode ter influenciado esses resultados, refletindo as baixas coberturas vacinais observadas na população com 60 anos ou mais em 2023 e 2024. A efetividade da vacina em idosos pode ser afetada pela imunossenescência e pela perda de imunidade ao longo do tempo (Talbot, 2017).
Por outro lado, o uso de antiviral (oseltamivir) apresentou uma diferença estatisticamente significativa, sendo um fator protetor. Foi utilizado em 33,2% dos casos que evoluíram para cura, mas em apenas 16,5% dos que evoluíram para óbito. A análise univariada revelou uma OR de 0,40 (IC95%: 0,25-0,63; p<0,001), indicando uma menor chance de óbito para quem recebeu o tratamento. Este achado está em concordância com metanálises que apontam a redução da mortalidade associada ao uso de antivirais inibidores de neuraminidase para influenza (Muthuri et al., 2014). A ausência de diferença significativa no tempo entre o início dos sintomas e o uso do antiviral entre os grupos de cura e óbito pode ser explicada pela falta de informação em 20,9% dos pacientes.
As características relacionadas ao local de residência dos casos de SRAG por influenza A(H1N1)pdm09 no ESP mostraram uma predominância nas Regiões Administrativas (RA) de São José do Rio Preto (28,6%) e da Região Metropolitana de São Paulo (24,9%). A letalidade variou entre as RAs, sendo de 33,1% na RM de São Paulo e 19,6% na RA de São José do Rio Preto. Na análise de regressão logística univariada, algumas RAs apresentaram maiores chances de óbito em comparação com a RA Central (São Carlos). A RA de Bauru teve uma OR de 5,18 (IC95%: 1,15-23,29; p=0,032), associada a características agroindustriais e indicadores de escolaridade abaixo da média do ESP (Desenvolve SP, 2026).
A RA de Campinas também apresentou uma OR de 4,22 (IC95%: 1,15-15,45; p=0,030), refletindo uma força econômica diversificada, mas com pressões sobre a infraestrutura de saúde devido ao crescimento populacional (Desenvolve SP, 2026). A RA de Santos destacou-se com uma OR muito elevada de 38,00 (IC95%: 3,30-436,94; p=0,004), possivelmente devido ao pequeno número de casos e à alta proporção de óbitos, além de ser um complexo portuário com indicadores sociais inferiores e necessidades de melhoria na rede hospitalar (Desenvolve SP, 2026). A RA de Itapeva apresentou uma OR muito elevada, provavelmente superestimada pela presença de um único caso que evoluiu para óbito, enquanto a RA de Registro não notificou casos.
Para a modelagem dos fatores preditores de óbito, foram ajustados modelos de regressão logística binária. O modelo final escolhido, o Modelo 2, apresentou um bom ajuste e plausibilidade biológica, com uma área sob a curva ROC (AUC) de 0,837 e um índice GINI de 0,67. Neste modelo, as variáveis associadas a uma maior chance de óbito foram o sexo masculino (OR ajustada=1,52; IC95%: 0,90-2,61; p=0,121), idade avançada (OR ajustada=1,03; IC95%: 1,00-1,06; p=0,037), saturação de oxigênio inferior a 95% (OR ajustada=2,11; IC95%: 1,04-4,48; p=0,042), internação em UTI (OR ajustada=2,05; IC95%: 1,10-3,80; p=0,023) e uso de suporte ventilatório invasivo (OR ajustada=11,35; IC95%: 4,91-27,65; p<0,001). Embora o sexo masculino e o suporte ventilatório não invasivo (OR ajustada=1,65; IC95%: 0,81-3,51; p=0,177) não tenham atingido significância estatística no modelo ajustado, o TCC original os manteve como fatores de maior chance de óbito.
Em contrapartida, a presença de tosse (OR ajustada=0,35; IC95%: 0,19-0,64; p<0,001) e o uso de antiviral (OR ajustada=0,50; IC95%: 0,26-0,91; p=0,023) foram identificados como fatores protetores, associados a uma menor chance de óbito. Esses resultados do modelo de regressão logística binária final estão alinhados com a literatura, que reconhece a importância da terapia antiviral precoce e a gravidade de sintomas respiratórios severos (Braga, 2024; Braga e Ribeiro, 2024; Minney-Simmth et al., 2019; Sumner et al., 2023). A inclusão da variável contextual das Regiões Administrativas na regressão logística binária não se mostrou associada ao desfecho após o ajuste multivariado, e, portanto, não foi incluída no modelo final.
A modelagem hierárquica logística foi realizada para avaliar a contribuição dos fatores contextuais das Regiões Administrativas. O modelo hierárquico nulo indicou que 5,8% da variabilidade do desfecho poderia ser atribuída às RAs (ICC ajustado=0,058), com uma variância dos efeitos aleatórios de 0,2035. Contudo, no modelo hierárquico logístico completo, que incluiu as variáveis individuais e as RAs como nível 2, a variância dos efeitos aleatórios diminuiu para 0,03413, e a AUC (0,836) e o índice GINI (0,672) foram muito semelhantes aos do modelo de regressão logística binária. Isso sugere que a contribuição contextual residual das RAs foi pequena após o ajuste pelas variáveis individuais e assistenciais.
Na comparação entre os modelos, observou-se que, embora as Odds Ratios ajustadas do modelo hierárquico logístico fossem semelhantes às do modelo de regressão logística binária para a maioria das variáveis, algumas, como sexo masculino (OR=1,63; IC95%: 0,99-2,68; p=0,053), saturação de oxigênio inferior a 95% (OR=1,89; IC95%: 0,91-3,92; p=0,085) e uso de suporte ventilatório não invasivo (OR=1,61; IC95%: 0,80-3,26; p=0,182), perderam a significância estatística. Essa perda de significância, com intervalos de confiança próximos da unidade, reforça a coerência entre os dois modelos e a conclusão de que o modelo de regressão logística binária foi suficiente e mais simples para representar os dados, sendo adotado como modelo final.
O estudo apresentou algumas limitações que merecem ser consideradas. O recorte temporal de dois anos (2023-2024) pode ter introduzido um viés, limitando a captação de padrões territoriais mais amplos e a heterogeneidade necessária das Regiões Administrativas para influenciar o desfecho de forma mais pronunciada. Além disso, a qualidade dos dados analisados e a grande quantidade de variáveis com informações ausentes podem ter restringido uma análise mais completa e aprofundada. A presença de dados faltantes, especialmente em variáveis como escolaridade e comorbidades, pode ter impactado a capacidade de identificar associações estatisticamente significativas para alguns fatores.
Em síntese, a pesquisa identificou que fatores individuais como sexo masculino, idade avançada, saturação de oxigênio inferior a 95%, internação em UTI e uso de suporte ventilatório invasivo foram preditores de maior chance de óbito em idosos com SRAG por influenza A(H1N1)pdm09 no ESP. Por outro lado, a presença de tosse e o uso de antiviral foram associados a uma menor chance de óbito, atuando como fatores protetores. Embora a modelagem hierárquica tenha permitido a avaliação da influência contextual das Regiões Administrativas, sua contribuição residual para a explicação do óbito foi pequena após o ajuste pelas variáveis individuais e assistenciais, o que levou à adoção do modelo de regressão logística binária como o mais adequado e parcimonioso para representar os achados.
4. Conclusão
Este estudo analisou os fatores preditores de óbito em idosos com 60 anos ou mais, acometidos por Síndrome Respiratória Aguda Grave (SRAG) confirmada para influenza A(H1N1)pdm09 no Estado de São Paulo, considerando tanto aspectos individuais quanto contextuais das Regiões Administrativas. Verificou-se que, dos 714 casos incluídos, 202 evoluíram para óbito, resultando em uma letalidade de 28,3% nessa faixa etária. Os achados indicaram que o sexo masculino, a idade avançada, a saturação de oxigênio inferior a 95%, a internação em Unidade de Terapia Intensiva e o uso de suporte ventilatório invasivo estiveram associados a uma maior chance de óbito. Em contrapartida, a presença de tosse e o uso de antiviral foram identificados como fatores protetores, associados a uma menor chance de óbito. A principal contribuição do estudo reside na identificação desses preditores de mortalidade em uma população vulnerável, oferecendo um modelo de regressão logística binária mais simples e parcimonioso que se mostrou suficiente para representar os dados, com desempenho preditivo equivalente ao modelo hierárquico logístico.
Apesar da relevância dos resultados, o estudo apresentou algumas limitações, como o recorte temporal de dois anos (2023-2024), que pode ter restringido a captação de padrões territoriais mais amplos e a heterogeneidade necessária das Regiões Administrativas para influenciar o desfecho de forma mais pronunciada. Adicionalmente, a qualidade dos dados e a presença de informações ausentes em diversas variáveis podem ter limitado uma análise mais aprofundada. Para estudos futuros, recomenda-se a ampliação do período de observação, a inclusão de outras variáveis de agrupamento e a avaliação de diferentes níveis de agregação territorial, a fim de aprofundar o conhecimento sobre os preditores de óbito por influenza A(H1N1)pdm09 em idosos no Estado de São Paulo.
Referências Bibliográficas
Braga, J.U. 2024. Clinical predictors of severe forms of influenza A (H1N1)pdm09 in adults and children during the 2009 epidemic in Brazil. PLoS ONE 19(2): e0291843.
Braga, J.U.; Ribeiro, A.F. 2024. Biological, social, and healthcare factors for death due to influenza A(H1N1) during the 2009 epidemic in Brazil. Revista de Saúde Pública 58(32): 1-11.
Brasil. Ministério da Saúde [MS]. 2024. Guia de vigilância em saúde. v.1. 6ed. rev. Ministério da saúde, Brasília, DF, Brasil. Disponível em:< https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/t/tetano-acidental/publicacoes/guia-de-vigilancia-em-saude-6a-edicao.pdf/view>. Acesso em: 1 mar. 2025.
Centers for Disease Control and Prevention [CDC]. 2021. Influenza. In: Hall E.; Wodi A.P.; Hamborsky J.; et al. In: Epidemiology and Prevention of Vaccine-Preventable Diseases. 2021. Public Health Foundation.14th ed. Washington, D.C., EUA. Disponível em: <https://www.cdc.gov/pinkbook/hcp/table-of-contents/chapter-12-influenza.html>. Acesso em: 20 fev. 2025.
Desenvolve SP. 2026. Mapa da Economia Paulista. Disponível em: <https://www.desenvolvesp.com.br/mapadaeconomiapaulista/>. Acesso 26 mar. 2026.
Estado de São Paulo [ESP]. 2023. Fundação para o Desenvolvimento da Educação – FDE. Educação e Escolaridade. PNAD Contínua 2023. Disponível em: <https://arquivo.fde.sp.gov.br/fde.portal/PermanentFile/File/Escolaridade%20e%20Escolariz a%C3%A7%C3%A3o%20-%20Pnad%20Cont%C3%ADnua%202023.pdf >. Acesso em: 05 abr. 2026.
Estado de São Paulo [ESP]. 2025a. Centro de Vigilância Epidemiológica. Sazonalidade Influenza- Semana epidemiológica (SE) 1 a 52/2024. Disponível em: <https://www.saude.sp.gov.br/resources/cve-centro-de-vigilancia-epidemiologica/areas-de-vigilancia/doencas-de-transmissao-respiratoria/influenza/2024/infoflu24_se0152.pdf>. Acesso em: 21 fev. 2025.
Fundação Sistema Estadual de Análise de Dados [SEADE]. 2023. Seade Municípios. Disponível em:< https://municipios.seade.gov.br/>. Acesso em: 1 de mar. 2025.
Fundação Sistema Estadual de Análise de Dados [SEADE]. 2025a. Códigos e nomes dos municípios e suas respectivas regiões do Estado de São Paulo. Disponível em: < https://repositorio.seade.gov.br/dataset/nomes-codigos-municipios-esp/resource/1871ac05-7b7f-4c13-9b4a-23c7d41fd988>. Acesso em: 1 mar. 2025.
Fundação Sistema Estadual de Análise de Dados [SEADE]. 2025b. Tema: demografia. Conjunto de dados. Disponível em:< https://repositorio.seade.gov.br/dataset/>. Acesso em: 22 de fev. 2025.
Fávero, L.P.; Belfiore, P. 2024. Manual de análise de dados: estatística e machine learning com Excel ®, SPSS ®, Stata ®, R® e Phyton®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Mata-Marín L.A., Mata-Marín J.A., Vásquez-Mota V.C., Arroyo-Anduiza C.I., Gaytán-Martínez J.E., Manjarrez-Téllez B. et al. 2015.Risk factors associated with mortality in patients infected with influenza A/H1N1 in Mexico. BMC Res Notes 11; 8:432.
Minney-Smith C.A., Selvey L.A., Levy A., Smith D.W. 2019.Post-pandemic influenza A/H1N1pdm09 is associated with more severe outcomes than A/H3N2 and other respiratory viruses in adult hospitalisations. Epidemiol Infect 147:e310.
Muthuri S.G.; Venkatesan, S.; Myles, P.R.; Leonardi-Bee, J.; Al Khuwaitir, T.S.; Al Mamun, A. et al. 2014. Effectiveness of neuraminidase inhibitors in reducing mortality in patients admitted to hospital with influenza A H1N1pdm09 virus infection: a meta-analysis of individual participant data. Lancet Respir Med 2(5): 395-404.
OpenDATASUS. 2025.Conjunto de Dados. Síndrome Respiratória Aguda Grave (SRAG). Disponível em:< https://opendatasus.saude.gov.br/dataset/?groups=dados-sobre-srag>. Acesso em: 19 maio 2025.
Sumner, K.M.; Masalovich, S.; O’Halloran, A; Holstein, R.; Reingold. A.; Kirley, P.D. et al. 2023.Severity of influenza-associated hospitalizations by influenza virus type and subtype in the USA, 2010-19: a repeated cross-sectional study. Lancet Microbe (11): e903-e912.
Talbot, H.K. 2017. Influenza in Older Adults. Infect Dis Clin North Am 31(4): 757-766.
World Health Organization [WHO]. 2025b. The burden of Influenza. Disponível em: < https://www.who.int/news-room/feature-stories/detail/the-burden-of-influenza>. Acesso em: 1 Mar. 2025.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
