Previsão da Cobertura Vacinal de Hepatite a Infantil no Paraná: Rumo à Meta Ods 2030

Giovana Weihermann Vida; William Barbosa

DOI: 10.22167/2675-6528-202602975

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 vacinação infantil contra a hepatite A é uma ferramenta essencial de saúde pública, com crianças sendo as principais transmissoras silenciosas da doença. No contexto da Agenda 2030, a Meta 3.b dos Objetivos de Desenvolvimento Sustentável (ODS) promove inovações tecnológicas no Sistema Único de Saúde para prevenir doenças transmissíveis. Contudo, o declínio da cobertura vacinal no Brasil após 2015 impôs desafios. Diante desse cenário, o estudo objetivou desenvolver modelos estatísticos clássicos de séries temporais para prever a cobertura vacinal contra a hepatite A infantil nos municípios do Paraná até 2030. Adicionalmente, a pesquisa contemplou a visualização das predições em dashboards de Business Intelligence para monitoramento estratégico dos indicadores municipais. A metodologia compreendeu o processamento de grandes volumes de dados, seguido por uma abordagem comparativa entre os modelos de Suavização Exponencial Simples (SES) e Médias Móveis Integradas Autorregressivas (ARIMA). Os resultados revelaram que o modelo ARIMA(1,0,1) obteve a melhor acurácia para a projeção estadual, indicando uma tendência de estabilização da cobertura em 90,3%, patamar inferior à meta ideal de 95%. A análise municipal identificou 180 cidades (45%) como Pontos de Atenção, com riscos de não conformidade com as metas globais. Concluiu-se que o uso de ferramentas preditivas atua como um sistema de alerta antecipado crucial para o fortalecimento das políticas de imunização e a redução de desigualdades regionais.

Palavras-chave: Análise preditiva; Cobertura vacinal; Hepatite A; Modelos estatísticos clássicos; Séries temporais.

1. Introdução

A vacinação contra a Hepatite A (HA) representa uma ferramenta essencial e custo-efetiva no campo da saúde pública global. Ela se configura como uma estratégia crucial para a prevenção de surtos e a redução da incidência da doença, especialmente em grupos vulneráveis. A HA é causada por um picornavírus de cadeia única de ácido ribonucleico que ataca o fígado, possuindo potencial significativo de morbidade e, em casos graves, de mortalidade.

No público infantil, a infecção pelo vírus da HA manifesta-se frequentemente de forma assintomática ou oligossintomática, diferentemente dos adultos, onde os sintomas costumam ser severos e há presença de icterícia. Esta característica torna as crianças os principais reservatórios e transmissores silenciosos da doença em ambientes escolares e familiares, o que reforça a essencialidade da imunização precoce para interromper a cadeia de transmissão. A consolidação da imunização é a via mais eficaz para proteger a saúde da população, reduzir a circulação viral e mitigar os custos hospitalares associados a surtos.

Historicamente, a infecção pelo vírus da HA prevalece em áreas de baixo desenvolvimento socioeconômico, com deficiência ou ausência de serviços básicos para a população (Martins et al., 2021). No Paraná, dados dos painéis de controle mantidos pela Superintendência Geral de Desenvolvimento Econômico e Social indicam que a cobertura vacinal (CV) da HA tem ficado aquém da meta nacional, apresentando declínio após 2015. Embora a incidência da doença no país tenha caído drasticamente entre 2014 e 2018, a velocidade dessa redução diminuiu após esse período, possivelmente devido à baixa CV (De Brito e Souto, 2020).

Essa problemática converge para os Objetivos de Desenvolvimento Sustentável (ODS), que compõem a Agenda 2030, estabelecida em 2015 pela Organização das Nações Unidas (ONU). A Agenda define dezessete objetivos e 169 metas para equilibrar as dimensões social, econômica e ambiental do desenvolvimento. O ODS 3 visa assegurar uma vida saudável e promover o bem-estar para todos, em todas as idades, sendo o combate às doenças transmissíveis um de seus desafios cruciais, onde a vacinação é essencial para reduzir a mortalidade e evitar a evolução de quadros clínicos para doenças crônicas do fígado.

O Brasil, por meio do Instituto de Pesquisa Econômica Aplicada (IPEA), adequou a Meta 3.b, ampliando o escopo original para incluir tecnologias e inovações em saúde no Sistema Único de Saúde (SUS), apoiando a pesquisa e o desenvolvimento de vacinas. Essa adaptação permitiu o monitoramento direto da CV da HA infantil dentro do indicador nacional 3.b.1, alinhando formalmente a imunização ao compromisso do país com o Programa Nacional de Imunizações. O Estado do Paraná, reconhecido como pioneiro na adoção formal da Agenda 2030, integra os ODS em suas políticas e planos de desenvolvimento estaduais e municipais, servindo de modelo para a localização das metas globais em nível subnacional.

Nesse contexto, atingir altas e homogêneas coberturas vacinais é crucial para a saúde coletiva e o cumprimento das metas do ODS, especialmente porque estudos até 2018 indicavam o aumento dos casos de hepatites, apesar da vacinação disponível (De Moura et al., 2021). A necessidade de estratégias de melhoria contínua na qualidade dos registros dos sistemas de informação e o uso de inteligência artificial para análise de dados e identificação de determinantes de saúde são evidentes (Fagundes et al., 2024). Técnicas de séries temporais, que podem ser definidas como conjuntos de observações quantitativas organizadas sequencialmente ao longo do tempo (Souza e Camargo, 2004), apresentam-se como uma opção de modelagem para a previsão das taxas de coberturas vacinais. Diante do exposto, este estudo teve como objetivo desenvolver modelos estatísticos clássicos de séries temporais para prever a cobertura vacinal contra a HA infantil nos municípios do Paraná até 2030. Adicionalmente, a pesquisa contemplou a visualização das predições em painéis de Business Intelligence, visando o monitoramento estratégico dos indicadores municipais, buscando avaliar se o estado estará em conformidade com o componente de prevenção da Meta 3.b dos ODS, fornecendo subsídios para a identificação precoce de áreas de risco e para o fortalecimento das políticas de imunização.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa quantitativa e exploratória, baseada na análise de dados secundários. Adotou-se uma abordagem ex-post-facto para a construção de modelos preditivos estatísticos de séries temporais. O objetivo foi prever a cobertura vacinal contra a Hepatite A (HA) infantil nos municípios do Paraná até 2030, utilizando a visualização das predições em painéis de Business Intelligence para monitoramento estratégico. A unidade de análise foi a cobertura vacinal de HA infantil, focada em crianças de um a quatro anos nos 399 municípios paranaenses.

Os dados foram coletados de três fontes oficiais: a Base de Dados do Estado (BDE-IPARDES), o Sistema de Informação do Programa Nacional de Imunizações (SI-PNI) e o portal de Vacinação do Calendário Nacional do Ministério da Saúde (MS). Da BDE-IPARDES, extraíram-se séries históricas anuais de cobertura vacinal para os municípios, com onze observações de 2014 a 2024. Do portal do MS, obtiveram-se dados mensais de cobertura vacinal e volume de doses aplicadas, com trinta e oito observações a partir de janeiro de 2023, para os níveis estadual e municipal.

O conjunto de dados do SI-PNI compreendeu setenta e dois arquivos mensais em formato Comma-Separated Values (CSV), referentes ao período de 2020 a 2025. Devido ao volume de aproximadamente novecentos milhões de registros, utilizou-se a ferramenta de linha de comando `findstr` para identificar cabeçalhos e colunas de interesse. A leitura integral da base foi realizada com a linguagem Python, empregando o parâmetro `chunksize` na função `read_csv` para otimização do processamento e tratamento eficiente da memória.

Após a coleta, os dados foram filtrados para incluir apenas registros do estado do Paraná (UF=’PR’) e do imunizante HepAinf, que corresponde à vacina contra a Hepatite A infantil. Essa etapa garantiu que a modelagem preditiva refletisse o cenário de imunização na faixa etária de um a quatro anos, alinhando-se às metas de controle de noventa e cinco por cento preconizadas pelas políticas públicas brasileiras.

A análise dos dados fundamentou-se em algoritmos de Séries Temporais, com uma abordagem comparativa entre os modelos de Suavização Exponencial Simples (SES) e Modelagem Autorregressiva Integrada de Médias Móveis (ARIMA). A decomposição das séries temporais em componentes de tendência, sazonalidade, ciclo e erro aleatório foi realizada para compreender a dinâmica da cobertura vacinal ao longo do tempo e subsidiar a escolha dos métodos de modelagem.

O modelo SES foi aplicado para previsões de curto prazo, atribuindo maior peso às observações mais recentes, sendo adequado para séries sem sazonalidade ou tendência pronunciada (Ostertagová e Ostertag, 2011). O modelo ARIMA (p,d,q), baseado na metodologia de Box-Jenkins, foi empregado para capturar a dependência temporal dos dados, considerando valores passados da série (AR), diferenciação para estacionariedade (I) e erros de previsões anteriores (MA) (Shumway e Stoffer, 2017; Eatwell e Newman, 1990).

Para avaliar a precisão das previsões e a adequação dos modelos, utilizaram-se o Erro Médio Absoluto (MAE), a Raiz do Erro Quadrático Médio (RMSE) e o Erro Percentual Absoluto Médio (MAPE). A validação estatística incluiu o Teste de Dickey-Fuller Aumentado (ADF) para verificar a estacionariedade da série, o Teste de Ljung-Box para avaliar a autocorrelação dos resíduos do modelo ARIMA, e o Teste de Jarque-Bera para verificar a normalidade da distribuição dos resíduos.

Os resultados das predições foram consolidados em um arquivo autoral e, para o monitoramento estratégico, desenvolveu-se um painel de Business Intelligence na plataforma QlikSense. Essa ferramenta permitiu a visualização espacial e temporal dos indicadores, facilitando a identificação de áreas de risco e o suporte à tomada de decisão dos gestores públicos em relação às políticas de imunização.

3. Resultados e Discussão

Os achados deste estudo indicam que, embora o Paraná apresente uma série histórica de vacinação contra a Hepatite A caracterizada por alta consistência interna e estabilidade, a projeção estatística para 2030 revela um desafio crítico. A manutenção de um patamar de cobertura próximo a 90,3% sinaliza um risco real de não atingimento da meta de 95% preconizada pelo Ministério da Saúde. Essa evidência corrobora a literatura de De Brito e Souto (2020), que já alertava para a desaceleração na redução da incidência da doença devido ao declínio da cobertura vacinal após 2015, e reforça as preocupações de De Moura et al. (2021) sobre a persistência de hepatites virais mesmo com a disponibilidade de imunizantes. A integração de modelos estatísticos como o ARIMA e o SES valida a eficácia dessas ferramentas como sistemas de alerta antecipado, fornecendo subsídios para evitar retrocessos epidemiológicos e assegurar o alinhamento com a Meta 3.b dos ODS.

A análise exploratória estatística descritiva da cobertura vacinal foi a primeira etapa da investigação, visando identificar padrões e tendências. Os registros consolidados pelo Instituto Paranaense de Desenvolvimento Econômico e Social (IPARDES) revelaram um salto significativo na cobertura vacinal nos primeiros meses após a inclusão da vacina no calendário nacional de vacinação infantil do Sistema Único de Saúde, em julho de 2014. Os dados anuais de cobertura vacinal no estado do Paraná mostraram valores como 61,57% em 2014, atingindo um pico de 105,64% em 2015, e posteriormente estabilizando em patamares como 94,51% em 2023 e 97,50% em 2025, com a meta de 95% sendo um referencial constante.

A série temporal das doses de vacina contra a Hepatite A infantil aplicadas no Paraná, abrangendo 74 observações entre 2020 e 2026, demonstrou um fluxo vacinal não linear, influenciado tanto por interrupções críticas quanto por esforços institucionais de recuperação. O declínio acentuado observado entre 2020 e 2021 evidenciou as vulnerabilidades do sistema de saúde diante da pandemia de COVID-19, período em que o distanciamento social e a sobrecarga hospitalar desestimularam a procura pela vacinação de rotina. Além disso, a série expôs uma sazonalidade persistente, com reduções sistemáticas em janeiro, mês em que as férias escolares tendem a diminuir a busca ativa pelas unidades de saúde.

A resiliência dos indicadores, contudo, é sustentada por intervenções governamentais estratégicas, que explicam os picos de retomada na série. A influência do “Julho Amarelo” é perceptível como um catalisador de demanda, uma vez que a Lei nº 13.802/2019 formalizou o combate às hepatites virais no país, gerando mobilizações que se traduzem em aumentos reais nas aplicações. Complementarmente, as campanhas de multivacinação, frequentemente realizadas em outubro, atuam como um mecanismo essencial de correção epidemiológica, incluindo a vacina contra a Hepatite A para a atualização da caderneta de crianças e adolescentes, recuperando parte do contingente não imunizado e mantendo a proteção coletiva.

A comparação entre o volume mensal de doses aplicadas e a cobertura vacinal acumulada, observada em dados abertos do Governo Federal, revelou uma série histórica marcada por forte ruído e ausência de uma tendência de crescimento linear clara. O volume de doses flutuou majoritariamente entre 9.000 e 13.000 registros. Estatisticamente, a série apresentou características de estacionariedade na média, o que fundamentou a aplicação de modelos estocásticos de previsão, como o Suavização Exponencial Simples (SES) e o Modelo Autorregressivo Integrado de Médias Móveis (ARIMA). As quedas registradas entre o fim de 2025 e o início de 2026 devem ser interpretadas sob a ótica do atraso de notificação do sistema SI-PNI, indicando que os dados mais recentes podem sofrer atualizações.

A análise estatística descritiva, fundamentada em 38 observações da série estadual, revelou uma média de cobertura vacinal de 0,9041 e um desvio padrão de 0,0651. Esses resultados indicam que a vacinação no Paraná é estável e equilibrada, com poucas oscilações em torno da média de 90%. Essa estabilidade é corroborada pelo Coeficiente de Variação (CV) de 7,20%, um índice que, segundo Gomes (2000) e Silva et al. (2011), por situar-se abaixo de 10%, é convencionalmente classificado como de ótima precisão. Esse comportamento indica que as flutuações mensais na cobertura vacinal são contidas, sinalizando um desempenho regular do programa de imunização ao longo do período analisado e assegurando a confiabilidade das projeções futuras.

A distribuição dos outliers da cobertura vacinal e a distribuição de frequência confirmaram a estabilidade da cobertura, concentrada em torno da média de 0,90 com baixa dispersão. O histograma demonstrou uma distribuição unimodal e simétrica, enquanto o boxplot destacou a presença de outliers superiores acima de 1,05. Esses pontos indicam meses com desempenho excepcionalmente elevado que, contudo, não descaracterizam a consistência central da série. Para verificar a viabilidade dos modelos estocásticos, aplicou-se o teste de Dickey-Fuller Aumentado (ADF), que apresentou uma estatística de -3,0167 e um p-valor de 0,0334. Sendo o p-valor inferior ao nível de significância de 5% (p < 0,05), rejeitou-se a hipótese nula, confirmando que a série de cobertura vacinal é estacionária.

Esse achado é fundamental, pois permitiu a aplicação direta do modelo ARIMA com o parâmetro de diferenciação definido como zero (d=0), indicando que as propriedades estatísticas da série, como média e variância, permanecem constantes ao longo do tempo. A série temporal foi segmentada em seus componentes de tendência, sazonalidade e resíduo, e a aplicação do modelo aditivo permitiu a geração de métricas que validaram a estrutura dos dados. A análise dos componentes comprovou uma série temporal com tendência estável, apresentando leves flutuações, mas sem uma inclinação de crescimento ou queda persistente a longo prazo. O componente de sazonalidade exibiu um padrão cíclico bem definido e repetitivo, com picos e vales anuais que capturam as variações típicas do calendário de imunização, como as campanhas de vacinação e os períodos de férias escolares. No gráfico de resíduos, observou-se a presença de pontos isolados distantes da linha zero ou outliers, representando eventos atípicos não explicados pela tendência ou sazonalidade. A sobreposição da série original e reconstruída demonstrou alta aderência da modelagem aditiva aos dados reais.

Para a identificação dos parâmetros (p, d, q) do ARIMA, foram gerados os gráficos das Funções de Autocorrelação (ACF) e Autocorrelação Parcial (PACF). O gráfico ACF revelou que apenas o primeiro “lag” apresentava correlação estatisticamente significativa, ultrapassando o intervalo de confiança e sugerindo um termo de média móvel (q=1). De forma análoga, o PACF indicou que o componente autorregressivo é predominante no primeiro mês (p=1). Combinando esses achados com a estacionariedade confirmada anteriormente (d=0), o modelo ARIMA(1, 0, 1) foi selecionado como base para as projeções estaduais.

Para a modelagem inicial, aplicou-se o modelo SES com o objetivo de identificar o nível de suavização (α) que minimizasse o erro quadrático. O modelo apresentou um desempenho satisfatório, com um Erro Percentual Absoluto Médio (MAPE) de apenas 4,53% e um Erro Quadrático Médio (RMSE) de 0,0563. O erro obtido é considerado expressivamente baixo, visto que um MAPE abaixo de 10% enquadra-se na categoria de “previsão altamente precisa” (Lewis, 1982). Isso valida o modelo apesar das interferências externas típicas do setor de saúde, como campanhas, logística e feriados. O parâmetro de suavização otimizado (α) foi de 0,6627, indicando que o modelo atribui maior relevância aos dados recentes para capturar as flutuações da série, sem desconsiderar a influência de aproximadamente 34% do histórico anterior. A proximidade entre a série real e a ajustada ratifica a eficácia do SES em acompanhar o nível da cobertura vacinal, servindo como um sólido benchmark para os modelos autorregressivos.

Posteriormente, aplicou-se o modelo ARIMA(1, 0, 1), que apresentou um desempenho superior, atingindo um MAPE de 3,78% e RMSE de 0,0522. A análise dos coeficientes revelou que o termo autorregressivo (φ = 0,6173) é estatisticamente significativo (p = 0,043), confirmando que a cobertura vacinal do mês atual retém cerca de 61% do comportamento do mês anterior. O p-valor abaixo de 0,05 atesta a significância do componente autorregressivo, indicando que a série é fortemente influenciada pelo seu desempenho imediato. Já o termo de Média Móvel (θ = -0,0743), com p-valor de 0,851, indica que o erro do mês passado não exerce impacto expressivo sobre o valor atual.

A adequação do ajuste foi avaliada pelo teste de Ljung-Box, cujo resultado (p = 0,95) não forneceu evidências estatísticas para a rejeição da hipótese nula de independência dos resíduos. Esse achado indica que o modelo foi capaz de capturar a estrutura de dependência temporal da série, restando nos resíduos um comportamento condizente com o ruído branco. Embora o teste de Jarque-Bera tenha indicado a não-normalidade dos resíduos (p<0,05), fato atribuído aos picos pontuais de cobertura vacinal decorrentes de campanhas de multivacinação, o modelo ARIMA(1, 0, 1) permanece válido para fins de projeção. Isso ocorre porque o requisito fundamental de ausência de autocorrelação nos resíduos foi atendido, o que sugere que a estrutura temporal foi capturada e que a normalidade, embora desejável para inferências, não compromete a capacidade preditiva do modelo no horizonte estudado.

Ao comparar os métodos, o modelo ARIMA(1, 0, 1) foi o que melhor se ajustou aos dados, apresentando o menor erro médio (3,78%). Enquanto o modelo SES é mais simples, o ARIMA conseguiu entender melhor as subidas e descidas da vacinação ao longo do tempo. Além de ser mais preciso, ele passou nos testes estatísticos de qualidade, provando ser a escolha mais confiável para projetar se o Paraná conseguirá atingir as metas de imunização até 2030. A projeção para 2030 indica que a cobertura vacinal no Paraná tende a se estabilizar em 90,3%, convergindo para a média histórica observada. Ressalta-se, contudo, que o período de previsão supera o tempo de treinamento do modelo (38 observações), o que resulta em um aumento progressivo da incerteza e do intervalo de confiança à medida que o horizonte se afasta do presente.

Devido a essa característica, os resultados não devem ser interpretados como uma previsão determinística, mas sim como uma tendência probabilística baseada na manutenção do cenário atual. Embora a margem de erro permita vislumbrar o alcance da meta de 95%, a estimativa pontual sugere que o ritmo atual é insuficiente para atingir o objetivo do ODS 3.b, reforçando a necessidade de monitoramento contínuo e de estratégias vacinais intensificadas para garantir a proteção da população infantil até o fim da década. A transição metodológica da escala estadual para a municipal envolveu a aplicação e o teste comparativo de ambos os modelos em cada nível. Enquanto o modelo ARIMA(1,0,1) obteve o melhor desempenho para a série histórica mensal do estado, a modelagem individual dos 399 municípios exigiu uma abordagem distinta.

Na escala municipal, o modelo SES consolidou-se como a melhor escolha, baseada na série anual de 11 observações (2014 a 2024). Para o conjunto de dados mensais (38 observações a partir de 2023), os testes de estacionariedade (ADF) e autocorrelação (ACF/PACF) foram iniciados. Os resultados do teste ADF revelaram que 346 municípios apresentaram p-valor inferior a 0,05, permitindo rejeitar a hipótese nula de existência de raiz unitária e confirmando a estacionariedade das séries em nível. Consequentemente, para essas localidades, a modelagem ARIMA pôde prosseguir com o parâmetro de diferenciação d=0. A análise das autocorrelações, empregando a técnica de análise agregada, mostrou que o ACF e o PACF médios de todos os municípios reforçam a característica de estacionariedade das séries de cobertura vacinal no estado.

Observou-se uma leve persistência no “lag” 12 da ACF, sugerindo uma componente sazonal anual remanescente e indicando que a série possui uma memória de curto prazo. Tecnicamente, esse comportamento permitiria a aplicação do modelo ARIMA em sua configuração mais simples: o modelo autorregressivo de primeira ordem, ou ARIMA (1,0,0). A extração das métricas de desempenho foi realizada por meio de um algoritmo de processamento em lote, que iterou individualmente sobre cada município. Para garantir a validade estatística, aplicou-se a técnica de partição de dados (“train-test split”), utilizando os primeiros 80% da série temporal para treinamento e os 20% restantes para o teste de acurácia dos modelos ARIMA e SES. Após a geração das previsões, calcularam-se os erros individuais (MAE e RMSE) por localidade. Os resultados foram consolidados em uma métrica global através da média aritmética simples, permitindo uma comparação robusta da capacidade preditiva generalizada de cada modelo para o estado.

Ao comparar o desempenho dos modelos para a base mensal municipal, observou-se que o modelo SES superou o ARIMA(1,0,0), obtendo um Erro Médio Absoluto (MAE) de 5,37 pontos percentuais contra 5,85 do modelo autorregressivo. Já para o segundo conjunto de dados, a série anual de 2014 a 2024, a opção exclusiva pelo modelo SES fundamentou-se na extensão limitada da amostra (n=11). Segundo a literatura clássica de Box & Jenkins, modelos da classe ARIMA exigem séries temporais mais longas, idealmente com no mínimo 50 observações (Souza, 2014), para garantir a convergência dos parâmetros e a estabilidade das funções de autocorrelação. Os resultados obtidos na base anual demonstraram performance superior em relação à série mensal, com um MAE de 0,84, indicando uma aderência quase integral do modelo à tendência histórica dos indicadores de saúde nos 399 municípios. Essa disparidade entre os erros (5,37 no mensal versus 0,84 no anual) deve-se à diluição de sazonalidades extremas e ruídos de coleta inerentes aos registros mensais, que se estabilizam no agregado anual. Além disso, a série mensal municipal do Ministério da Saúde (38 observações) apresentou elevado volume de dados faltantes devido a fatores técnicos, operacionais e metodológicos estruturais, comprometendo a acurácia dos modelos mensais nessa escala. A consolidação anual dos dados remove flutuações atípicas, tornando essa base ideal para projeções de longo prazo. Dessa forma, o modelo SES aplicado à base anual foi selecionado para as predições finais do estudo até o horizonte de 2030, apresentando elevado grau de confiabilidade estatística para o planejamento de políticas públicas.

A análise espacial e preditiva municipal revelou uma disparidade importante no cenário vacinal do estado. Dos 399 municípios paranaenses, 219 (55%) apresentaram projeções favoráveis ao cumprimento da meta do ODS 3.b até 2030. No entanto, foram identificados 180 municípios como ‘Pontos de Atenção’, onde a cobertura estimada permanece abaixo dos 95%. Observou-se que municípios de menor porte demonstram maior eficácia na capilaridade da atenção primária, em contrapartida, grandes polos urbanos e regiões metropolitanas, a exemplo de Curitiba, Londrina, Maringá e Cascavel, apresentaram os índices mais críticos. Este fenômeno reitera que a robustez da infraestrutura de saúde urbana, isoladamente, não assegura o sucesso vacinal, evidenciando a urgência de políticas de busca ativa e combate à hesitação vacinal para consolidar a proteção imunobiológica da população até o final da década.

Nesse cenário, o emprego de ferramentas de Business Intelligence (BI) torna-se estratégico para a elevação da cobertura vacinal, uma vez que viabiliza o monitoramento preciso de indicadores. Essas tecnologias facilitam a interpretação de grandes volumes de dados e permitem o cálculo de índices agregados por Regiões Intermediárias (RGInt) ou o detalhamento minucioso em nível municipal, oferecendo suporte fundamental à tomada de decisão dos gestores públicos. A análise das RGInt permitiu identificar disparidades geográficas marcantes nas projeções de cobertura vacinal para 2030. A RGInt Curitiba, por exemplo, apresenta o cenário interno mais crítico, com 71,1% de seus municípios classificados como Pontos de Atenção, o que indica uma alta concentração de cidades com tendência de não cumprimento da meta de 95%. Sob a ótica da representatividade estadual, a RGInt Maringá destaca-se por concentrar o maior volume absoluto de risco, detendo 12,5% de todos os Pontos de Atenção identificados no Paraná. Ao todo, o estado contabiliza 180 municípios (45,1%) que necessitam de intervenções estratégicas e monitoramento contínuo para reverter a tendência de estagnação da cobertura vacinal.

Em síntese, a integração entre o rigor estatístico dos modelos ARIMA e SES e a inteligência visual dos dashboards em QlikSense permitiu converter grandes volumes de dados em um diagnóstico estratégico para a saúde pública. Enquanto as projeções indicam que a média estadual tende a se estabilizar em 90,3%, patamar abaixo da meta ideal, a análise espacial revelou uma realidade heterogênea, com 180 municípios classificados como “Pontos de Atenção”, concentrados majoritariamente em grandes polos urbanos. Mais do que meras predições numéricas, esses achados consolidam o uso da Inteligência Artificial como um sistema de alerta antecipado, capaz de identificar áreas de risco e orientar intervenções preventivas antes que retrocessos epidemiológicos se concretizem, contribuindo diretamente para o objetivo de desenvolver modelos estatísticos para prever a cobertura vacinal e monitorar a conformidade com a Meta 3.b dos ODS.

4. Conclusão

O presente estudo buscou desenvolver modelos estatísticos clássicos de séries temporais para prever a cobertura vacinal contra a hepatite A infantil nos municípios do Paraná até 2030, com o intuito de monitorar estrategicamente os indicadores e avaliar a conformidade com a Meta 3.b dos Objetivos de Desenvolvimento Sustentável. Verificou-se que o modelo ARIMA(1,0,1) apresentou a melhor acurácia para a projeção estadual, indicando uma tendência de estabilização da cobertura em 90,3% até 2030. Este patamar, contudo, permanece inferior à meta ideal de 95% preconizada pelo Ministério da Saúde. Na análise municipal, o modelo de Suavização Exponencial Simples (SES) revelou-se mais adequado, e identificou-se que 180 municípios, correspondendo a 45% do total, foram classificados como “Pontos de Atenção”, com risco de não cumprimento das metas globais. Observou-se que a concentração desses pontos críticos ocorre majoritariamente em grandes polos urbanos e regiões metropolitanas, evidenciando que a infraestrutura de saúde, por si só, não garante o sucesso vacinal. A visualização dessas predições em dashboards de Business Intelligence demonstrou ser uma ferramenta estratégica para o monitoramento preciso e a tomada de decisão dos gestores públicos.

A principal contribuição deste estudo reside na validação do uso de modelos estatísticos clássicos de séries temporais, integrados a ferramentas de Business Intelligence, como um sistema de alerta antecipado eficaz para a saúde pública. Essa abordagem permite converter grandes volumes de dados em um diagnóstico estratégico, capaz de identificar proativamente áreas de risco e subsidiar o fortalecimento das políticas de imunização, visando a redução das desigualdades regionais e o alinhamento com a Agenda 2030. Contudo, é importante ressaltar que, como o horizonte de projeção excede o período de treinamento dos modelos, os resultados devem ser interpretados como tendências probabilísticas, o que exige monitoramento contínuo e recalibragem periódica das ferramentas. Para estudos futuros, sugere-se a exploração de outros modelos preditivos de séries temporais, incluindo abordagens baseadas em Machine Learning, para aprimorar a acurácia. Recomenda-se, ainda, a expansão da análise com a inclusão de variáveis demográficas adicionais, como gênero, faixas etárias específicas e o Índice de Desenvolvimento Humano Municipal (IDHM), para uma compreensão mais aprofundada dos fatores que influenciam a cobertura vacinal.

Referências Bibliográficas

De Brito, W.I., Souto, F.J.D., 2020. Vacinação universal contra hepatite A no Brasil: análise da cobertura vacinal e da incidência cinco anos após a implantação do programa. Rev. bras. epidemiol. 23 06 Jul 2020. DOI: https://doi.org/10.1590/1980-549720200073

De Moura, G.V.; Contini, V.P.; Bigolin, L.D.L.; Wrague, K.M.; Leusin, V.B. 2021. VACINAÇÃO VERSUS DOENÇA: QUEM ESTÁ GANHANDO A BATALHA CONTRA AS HEPATITES A E B?. Revista Multidisciplinar em Saúde. 2, 2 (abr. 2021), 15.

Eatwell, J.; Milgate, M.; Newman, P. (Eds.). (1990). Time series and statistics. Springer.

Fagundes, T.P.; Wichmann, R.M.; Silva, M.E.L.; Oliveira, T. A. 2024. Big data em Saúde do Trabalhador: o quão distantes estamos?. Rev Bras Saúde Ocup. 49.

Gomes, 2000 [Referência completa não encontrada no documento original]

Lewis, C.D., 1982. Industrial and Business Forecasting Methods: A practical guide to exponential smoothing and curve fitting. Londres: Butterworth Scientific.

Martins C.M.; Fridman F.Z.; Robial R. Hepatites A e B. In: Programa Vacinal para Mulheres. 2a ed. São Paulo: Federação Brasileira das Associações de Ginecologia e Obstetrícia (FEBRASGO); 2021. Cap.7, p. 79-91. (Série Orientações Recomendações FEBRASGO, no.1 /Comissão Nacional Especializada de Vacinas).

Ostertagová, E.; Ostertag, O. 2011. The simple exponential smoothing model. In The 4th International Conference on modelling of mechanical and mechatronic systems, Technical University of Košice, Slovak Republic, Proceedings of Conference (pp. 380-384).

Shumway e Stoffer, 2017 [Referência completa não encontrada no documento original]

Silva, A.R.S; Cecon, P.R.; Rgo, E.R.; Nascimento M. 2011 Estatística. Rev. Ceres 58 (2). Abr 2011. https://doi.org/10.1590/S0034-737X20110002000064

Souza, A. 2014. Utilização De Modelos Arima Para Previsão Da Arrecadação De Icms Do Estado Do Rio Grande Do Sul. Anais Do XVII Simpósio De Pesquisa Operacional e Logística Da Marinha.

Souza, R.C.; Camargo, M.E. 2004. Análise e Previsão de Séries Temporais: os Modelos ARIMA. Ed Regional. 2ª edição.

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