PARTE 1: Integração de Dados Climáticos e de Saúde

Introdução

Fundamento Teórico

A compreensão das dinâmicas entre variáveis climáticas e desfechos de saúde exige métodos que ultrapassem a simples análise de correlação linear. Na epidemiologia ambiental, a plausibilidade da associação depende, entre outros fatores, da coerência temporal entre a exposição, o período de latência biológica e a ocorrência do desfecho em saúde. Isso ocorre porque a exposição a um fator estressor, como uma onda de calor ou um evento de precipitação extrema, raramente produz um efeito biológico imediato, isolado e uniforme em toda a população.

O maior desafio na epidemiologia ambiental não é apenas ter dados de clima e de saúde, mas sim integrá-los temporalmente de forma biologicamente plausível. Por exemplo, se um paciente é diagnosticado com dengue no dia “t”, o mosquito que o infectou provavelmente o picou cerca de 10 a 14 dias antes, enquanto a chuva que favoreceu a formação dos criadouros pode ter ocorrido aproximadamente 30 dias antes. Assim, utilizar apenas a temperatura ou a precipitação do dia do registro pode introduzir viés temporal, especialmente em agravos com latência, incubação ou efeito acumulado. A função sus_climate_aggregate() foi construída para lidar com esse problema, oferecendo 10 estratégias rigorosas de alinhamento temporal entre exposições climáticas e desfechos de saúde.

A resposta orgânica e a dinâmica de transmissão de doenças são processos governados por tempos de latência, períodos de incubação e efeitos acumulados que demandam estratégias de alinhamento temporal específicas para cada fenômeno estudado. A aplicação rigorosa de abordagens como a defasagem distribuída, a janela deslocada ou os graus-dia permite que pesquisadores e gestores de saúde pública identifiquem com precisão as janelas de vulnerabilidade e os gatilhos ambientais de patologias diversas.

Figura 1: O Desafio do Alinhamento Temporal

┌─────────────────────────────────────────────────────────────────────────────┐
│                         LINHA DO TEMPO EPIDEMIOLÓGICA                        │
├─────────────────────────────────────────────────────────────────────────────┤
│                                                                             │
│   Exposição     Período de      Período de      Período de     Desfecho     │
│   Climática     Latência        Incubação       Propagação    de Saúde      │
│      ↓              ↓               ↓               ↓            ↓          │
│   ═══╬═════════════╬═══════════════╬═══════════════╬════════════╬═══════►  │
│      │             │               │               │            │          │
│      │<─── Horas ──→│<─── Dias ────→│<─── Semanas ─→│<─── Meses ─→│          │
│      │             │               │               │            │          │
│   Calor/      Estresse      Infecção      Transmissão   Hospital-   Óbito   │
│   Frio        Fisiológico   Viral         Comunitária   ização              │
│                                                                             │
└─────────────────────────────────────────────────────────────────────────────┘

Fonte: Adaptado de Bhaskaran et al. (2013) - International Journal of Epidemiology

O Princípio Fundamental

A escolha da estratégia de alinhamento temporal deve ser guiada pela hipótese epidemiológica e biológica do estudo, pois diferentes desfechos apresentam diferentes tempos de resposta à exposição climática:

Se o objetivo é estudar o impacto do calor na mortalidade por infarto agudo do miocárdio, a premissa de um efeito agudo direciona a análise para o “Match Exato”
Por outro lado, o estudo da incidência de dengue em uma metrópole exige o reconhecimento de que o clima de hoje influenciará a abundância de vetores e a transmissão viral apenas após várias semanas, justificando o uso de “Janelas Deslocadas” e “Graus-Dia”

Tipo	Escala Temporal	Exemplos
⚡ Efeito Agudo	Minutos a Horas	Infarto, AVC, Asma
⏳ Efeito Subagudo	Dias a Semanas	Pneumonia, DPOC
🦟 Efeito Tardio	Semanas a Meses	Dengue, Malária, Zika

As Dez Estratégias de Alinhamento Temporal

As estratégias de alinhamento funcionam como filtros que permitem aos modelos estatísticos “enxergar” o fenômeno biológico através do ruído dos dados meteorológicos. Cada abordagem oferece uma perspectiva única sobre a exposição humana e ambiental.

Estratégia	Descrição
📅 exact	Alinha o evento de saúde no dia t com o tempo meteorológico no dia t. Ideal para eventos agudos (ex: desidratação, AVC por calor).
⏪ discrete_lag	Busca o tempo meteorológico exatamente L dias atrás. Útil para identificar picos de associação específicos.
⏳ moving_window	Calcula a média ou soma das variáveis climáticas no intervalo [t-w, t]. O padrão amplamente utilizado em séries temporais (Rolling Window).
🔬 offset_window	Foca em um intervalo histórico específico [t-W2, t-W1]. Ideal para isolar o período de incubação extrínseca.
🌀 distributed_lag	Cria uma matriz de defasagens (0 até L). Organiza a exposição em múltiplas defasagens, permitindo posterior aplicação em modelos de defasagem distribuída, como DLNM.
🌡️ degree_days	Calcula Graus-Dia de Crescimento (GDD) acumulados. Essencial para biologia de vetores e estresse térmico humano.
🌍 seasonal	Agrega os valores das variáveis climáticas por estações do ano (DJF, MAM, JJA, SON). Indicado para estudos de tendências em longa escala.
📈 threshold_exceedance	Conta dias que excedem um limiar. Ideal para ondas de calor e eventos extremos de precipitação.
📉 cold_wave_exceedance	Conta dias abaixo de um limiar. Crítico para extremos de frio nas regiões Sul e Sudeste.
⚖️ weighted_window	Aplica pesos decrescentes aos dias da janela, modelando a meia-vida biológica da exposição ambiental.

1. Exact Match: o gatilho dos eventos agudos

Definição — O alinhamento por Match Exato associa o evento de saúde à exposição climática ocorrida no exato dia do registro. Esta estratégia fundamenta-se na hipótese de que o estressor ambiental possui uma capacidade de desencadear respostas fisiológicas agudas em curto intervalo de tempo.

Modelo Matemático: $Y_t \leftarrow X_t$

Mecanismo Fisiológico

A exposição súbita a temperaturas elevadas provoca uma demanda massiva de termorregulação. Ocorre uma vasodilatação periférica intensa para dissipar o calor, o que exige um aumento significativo do débito cardíaco. Em indivíduos com reserva cardiovascular limitada, esse estresse pode levar à isquemia miocárdica ou à insuficiência cardíaca aguda em poucas horas.

Figura 2: Diagrama do Match Exato

TEMPO:                    Dia do Evento (t)
                               │
    ═══════════════════════════╪═══════════════════════════►
                               │
    Exposição Térmica ─────────┼──► Resposta Biológica
    (Calor/Frio extremo)       │    (Infarto/AVC)
                               │
                               │
    ← Dias Anteriores ─────────┼──── Dias Seguintes ──────→
                               │
    ❌ IGNORADOS                │ ✅ CAPTURADO
                               │

Esquema: Apenas a exposição no dia do evento é considerada.

Aplicações Clínicas

Fenômeno Biológico	Justificativa	Mecanismo
Infarto do Miocárdio	Estresse hemodinâmico súbito	Aumento imediato da carga cardíaca e viscosidade sanguínea
AVC Isquêmico	Flutuação da pressão arterial	Desequilíbrio eletrolítico e instabilidade vascular rápida
Insolação (Heatstroke)	Falência termorregulatória	Elevação crítica da temperatura central em curto prazo
Crises de Asma	Choque polínico	Ruptura de grãos de pólen por umidade, causando exposição imediata

Limitações

Embora robusta para identificar o risco imediato, esta estratégia pode ignorar efeitos que se manifestam com um pequeno atraso, como a inflamação pulmonar que se desenvolve horas após a exposição. O Match Exato é frequentemente o ponto de partida para modelos mais complexos, servindo como o “lag 0” em análises de múltiplos dias.

2. Discrete Lag: identificação da janela crítica

Definição — A estratégia de Defasagem Discreta avalia o efeito das condições meteorológicas ocorridas em um dia específico no passado, permitindo que o pesquisador identifique qual dia de exposição possui a maior força de associação com o desfecho de saúde.

Modelo Matemático: $Y_t \leftarrow X_{t-L}$

Mecanismo de Latência

Muitas patologias não se manifestam no dia da exposição. No caso de doenças respiratórias causadas pelo frio, existe frequentemente um atraso de 2 a 5 dias. O ar frio inibe a movimentação dos cílios nas vias aéreas e reduz a resposta imunológica local, facilitando a colonização por patógenos.

Figura 3: Diagrama do Discrete Lag

TEMPO:                    Hoje (t)
                               │
    ═══════════════════════════╪═══════════════════════════►
                               │
    t-21    t-14    t-7     t-3│
     │        │        │       │
     ▼        ▼        ▼       ▼
    ═══════════════════════════╗
                               ║
    Exposição Passada ─────────║──► Resposta Hoje
    (Lag específico)           ║
                               ║
    ← ────────────────────────╫──────────────────────────→
                               │
    ✅ TESTADO                  │ ❌ IGNORADO
    (cada lag isoladamente)     │

Esquema: Testa-se cada dia de exposição no passado separadamente.

Classificação por Horizonte Temporal

Tipo de Lag	Horizonte	Uso Típico	Exemplo Clínico
Lag Curto	1-3 dias	Respostas inflamatórias rápidas	Exacerbação de DPOC
Lag Intermediário	4-10 dias	Infecções virais respiratórias	Pneumonia lobar
Lag Longo	>10 dias	Efeitos indiretos	Mudanças comportamentais induzidas pelo tempo meteorológico

Limitação Principal

A principal limitação reside na multicolinearidade. As temperaturas de dias sucessivos são altamente correlacionadas, o que pode dificultar a distinção entre o efeito do “lag 2” e do “lag 3”. No entanto, ela permanece uma ferramenta diagnóstica valiosa para entender a dinâmica temporal primária.

3. Distributed Lag (DLNM): A Complexidade dos Modelos Não-Lineares

Definição — O Modelo de Defasagem Distribuída cria uma matriz de defasagens que permite capturar o efeito de uma exposição ao longo de um período contínuo. Quando combinado com funções não-lineares, surge o DLNM (Distributed Lag Non-linear Model), uma das abordagens mais consolidadas para analisar relações não lineares e defasadas entre temperatura e mortalidade. Preparação estrita para modelos DLNM (pacote dlnm no R).

Modelo Matemático: $\log E = \alpha + \sum_{j=0}^{L} f_j + \text{covariáveis}$

Lógica do Modelo

O risco de hoje é a soma dos riscos residuais de exposições passadas. Uma onda de calor de três dias atrás ainda pode estar contribuindo para o estresse fisiológico de um idoso hoje. O DLNM utiliza funções de base (splines ou polinômios) para suavizar a relação tanto na dimensão da intensidade (temperatura) quanto na dimensão do tempo (lag).

Figura 4: Superfície Tridimensional de Risco do DLNM

                    RISCO RELATIVO
                         │
                    ╱    │    ╲
                   ╱     │     ╲
                  ╱      │      ╲
                 ╱       │       ╲
                ╱        │        ╲
               ╱         │         ╲
              ╱          │          ╲
             ╱           │           ╲
            ╱            │            ╲
           ╱             │             ╲
    ──────┼──────────────┼──────────────┼──────►
          │              │              │
     TEMPERATURA ────────┼──────────────►
          │              │              │
          │              │              │
          ▼              ▼              ▼
       Frio           Conforto         Calor
    (Efeito        (Risco Mínimo)   (Efeito
    Persistente)                    Intenso)

    LEGENDA:
    ══ Linhas de mesmo risco
    → Direção do aumento da temperatura
    ↓ Direção do aumento da defasagem

Esquema: Superfície tridimensional mostrando que o calor tem efeito intenso mas curto, enquanto o frio tem efeito mais leve porém persistente por semanas. Adaptado de Gasparrini (2011).

Fenômeno de “Colheita” (Harvesting)

O DLNM e modelos de defasagem distribuída podem auxiliar na identificação de padrões compatíveis com o fenômeno de harvesting, quando o aumento inicial da mortalidade é seguido por redução posterior abaixo do esperado.

Figura 5: Efeito de Colheita (Harvesting)

Mortalidade
     │
     ▲
     │      ┌──────────────────────────────────────┐
     │      │                                      │
     │      │      Onda de Calor                   │
     │      │         │                            │
     │    ──┼─────────┼──────────────────────────  │ Linha de Base
     │      │         │                            │
     │      │    ╱────╲                            │
     │      │   ╱      ╲                           │
     │      │  ╱        ╲    ┌──────────────────┐  │
     │      │ ╱          ╲   │                  │  │
     │      │╱            ╲──┘     Queda        │  │
     │      │               ┌───── Compensatória │  │
     │      │               │                   │  │
     │      └───────────────┴───────────────────┴──┼──►
                                                  Tempo

    LEGENDA:
    ── Mortalidade observada
    - - Linha de base esperada
    ▲ Pico de mortes durante evento
    ▼ Mortes abaixo do esperado após evento

Fonte: Adaptado de Gasparrini et al. (2015) - The Lancet

4. Moving Window: A Perspectiva do Efeito Acumulado

Definição — A Janela Móvel calcula uma métrica central (média, máximo ou mínimo) de uma variável climática durante um período recente definido. Diferente das defasagens individuais, trata a exposição como um fardo cumulativo.

Média: $Y_t \leftarrow \frac{1}{W+1} \sum_{i=t-W}^{t} X_i$

Soma (chuva): $Y_t \leftarrow \sum_{i=t-W}^{t} X_i$

Por que não Janela Simétrica ( $\pm W$ )? Em muitos pacotes estatísticos, usa-se uma janela simétrica $[t-W, t+W]$ . Isso pode introduzir viés de antecipação temporal em estudos etiológicos, conhecido como Look-Ahead Bias (Viés de Olhar para o Futuro). As condições de tempo do dia $t+7$ não podem causar um evento no dia $t$ . O climasus4r usa exclusivamente a janela móvel retroativa $[t-W, t]$ para manter a integridade causal.

Fisiopatologia da Exaustão Adaptativa

O corpo humano pode tolerar um dia de calor extremo, mas a exposição contínua por sete dias esgota as reservas de hidratação e sobrecarrega o sistema renal. Em hidrologia e saúde, janelas móveis de precipitação acumulada são usadas para prever surtos de leptospirose.

Figura 6: Esquema da Janela Móvel

TEMPO:                    Hoje (t)
                               │
    ═══════════════════════════╪═══════════════════════════►
                               │
    t-7  t-6  t-5  t-4  t-3  t-2│t-1   t
     │    │    │    │    │    │  │    │
     ▼    ▼    ▼    ▼    ▼    ▼  ▼    ▼
    ═══════════════════════════════════╗
    ║  J A N E L A   M Ó V E L         ║
    ║  (t-7  até  t)                   ║
    ║                                   ║
    ║  Média = (X₁+X₂+...+X₈)/8        ║
    ╚═══════════════════════════════════╝
                                       │
                                       ▼
                                  Resposta Hoje

    LEGENDA:
    ■ Dias incluídos na janela
    □ Dias fora da janela

Esquema: A janela inclui o dia do evento e os W dias anteriores, calculando a média ou soma do período.

Janelas e seus Focos Biológicos

Janela	Foco Biológico	Exemplo de Aplicação
3 dias	Estresse Agudo Acumulado	Avaliação de ondas de calor urbanas
7 dias	Persistência Ambiental	Sobrevivência de vírus em superfícies
14 dias	Adaptação Metabólica	Resposta inflamatória crônica
30 dias	Mudança de Ecótopo	Preparação do solo para vetores

Atenção Metodológica: Diferente de outros métodos que usam janela simétrica, o alinhamento correto em epidemiologia usa exclusivamente a janela retroativa $[t-W, t]$ para evitar o Look-Ahead Bias (viés de olhar para o futuro).

5. Offset Window: O Tempo da Incubação e Transmissão

Definição — A Janela Deslocada isola um período específico no passado, excluindo deliberadamente os dias mais recentes. Fundamental para doenças infecciosas, onde o alinhamento temporal deve considerar os períodos de incubação no vetor e no humano.

Modelo: $Y_t \leftarrow \frac{1}{W_1+1} \sum_{i=t-W_2}^{t-W_1} X_i$

Componentes do Atraso na Dengue

Componente	Duração (Dias)	Influência do Clima
Desenvolvimento Larvário	7 - 10	Temperatura e precipitação (criadouros)
Incubação no Mosquito (PIE)	8 - 12	Temperatura (acelera a replicação viral)
Incubação no Humano	3 - 7	Independente do clima
Atraso de Notificação	2 - 5	Fatores administrativos/acesso

Figura 7: Cadeia de Transmissão da Dengue

                    CICLO DE TRANSMISSÃO DA DENGUE

    ┌─────────────────────────────────────────────────────────────────┐
    │                                                                 │
    │   Ovo      Larva     Pupa     Adulto    PIE*      Humano    Caso │
    │    │         │         │         │        │          │        │  │
    │    ▼         ▼         ▼         ▼        ▼          ▼        ▼  │
    │   ═╬═════════╬═════════╬═════════╬════════╬══════════╬════════╬═►│
    │    │         │         │         │        │          │        │  │
    │  7-10      3-5       2-3       5-7      8-12       3-7      2-5 │
    │  dias      dias      dias      dias     dias       dias     dias│
    │                                                                 │
    │  *PIE = Período de Incubação Extrínseco (vírus no mosquito)     │
    │                                                                 │
    └─────────────────────────────────────────────────────────────────┘

    TEMPO TOTAL: 30-45 dias desde o ovo até o caso notificado

    ┌─────────────────────────────────────────────────────────────────┐
    │                    JANELA DESLOCADA IDEAL                        │
    │                                                                 │
    │              ┌─────────────────────┐                            │
    │              │    OFFSET WINDOW    │                            │
    │              │    [t-28, t-14]     │                            │
    │              └─────────────────────┘                            │
    │                         │                                       │
    │                         ▼                                       │
    │              Captura chuvas e calor que                         │
    │              criaram o vetor e permitiram                       │
    │              a replicação viral                                 │
    └─────────────────────────────────────────────────────────────────┘

Fonte: Adaptado de Lowe et al. (2021) - The Lancet Planetary Health

6. Degree Days: O Cronômetro Térmico da Biologia

Definição — O conceito de Graus-Dia baseia-se na teoria do tempo térmico, que postula que o desenvolvimento de organismos ectotérmicos (insetos, parasitas) não é governado pelo tempo cronológico, mas pela acumulação de calor acima de um limiar basal.

Graus-Dia: $GDD = \sum_{i=t-W}^{t} \max(0, T_i - T_{base})$

Limiares Térmicos por Espécie

Organismo	T_base (°C)	GDD para Desenvolvimento	Aplicação
Aedes aegypti	11	100-150	Transmissão de dengue
Anopheles gambiae	18	80-120	Transmissão de malária
Triatoma infestans	16	200-300	Doença de Chagas
Humano (estresse)	20	-	Morbidade cardiovascular

Teoria do Tempo Térmico

Cada espécie possui um Limiar Térmico Inferior ( $T_{base}$ ), abaixo do qual seu desenvolvimento cessa. Se uma larva de mosquito precisa de 100 graus-dia acumulados para se tornar adulta, ela pode levar 10 dias em um ambiente a 25°C ou apenas 5 dias em um ambiente a 35°C.

Figura 8: Cálculo dos Graus-Dia

Exemplo: Aedes aegypti (Tbase = 11°C)

Dia 1: Tmed = 25°C  →  GDD = 25 - 11 = 14
Dia 2: Tmed = 26°C  →  GDD = 26 - 11 = 15
Dia 3: Tmed = 24°C  →  GDD = 24 - 11 = 13
Dia 4: Tmed = 10°C  →  GDD = max(0, 10-11) = 0
Dia 5: Tmed = 28°C  →  GDD = 28 - 11 = 17

GDD Acumulado = 14 + 15 + 13 + 0 + 17 = 59

Se necessidade de desenvolvimento = 100 GDD:
Faltam 41 GDD → aproximadamente +3 dias

┌─────────────────────────────────────────────────────────────────┐
│                                                                 │
│   Temperatura                                                   │
│        ▲                                                        │
│        │                                                        │
│     35 ┤                                      ╱───╲             │
│        │                                   ╱─╲    ╲             │
│     30 ┤                                ╱─╲   ╲    ╲            │
│        │                             ╱─╲   ╲   ╲    ╲           │
│     25 ┤                          ╱─╲   ╲   ╲   ╲    ╲          │
│        │                       ╱─╲   ╲   ╲   ╲   ╲    ╲         │
│     20 ┤                    ╱─╲   ╲   ╲   ╲   ╲   ╲    ╲        │
│        │                 ╱─╲   ╲   ╲   ╲   ╲   ╲   ╲    ╲       │
│     15 ┤              ╱─╲   ╲   ╲   ╲   ╲   ╲   ╲   ╲    ╲      │
│        │           ╱─╲   ╲   ╲   ╲   ╲   ╲   ╲   ╲   ╲    ╲     │
│   Tbase=11 ┤────────╨───────╨───────╨───────╨───────╨───────╨──► │
│        │                     Tempo                              │
│                                                                 │
│   ■ Área acima da Tbase = GDD acumulado                         │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

Esquema: A área sob a curva de temperatura acima do limiar basal representa os Graus-Dia acumulados.

7. Seasonal: Tendências de Longo Prazo e Ciclicidade

Definição — A estratégia Sazonal foca na identificação de padrões e tendências de longo prazo, ocultando a variabilidade de curto prazo para entender a dinâmica anual das doenças.

Figura 9: Decomposição Sazonal de Séries Temporais

                    DECOMPOSIÇÃO SAZONAL

    ┌─────────────────────────────────────────────────────────────────┐
    │  Série Original                                                 │
    │     ▲                                                          │
    │     │    ╱╲    ╱╲    ╱╲    ╱╲                                 │
    │     │   ╱  ╲  ╱  ╲  ╱  ╲  ╱  ╲                                │
    │     │  ╱    ╲╱    ╲╱    ╲╱    ╲                               │
    │     │ ╱                              ╲                         │
    │     │╱                                ╲                        │
    │     └──────────────────────────────────────────────────►       │
    │                                                               │
    │  Tendência (Longo Prazo)                                      │
    │     ▲                                                         │
    │     │                                     ╱────────────────    │
    │     │                                 ╱───                    │
    │     │                             ╱───                        │
    │     │                         ╱───                            │
    │     │                     ╱───                                │
    │     │                 ╱───                                    │
    │     │             ╱───                                        │
    │     │         ╱───                                            │
    │     │     ╱───                                                │
    │     │ ╱───                                                    │
    │     └──────────────────────────────────────────────────►       │
    │                                                               │
    │  Sazonalidade (Ciclo Anual)                                   │
    │     ▲                                                         │
    │     │    ╱╲    ╱╲    ╱╲                                       │
    │     │   ╱  ╲  ╱  ╲  ╱  ╲                                      │
    │     │  ╱    ╲╱    ╲╱    ╲                                     │
    │     │ ╱                    ╲                                  │
    │     │╱                      ╲                                 │
    │     └──────────────────────────────────────────────────►       │
    │        J  F  M  A  M  J  J  A  S  O  N  D                     │
    │                                                               │
    └─────────────────────────────────────────────────────────────────┘

Fonte: Adaptado de Box & Jenkins (1976) - Time Series Analysis

Elementos de Variação Temporal

Elemento	Periodicidade	Impacto na Saúde	Exemplo
Ciclo Anual	365 dias	Doenças respiratórias no inverno, diarreias no verão	Influenza
Ciclo Semanal	7 dias	“Efeito fim de semana” em notificações	Poluição urbana
Tendência Multianual	>1 ano	Influência de fenômenos climáticos	El Niño/La Niña

8. Threshold Exceedance e Cold Wave Exceedance: O Risco dos Extremos

Definição — A estratégia de Excedência de Limiar foca no impacto de eventos climáticos que ultrapassam valores críticos, reconhecendo que a relação entre clima e saúde é muitas vezes governada por “pontos de ruptura” onde a mortalidade dispara exponencialmente.

Definição de Limiares

Contagem de Excedência: $N_{exc} = \sum_{d=0}^{W} \mathbf{1}(\tau)$

Transforma uma variável contínua em uma contagem de eventos discretos dentro de uma janela temporal, capturando a frequência de exposição extrema.

Adaptação Regional Automática: O climasus4r adapta os limiares automaticamente com base na região climática:

Tropical (Norte, Nordeste): Onda de calor $T_{max}$ > 35°C
Subtropical (Centro-Oeste, Sudeste): Onda de calor $T_{max}$ > 32°C
Temperado (Sul): Onda de calor $T_{max}$ > 30°C, Onda de frio $T_{min}$ < 5°C

Curva em “U” ou “J” da Mortalidade

Figura 10: Curva de Mortalidade por Temperatura

Risco Relativo
     │
   4 ┤                                    ╱───╲
     │                                 ╱─╲   ╲
   3 ┤                              ╱─╲   ╲   ╲
     │                           ╱─╲   ╲   ╲   ╲
   2 ┤                        ╱─╲   ╲   ╲   ╲   ╲
     │                     ╱─╲   ╲   ╲   ╲   ╲   ╲
   1 ┤═══════════════════════════════════════════════►
     │  ▲     ▲                             ▲     ▲
     │  │     │                             │     │
     │  │     │         Zona de             │     │
     │  │     │         Conforto            │     │
     │  │     │         (Risco              │     │
     │  │     │         Mínimo)             │     │
     │  │     │                             │     │
     └──┴─────┴─────────────────────────────┴─────┴──► Temperatura
       5     10          20          30     35    40

       Frio Extremo                    Calor Extremo
       (Tmin < 5°C)                    (Tmax > 35°C)

    LEGENDA:
    ── Curva de risco (forma de "U" ou "J")
    ▲ Pontos de ruptura (limiares críticos)

Fonte: Adaptado de Basu & Samet (2002) - Epidemiologic Reviews

Limiares por Região e Aplicação

Tipo de Limiar	Definição	Implicação em Saúde Pública
Cardiovascular	Percentil 95 das temperaturas máximas	Ativação de alertas hospitalares
Estresse Térmico	Índice de Calor > 41°C	Suspensão de atividades externas
Mortalidade Mínima	Ponto de menor risco na curva em U	Referência para políticas de adaptação
Precipitação Extrema	> 50mm em 24h	Alerta para leptospirose

9. Weighted Window: O Decaimento Biológico da Exposição

Definição — A Janela Ponderada aplica pesos diferenciados aos dias de exposição dentro de um período, modelando o fato biológico de que o impacto de um evento diminui conforme o tempo passa.

Funções de Decaimento

Média Ponderada: $\bar{X}_{weighted} = \frac{\sum_{d=0}^{W} w_d \cdot X_{t-d}}{\sum_{d=0}^{W} w_d}$

Tipo de Decaimento	Função	Meia-vida	Aplicação
Linear	$w_d = 1 - \frac{d}{W+1}$	Variável	Efeitos genéricos
Exponencial	$w_d = e^{-\lambda d}$	$\frac{\ln 2}{\lambda}$	Poluição do ar
Gaussiano	$w_d = e^{-\mu^2 / 2\sigma^2}$	$\sigma \sqrt{2 \ln 2}$	Período de incubação

Figura 11: Funções de Decaimento Biológico

Peso Relativo
     │
   1.0┤ ●────────────────────────────────────────────────────────────
     │  ●
     │   ●
   0.8┤    ●
     │     ●
     │      ●
   0.6┤       ●
     │        ●
     │         ●
   0.4┤          ●
     │           ●
     │            ●
   0.2┤             ●
     │              ●
     │               ●
   0.0┼─────────────────────────────────────────────────────────────►
      0   1   2   3   4   5   6   7   8   9   10  11  12  13  14
                              Dias desde exposição

    LEGENDA:
    ●──● Decaimento Linear (w = 1 - d/W)
    ▲──▲ Decaimento Exponencial (w = e^{-λd})
    ■──■ Decaimento Gaussiano (pico no meio da janela)

Esquema: Diferentes funções de peso modelam diferentes hipóteses biológicas sobre a meia-vida da exposição.

Tipos de Decaimento

Tipo	Função Matemática	Meia-vida	Aplicação Típica
Linear	$w_d = 1 - \frac{d}{W+1}$	Variável	Efeitos genéricos, sem hipótese específica
Exponencial	$w_d = e^{-\lambda d}$	$\frac{\ln 2}{\lambda}$	Poluição do ar, decaimento rápido
Gaussiano	$w_d = e^{-\mu^2 / 2\sigma^2}$	$\sigma \sqrt{2 \ln 2}$	Período de incubação com pico definido

Importância para Saúde Pública

Esta abordagem é vital para evitar o erro de subestimar riscos. Muitas vezes, o risco em um lag individual pode ser estatisticamente pequeno, mas a soma de todos os pequenos aumentos de risco do lag 0 ao lag 21 revela um impacto massivo na saúde pública.

Figura 12: Efeito Acumulado vs. Efeito por Defasagem

Risco Relativo
     │
   1.5┤                                    ┌─────────────────────────
     │                                   ╱
   1.4┤                                 ╱
     │                                ╱
   1.3┤                              ╱
     │                             ╱
   1.2┤                           ╱
     │                          ╱
   1.1┤                        ╱
     │                       ╱
   1.0┤═══════════════════════════════════════════════════════════════►
     │  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲  ▲
     │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │  │
     └──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──┴──►
       0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20
                              Defasagem (dias)

    LEGENDA:
    ▲ Risco por defasagem individual (pequeno)
    ── Risco acumulado (soma de todos os lags)

    O efeito total (≈ 1.45) é muito maior que qualquer
    efeito individual (máximo ≈ 1.08)!

Esquema: Demonstração de como o efeito acumulado pode ser substancialmente maior que os efeitos individuais por defasagem.

Conclusões e Recomendações

Síntese das Dez Estratégias

Figura 18: Mapa de Decisão para Seleção de Estratégias

                    MAPA DE DECISÃO METODOLÓGICA

    ┌─────────────────────────────────────────────────────────────────────────┐
    │                                                                         │
    │                    QUAL É O FENÔMENO DE SAÚDE?                          │
    │                              │                                          │
    │         ┌────────────────────┼────────────────────┐                    │
    │         ▼                    ▼                    ▼                    │
    │   ┌───────────┐        ┌───────────┐        ┌───────────┐              │
    │   │  Evento   │        │  Doença   │        │  Doença   │              │
    │   │  Agudo    │        │  Infecciosa│       │  Crônica  │              │
    │   │           │        │  (Vetor)  │        │           │              │
    │   └───────────┘        └───────────┘        └───────────┘              │
    │         │                    │                    │                    │
    │         ▼                    ▼                    ▼                    │
    │   Exact Match          Offset Window         Moving Window            │
    │   Discrete Lag         Degree Days           Weighted Window          │
    │   (lag 0-3)            (Tbase específica)    (7-30 dias)              │
    │         │                    │                    │                    │
    │         └────────────────────┼────────────────────┘                    │
    │                              │                                          │
    │                              ▼                                          │
    │                    ┌───────────────────┐                               │
    │                    │   Modelo DLNM     │                               │
    │                    │   (Distributed    │                               │
    │                    │    Lag)           │                               │
    │                    │                   │                               │
    │                    │ + Seasonal        │                               │
    │                    │ + Threshold       │                               │
    │                    │ + Cumulative      │                               │
    │                    └───────────────────┘                               │
    │                              │                                          │
    │                              ▼                                          │
    │                    ┌───────────────────┐                               │
    │                    │   Vigilância      │                               │
    │                    │   em Saúde        │                               │
    │                    │   Pública         │                               │
    │                    └───────────────────┘                               │
    │                                                                         │
    └─────────────────────────────────────────────────────────────────────────┘

Esquema: Fluxograma de decisão para seleção da estratégia de alinhamento temporal mais adequada.

Princípios Fundamentais

Princípio	Descrição
⚡ Eventos Agudos	Match Exato e Lags Discretos resolvem a etiologia dos eventos agudos e a identificação de dias críticos de exposição.
📊 Impacto Total	Distributed Lag (DLNM) e Lag Acumulado oferecem a visão mais abrangente do impacto total e da não-linearidade do risco.
⏳ Estresse Acumulado	Janelas Móveis e Ponderadas capturam a carga de estresse acumulado e o decaimento da resposta biológica.
🦟 Ecologia de Vetores	Offset Window, Graus-Dia e análise Sazonal são os pilares para entender a ecologia de doenças infecciosas.
⚠️ Eventos Extremos	Excedência de Limiar define os pontos críticos de intervenção, transformando dados contínuos em decisões binárias.
🔬 Integração	Modelos híbridos combinam múltiplas estratégias para capturar toda a complexidade biológica.

Mensagem Final

Conclusão — A análise das dez estratégias de alinhamento temporal mostra que, na epidemiologia ambiental, a precisão não depende apenas de ter mais dados, mas de como esses dados são vinculados no tempo aos processos biológicos. A escolha da estratégia deve ser guiada pela hipótese epidemiológica, pelo mecanismo biológico e pelo tempo de resposta do desfecho.

A integração dessas abordagens em modelos híbridos e em sistemas de vigilância em saúde fortalece a identificação de associações biologicamente plausíveis, reduz o risco de correlações espúrias e gera evidências úteis para a tomada de decisão em saúde pública. Assim, o alinhamento temporal deixa de ser apenas uma etapa técnica e passa a ser um elemento central para compreender, antecipar e responder aos impactos do clima sobre a saúde.

Referências-Chave

Armstrong, B. (2006). Models for the relationship between ambient temperature and daily mortality. Epidemiology, 17(6), 624-631.
Basu, R., & Samet, J. M. (2002). Relation between elevated ambient temperature and mortality: a review of the epidemiologic evidence. Epidemiologic Reviews, 24(2), 190-202.
Bhaskaran, K., et al. (2013). Time series regression studies in environmental epidemiology. International Journal of Epidemiology, 42(4), 1187-1195.
Gasparrini, A. (2011). Distributed lag linear and non-linear models in R: the package dlnm. Journal of Statistical Software, 43(8), 1-20.
Gasparrini, A., et al. (2015). Mortality risk attributable to high and low ambient temperature: a multicountry observational study. The Lancet, 386(9991), 369-375.
Lowe, R., et al. (2021). Combined effects of hydrometeorological hazards and urbanisation on dengue risk in Brazil: a spatiotemporal modelling study. The Lancet Planetary Health, 5(4), e209-e219.

🌲 Tem feedback ou sugestões?

Você tem alguma ideia de melhoria ou encontrou algum erro? Clique no link abaixo para abrir uma nova issue no GitHub e compartilhar suas sugestões diretamente conosco.

Abrir issue no GitHub

As 10 Estratégias de Alinhamento Temporal entre Dados Climáticos e Desfechos de Saúde com a sus_climate_aggregate()

Max Anjos, Eucilene Santana, Thauã Menezes

01 April, 2026