versão On-line ISSN 1678-4464
Cad. Saúde Pública vol.33 no.12 Rio de Janeiro 2017 Epub 18-Dez-2017
http://dx.doi.org/10.1590/0102-311x00187515
The current study aims to determine whether the time spent travelling to regional hub cities to receive healthcare affects mortality from avoidable causes and the standardized crude mortality rate in towns with up to 5,000 inhabitants in Rio Grande do Sul State, Brazil. Without adjusting for control variables, the longest time spent to reach cities with 100,000 inhabitants or more was associated with an increase in both rates. However, while the pattern in the avoidable mortality rate was similar after including controls, the standardized crude mortality rate reversed its signal. This suggests that if other socioeconomic and healthcare characteristics are kept constant, the distance to reference cities is associated with both a reduction in deaths from avoidable causes and an increase in other causes of death.
Keywords: Mortality; Regional Health Planning; Local Health Systems
El objetivo del presente estudio es responder si el tiempo de viaje a municipios que son polos regionales posee un efecto en la tasa de óbitos por causas evitables y en la tasa bruta de mortalidad estandarizada en municipios con hasta 5.000 habitantes del estado de Rio Grande do Sul, Brasil. Sin la utilización de variables de control, el mayor tiempo de desplazamiento -hasta municipios con 100 mil habitantes o más- está asociado con un aumento de ambas tasas. No obstante, mientras que el comportamiento de la tasa de óbitos evitables permanece similar tras la inclusión de los controles, la tasa bruta de mortalidad estandarizada invierte su señal, sugiriendo que manteniendo constantes las demás características socioeconómicas y de atención de salud, la distancia a municipios polos regionales está asociada simultáneamente a una reducción de los óbitos por causas evitables y a un aumento en las demás causas de muerte.
Palabras-clave: Mortalidad; Regionalización; Sistemas Locales de Salud
No Estado do Rio Grande do Sul, Brasil, conforme o Censo Demográfico de 2010 (http://www.ibge.gov.br), 676.776 pessoas residiam em 227 municípios com menos de 5 mil habitantes. Dentre esses municípios, muitos se situavam próximos a cidades polos regionais, tendo acesso às suas estruturas de saúde, ao passo que outros se encontravam distantes desses centros. Uma vez que os pequenos municípios mais isolados estão, teoricamente, afastados do acesso às grandes infraestruturas e especialidades de saúde, que impacto essa distância gera em suas taxas de mortalidade?
Assim, o presente trabalho objetiva avaliar o efeito do tempo de deslocamento da população na busca pela assistência sobre a mortalidade bruta e por causas evitáveis entre municípios de pequeno porte. Responder a essa questão pode auxiliar na decisão de políticas públicas, em todo o território nacional, orientando os governantes 1 quanto à importância de definir a localização de polos regionais de saúde que atendam a áreas e populações mais isoladas, assessorando na escolha de rodovias que devam ser pavimentadas ou ampliadas (o que reduz os tempos de percurso) e contribuindo para definições de investimentos públicos de saúde nos municípios.
A importância cada vez maior do termo espaço para políticas e decisões em saúde justifica-se. Além do já tradicional conceito de território baseado em noções político-territoriais, consequência de situações ambientais, históricas e sociais, a territorialidade em saúde envolve também o perfil epidemiológico, demográfico administrativo e cultural. Em especial, ganha relevância o conceito de distrito sanitário em que o primeiro nível envolve o cuidado à saúde individual e coletiva, o segundo, a assistência ambulatorial e um terceiro nível, as situações emergenciais e os aparatos tecnológicos mais complexos e especializados 2.
O debate sobre a definição do espaço de saúde regionalizado e a busca para uma definição particular destaca que, nessa perspectiva, a região será definida como pontos de assistência que se complementam em seus diferentes níveis de atenção e na oferta de serviços de saúde, distribuídos não apenas territorialmente, mas também demograficamente. Logo, as autoras admitem flexibilizar o conceito de macro e microrregião, no limite até mesmo o de estado, para finalidade de planejamento em saúde 3. Em especial, destaca-se que, antes mesmo do conceito de regionalização, há uma dificuldade com a definição do conceito de atenção primária 4.
Ao aplicarem-se dados em painel com efeitos fixos para estimar se o Programa Saúde da Família (PSF), programa descentralizado da atenção básica de saúde, possui efeito na taxa de mortalidade infantil das 27 Unidades da Federação brasileiras, identifica-se que a cobertura do programa mostra-se associada à redução da taxa de mortalidade infantil 5. Também utilizando dados em painel para estados, porém para o caso norte-americano, buscou-se identificar se o número de postos de saúde por 10 mil habitantes reduz a incidência de crianças com baixo peso ao nascer e a taxa de mortalidade infantil. Quando empregados os devidos controles socioeconômicos, os resultados se mostraram significativos apenas para o baixo peso ao nascer 6.
O papel do Pacto pela Saúde como um impulsionador da regionalização das políticas de saúde também é notado. Mas, completa, o Pacto é insuficiente para articular as redes privadas e públicas dentro da racionalidade da regionalização. Em especial, o sistema Unimed, com sua atuação nas microrregiões e municípios, e as entidades filantrópicas são determinantes na constituição das redes regionalizadas 7.
Há evidências comprovando que o atendimento personalizado, para municípios com menos de 5 mil habitantes em Minas Gerais, por meio do PSF, foi capaz de reduzir em 14 pontos percentuais os casos ambulatoriais para cuidados sensíveis em um período de 9 anos, em que a cobertura avança de apenas um quinto para a quase totalidade das famílias (95%) 8.
Ao se estimar a taxa bruta de mortalidade padronizada (TBMP) dos condados norte-americanos, identifica-se que, quando tratada a autocorrelação espacial, o percentual da população rural, o percentual da população negra, o valor médio da propriedade e o coeficiente de Gini possuem associação inversa, ao passo que o percentual da população hispânica, o percentual de mulheres chefes de família e a taxa de desemprego possuem relação direta 9. Ao se incorporar controles por variáveis biofísicas e geográficas, indicadores socioeconômicos ajudam a explicar variações na taxa de mortalidade de menores de cinco anos entre os distritos de nove estados indianos. Kumar et al. 10 concluem que distritos com maior participação de programas de saúde da família possuem um desempenho melhor no indicador.
Em geral, trabalhos que empregam o tempo de deslocamento ou a distância em quilômetros são elaborados em nível de indivíduos, prioritariamente em vilarejos, associando o tempo de deslocamento ao Centro de Saúde mais próximo com suas taxas de atendimento 1,11,12,13.
No caso brasileiro, para a região metropolitana de Curitiba, Paraná, foram identificadas desigualdades no acesso ao atendimento especializado em torno de 24 municípios constituintes da região. A partir de características socioeconômicas, possibilitou-se a construção de uma análise fatorial com o objetivo de construir um índice de desempenho dos diferentes municípios. A conclusão aponta para o fato de que haveria quatro grupos relativos às condições de vida e situação em saúde, relacionando os piores desempenhos à distância das cidades. Assim, quanto maior a distância, pior o desempenho em termos de condições de vida e saúde 14.
Por fim, no caso do Rio Grande do Sul, ao se utilizarem dados em painel para estimar a taxa de nascidos vivos com baixo peso ao nascer e a taxa de mortalidade infantil em municípios com mais de 50 mil habitantes no período de 2005 a 2010, concluiu-se que o PSF possui efetividade apenas um ano depois que as equipes iniciam seus trabalhos nos municípios 15.
Há, portanto, uma sugestão de casos de sucesso em relação a políticas de saúde descentralizadas. Entretanto, estudos para o Brasil referentes ao tempo de deslocamento a partir de municípios pequenos e seu acesso a redes mais estruturadas estão ausentes, justificando a presente pesquisa.
Optou-se por realizar uma análise cross-section no ano de 2010, o que possibilita a adoção de variáveis censitárias como controle. Assim, o tamanho da amostra seria de 227 municípios com até 5 mil habitantes. Dessa forma, pretendemos identificar se, dentre esses municípios, o tempo de percurso em horas de deslocamento por via terrestre com veículo automotivo a um município polo possui efeito nos seus respectivos desempenhos nos indicadores taxa de óbitos por causas evitáveis (TOCE) de pessoas de 5 a 74 anos e TBMP.
Três razões foram essenciais na escolha por trabalhar somente com municípios de até 5 mil habitantes: (a) investigar municípios pequenos, que, em princípio, não possuem estrutura física de saúde, está no foco da questão de pesquisa deste trabalho; (b) complementarmente, são comparadas unidades de medidas homogêneas, reduzindo potenciais variáveis omitidas que poderiam gerar endogeneidade, como ganhos de escala, transporte público etc.; (c) ainda que pequenos, dentro da institucionalidade brasileira, esses municípios têm relevância populacional e política.
No presente trabalho, foram estimados os indicadores TOCE e TBMP, porém na sua forma direta, sem a utilização da priori Bayesiana. A única transformação aplicada foi a suavização trienal para o indicador de causas evitáveis, como mostra a Tabela 1.
Tabela 1 Variáveis dependentes de saúde utilizadas.
Indicador | Método de construção | Suavização | Fonte |
---|---|---|---|
Taxa de óbitos por causas evitáveis (TOCE) | Divisão do número de mortes por causas evitáveis de 5 a 74 anos que estão codificadas nos agrupamentos 1.1 a 1.4 do código do DATASUS, pela população do município na referida faixa etária, conforme o local de residência | Média trienal entre 2008 e 2010 | Ministério da Saúde e FEE |
Taxa bruta de mortalidade padronizada (TBMP) | Somatório de suas taxas específicas de mortalidade por faixa etária (conforme o local de residência) multiplicada pela proporção da população da respectiva faixa etária no estado, fixada no ano de 2010, dividido por 1.000 | - | Ministério da Saúde e FEE |
DATASUS: Departamento de Informática do SUS; FEE: Fundação de Economia e Estatística.
Fonte: elaboração própria.
Para o cálculo do índice de causas evitáveis, foram considerados somente as pessoas de 5 a 74 anos e os agrupamentos dos códigos do Departamento de Informática do SUS (DATASUS) em seus itens de 1.1 a 1.4, que englobam óbitos passíveis de prevenção devido a ações de saúde, descartando os óbitos reduzíveis por ações de prevenção de causas externas (código DATASUS 1.5), como, por exemplo, acidentes e agressões. Logo, um município com alta TOCE sugere-se dificuldades de prevenção de saúde.
A TBMP, por sua vez, busca comparar a incidência de mortalidade de municípios com pirâmides etárias distintas, pois a probabilidade de morte de um idoso, sob condições normais, é maior do que a de um jovem. Se não fosse realizada a padronização na estrutura etária, a comparação não seria adequada. Assim, o cálculo do indicador representa a taxa de mortalidade de cada município se ele tivesse exatamente a estrutura etária do Estado do Rio Grande do Sul. Esse indicador pode ser entendido como se assemelhando à expectativa de vida, uma vez que elas possuem relação teórica 16.
Para a escolha das variáveis causas evitáveis e mortalidade padronizada, favoreceu o fato de que suas características são de indicadores fins (são resultados de atributos intermediários como estrutura e atendimento), além de suas distribuições serem aproximadamente simétricas e normais, mesmo para os pequenos municípios, o que não ocorre com a taxa de mortalidade de menores de 5 anos (TMM5), por exemplo.
A variável resposta no presente estudo é o tempo (em horas) de deslocamento por automóvel até o município polo em saúde mais próximo. Para definir municípios polos em saúde, foram testados dois grupos: por número de habitantes e por número de leitos hospitalares de internação (como proxy para estrutura em saúde). No primeiro grupo, testaram-se as cidades com populações maiores do que (em habitantes) 50 mil, 75 mil, 100 mil, 150 mil, 200 mil, 300 mil, 400 mil e 1 milhão, respectivamente, portanto 8 grupos - nesse último caso, trata-se da distância a Porto Alegre, único município com mais de 1 milhão de habitantes na amostra. No segundo grupo, foram testadas as cidades com mais de 200 leitos, 250 leitos, 300 leitos, 400 leitos, 1.000 leitos e 7.000 leitos, respectivamente (novamente, nesse último caso, trata-se da distância a Porto Alegre). Ou seja, há duas hipóteses de formação de grupo de cidades polos: ou por população ou por concentração de leitos.
Salienta-se que, em cada faixa, são considerados municípios polos aqueles com população igual ou superior ao montante estabelecido nas faixas de intervalo, seja esse número de leitos ou número de habitantes. Assim, Porto Alegre, cidade mais populosa e com maior número de leitos, é considerada município polo em todas as faixas utilizadas. Em ambos os grupos, foram considerados, também, os municípios de Santa Catarina como destino, dado o recorte territorial.
A fonte para a obtenção dos tempos de viagem foi o Google Maps Directions API. Trata-se de uma ferramenta que retorna o tempo de viagem calculado pelo Google Maps (https://maps.google.com.br). Os dados de tempo de viagem foram obtidos durante o período de 27 de setembro de 2014 a 12 de outubro de 2014. Não conhecemos outro trabalho da área em que tal ferramenta tenha sido utilizada nos procedimentos metodológicos.
Os controles foram divididos em 14 grupos. Como as variáveis de ajuste dentro do mesmo grupo possuem alta multicolinearidade, optou-se por utilizar, em cada estimação, a variável de cada grupo de controle com maior correlação com a respectiva variável dependente. Os grupos de controle empregados estão descritos na Tabela 2, que apresenta as correlações entre as variáveis dependentes com a variável desfecho de interesse e a variável ajuste. Ressalte-se que, a priori, não há um modelo teórico que norteie a escolha dessas variáveis. Tão somente são variáveis que dimensionam todos os aspectos relevantes em termos de indicadores socioeconômicos.
Tabela 2 Correlação das variáveis dependentes com as demais variáveis controladas.
Variáveis estimadas | TOCE | TBMP |
---|---|---|
TBMP | 0,5486 | |
TOCE | 0,5486 | |
Dimensão: Renda | ||
Renda (1º quartil) | -0,1130 | -0,2691 |
Renda (2º quartil) | -0,1025 | -0,2347 |
Renda (3º quartil) | -0,1389 | -0,2651 |
Percentual abaixo de R$ 70 per capita | 0,0239 | 0,1518 |
PIB per capita | -0,1559 | -0,1222 |
Dimensão: Educação | ||
Índice de escolaridade | -0,1030 | -0,2038 |
Índice de cobertura da Pré-escola | -0,0366 | -0,1112 |
Índice de cobertura do Ensino Fundamental incompleto | 0,0344 | -0,1295 |
Índice de cobertura do Ensino Fundamental completo | 0,0712 | -0,0915 |
Índice de cobertura do Ensino Médio | -0,1154 | -0,1693 |
Índice de escolaridade superior | -0,1971 | -0,1772 |
Anos de estudo da população com mais de 15 anos | 0,0857 | 0,1750 |
Anos de estudo da população entre 15 e 24 anos | 0,1122 | 0,2308 |
Dimensão: Pirâmide etária | ||
Razão de dependência juventude | -0,0370 | 0,2535 |
Razão de dependência idoso | 0,1922 | -0,0769 |
Razão de sexo | 0,0205 | 0,0121 |
Dimensão: Infraestrutura de saúde | ||
Número de leitos | -0,0238 | 0,0347 |
Leitos por mil habitantes | -0,0535 | 0,0137 |
Hospitais | -0,0487 | 0,0130 |
Dimensão: Saneamento | ||
Percentual adequado | -0,0955 | -0,1538 |
Percentual semi-adequado | 0,1456 | 0,1276 |
Percentual inadequado | -0,0595 | 0,0655 |
Dimensão: Saúde - recursos humanos | ||
Número de médicos | 0,0004 | 0,0461 |
Médicos por mil habitantes | 0,0000 | -0,0190 |
Profissionais de saúde | 0,0967 | 0,1479 |
Profissionais de saúde por mil habitantes | 0,1007 | 0,0091 |
Dimensão: Saúde - outras | ||
Consultas de pré-natal | -0,0358 | -0,0711 |
Óbitos por má deformidade | -0,1639 | 0,0513 |
Dimensão: População | ||
População em 2010 | -0,0198 | 0,1580 |
Percentual de população urbana | -0,0598 | -0,0275 |
Dimensão: Raça | ||
Percentual de brancos | 0,0181 | -0,1759 |
Percentual de negros | -0,0188 | 0,1157 |
Percentual de pardos | 0,0579 | 0,1798 |
Percentual de indígenas | -0,0967 | 0,0184 |
Dimensão: Saúde da família | ||
Número de agentes (2007) | 0,0713 | 0,0742 |
Número de agentes (2010) | 0,0710 | 0,0982 |
Número de equipes (2007) | 0,0613 | 0,0832 |
Número de equipes (2010) | 0,1122 | 0,1109 |
Dimensão: Distância até municípios (população) | ||
Horas até municípios com 50 mil habitantes | 0,0042 | 0,0795 |
Horas até municípios com 75 mil habitantes | -0,0006 | 0,0442 |
Horas até municípios com 100 mil habitantes | 0,2061 | 0,1378 |
Horas até municípios com 150 mil habitantes | 0,1479 | 0,0911 |
Horas até municípios com 200 mil habitantes | 0,0341 | -0,0004 |
Horas até municípios com 300 mil habitantes | 0,0830 | 0,0589 |
Horas até municípios com 400 mil habitantes | 0,0738 | 0,0719 |
Horas até municípios com 1 milhão habitantes | 0,0544 | 0,0414 |
Dimensão: Despesa do setor público municipal em saúde no município | ||
Despesas de 2010 | -0,0201 | 0,1494 |
Despesas de 2009 a 2010 | -0,0370 | 0,1506 |
Despesas de 2008 a 2010 | -0,0756 | 0,1237 |
Despesas de 2007 a 2010 | -0,0948 | 0,1125 |
Despesas de 2006 a 2010 | -0,1045 | 0,1053 |
Despesas de 2010 per capita | 0,0137 | -0,0749 |
Despesas de 2009 a 2010 per capita | -0,0043 | -0,0818 |
Despesas de 2008 a 2010 per capita | -0,0360 | -0,1140 |
Despesas de 2007 a 2010 per capita | -0,0501 | -0,1241 |
Despesas de 2006 a 2010 per capita | -0,0581 | -0,1300 |
Dimensão: Despesa estadual em saúde no município | ||
Despesas de 2010 | 0,0765 | 0,1531 |
Despesas de 2009 a 2010 | 0,0610 | 0,1294 |
Despesas de 2008 a 2010 | 0,0713 | 0,1449 |
Despesas de 2007 a 2010 | 0,0692 | 0,1464 |
Despesas de 2006 a 2010 | 0,0620 | 0,1380 |
Despesas de 2010 per capita | 0,0852 | 0,0929 |
Despesas de 2009 a 2010 per capita | 0,0758 | 0,0837 |
Despesas de 2008 a 2010 per capita | 0,0916 | 0,1069 |
Despesas de 2007 a 2010 per capita | 0,0914 | 0,1164 |
Despesas de 2006 a 2010 per capita | 0,0826 | 0,1070 |
Dimensão: Distância até municípios (leitos) | ||
Horas até municípios com 200 leitos | 0,0184 | 0,0554 |
Horas até municípios com 250 leitos | 0,0714 | 0,0889 |
Horas até municípios com 300 leitos | 0,0711 | 0,0245 |
Horas até municípios com 400 leitos | 0,1381 | 0,0839 |
Horas até municípios com mil leitos | 0,0810 | 0,0554 |
Horas até municípios com 7 mil leitos | 0,0544 | 0,0414 |
PIB: produto interno bruto; TBMP: taxa bruta de mortalidade padronizada; TOCE: taxa de óbitos por causas evitáveis.
Fonte: elaboração própria.
Os indicadores de saúde dos municípios gaúchos foram estimados por regressão linear por meio de mínimos quadrados ordinários (MQO), empregando erros robustos de White na presença de heteroscedasticidade. Conjuntamente, aplicou-se o teste I de Moran para verificar a presença de autocorrelação espacial nas variáveis dependentes e nos resíduos das equações, pois, caso fosse encontrado correlação espacial, necessitaria de tratamento para eliminar o viés das estimativas. Os resultados foram gerados a partir do software R (The R Foundation for Statistical Computing, Viena, Áustria; http://www.r-project.org).
No intuito de corrigir possíveis autocorrelações espaciais, que tornariam viesados os resultados, testou-se a dependência espacial tanto para as variáveis dependentes quanto para os resíduos das regressões. Entretanto, ao excluir os municípios com mais de 5 mil habitantes, criaram-se “ilhas” no mapa do Rio Grande do Sul, impossibilitando a utilização de métodos de criação de matrizes de pesos espaciais que levam, em consideração, a fronteira física entre as regiões para determinar os vizinhos, como os métodos Queen e Rook.
A solução empregada foi construir uma matriz por meio do método K-Nearest-Neighborhood para definir os quatro vizinhos mais próximos de cada município. Como essa matriz não é simétrica, dificultando a estimação de regressão espacial, definiu-se que os vizinhos de cada cidade i seriam, além dos quatro mais próximos, aqueles em que a cidade i estivesse entre os quatro mais próximos da cidade j. Ou seja, se i é vizinho de j, então, j é vizinho de i. Assim, trabalhou-se com uma matriz simétrica em que o número total de vizinhos variou de quatro a oito entre os municípios gaúchos.
A Tabela 3 apresenta as estatísticas descritivas das variáveis dependentes e das variáveis dependentes. O município com menos de 5 mil habitantes mais próximo de uma cidade polo de 50 mil habitantes ou mais está a 0,21 hora de distância, e o mais distante está a 2,73 horas. Em média, os pequenos municípios gaúchos investigados nesse trabalho estão a 4,31 horas de Porto Alegre (único município com mais de 1 milhão de habitantes).
Tabela 3 Estatísticas descritivas das variáveis dependentes e das variáveis dependentes.
Variáveis | Mínimo | Mediana | Máximo | Média | DP |
---|---|---|---|---|---|
TOCE | 0,45670 | 2,3280 | 4,3700 | 2,3480 | 0,6824 |
TBMP | 3,15800 | 6,0490 | 10,6800 | 6,1010 | 1,1572 |
Horas até municípios com 50 mil habitantes | 0,21110 | 0,9806 | 2,7280 | 1,0640 | 0,5134 |
Horas até municípios com 75 mil habitantes | 0,30310 | 1,2080 | 3,2700 | 1,3240 | 0,5804 |
Horas até municípios com 100 mil habitantes | 0,40530 | 1,5740 | 5,1930 | 1,7540 | 0,9937 |
Horas até municípios com 150 mil habitantes | 0,40530 | 1,6840 | 6,2190 | 1,9060 | 1,0214 |
Horas até municípios com 200 mil habitantes | 0,45080 | 2,9500 | 6,2190 | 2,9670 | 1,3889 |
Horas até municípios com 300 mil habitantes | 0,61500 | 3,7250 | 9,0660 | 3,8570 | 2,0141 |
Horas até municípios com 400 mil habitantes | 0,61500 | 3,8310 | 9,8420 | 3,9620 | 2,0289 |
Horas até municípios com 1 milhão habitantes | 0,93940 | 4,2800 | 9,8420 | 4,3050 | 1,9126 |
Horas até municípios com 200 leitos | 0,21110 | 1,1720 | 3,2700 | 1,2960 | 0,5959 |
Horas até municípios com 250 leitos | 0,30310 | 1,2150 | 3,7030 | 1,3550 | 0,6029 |
Horas até municípios com 300 leitos | 0,40530 | 1,6400 | 6,2190 | 1,6530 | 0,7326 |
Horas até municípios com 400 leitos | 0,40530 | 1,7790 | 6,2190 | 1,9860 | 1,0256 |
Horas até municípios com mil leitos | 0,40530 | 1,9290 | 8,9440 | 2,2650 | 1,2902 |
Horas até municípios com 7 mil leitos | 0,93940 | 4,2800 | 9,8420 | 4,3050 | 1,9126 |
DP: desvio padrão; TBMP: taxa bruta de mortalidade padronizada; TOCE: taxa de óbitos por causas evitáveis.
Fonte: elaboração própria.
As associações das variáveis de tempo de percurso às cidades polos com a TOCE e com a TBMP, sem a inserção de variáveis controles, são, em geral, positivas, conforme mostra a Tabela 4, que retorna os betas de cada regressão realizada separadamente. No caso da TOCE, o maior beta encontrado, bem como o de menor valor de p, está associado a municípios polos de 100 mil habitantes ou mais. Significativo a 0,2%, o coeficiente sugere que cada uma hora a mais de tempo de percurso a um município desse porte está associada a um aumento de 0,1415 na TOCE, o equivalente a 0,21 desvio padrão.
Tabela 4 Betas estimados para os tempos de deslocamento às cidades polos tendo como variáveis dependentes taxa de óbitos por causas evitáveis (TOCE) e taxa bruta de mortalidade padronizada (TBMP), por corte de tamanho de cidade polo, sem a presença de controles.
TOCE | TBMP | |||||
---|---|---|---|---|---|---|
Beta | DP * | Valor de p * | Beta | DP * | Valor de p * | |
Horas até municípios com 50 mil habitantes | 0,0056 | 0,0818 | 0,9453 | 0,1792 | 0,1386 | 0,1975 |
Horas até municípios com 75 mil habitantes | -0,0008 | 0,0676 | 0,9910 | 0,0881 | 0,1212 | 0,4680 |
Horas até municípios com 100 mil habitantes | 0,1415 | 0,0452 | 0,0020 | 0,1605 | 0,0759 | 0,0355 |
Horas até municípios com 150 mil habitantes | 0,0988 | 0,0503 | 0,0506 | 0,1032 | 0,0876 | 0,2401 |
Horas até municípios com 200 mil habitantes | 0,0168 | 0,0340 | 0,6221 | -0,0004 | 0,0600 | 0,9952 |
Horas até municípios com 300 mil habitantes | 0,0281 | 0,0243 | 0,2481 | 0,0339 | 0,0406 | 0,4047 |
Horas até municípios com 400 mil habitantes | 0,0248 | 0,0243 | 0,3087 | 0,0410 | 0,0404 | 0,3112 |
Horas até municípios com 1 milhão habitantes | 0,0194 | 0,0258 | 0,4525 | 0,0250 | 0,0437 | 0,5675 |
Horas até municípios com 200 leitos | 0,0211 | 0,0697 | 0,7625 | 0,1076 | 0,1175 | 0,3609 |
Horas até municípios com 250 leitos | 0,0808 | 0,0691 | 0,2432 | 0,1707 | 0,1196 | 0,1547 |
Horas até municípios com 300 leitos | 0,0662 | 0,0724 | 0,3610 | 0,0386 | 0,1308 | 0,7680 |
Horas até municípios com 400 leitos | 0,0919 | 0,0490 | 0,0618 | 0,0947 | 0,0842 | 0,2616 |
Horas até municípios com mil leitos | 0,0428 | 0,0405 | 0,2910 | 0,0497 | 0,0692 | 0,4730 |
Horas até municípios com 7 mil leitos | 0,0194 | 0,0258 | 0,4525 | 0,0250 | 0,0437 | 0,5675 |
DP: desvio padrão.
Fonte: elaboração própria.
Nota: estão em negrito os valores significativos a 10%.
* As estimativas foram corrigidas por erros robustos de White devido à presença de heteroscedasticidade.
Quanto à TBMP, novamente a distância a municípios com 100 mil habitantes ou mais obteve o menor valor de p (0,0355), sendo o único porte de município significante a 10%. O coeficiente de 0,1605 indica que uma hora a mais de distância de municípios desse porte está associada a um aumento de 0,1387 desvio padrão da TBMP.
Quando inseridos os controles (Tabela 5), verifica-se que as estimativas da TOCE permanecem similares, ao passo que as estimativas da TBMP sofrem muitas modificações. Os sinais da TOCE, em geral, permanecem positivos, e os sinais da TBMP se tornam predominantemente negativos.
Em relação à TOCE, o porte de município polo mais significativo e de maior beta permaneceu sendo o corte de 100 mil habitantes ou mais. Significativo a 0,33%, o beta de 0,1248 sugere que uma hora a mais de distância a municípios desse porte está associada a 0,1829 desvio padrão a mais da TOCE, mesmo quando realizados todos os controles.
Tabela 5 Betas estimados para os tempos de deslocamento às cidades polos tendo como variáveis dependentes taxa de óbitos por causas evitáveis (TOCE) e taxa bruta de mortalidade padronizada (TBMP), por corte de tamanho de cidade polo, com a presença de controles.
TOCE | TBMP | |||||
---|---|---|---|---|---|---|
Beta | DP * | Valor de p * | Beta | DP * | Valor de p * | |
Horas até municípios com 50 mil habitantes | -0,0117 | 0,0873 | 0,8931 | -0,166 | 0,1493 | 0,2677 |
Horas até municípios com 75 mil habitantes | -0,0395 | 0,0745 | 0,5961 | -0,1892 | 0,1294 | 0,1453 |
Horas até municípios com 100 mil habitantes | 0,1248 | 0,0419 | 0,0033 | 0,0629 | 0,093 | 0,4997 |
Horas até municípios com 150 mil habitantes | 0,0883 | 0,0443 | 0,0476 | -0,0123 | 0,107 | 0,9088 |
Horas até municípios com 200 mil habitantes | -0,0041 | 0,0349 | 0,9064 | -0,1279 | 0,0663 | 0,0551 |
Horas até municípios com 300 mil habitantes | 0,0277 | 0,0237 | 0,2449 | -0,0759 | 0,0535 | 0,1579 |
Horas até municípios com 400 mil habitantes | 0,0247 | 0,0237 | 0,2988 | -0,0715 | 0,0557 | 0,2011 |
Horas até municípios com 1 milhão habitantes | 0,0256 | 0,0253 | 0,3114 | -0,0859 | 0,0566 | 0,1303 |
Horas até municípios com 200 leitos | -0,0201 | 0,0752 | 0,7898 | -0,1569 | 0,1252 | 0,2115 |
Horas até municípios com 250 leitos | 0,0402 | 0,0723 | 0,5789 | -0,0515 | 0,1306 | 0,6935 |
Horas até municípios com 300 leitos | 0,0395 | 0,061 | 0,518 | -0,1284 | 0,1369 | 0,3493 |
Horas até municípios com 400 leitos | 0,0824 | 0,0423 | 0,0526 | -0,0373 | 0,1023 | 0,7154 |
Horas até municípios com mil leitos | 0,063 | 0,0362 | 0,0834 | -0,0764 | 0,0902 | 0,3985 |
Horas até municípios com 7 mil leitos | 0,0256 | 0,0253 | 0,3114 | -0,0859 | 0,0566 | 0,1303 |
DP: desvio padrão.
Fonte: elaboração própria.
Nota: estão em negrito os valores significativos a 10%.
* As estimativas foram corrigidas por erros robustos de White devido à presença de heteroscedasticidade.
No que tange à TBMP, o único porte de município com significância a 10% foi o de 200 mil habitantes ou mais (valor de p de 0,0551). O beta de -0,1279 indica que uma hora a mais de distância a municípios desse porte está associada a uma diminuição de 0,1105 desvio padrão da TOCE.
A diferença de comportamento da estimativa da TBMP antes e após a inserção dos controles surpreende, uma vez que essa variável possui uma correlação de 0,5486 com a TOCE (como se mostrou na Tabela 2), que não sofreu os mesmos efeitos depois de inseridos os controles. Dessa forma, os resultados indicam que estar distante de municípios polos, com todos os demais controles constantes, influencia em um aumento das mortes por causas evitáveis, mas em uma diminuição da mortalidade de forma geral.
Os indicadores TOCE e TBMP em municípios gaúchos com até 5 mil habitantes apresentaram, sem a presença de controles, correlação positiva com seus tempos de percurso a cidades polos regionais, ou seja, quanto mais distante, maior suas taxas de mortalidade. Para a definição de polo regional, foram testadas 14 configurações: oito cortes por tamanho populacional e seis cortes por números de leitos de internação. Em ambos os indicadores estimados, o corte que retornou maior relação foi a de municípios com 100 mil habitantes ou mais.
No entanto, ao inserir controles de renda, de tamanho da população, de despesas em saúde (estaduais e municipais), de educação, de urbanização, de características da população, de saneamento, de infraestrutura de saúde e de profissionais de saúde, a distância a municípios polos inverteu seu sinal em relação à TBMP: mantendo tudo o mais constante, uma distância maior sugere uma menor TBMP. Nesse caso, a definição de município polo que se apresentou mais significativa foi a de 200 mil habitantes ou mais.
Em contrapartida, a TOCE manteve sua relação positiva após a inserção dos controles, além de continuar tendo a distância a municípios com 100 mil habitantes ou mais como a mais significativa. Como as variáveis TOCE e TBMP possuem uma correlação elevada (de 0,5486), esses resultados sugerem que a distância de municípios polos influencia em um aumento das causas de mortes por causas evitáveis e em uma redução nas demais causas de mortes que impactam na TBMP, que podem estar associadas a questões de violência urbana, acidentes de trânsito e outras causas externas, por exemplo.
Uma outra limitação do presente estudo está no fato de que, em ambos os casos, com e sem controles nas estimativas, não se obtém significância estatística para todos os tamanhos de cidade polo, como seria esperado: no caso da variável TOCE, as estimativas sem controles são significantes somente para as cidades polos com mais de 100 mil e com mais de 150 mil habitantes, bem como com mais de 400 leitos, enquanto que as estimativas com controles apresentam significância, além das referidas anteriormente, para as cidades polos com mais de 1.000 leitos; no caso da variável TBMP, as estimativas sem controle são significativas apenas para a distância a municípios polos com mais de 100 mil habitantes e, quando inseridos os controles, a significância é somente para cidades com mais de 200 mil habitantes.
No entanto, vale ressaltar que a não confirmação de significância estatística nos demais tamanhos de cidade polo não representa que essas variáveis não influenciem a TOCE e a TBMP. Novos refinamentos, como a utilização de municípios para todo o Brasil (aumentando a amostra) e o emprego de outras metodologias estatísticas, podem retornar resultados mais robustos.
Como se considerou somente os agrupamentos 1.1 a 1.4 do DATASUS para calcular a TOCE, que abrangem causas reduzíveis por ações de prevenção na esfera da saúde, esses resultados podem sugerir que pequenos municípios distantes dos polos seriam prejudicados pela dificuldade de acesso às grandes infraestruturas e especialidades de saúde e, por outro lado, beneficiados com a redução das demais causas de morte, determinadas, entre outras razões, pela violência, por acidentes de trânsito e por doenças não consideradas como passíveis de redução devido a ações de prevenção de saúde. O resultado indica que a variável TBMP poderia ser influenciada por outras políticas públicas como, por exemplo, combate à criminalidade, campanhas de conscientização no trânsito etc.
Outra limitação deste trabalho é a diferença de datas entre as variáveis dependentes e controles (referentes a 2010) e as variáveis dependentes de tempo de deslocamento, que foram coletadas em 2014. Mudanças de tempo de viagem ocorridas desde 2010 (como construção de rodovias e pavimentação de estradas), ano de estimação no presente estudo, podem gerar erros na mensuração da variável dependente. No entanto, espera-se que essa mudança seja pequena. Além disso, modificações desse tipo apenas enfraqueceriam a variável dependente, tornando-se mais difícil encontrar significância estatística.
Como estabelecido por nossa hipótese, o tempo de atendimento de saúde é um fator essencial ao bem-estar dos cidadãos. Os pequenos municípios, por sua pequena escala, são carentes de uma oferta de serviços em saúde mais complexa e, neste particular, o deslocamento torna-se um fator sensível no sucesso dos procedimentos. Assim, a pesquisa demonstra que acessos rodoviários adequados, disponibilidade de meios móveis adequados e uma rede preparada ao atendimento são elementos decisivos para diminuir o tempo de acesso à oferta de saúde e assim reduzir taxas de mortalidade bruta e de óbitos por causas evitáveis nos pequenos municípios gaúchos ao fim da primeira década do século XXI. A adequada regionalização da saúde, portanto, pode contribuir para a melhoria do bem-estar de pequenas populações, envolvendo planejamento das ações.
Em nossa revisão bibliográfica encontramos raros estudos que associem o tempo de percurso dos pequenos municípios a cidades polos com seus desempenhos em saúde. Assim, o presente trabalho tem o mérito de explorar essa abordagem para um estado brasileiro, com grande número de pequenos municípios e população expressiva em relação ao total, incentivando a pesquisa para as demais Unidades da Federação.
Dentre os aprimoramentos metodológicos que podem ser realizados em próximos estudos, está a utilização de microdados de censos e da Pesquisa Nacional por Amostra de Domicílios (PNADs) que usem informações de mortalidade de indivíduos e, por meio de uma abordagem multinível, estimem o efeito da distância a municípios polos. Também é possível avançar empregando outras formas de classificação de municípios polos, além do tamanho populacional e do número de leitos ou que ainda esclarecessem o efeito da distância ao atendimento adequado sobre as incidências de mortalidades e ocorrências em geral. Por exemplo, é possível realizar uma análise mais aprofundada de cada hospital em cada município e, por meio de seus níveis de complexidade por área de atendimento, criar uma nova definição de município polo.
De toda forma, ao menos para a taxa de óbitos em causas evitáveis, o presente estudo, ao considerar o deslocamento até o atendimento médico, alinha-se com os estudos em saúde preventiva, que apontam a presença dessa como fundamental para a melhora dos índices de saúde da população. Portanto, seja por melhor e mais rápido acesso, ou alternativamente por maior atenção, a saúde necessita estar próxima do cidadão para que os índices sejam satisfatórios.