SSaúde em Dado

Metodologia

Esta página documenta integralmente como os indicadores são produzidos, para permitir avaliação crítica e reprodução independente. O processamento é feito por scripts abertos e versionados em scripts/: pipeline_v2.py (mortalidade e população) e pipelines dedicados para dengue (SINAN), internações (SIH), nascimentos (SINASC) e os recortes de internação por agravo/hospital.

1. Fontes de dados

2. Critérios de inclusão e derivações

3. Granularidade por período

Para caber em infraestrutura gratuita sem sacrificar o essencial, a base publica detalhe demográfico completo a partir de 2022 (capítulo × sexo × faixa etária) e, para 2015–2021, totais e marginais (por capítulo, por sexo e por faixa — sem cruzamentos entre eles). Os marts de causa (3 caracteres) e as séries mensais por UF cobrem todos os anos.

4. Taxa padronizada por idade

Método direto: a taxa específica de cada faixa etária do município é ponderada pela estrutura etária de uma população padrão — aqui, a do Brasil no Censo 2022. Isso remove o efeito da composição etária e torna municípios comparáveis (um município envelhecido não aparece "pior" só por ser envelhecido).

5. Intervalos de confiança (IC95%)

A taxa bruta acompanha IC95% pelo método gamma (Poisson exato): limite inferior = qgamma(0,025; d)/pop, superior = qgamma(0,975; d+1)/pop. Em municípios pequenos o intervalo é largo — o painel sinaliza população < 10 mil hab. com ⚠ para evitar leituras indevidas de taxas instáveis.

6. Excesso de mortalidade

Para cada UF (e Brasil), o esperado do mês m do ano a vem de uma tendência linear ajustada ao período 2015–2019, por mês civil: regredimos os óbitos daquele mês contra o ano (mínimos quadrados, 5 pontos) e projetamos para a. Isso captura tanto o crescimento populacional quanto o envelhecimento — que elevam o número esperado de óbitos ano a ano —, corrigindo um viés do método anterior (média 2015–2019 × razão populacional), que ignorava a tendência secular e por isso superestimava o excesso nos anos recentes. Excesso = observado − esperado; método transparente e replicável.

Efeito da correção (Brasil): o pico pandêmico permanece robusto (2020–2021 ≈ 643 mil óbitos em excesso, ~8% abaixo do método anterior), mas o "excesso persistente" de 2022–2023 encolhe muito — era em boa parte artefato da tendência não modelada — e 2024 fica próximo de zero. Cautela com 2024: a extrapolação é menos confiável no extremo da série e os dados de 2024 ainda são preliminares (subcontagem que puxa o observado para baixo) — não interpretar o valor literalmente.

Limitações remanescentes: a extrapolação linear assume que a tendência pré-pandemia teria continuado e não modela harvesting (deslocamento de mortalidade).

Robustez (padronização por idade). Testamos uma variante do esperado padronizada por idade, usando a população por idade/UF/ano da projeção do IBGE (revisão 2018). Ela estima o pico pandêmico em ~505 mil — abaixo do nosso valor (643 mil) e do consenso de estimativas independentes (~680 mil) — e gera excesso fortemente negativo em 2023–2024. Nossa primeira hipótese foi o denominador: a projeção 2018 superestima a população (o Censo 2022 a revisou para baixo) e a série pós-Censo tem uma descontinuidade em 2022.

Teste de convergência. Para isolar a causa, reconciliamos o denominador — interpolando o total populacional por UF entre os Censos 2010 e 2022 (removendo o overcount e o degrau; a população de 2020 cai de 211,8 para ~200,9 milhões) — e recomputamos o excesso. Ele subiu, mas não convergiu: permaneceu em ~530 mil, ainda ~18% abaixo da tendência. Ou seja, o denominador é um fator, mas não o todo — parte do gap é metodológica(como cada método projeta o esperado sob envelhecimento acelerado). Por isso retivemos o método de tendência, que tem a melhor concordância com as estimativas independentes e não depende do denominador. Scripts e séries de ambas as análises estão no repositório.

7. Validação automática

8. Limitações conhecidas

9. Dengue (SINAN)

10. Internações hospitalares (SIH/AIH)

11. Vulnerabilidade social (proxy, Censo 2022)

Para permitir cruzar saúde com desigualdade, calculamos um índice-proxy de vulnerabilidade social por município, a partir de dois indicadores oficiais e atuais do Censo 2022 (IBGE/SIDRA):

Cada indicador é padronizado por z-score(z = (x − μ) / σ) e o índice é a média dos dois z-scores, reescalada de 0 a 100 (maior = mais vulnerável); os municípios são classificados em quartis (Q1 = menos vulnerável … Q4 = mais vulnerável).

Transparência — o que este índice é e o que não é: trata-se de um proxy transparente, reproduzível e atual (2022), não do IVS oficial do IPEA (Atlas da Vulnerabilidade Social), que combina 16 indicadores em três dimensões e tem ano-base 2010. Usamos apenas duas dimensões disponíveis municipalmente no Censo 2022 (a renda per capita municipal de 2022 ainda não foi liberada). O método de composição por z-score segue a linha do LabSUS. Incorporar o IVS oficial do IPEA está no roadmap.

12. Internações evitáveis (ICSAP) e fluxo de pacientes

13. Agravos traçadores e visão hospitalar (SIH 2024)

Além do recorte por capítulo, isolamos condições traçadoras no nível de CID-10 de 3 caracteres (diagnóstico principal), com internações, óbitos, permanência e custo por município:

Causas externas — limitação: acidentes de transporte (códigos V) não entram, porque na AIH o diagnóstico principal registra a natureza da lesão (S/T), não o mecanismo (V). As causas externas ficam representadas pelo TCE.

Visão hospitalar (CNES): agregamos as internações por estabelecimento (≥ 12 internações), com volume, permanência, mortalidade bruta, custo médio e capítulo predominante. Os hospitais são identificados pelo código CNES — o nome do estabelecimento não consta nos arquivos RD. Não estimamos ocupação de leitos: ela não deriva de forma confiável da AIH (exigiria o cadastro de leitos do CNES).

14. Mortalidade ajustada (HSMR), permanência esperada e projeção de demanda

Página Visão hospitalar. Três indicadores adicionais por estabelecimento (CNES), a partir do mesmo SIH 2024 já usado nas seções 10–13.

HSMR (Hospital Standardized Mortality Ratio) — padronização indireta. Para cada hospital, os óbitos esperados são a soma, por estrato (faixa etária × capítulo CID-10), do número de internações do hospital naquele estrato multiplicado pela taxa de mortalidade nacional do mesmo estrato. HSMR = óbitos observados / óbitos esperados. HSMR acima de 1 indica mortalidade acima do esperado dado o case-mix do hospital; abaixo de 1, o inverso. Faixas etárias: <1, 1–4, 5–14, 15–29, 30–44, 45–59, 60–69, 70–79, 80+ (idade só é considerada quando o campo COD_IDADE indica anos; demais casos entram como <1 ano).

Limiar de estabilidade — óbitos esperados < 5: hospitais abaixo desse valor são marcados como instáveis (⚠), não ocultados. É a regra geral de epidemiologia para razões padronizadas (SMR/HSMR): com esperado < 5, a razão fica hipersensível a um único óbito a mais e o intervalo de confiança exato de Poisson deixa de ser confiável. Estudos específicos de HSMR por vezes usam corte mais conservador (ex.: 20 óbitos esperados) — mas nesses estudos o hospital é excluído do relatório. Optamos por não excluir: hospitais pequenos continuam no mart, apenas sinalizados como instáveis, coerente com o princípio de não ocultar unidades pequenas do dado público (mesma lógica do IC95% em municípios pequenos, §5).

Permanência esperada (LOS). Para cada diagnóstico (CID-10, 3 caracteres), calculamos a mediana nacional de dias de internação e comparamos à mediana do hospital para o mesmo diagnóstico. Por volume, não guardamos a duração individual de cada internação — a mediana é aproximada por um histograma de faixas de dias (0-1, 2-3, 4-7, 8-14, 15-21, 22-30, 31-60, 61+), tomando o ponto médio da faixa onde a frequência acumulada cruza 50%. Hospitais com menos de 30 internações no diagnóstico não entram (ruído).

Projeção de demanda. Tendência linear sobre a série mensal de internações de cada hospital — o mesmo método de regressão usado no excesso de mortalidade (§6), aplicado por hospital em vez de por UF. A faixa de incerteza é indicativa (previsão ± 1,96 × desvio-padrão dos resíduos do ajuste), não um intervalo de predição formal. Hospitais com menos de 24 meses de histórico recebem confianca="baixa": uma tendência calculada sobre poucos pontos é instável — sinalizada, não ocultada.

O que não fazemos, e por quê: não estimamos risco de readmissão ou reinternação por paciente. A AIH pública não tem identificador estável de paciente (removido por LGPD) — ligar duas internações à mesma pessoa exigiria dado que não é público. Preferimos declarar essa limitação a produzir uma métrica que pareça precisa sem sustentação nos dados abertos.

15. Arquétipos de saúde municipal (k-means)

Agrupamos municípios (população ≥ 20 mil) em cinco perfis por k-meanssobre três dimensões padronizadas por z-score: mortalidade padronizada por idade (2023), vulnerabilidade-proxy (Censo 2022) e internações por 100 mil hab. (2023). Cada município recebe um rótulo interpretável (ex.: "mortalidade alta, vulnerabilidade média, muita internação"), exibido no boletim. Método de normalização z-score + k-means inspirado no LabSUS.

Cuidado com a falácia ecológica: clusters, o cruzamento vulnerabilidade × mortalidade e demais associações desta base são municipais (agregadas). Uma associação no nível do município não implica relação no nível do indivíduo, nem causalidade — servem para descrever padrões e levantar hipóteses, não para inferir risco individual.

16. Distância até os pares em internações evitáveis (ICSAP)

Traduz o indicador ICSAP na pergunta que um gestor de fato faz: quanto estou acima de municípios comparáveis, e o que isso representa?

Métrica. Usamos a proporção de internações que são sensíveis à atenção primária (pct_icsap), não a taxa por habitante. A taxa por 100 mil é confundida pelo acesso: um município onde as pessoas não conseguem internar tem taxa baixa sem que a atenção primária seja boa. A proporção pergunta outra coisa — "das internações que de fato ocorreram, quantas eram evitáveis?" — e é bem menos sensível a isso.

Pares. A referência é a mediana do arquétipo de saúdedo município (agrupamento k-means por mortalidade × vulnerabilidade × internações, seção 14); onde não há arquétipo, usa-se faixa populacional × região. Comparar com a média nacional seria injusto: municípios diferem em estrutura, não apenas em gestão. Municípios com menos de 100 internações no ano ficam fora do cálculo da mediana do grupo (proporção instável), mas recebem a própria comparação sinalizada.

Conversão. As internações acima dos pares são (pct_icsap − mediana dos pares) × internações totais. Custo e permanência por internação vêm dos agravos traçadores da Lista Brasileira presentes na base (asma, DPOC, pneumonia, diabetes, insuficiência cardíaca e doença cerebrovascular). Esses seis pendem para o lado caro da lista — condições baratas como gastroenterite, infecção urinária e anemia não estão representadas —, então o valor em reais é um teto, não uma média fiel.

O que este número não é. Quatro limites que precisam acompanhar qualquer citação:

Disponível na view mart_icsap_pares da API pública, no boletim municipal e na ferramenta MCP icsap_distancia_dos_pares.

17. Privacidade e células de contagem pequena

Nenhum microdado individual é publicado: o banco recebe apenas agregados (município × período × categoria). Não há registros individuais, datas exatas de óbito, nem qualquer chave que permita ligar dois eventos à mesma pessoa.

Sobre células pequenas. Em recortes finos (município × capítulo CID × sexo × ano) existem cerca de 206 mil células com 1 a 4 óbitos. Optamos deliberadamente por não suprimi-las, e é importante explicitar o porquê: a fonte primária — os microdados do SIM, publicados pelo próprio Ministério da Saúde no OpenDataSUS — contém registros individuais com município de residência, sexo, idade, escolaridade, raça/cor e CID-10 de 4 caracteres. Ou seja, o dado de origem é substancialmente mais granular e mais identificável do que qualquer agregado aqui publicado. O próprio DATASUS oferece o TABNET, ferramenta pública que produz exatamente essas tabulações de forma interativa.

Nesse contexto, suprimir células pequenas ofereceria uma aparência de proteção sem ganho real de privacidade, enquanto destruiria justamente a informação dos municípios pequenos — que são os menos servidos pelas ferramentas existentes e os que mais precisam de dados acessíveis. A regra que seguimos é outra e, entendemos, mais honesta: nunca publicar nada mais granular do que a fonte pública de origem.

Isso não elimina a cautela analítica: contagens pequenas geram taxas instáveis. Por isso toda taxa bruta vem com IC95% e há alerta explícito para municípios com menos de 10 mil habitantes (seção 5).