Covid-19 (Artigo Final)
Carolina Falcão
15/10/2020
Índice
- Introdução
- Contextualização
- Objetivo
- Área de estudo
- Metodologia 5.1. Base de dados
- Análise de dados
- Testes de hipóteses
- Resultados
- Conclusão
- Bibliografia
Palavras-chaves
Covid-19, número de casos, óbitos e pandemia.
1. Introdução
Os primeiros casos da doença COVID-19 surgiram em Wuhan, uma cidade de 11 milhões de pessoas na província chinesa de Hubei, no final de 2019. Causada pelo vírus de RNA de fita simples SARS-CoV-2, em geral essa doença é autolimitada e não causa complicações na maioria dos infectados, porém, em alguns casos, pode resultar em morte devido a danos alveolares maciços e insuficiência respiratória progressiva. Alguns estudos revelaram uma taxa de mortalidade de 2 a 3,4 %, podendo chegar a 10% em pacientes com idade avançada e comorbidades prévias. No início do surto, todos os casos estavam relacionados a um mercado de frutos do mar e animais vivos, também em Wuhan. Nos primeiros 30 dias, a China registrou 11.821 casos e 259 óbitos. Ainda em janeiro, a doença foi registrada em outros países da Ásia, Europa e América do Norte.6 Em 30 de janeiro de 2020, a Organização Mundial da Saúde (OMS) declarou Emergência em Saúde Pública de Importância Internacional (ESPII). Em um cenário com mais de 110 mil casos distribuídos em 114 países, a OMS decretou a pandemia no dia 11 de março de 2020. As pessoas com COVID-19 podem apresentar tosse, dificuldade para respirar, dores de garganta, febre e outras manifestações clínicas. Há ainda os portadores assintomáticos, os quais possuem importância epidemiológica, dado que são potenciais transmissores. O SARS-CoV-2 apresenta o número básico de reprodução (R0) alto quando comparado a outros coronavírus, chegando a 6,49 na província de Hubei. A experiência da China mostrou que intervenções não farmacológicas, que incluem diversas formas de distanciamento social, desde o isolamento de casos e contatos, até o bloqueio total (lockdown), podem conter a epidemia. No entanto, a aplicabilidade dessas estratégias se dá de diferentes formas entre os diversos países. As dificuldades na adoção dessas medidas podem ajudar a explicar o registro, no mundo, no dia 16 de maio de 2020, de 4.425.485 casos de COVID-19, com 302.059 óbitos, sendo as Américas o continente mais atingido, seguido da Europa. No Brasil, os primeiros casos foram confirmados no mês de fevereiro, e diversas ações foram implementadas a fim de conter e de mitigar o avanço da doença. Em 3 de fevereiro de 2020, o país declarou Emergência de Saúde Pública de Importância Nacional (ESPIN), antes mesmo da confirmação do primeiro caso. A consolidação dos dados sobre casos e óbitos por COVID-19, coletados e disponibilizados pelas Secretarias Estaduais de Saúde, vem sendo realizada desde o início da pandemia pelo Ministério da Saúde brasileiro. Isso permite o conhecimento da dinâmica da doença no país e, consequentemente, o estabelecimento de políticas para desacelerar o incremento no número de casos.
2. Contextualização
Após surgir na cidade chinesa, o coronavírus se espalhou pelo mundo causando uma das maiores pandemias da história, afetando até o momento 196 países, com 416.686 casos e 18.589 mortes, segundo dados da Organização Mundial da Saúde. O SARS-CoV2 apresenta menor taxa de mortalidade em relação a outros patógenos responsáveis por outros surtos em larga escala, como a SARS (Síndrome Respiratória Aguda Grave), MERS (Síndrome Respiratória do Oriente Médio) e Ebola. No entanto, o COVID-19 levou cerca de menos de dois meses a partir da descoberta da primeira infecção para que o número de casos confirmados ultrapassasse o total atingido pela SARS ao longo de vários meses. Em três meses, o COVID-19 matou mais de cinco vezes mais pessoas que o SARS. Uma das explicações para esse fenômeno é que, embora tenha baixa mortalidade, a infecção pelo SARS-CoV-2 se espalha mais facilmente que outras doenças. Estima-se que uma pessoa infectada pode transmitir o vírus para até 2,5 pessoas.
3. Objetivo
O presente trabalho tem por objetivo avaliar a situação do COVID no Brasil.
Objetivo específico: • Avaliar a quantidade de casos de COVID no Brasil ao longo dos dias; • Avaliar a quantidade de óbitos no Brasil ao longo dos dias; • Avaliar a porcentagem de óbitos no Brasil; • Comparar o número de casos existentes em cada região; e • Comparar o número de óbitos existentes em cada região.
4. Área de estudo
Serão analisados dados do Brasil por região.
5. Metodologia
Estudo ecológico baseado em dados e documentos do Ministério da Saúde brasileiro e órgãos internacionais; foram realizadas comparações do Brasil entre as regiões.
Inicialmente, foram carregadas 6 bases de dados, presentes no Studio (COVID19, geobr, sf, tmap, coronabr e ggplot2).
Primeiramente, foram elaborados gráfico de barras do número de casos e número de óbitos ao longo do tempo.
Foram elaborados mapas do Brasil, divididos por estados, contendo a quantidade de casos e óbitos visando facilitar a visualização dos dados apresentados.
Por fim, foram feitos testes de hipóteses.
5.1. Base de dados
A base de dados utilizada, conforme orientação do professor, encontra-se dentro do próprio R, por ser um assunto atual e ainda muito estudado.
6. Análise de dados
Abaixo, teremos a apresentação de dois mapas com a situação dos casos de Covid e óbito pelo Brasil.
library(COVID19)
library(geobr)
library(sf)
library(tmap)
library(coronabr)
library(ggplot2)
dados_covid_br = get_corona_br(by_uf = TRUE)
library(dplyr)
dados_covid_br <-dados_covid_br %>%
mutate(
regiao = case_when(
state == "SP" ~ "SUDESTE",
state == "RJ" ~ "SUDESTE",
state == "ES" ~ "SUDESTE",
state == "MG" ~ "SUDESTE",
state == "PR" ~ "SUL",
state == "RS" ~ "SUL",
state == "SC" ~ "SUL",
state == "BA" ~ "NORDESTE",
state == "AL" ~ "NORDESTE",
state == "CE" ~ "NORDESTE",
state == "MA" ~ "NORDESTE",
state == "PB" ~ "NORDESTE",
state == "PE" ~ "NORDESTE",
state == "PI" ~ "NORDESTE",
state == "RN" ~ "NORDESTE",
state == "SE" ~ "NORDESTE",
state == "AC" ~ "NORTE",
state == "AP" ~ "NORTE",
state == "AM" ~ "NORTE",
state == "PA" ~ "NORTE",
state == "RO" ~ "NORTE",
state == "RR" ~ "NORTE",
state == "TO" ~ "NORTE",
state == "DF" ~ "CENTRO OESTE",
state == "GO" ~ "CENTRO OESTE",
state == "MS" ~ "CENTRO OESTE",
state == "MT" ~ "CENTRO OESTE",
TRUE ~ "OUTROS"
))Abaixo analisaremos a quantidade de casos confirmados e óbitos no Brasil.
ggplot(dados_covid_br) +
aes(x = date, y = new_confirmed) +
geom_line(size = 1L, colour = "#0c4c8a") +
theme_minimal()
ggplot(dados_covid_br) +
aes(x = date, y = new_deaths) +
geom_line(size = 1L, colour = "#0c4c8a") +
theme_minimal()
Abaixo analisaremos o número de casos e óbitos por estado.
#at = format_corona_br(dados)
# proporcao de casos por 100k
dados_format = dados_covid_br %>%
group_by(state) %>%
summarise(casos=n())
dados_format_pop = dados_covid_br %>%
group_by(state) %>%
summarise(populacao=max(estimated_population_2019))
dados <- dados_format %>% left_join(dados_format_pop)
dados$taxa <- (dados$casos/dados$populacao)*100000
dados$taxa <- round(dados$taxa,3)
library(geobr)
mapa <-read_state(code_state="all", year=2010)
|
| | 0%
|
|=== | 4%
|
|===== | 7%
|
|======== | 11%
|
|========== | 15%
|
|============= | 19%
|
|================ | 22%
|
|================== | 26%
|
|===================== | 30%
|
|======================= | 33%
|
|========================== | 37%
|
|============================= | 41%
|
|=============================== | 44%
|
|================================== | 48%
|
|==================================== | 52%
|
|======================================= | 56%
|
|========================================= | 59%
|
|============================================ | 63%
|
|=============================================== | 67%
|
|================================================= | 70%
|
|==================================================== | 74%
|
|====================================================== | 78%
|
|========================================================= | 81%
|
|============================================================ | 85%
|
|============================================================== | 89%
|
|================================================================= | 93%
|
|=================================================================== | 96%
|
|======================================================================| 100%dados$abbrev_state<-dados$state
mapa_covid <- merge(mapa,dados, by = 'abbrev_state')
# fazendo o merge dos dados e shapefile
plot(mapa_covid)
library(leaflet)
# taxa por 100 mil habitantes
leaflet(mapa_covid) %>%
addTiles() %>%
addPolygons(color = "#444444", weight = 1, smoothFactor= 0.5,
opacity = 1.0, fillOpacity = 0.5,
fillColor = ~colorQuantile("YlOrRd", taxa)(taxa),
highlightOptions = highlightOptions(color = "white", weight = 2,
bringToFront = TRUE))# casos totais
leaflet(mapa_covid) %>%
addTiles() %>%
addPolygons(color = "#444444", weight = 1, smoothFactor= 0.5,
opacity = 1.0, fillOpacity = 0.5,
fillColor = ~colorQuantile("Blues", casos)(casos),
highlightOptions = highlightOptions(color = "white", weight = 2,
bringToFront = TRUE))Foram analisadas duas variáveis, qualitativa e quantitativa, e elaborados gráficos boxplot para visualização da relação entre os dados.
A primeira análise foi com as variáveis Região e número de casos.
#Manipulação de dados
dados_covid_br$regiao<-as.factor(dados_covid_br$regiao)
#Construção de gráfico tipo boxplot
boxplot(new_confirmed~regiao, data=dados_covid_br, col=c("red","#faa005","#1bc704","#0f8efc","yellow"), main="Bloxpot 1 \ número de casos por Região \n")
Foi possível observar que todas as regiões possuem outliers. A região sul foi a única região em que o número de casos foi simétrico. Em geral, as regiões possuem pequena amplitude interquartil, apenas a região sul possuem uma amplitude maior, por ser a região mais populosa.
A segunda análise foi com as variáveis Região e número de óbitos.
#Manipulação de dados
dados_covid_br$regiao<-as.factor(dados_covid_br$regiao)
#Construção de gráfico tipo boxplot
boxplot(new_deaths~regiao, data=dados_covid_br, col=c("red","#faa005","#1bc704","#0f8efc","yellow"), main="Bloxpot 2 \ número de óbitos por Região \n")
Foi possível observar que todas as regiões possuem outliers. A região centro-oeste foi a única região em que o número de óbitos foi simétrico. Em geral, as regiões possuem pequena amplitude interquartil, apenas a região sul possuem uma amplitude maior, por ser a região mais populosa.
7. Teste de hipóteses
Foram executados testes de hipóteses para avaliar se a variável categórica região interfere na variável quantitativa número de casos. Foi adotado alpha=0,05 para todos os testes realizados. Dessa forma, a regra de decisão foi definida como:
Se pvalor ≤ alpha, rejeita H0. Se pvalor > alpha, não rejeita H0.
O primeiro teste de hipóteses realizado com as variáveis teve como objetivo a verificação do pressuposto de normalidade, por meio do teste de Anderson-Darling, o qual parte do pressuposto de que as observações são independentes e apresenta as seguintes hipóteses:
H0: os dados seguem uma distribuição normal. H1: os dados não seguem uma distribuição normal.
Após a verificação do pressuposto de normalidade, executou-se, para os dados que não seguem distribuição normal, o teste de Kruskal-Wallis com as hipóteses:
H0: os grupos são amostrados de populações com distribuições idênticas. H1: os grupos são amostrados de populações com diferentes distribuições.
Shapiro-Wilk normality test
data: dados$taxa
W = 0.7, p-value = 8e-06
Anderson-Darling normality test
data: dados_covid_br$new_confirmed
A = 722, p-value <2e-16
Kruskal-Wallis rank sum test
data: dados_covid_br$new_confirmed by dados_covid_br$regiao
Kruskal-Wallis chi-squared = 550, df = 4, p-value <2e-16Como pvalor < 0.05, a hipótese nula H0 é rejeitada. Portanto, os grupos são amostrados de populações com diferentes distribuições, ou seja, a quantidade de casos e óbitos não possui distribuição semelhante entre todas as regiões.
8. Resultados
O número de casos iniciou em março de 2020, teve seu máximo em agosto e encontra-se em queda.
Já o número de mortes iniciou com 3 no início de março, atingiu seu máximo no início de agosto e encontra-se em queda.
A taxa de covid a cada 100mil habitantes foi alta nos seguintes estados: Tocantis, Acre, Roraima, Rondônia, Amapá e Sergipe. Os estados que apresentaram menores taxas foram: Pernambuco, Bahia, Minas, Rio de Janeiro, São Paulo, Paraná e Rio Grande do Sul.
A região sudeste apresentou o maior índice de casos de covid, seguido da região nordeste, região sul, centro-oeste e norte.
9. Conclusão
O Brasil apresentou muitos casos de covid, consequentemente muitos óbitos, espalhados por todos os estados, principalmente os da região sudeste, por ser os estados mais populosos. Até a presente data, houveram muitos casos de covid pelo Brasil e pelo mundo. Os casos encontram-se em queda desde outubro, porém em alguns países está ocorrendo a segunda onda do Covid, portanto vale ressaltar que a população precisa continuar adotando as medidas de combate ao vírus que matou diversas pessoas ao redor do Brasil e do mundo, tais como o uso de máscara, alcool em gel e evitar aglomerações.
10. Bibliografia
https://www.sanarmed.com/covid-19 - Acesso em: 13outubro 2020.
COVID-19 no Brasil: evolução da epidemia até a semana epidemiológica 20 de 2020