Morbidade e mortalidade por COVID-19 em 2020: o caso da cidade do Rio de Janeiro

AO EDITOR,

Em março de 2020, foi declarada a presença de transmissão comunitária do severe acute respiratory syndrome coronavirus 2 no Brasil. O presente estudo investigou possíveis mudanças de tendência e o nível de morbidade e mortalidade por coronavirus disease 2019 (COVID-19) ao longo da pandemia na cidade do Rio de Janeiro (RJ), utilizando análises de séries temporais. Informações referentes aos casos e óbitos ocorridos entre 6 de março e 22 de julho de 2020 (139 dias) na cidade do Rio de Janeiro que foram utilizados no presente estudo estão disponíveis no link https://covid19br.wcota.me/. Foram coletados dados da frequência diária do número de casos e de óbitos por COVID-19 ao longo do período.

Para casos e óbitos, foram comparados dois períodos de 2020: número de casos: 1º período - de 6 de março a 18 de maio (74 dias); e 2º período - de 19 de maio a 22 de julho (65 dias); e número de óbitos: 1º período - de 6 de março a 6 de maio (62 dias); e 2º período - de 7 de maio a 22 de julho (77 dias).

Por se tratar de uma série temporal relativamente curta, optou-se por usar a regressão de Prais-Winsten e Cochrane-Orcutt para o ajuste dos modelos para os dois desfechos (casos e óbitos por COVID-19). Os modelos incluíram um termo constante, um termo indicando mudança de nível após o primeiro período e outro indicando mudança de tendência (angulação) após o primeiro período.

A expressão do modelo é a seguinte:

$Y_t=(\widehat{\beta }0+\widehat{\beta }1\times totaldedias+\widehat{\beta }2\times 1+\widehat{\beta }3\times diasapósoperíodopré-predição)+e_t$

onde Y _t representa o efeito absoluto para um determinado tempo,$\widehat{\beta }$ ₀ representa a constante,$\widehat{\beta }$ ₁ refere-se ao parâmetro relacionado ao tempo total de investigação,$\widehat{\beta }$ ₂ refere-se ao parâmetro relacionado ao período de predição,$\widehat{\beta }$ ₃ refere-se ao parâmetro relacionado ao tempo do efeito que se deseja estimar, e e _t é o erro aleatório.

Entre 6 de março e 22 de julho ocorreram 68.334 casos e 7.887 mortes por COVID-19. As médias dos números de casos no primeiro e segundo períodos foram de 181,66 ± 208,86 e de 844,48 ± 553,34, respectivamente, enquanto as médias dos números de mortes/dia no primeiro e segundo períodos foram de 12,32 ± 14,51 e de 92,51 ± 46,92, respectivamente.

Em relação aos casos, o parâmetro de correlação serial do modelo foi de 7,17 (IC95%: 3,18-11,16; p < 0,001), indicando um aumento de casos. A partir do 75º dia, a tendência se inverteu, apontando uma redução dos casos (coeficiente = −21,87; IC95%: −28,07 a −15,67; p < 0,0001). Detectamos uma mudança de nível entre os casos (coeficiente = 887,56; IC95%: 642,88-1.132,25; p < 0,0001) no segundo período (Figura 1A)

Figura 1
Série temporal da morbidade e mortalidade por COVID-19 na cidade do Rio de Janeiro (RJ) 6 de março e 22 de julho de 2020. Em A, número de casos. Em B, número de óbitos. Em C, número de casos e de óbitos relacionados à publicação de decretos municipais relativos à COVID-19.

Quanto aos óbitos, o parâmetro de correlação serial foi de 0,73 (IC95%: 0,14-1,31; p < 0,02), indicando crescimento. A partir do dia 7 de maio, a tendência se inverteu apontando uma redução dos óbitos (coeficiente = −1,53; IC95%: −2,24 a −0,83; p < 0,0001). As estimativas do modelo de regressão também foram significativas para a mudança de nível, indicando aumento médio de 90,11 mortes por COVID-19 (IC95%: 63,64-116,58; p < 0,0001) no segundo período (Figura 1B).

Desde o princípio da epidemia na cidade do Rio de Janeiro, a política municipal de testagem de pacientes incluiu o teste RT-PCR para pacientes internados ou para pacientes suspeitos nas Unidades de Pronto Atendimento, mas não há testes disponíveis na atenção primária. Nossos achados indicaram que, nos primeiros meses, o número de mortes era baixo; porém, em cerca de dois meses após o início da epidemia, houve um importante aumento na morbidade e mortalidade devido à alta transmissibilidade da doença, ao desconhecimento do comportamento biológico do vírus e à ausência de tratamento específico e/ou vacinas.

Segundo o Ministério da Saúde, na última quinzena de maio havia mais de 240 mil casos confirmados e pouco mais de 16 mil óbitos no Brasil. Naquela ocasião, registravam-se no Brasil quase 140 mil hospitalizações por suspeita de COVID-19.

Medidas de controle foram implantadas para vencer a pandemia. Mesmo com a adoção do distanciamento social como principal política de enfrentamento para a COVID-19 no Brasil, faltaram ações coordenadas importantes, tais como investimentos em um sistema de informação unificado; maior disponibilidade para a realização de testes diagnósticos para casos suspeitos; reorientação do fluxo operacional nas unidades de saúde; e agilização do cuidado aos pacientes, com a construção de hospitais de campanha e compra de equipamentos.^1,2

Dois cenários de mitigação de medidas foram observados no Brasil. O primeiro refere-se a um período curto sem mitigação, enquanto o segundo refere-se à presença de mitigação média. Esse segundo cenário se distingue do ocorrido em outros países, como França, Espanha e Suíça, que adotaram medidas mais rígidas com isolamento completo após a acumulação de 50 casos (cenário de mitigação intensa). Já Alemanha, Itália e Reino Unido tomaram essas ações mais tardiamente.³

Apesar das medidas de contenção, a estimativa do índice que mede a capacidade do indivíduo infectado de infectar outras pessoas (R₀) no início de maio de 2020 era de 2,4 no estado do Rio de Janeiro e na região metropolitana do estado,⁴ o que indica que a doença ainda estaria em crescimento e que outras medidas precisariam ser implementadas para contê-la.

A experiência exitosa da China utilizando medidas não farmacológicas para a mitigação da doença suscitou estudos de efetividade.^5-7 Pesquisadores estimam que as medidas de intervenção não farmacológicas adiariam o colapso do sistema de saúde nos casos graves com necessidade de internação, diminuindo a taxa de ocupação dos leitos de UTI e o número de óbitos.^8-10

Entre os obstáculos que dificultaram o controle da COVID-19 no Brasil, destaca-se a troca frequente dos Ministros da Saúde durante a pandemia, o descrédito sobre a necessidade de mitigação mais rígida, a pressão constante pelo retorno de atividades econômicas e o retardo na disponibilização de auxílio governamental à população vulnerável, ocasionando extensas filas nas agências bancárias e consequentes aglomerações.

Apesar do aumento significativo de mortes e de casos no mês de maio, as medidas de relaxamento da pandemia se deram principalmente no final de maio e início de junho (Figura 1C). Ações adicionais de fiscalização poderiam contribuir para que as normas estabelecidas fossem cumpridas.

REFERENCES

• ¹
  Barreto ML, Barros AJD, Carvalho MS, Codeço CT, Hallal PRC, Medronho RA, et al. What is urgent and necessary to inform policies to deal with the COVID-19 pandemic in Brazil?[Article in Portuguese]. Rev Bras Epidemiol. 2020;23:e200032. https://doi.org/10.1590/1980-549720200032
  » https://doi.org/10.1590/1980-549720200032
• ²
  Klompas M, Morris CA, Sinclair J, Pearson M, Shenoy ES. Universal Masking in Hospitals in the Covid-19 Era. N Engl J Med. 2020;382(21):e63. https://doi.org/10.1056/NEJMp2006372
  » https://doi.org/10.1056/NEJMp2006372
• ³
  Batista A, Antunes B, Peres I, Marchesi J, Cunha JP, Dantas L, et al. Nota Técnica 8-Projeção de casos de infecção por COVID-19 no Brasil até 24 de abril de 2020 [monograph on the Internet]. Rio de Janeiro: Núcleo de Operações e Inteligência em Saúde; 2020. Available from: https://drive.google.com/file/d/1i9GsIm_HFl9me4zBpxCqHz0Arxyf8UPd/view?usp=drive_open&usp=embed_facebook
  » https://drive.google.com/file/d/1i9GsIm_HFl9me4zBpxCqHz0Arxyf8UPd/view?usp=drive_open&usp=embed_facebook
• ⁴
  Farias CM, Medronho RA, Travassos GH. Nota Técnica: Avaliação do comportamento da COVID-19 no estado do Rio de Janeiro e seus municípios com base em R0 calculado a partir das evoluções anteriores de R dos casos notificados à Secretaria de Estado de Saúde-RJ [monograph on the Internet]. Rio de Janeiro: Universidade Federal do Rio de Janeiro; 2020. Available from: https://ufrj.br/sites/default/files/img-noticia/2020/05/nota_tecnica_covidimetro.pdf
• ⁵
  Chinazzi M, Davis JT, Ajelli M, Gioannini C, Litvinova M, Merler S, et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak. Science. 2020;368(6489):395-400. https://doi.org/10.1126/science.aba9757
  » https://doi.org/10.1126/science.aba9757
• ⁶
  Fang Y, Nie Y, Penny M. Transmission dynamics of the COVID-19 outbreak and effectiveness of government interventions: A data-driven analysis. J Med Virol. 2020;92(6):645-659. https://doi.org/10.1002/jmv.25750
  » https://doi.org/10.1002/jmv.25750
• ⁷
  Kraemer MUG, Yang C-H, Gutierrez B, Wu CH, Klein B, Pigott DM, et al. The effect of human mobility and control measures on the COVID-19 epidemic in China. Science. 2020;368(6490):493-497. https://doi.org/10.1126/science.abb4218
  » https://doi.org/10.1126/science.abb4218
• ⁸
  Ferguson NM, Laydon D, Nedjati-Gilani G, Imai N, Ainslie K, Baguelin M, et al. Report 9: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand [monograph on the Internet]. London: Imperial College London; 2020. Available from: http://www. https://www.imperial.ac.uk/media/imperial-college/medicine/mrc-gida/2020-03-16-COVID19-Report-9.pdf
• ⁹
  Batista A, Antunes B, Faveret G, Peres I, Marchesi J, Cunha JP, et al. Nota Técnica 6: Projeção de casos de infecção por COVID-19 no Brasil até 20 de abril de 2020 [monograph on the Internet]. Rio de Janeiro: Núcleo de Operações e Inteligência em Saúde; 2020. Available from: https://drive.google.com/file/d/1bIaiC46l9pVYNeFvrSa9rEsxiu4PXGPU/view?usp=drive_open&usp=embed_facebook
  » https://drive.google.com/file/d/1bIaiC46l9pVYNeFvrSa9rEsxiu4PXGPU/view?usp=drive_open&usp=embed_facebook
• ¹⁰
  Ganem F, Mendes FM, Oliveira SB, Porto VBG, Araujo W, Nakaya H, et al. The impact of early social distancing at COVID-19 Outbreak in the largest Metropolitan Area of Brazil. medRxiv. 2020.04.06.20055103. https://doi.org/10.1101/2020.04.06.20055103
  » https://doi.org/10.1101/2020.04.06.20055103

Datas de Publicação

• Publicação nesta coleção
  02 Nov 2020
• Data do Fascículo
  2020