Sara de Souza Oliveira Análise espacial e temporal da ......por ovitrampas na construção de um...

Sara de Souza Oliveira

Análise espacial e temporal da infestação por Aedes aegypti mensurada por ovitrampas

para geração de alerta precoce de dengue no município do Rio de Janeiro

Rio de Janeiro

2016




Dissertação apresentada ao Programa de Pós-

graduação em Epidemiologia em Saúde

Pública, da Escola Nacional de Saúde Pública

Sergio Arouca, na Fundação Oswaldo Cruz,

como requisito parcial para obtenção do título

de Mestre em Ciências da Saúde. Área de

concentração: Epidemiologia de Doenças

Transmissíveis.

Orientadora: Profª. Dra. Cláudia Torres Codeço

Coorientadora: Profª. Dra. Paula Mendes Luz

Rio de Janeiro

2016

Catalogação na fonte

Fundação Oswaldo Cruz

Instituto de Comunicação e Informação Científica e Tecnológica

Biblioteca de Saúde Pública

O48a Oliveira, Sara de Souza

Análise espacial e temporal da infestação por Aedes aegypti

mensurada por ovitrampas para geração de alerta precoce de

dengue no município do Rio de Janeiro. / Sara de Souza Oliveira.

-- 2016.

136 f. ; il. color. ; tab. ; graf. ; mapas

Orientadora: Cláudia Torres Codeço.

Coorientadora: Paula Mendes Luz.

Dissertação (Mestrado) – Fundação Oswaldo Cruz, Escola

Nacional de Saúde Pública Sergio Arouca, Rio de Janeiro, 2016.

1. Aedes. 2. Dengue - epidemiologia. 3. Controle de Vetores.

4. Modelos Estatísticos. 5. Vigilância Epidemiológica.

6. Oviposição. I. Título.

CDD – 22.ed. – 614.571098153




Dissertação apresentada ao Programa de Pós-

graduação em Epidemiologia em Saúde

Pública, da Escola Nacional de Saúde Pública

Sergio Arouca, na Fundação Oswaldo Cruz,

como requisito parcial para obtenção do título

de Mestre em Ciências da Saúde. Área de

concentração: Epidemiologia de Doenças

Transmissíveis.

Aprovada em: 26 de setembro de 2016

Banca Examinadora:

Profª. Dra. Denise Valle

Fundação Oswaldo Cruz/ Instituto Oswaldo Cruz

Prof. Dr. Oswaldo Gonçalves Cruz

Fundação Oswaldo Cruz/ Programa de Computação Científica

Prof. Dra. Claudia Torres Codeço (Orientador)

Fundação Oswaldo Cruz/ Escola Nacional de Saúde Pública Sergio Arouca

Rio de Janeiro

2016

Para Sofia.

AGRADECIMENTOS

À Professora Dra. Claudia Torres Codeço pela orientação construtiva, didática, competente e

acolhedora. A maestria com que você repassa ensinamentos continua a me deixar sem palavras.

À Professora Dra. Paula Mendes Luz pelas sugestões certeiras e pelas contribuições na

discussão do tema;

À Dra. Carolin M. Degener pela prontidão em ajudar e pelas maravilhosas sugestões que tanto

enriqueceram o trabalho;

Aos pesquisadores do PROCC/FIOCRUZ, e do Projeto Alerta Dengue, em especial ao Dr.

Leonardo Bastos e ao Dr. Oswaldo Cruz pelas sugestões apresentadas;

Às minhas queridas Alexandra Almeida e Laís Freitas, pela amizade e contribuições;

À Natalia Paiva, Ilmeire Rosembach, Layla Macedo, Ludmila Raupp, e aos demais alunos e

professores da turma de Mestrado/Doutorado de 2014 da ENSP/FIOCRUZ. Vocês me

apresentaram uma nova forma de enxergar as complexidades do mundo.

Aos profissionais da Secretaria Municipal de Saúde do Município do Rio de Janeiro pela

disponibilização dos dados;

Aos meus pais, por sempre incentivarem a busca de conhecimento, por fornecerem apoio e

amor incondicional, e por me ajudarem de tantos modos diferentes.

Aos meus irmãos e sobrinhas pela torcida e apoio.

À minha sogra pelo apoio;

Ao meu melhor amigo, meu marido Bruno Souza, pela compreensão, apoio e companheirismo.

À minha filha Sofia por ser a força motriz que dá sentido a todos os meus esforços. É tudo por

você, meu bem!

A Jeová Deus, pela força vital que torna tudo possível.

A todos aqueles que direta ou indiretamente contribuíram para o meu aperfeiçoamento

profissional.

“Always the beautiful answer who asks a more beautiful question.”

E.E. Cummings , Complete Poems 1904-1962, p.462.

RESUMO

O Aedes aegypti é um artrópode amplamente disseminado no mundo e responsável pela

transmissão de doenças de grande importância epidemiológica, especialmente em países de

clima mais quente. No Brasil, epidemias de doenças transmitidas por este vetor, como a dengue,

têm causado impacto na saúde pública e levado as autoridades a aumentar as medidas de

monitoramento e controle entomológico. Este estudo objetivou caracterizar o programa de

monitoramento por ovitrampas da infestação do mosquito Ae. aegypti, do município do Rio de

Janeiro, entre fevereiro de 2013 e setembro de 2015. O trabalho também visou analisar a

associação entre os índices de infestação (índice de densidade de ovos, IDO e índice de

positividade de ovitrampas, IPO) desse vetor, obtidos através dessas armadilhas, e a variação

da temperatura nas Áreas Programáticas de Saúde (APSs) e Regiões Administrativas (RAs),

bem como a associação entre a incidência de casos notificados de dengue e tais índices de

infestação nas APSs da cidade, através de Modelos Lineares Generalizados. Os resultados

obtidos neste trabalho mostraram que o programa de monitoramento apresentou boas taxas de

eclosão dos ovos coletados (68%), alta especificidade das armadilhas na captura da espécie Ae.

aegpyti (92%) e poucas perdas de armadilhas (4%, em média). Foi encontrada associação

positiva entre o aumento dos índices de infestação e a temperatura, sendo que a temperatura

mínima, defasada em uma semana em relação a data da coleta dos índices, foi a que melhor

explicou o aumento da média de ovos (IDO), enquanto o aumento da positividade de ovitrampas

(IPO) foi melhor esclarecido pela temperatura mínima com defasagem de duas semanas. Foram

encontrados ainda, resultados positivos na associação entre incidência de dengue e IDO/IPO do

mês anterior, quando controlados para outras variáveis. Esses achados são condizentes com a

literatura que aborda o assunto, e evidenciam a importância do monitoramento de Ae. aegypti

por ovitrampas na construção de um sistema de alerta precoce para dengue e outras doenças

transmitidas por esse vetor. Em trabalhos futuros, sugere-se a validação dos modelos

apresentados em cima de dados de outras cidades que possuam programas de monitoramento

semelhantes há mais tempo.

Palavras-chave: Aedes aegypti. Dengue. Vigilância de Vetores. Modelos Estatísticos.

ABSTRACT

Aedes aegypti is an arthropod that occurs throughout the world and is responsible for

diseases of major epidemiological importance, especially in warmer climates. In Brazil,

outbreaks of diseases transmitted by this vector, such as dengue, have public health impact and

have led the authorities to increase the entomological monitoring and control. This study aimed

to characterize the Ae. aegypti infestation monitoring program by ovitraps, in Rio de Janeiro

municipality, between February 2013 and September 2015. The study also aimed to analyze the

association between the vector’s infestation rates (as measured by an egg density index, IDO,

and an egg positivity index, IPO) and temperature variation in health districts and administrative

subdivisions. Additionally, the association between the incidence of reported dengue cases and

IDO/IPO in the health districts of the city was explored. Generalized Linear Models were used

for all these analysis. The results showed good hatching rate (68%), high specificity of traps for

Ae aegypti (92%) and few lost traps (an average of 4%). A positive association between

increased infestation rates and temperature was detected. The minimum temperature, lagged in

one week by the date of collection of indexes, was the one that best explained the increase in

the average number of eggs (IDO), while the increase of the ovitraps positivity index (IPO) was

better explained by the minimum temperature with a two-week lag. A positive association

between dengue and IDO/IPO's of the previous month was also shown, even after controlling

for other variables. These findings are consistent with the literature on the subject, and highlight

the importance of monitoring Ae. aegypti infestation by ovitraps in the construction of an early

warning system for dengue and other diseases transmitted by this vector. Future studies could

focus on the validation of the models here presented with data from other cities that have similar

monitoring programs for longer periods of time.

Keywords: Aedes. Dengue Fever. Vector Control. Statistic Models.

LISTA DE ILUSTRAÇÕES

Figura 1 - Ciclo de vida do Aedes. ......................................................................................... 18

Figura 2 - Armadilha de postura de ovos. ............................................................................... 30

Figura 3 - Delimitação das APSs, RAs e bairros do município do Rio de Janeiro................ 34

Figura 4 - Distribuição das ovitrampas no município do Rio de Janeiro. .............................. 36

Figura 5 - Variação do número de palhetas recolhidas ao longo do período de janeiro de 2013

a setembro de 2015, por (A) APS e (B) RA .......................................................... 46

Figura 6 - Percentual de palhetas perdidas por APS ao longo das semanas de estudo ........... 48

Figura 7 - Boxplot das Taxas de eclosão de ovos recolhidos das palhetas (A) por APS e (B)

por mês................................................................................................................... 49

Figura 8 - Boxplots (A) do IPO e (B) do IDO por APSs e gráfico de dispersão IPO em

relação ao IDO (C). ................................................................................................ 50

Figura 9 - Série temporal do (A) IPO e do (B) IDO entre fevereiro de 2013 e setembro de

2015 no município do Rio de Janeiro por área programática ................................ 51

Figura 10 - IDO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015

............................................................................................................................... 52

Figura 11 - IPO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015

............................................................................................................................... 53

Figura 12 - Boxplot da média semanal de temperaturas mínimas e máximas por APS no

período estudado ................................................................................................. 54

Figura 13 - Distribuição dos casos de dengue por APSs entre janeiro de 2013 e outubro de

2015 ..................................................................................................................... 55

Figura 14 - Mapas de incidência de casos dengue nas APSs por mês no ano de 2013 .......... 55



Figura 17 - Série temporal da temperatura e número de casos por semana no município do

Rio de Janeiro, de 2010 a 2014 ........................................................................... 56

Figura 18 - Diagrama de dispersão do IDO x temperatura mínima (Temp Min) ou máxima

(Temp Max) e retas de tendência. ....................................................................... 57

Figura 19 - Diagrama de dispersão do IPO x temperatura mínima (Temp Min) ou máxima

(Temp Max) e retas de tendência. ....................................................................... 57

Figura 20 - IDO em cada APS de fevereiro de 2013 a setembro de 2015. ............................. 58

Figura 21 - Efeito predito da temperatura no IDO, de acordo com o modelo A10 (Tabela 4),

para cada APS. ..................................................................................................... 60

Figura 22 - Gráficos dos resíduos do modelo A10: LM (ido~tmin*APS) ............................. 61

Figura 23 - Série temporal de IDO em cada RA do Rio de Janeiro, ao longo do estudo

(semanas corridas de estudo) ............................................................................... 62

Figura 24 - Efeito predito da temperatura no IDO, de acordo com o modelo B5.. ................ 64

Figura 25 - Mapas com a diferença entre os interceptos e coeficientes angulares por RA, em

relação ao efeito geral.......................................................................................... 65

Figura 26 - Análise dos resíduos do modelo B5 ..................................................................... 66

Figura 27 - Série temporal de IPO em cada APS do Rio de Janeiro ao longo do tempo de

estudo (semanas corridas de estudo)) .................................................................. 66

Figura 28 - Probabilidade de positividade de ovitrampas em função da temperatura, nas

APSs do Rio de Janeiro, de acordo com o modelo C9: ....................................... 68

Figura 29 - Gráfico quantil-quantil comparando a distribuição dos efeitos aleatórios do

modelo C9 com a de uma distribuição normal padrão. ....................................... 69

Figura 30 - Efeitos aleatórios do modelo C9 .......................................................................... 69

Figura 31 - IPO em cada RA do município do Rio de Janeiro, de fevereiro 2013 a setembro

de 2015 ................................................................................................................ 70

Figura 32 - IPO predito de acordo com o modelo D9, em função da média da temperatura

semanal mínima defasada em 2 semanas, por RA .............................................. 72

Figura 33 - Desvio dos efeitos aleatórios de cada RA em relação ao modelo geral no modelo

D9 ........................................................................................................................ 73

Figura 34 - Mapas com os resultados do modelo D9 As cores apontam as diferenças entre os

interceptos e coeficientes angulares por RA, em relação ao efeito geral. ........... 74

Figura 35 - Distribuição dos efeitos aleatórios por quantil normal padrão no modelo D9 .... 75

Figura 36 - Mapa de Calor das ovitrampas positivas em 03/2013 e casos de dengue pontuais

em 04/2013 .......................................................................................................... 76


em 07/2013 .......................................................................................................... 77


em 10/2013 .......................................................................................................... 78

Figura 39 - Taxa de incidência de casos de dengue entre fevereiro de 2013 e setembro de

2015, por APS, no município do RJ. ................................................................... 79

Figura 40 - Gráficos dos resíduos dos modelos E11 (A) e E12 (B) ....................................... 81

Figura 41 - Gráficos de autocorrelação dos resíduos dos modelos E11 (A) e E12 (B) .......... 81

Figura 42 - Gráficos dos resíduos dos modelos F12(A) e F15 (B)......................................... 83

Figura 43 - Gráficos de autocorrelação dos resíduos dos modelos F12 (A) e F15 (B) .......... 84

LISTA DE TABELAS

Tabela 1 - Divisão dos bairros no município do Rio de Janeiro, por APS ............................. 35

Tabela 2 - Dados disponíveis para análise por unidade de análise espacial e temporal. ........ 37

Tabela 3 - Resumo dos parâmetros entomológicos gerados pelo monitoramento com

ovitrampas no período de janeiro de 2013 a setembro de 2015 nas APSs do

Município do Rio de Janeiro.................................................................................. 48

Tabela 4 - Comparação dos modelos de regressão linear (LM) e aditivo (GAM) ajustados aos

dados de IDO, tendo temperaturas mínima ou máxima, e APS como variáveis

explicativas. ........................................................................................................... 59

Tabela 5 - Estimativas dos parâmetros ajustados do modelo selecionado A10: LM

(ido~tmin1*APS) ................................................................................................... 61

Tabela 6 - Comparação dos modelos de regressão linear de efeitos mistos (LMM) ajustados

aos dados de IDO tendo temperaturas mínima e máxima semanais e RA como

variáveis explicativas. AIC = critério de qualidade de ajuste. .............................. 63

Tabela 7 - Resultado do ajuste do modelo B5, LMM (ido~tmin1, efeitos

aleatórios=~1+tmin1|RA), ajustados pela máxima verossimilhança restrita......... 64

Tabela 8 - Comparação dos modelos ajustados para a relação do índice de positividade de

ovitrampas (IPO) por APS com a temperatura.. .................................................... 67

Tabela 9 - Estimativas dos parâmetros do modelo C9 selecionado para a relação do índice de

positividade de ovitrampas (IPO) por APS com a temperatura: ipo ~ tmin2 +

(tmin2 | APS). ........................................................................................................ 68

Tabela 10 - Comparação dos modelos ajustados para a relação do índice de positividade de

ovitrampas (IPO) por RA com a temperatura. ....................................................... 71

Tabela 11 - Estimativas dos parâmetros de acordo com o modelo D9 GLMM: ipo ~ tmin2 +

(tmin2 | RA). .......................................................................................................... 71

Tabela 12 - Comparação dos modelos da associação dos casos de dengue notificados com o

IDO por APS, pelo AIC (critério de ajuste do modelo). ....................................... 80

Tabela 13 - Estimativas dos parâmetros de acordo com o modelo E11 ................................... 82

Tabela 14 - Comparação dos modelos para casos de dengue em um mês x IPO mês anterior,

por APS, pelo AIC. ................................................................................................ 83

Tabela 15 - Estimativas dos parâmetros de acordo com o modelo F15.................................... 85

SUMÁRIO

1 INTRODUÇÃO ...................................................................................................... 14

2 REVISÃO DE LITERATURA .............................................................................. 17

2.1 O MOSQUITO AE. AEGYPTI ................................................................................. 17

2.2 AEDES ALBOPICTUS ............................................................................................. 18

2.3 PRINCIPAIS DOENÇAS TRANSMITIDAS PELO AE. AEGYPTI NO BRASIL . 19

2.3.1 Dengue ..................................................................................................................... 19

2.3.2 Chikungunya ........................................................................................................... 21

2.3.3 Zika .......................................................................................................................... 22

2.4 FATORES QUE MODULAM A TRANSMISSÃO ................................................. 24

2.5 EPIDEMIOLOGIA DA DENGUE NO BRASIL E NO RIO DE JANEIRO ........... 25

2.6 VIGILÂNCIA EPIDEMIOLÓGICA E CONTROLE DO AE. AEGYPTI NO

BRASIL ................................................................................................................... 27

2.7 OVITRAMPAS......................................................................................................... 29

3 JUSTIFICATIVA .................................................................................................... 32

4 OBJETIVO GERAL .............................................................................................. 33

4.1 OBJETIVOS ESPECÍFICOS ................................................................................... 33

5 MATERIAIS E MÉTODOS .................................................................................. 34

5.1 DELINEAMENTO DO ESTUDO: .......................................................................... 34

5.2 ÁREA DE ESTUDO ................................................................................................ 34

5.3 FONTE DE DADOS ................................................................................................ 36

5.3.1 Avaliação do Comitê de Ética e Pesquisa .............................................................. 37

5.4 ORGANIZAÇÃO DOS DADOS ............................................................................. 38

5.5 VARIÁVEIS DO ESTUDO ...................................................................................... 39

5.6 ANÁLISE DESCRITIVA ......................................................................................... 39

5.7 ANÁLISE INFERENCIAL ...................................................................................... 40

5.7.1 Modelagem da associação entre IDO e temperatura........................................... 41

5.7.1.1 Modelagem por APS ................................................................................................. 41

5.7.1.2 Modelagem por RA .................................................................................................. 42

5.7.2 Modelagem da associação do IPO com a temperatura ....................................... 43

5.7.3 Modelagem da associação entre infestação de ovitrampas e a incidência de

casos no mês seguinte ............................................................................................ 44

6 RESULTADOS ........................................................................................................ 46

6.1 CARACTERIZAÇÃO GERAL DO PROGRAMA DE MONITORAMENTO POR

OVITRAMPAS ........................................................................................................ 46

6.2 CARACTERIZAÇÃO DA OVIPOSIÇÃO .............................................................. 50

6.3 CARACTERIZAÇÃO DO CLIMA DURANTE O ESTUDO................................. 53

6.4 CARACTERIZAÇÃO DOS CASOS DE DENGUE DURANTE O ESTUDO ...... 54

6.5 MODELAGEM DA ASSOCIAÇÃO DA TEMPERATURA COM A OVIPOSIÇÃO

.................................................................................................................................. 57

6.5.1 Modelagem de associação do IDO com a temperatura por APS e RA .............. 58

6.5.3 Modelagem de relação do índice de positividade de ovitrampas (IPO) e

temperatura, por APS ............................................................................................ 66


temperatura, por RA ............................................................................................. 70

6.6 DISTRIBUIÇÃO ESPACIAL DA INFESTAÇÃO E OCORRÊNCIA DE CASOS

DE DENGUE NO ANO DE 2013 ........................................................................... 75

6.7 MODELAGEM DA ASSOCIAÇÃO DOS CASOS DE DENGUE NOTIFICADOS

COM A OVIPOSIÇÃO ............................................................................................ 79

6.7.1 Modelagem da associação dos casos de dengue notificados com o IDO ............ 80

6.7.2 Modelagem da associação dos casos de dengue notificados com o IPO ............ 82

7 DISCUSSÃO ........................................................................................................... 86

7.1 SOBRE O SISTEMA DE MONITORAMENTO. .................................................... 86

7.2 ASSOCIAÇÃO DA INFESTAÇÃO COM A TEMPERATURA ............................. 88

7.3 ÍNDICE DE INFESTAÇÃO COMO PREDITOR DE INCIDÊNCIA DE DENGUE

.................................................................................................................................. 89

7.4 LIMITAÇÕES DO ESTUDO ................................................................................... 90

8 CONSIDERAÇÕES FINAIS ................................................................................. 92

REFERÊNCIAS...................................................................................................... 93

APÊNDICE A – SCRIPTS UTLIZADOS NAS MODELAGENS DA

ASSOCIAÇÃO ENTRE IDO E TEMPERATURA .......................................... 102

APÊNDICE B – SCRIPTS UTLIZADOS NAS MODELAGENS DA

ASSOCIAÇÃO ENTRE IPO E TEMPERATURA .......................................... 117

APÊNDICE C – SCRIPTS UTLIZADOS NAS MODELAGENS DA

ASSOCIAÇÃO ENTRE IDO E CASOS DE DENGUE ................................... 127

APÊNDICE D – SCRIPTS UTLIZADOS NAS MODELAGENS DA

ASSOCIAÇÃO ENTRE IPO E CASOS DE DENGUE ................................... 131

14

1 INTRODUÇÃO

O mosquito Aedes aegypti é o principal vetor de transmissão para uma série de doenças

disseminadas nos países do continente americano. Foi erradicado na maior parte do continente

durante a década de 1950 e início da década de 1960, mas reintroduzido no final desta mesma

década. Hoje, o Ae. aegypti, é considerado uma espécie amplamente distribuída nos trópicos

(BARRETO; TEIXEIRA, 2008). Entre as principais doenças carreadas pelo Ae. aegypti está

adengue, tida como a mais difundida das doenças virais transmitidas por mosquitos, com uma

incidência atual 30 vezes maior do que há 50 anos, constituindo-se um desafio para as agências

nacionais e internacionais de saúde (OMS, 2014).

A circulação do vírus dengue no continente americano remonta ao século XIX, seguida,

porém, de um período de ausência de relatos de casos da doença do início até a metade do

século XX. A reemergência ocorreu a partir da década de 1960, com um aumento significativo

dos casos a partir da década de 1980. Epidemias expressivas ocorreram nos anos 2000, e

atualmente é relatada a cocirculação simultânea dos quatro sorotipos do vírus dengue (DENV-

1, DENV-2, DENV-3 e DENV-4) no Brasil, Colômbia e México (BARRETO; TEIXEIRA,

2008; OPAS, 2015). A incidência de casos notificados da dengue no continente americano

sofreu sucessíveis aumentos com o passar dos anos chegando a uma média 198 casos /100.000

habitantes acumulados até a 21ª semana epidemiológica de 2015. Os países e territórios com a

maior taxa de incidência de dengue nas Américas são: Brasil (507,9 casos / 100.000 habitantes),

Paraguai (444,5 casos / 100.000 habitantes), Guiana Francesa (399,6 casos / 100.000

habitantes), San Martin (269,6 casos / 100.000 habitantes) e Honduras (234,6 casos / 100.000

habitantes) (OPAS, 2015).

No Brasil, a associação entre a ampla dispersão do vetor e a circulação de um ou mais

sorotipos do vírus dengue (DENV), contribuíram para o surgimento de epidemias da doença. A

primeira delas, ocorrida e contida entre 1981 e 1982, sucedeu em Boa Vista, Roraima, e foi

causada pelos sorotipos DENV-1 e DENV-4. A partir de 1986, quando uma epidemia associada

ao sorotipo DENV-1 atingiu o Rio de Janeiro e dali se disseminou para capitais do nordeste

brasileiro, a dengue tem ocorrido de forma persistente no país, intercalando períodos de

epidemias com períodos com baixo número de casos. Em 1990, foi identificada a cocirculação

de dois sorotipos no país, o DENV-1 e o DENV-2, este último também com introdução

identificada no país pelo Rio de Janeiro. Entre os anos de 1990 e 2000, várias epidemias foram

registradas. Em dezembro de 2000, identificou-se a circulação do sorotipo DENV-3 no estado

15

do Rio de Janeiro e, posteriormente, no estado de Roraima, em novembro de 2001. E em 2004,

23 dos 27 estados do país apresentaram a circulação simultânea dos sorotipos 1, 2 e 3 do vírus

dengue (NOGUEIRA et al., 2007). A partir de 2010 o sorotipo 4 (DENV-4) ressurgiu,

alcançando diversos estados e sendo responsável por grande número de casos em 2012 e 2013

(IPP, 2015; NOGUEIRA; EPPINGHAUS, 2011). Desde 1982, ano em que foi constatada a

primeira evidência de uma epidemia de dengue no Brasil, houveram mais de 9 milhões de casos

notificados, sendo o ano de 2015 aquele com maior número de casos da história. E há de se

considerar que os números oficiais não apreciam casos assintomáticos ou que não foram

notificados (BARRETO; TEIXEIRA, 2008; BRASIL, 2016). O número de casos de dengue

grave também sofreu um aumento considerável na década de 2000 em comparação com a

década de 1990, que coincidiu com anos de grandes epidemias da doença no país (TEIXEIRA

et al., 2013).

Recentemente foram detectados no Brasil, casos de outras duas doenças transmitidas

por mosquitos do gênero Aedes – a chikungunya e a Zika. Ambas são doenças exantemáticas

semelhantes à dengue, sendo que a chikungunya também causa nos indivíduos infectados febre

alta e fortes dores nas articulações (BRASIL, 2015a). Apesar de usualmente não levar os

doentes a óbito, a chikungunya, causada pelo vírus chikungunya (CHIKV), pode evoluir para

quadros neurológicos graves e proporcionar alto grau de morbidade aos pacientes, gerando

artralgias que podem durar por meses ou anos, causando dor crônica e incapacidade (STAPLES

et al., 2009).

Os primeiros casos nos quais o vírus causador da Zika (ZIKV) foi identificado no Brasil

ocorreram em março de 2015, sendo que a partir de então uma grande quantidade de casos

suspeitos tem sido reportada às autoridades sanitárias, com relatos de complicações

neurológicas e possibilidade de relação com ocorrência de microcefalia em bebês nascidos de

mães que contraíram Zika durante a gestação, fato que veio a ser confirmado em novembro de

2015 (BRASIL, 2015b, 2015c).

Fatores relacionados ao clima (em especial às condições de temperatura ao longo do ano

propícias ao vetor), à urbanização desordenada, à coleta e tratamento inadequado de resíduos

sólidos, à deficiência de saneamento básico e aos hábitos de vida da população colaboram para

a contínua circulação do Ae. aegypti no Brasil (uma vez que o meio urbano, de baixa

biodiversidade, é o habitat de preferência dessa espécie), facilitando a transmissão das

arboviroses citadas nas regiões do país que possuem clima adequado e população urbana

suficiente (BARBOSA, 2011).

16

A prevenção das doenças transmitidas por meio do Ae. aegypti baseia-se atualmente nas

medidas de vigilância e controle deste vetor. No Brasil, o Programa Nacional de Controle da

Dengue, instituído em 2002, objetiva reduzir a infestação pelo Ae. aegypti, a incidência da

dengue e a letalidade por dengue grave, através de um conjunto de componentes que abrangem

desde a vigilância epidemiológica e o combate ao vetor até a assistência ao paciente (BRASIL,

2002). Este programa usa como indicadores, tanto de índice de infestação de Ae. aegypti como

de mensuração de risco de transmissão de dengue, índices baseados em pesquisas larvária,

obtidos através do Levantamento Rápido de Índice Entomológico (LIRAa) (COELHO, 2008) .

Paralelamente ao LIRAa, mais recentemente iniciou-se em algumas cidades como Rio

de Janeiro e Belo Horizonte, o uso de levantamentos baseados em dados obtidos através das

armadilhas de postura de ovos (ovitrampas). Em caráter experimental, ovitrampas e armadilhas

para mosquitos adultos têm sido utilizadas como ferramenta de vigilância em diversos

municípios brasileiros (BRAGA et al., 2000; MIYAZAKI et al., 2009; PEPIN, et al., 2013;

PEPIN et al., 2015). Os dados dessas armadilhas, entretanto, por vezes são subutilizados, a

despeito de sua coleta.

As vantagens e desvantagens do uso de armadilhas para o monitoramento da população

de mosquitos têm sido muito debatidas na literatura. Não existe até o momento, uma definição

sobre qual armadilha é melhor para fins de vigilância entomológica do vetor da dengue, e qual

a melhor maneira de utilizá-la. Ovitrampas têm sido apontadas como sendo mais sensíveis e de

menor custo em comparação com pesquisas larvárias e com outros tipos de armadilhas

(CODEÇO et al., 2015). Este estudo tem por objetivo avaliar o uso de ovitrampas para

levantamento de dados de infestação de Ae. aegypti e seu potencial de utilização junto à

vigilância epidemiológica da dengue no município do Rio de Janeiro. Avaliar a viabilidade

deste recurso para a geração de alertas de risco de transmissão de dengue poderá agregar ainda

mais valor a esta ferramenta, contribuindo para a sua consolidação como instrumento de

obtenção de dados confiáveis sobre a infestação do vetor da dengue no Brasil.

17

2 REVISÃO DE LITERATURA

2.1 O MOSQUITO AE. AEGYPTI

O Ae. aegypti (Diptera: Culicidae) (Linnaeus, 1762) é um artrópode do subgênero

Stegomyia encontrado em zonas tropicais e subtropicais, usualmente em latitudes entre 35 ° N

e 35 ° S e onde as temperaturas no inverno são acima que 10 ºC (LOBO, 2011). Embora pelo

menos cinco espécies de Aedes possam transmitir o vírus dengue, no Brasil o Ae. aegypti é

considerado o responsável pela transmissão do vírus dengue . (GRATZ, 2004).

O Ae. aegypti, é um dos vetores mais eficientes para a transmissão de arbovírus para

seres humanos, com preferência por ambientes internos dos domicílios. É usualmente

encontrado em áreas urbanas, especialmente nos bairros mais densamente povoados e se

reproduz em recipientes em áreas domésticas e peridomésticas que contenham água limpa

(SIVANATHAN, 2006).

Os mosquitos dessa espécie possuem hábitos diurnos, com atividade hematofágica

antropofílica das fêmeas nos períodos matutino e vespertino. Após cerca de 48 a 96 horas da

atividade hematofágica, a fêmea do Ae. aegypti efetua a postura dos ovos próximo a lâminas

d’água em uma variedade de criadouros - locais usualmente sombreados e que possam

acumular água limpa (CONSOLI; LOURENÇO-DE-OLIVEIRA, 1994). O comportamento de

postura de ovos (oviposição) típico das fêmeas do Ae. aegypti, é a oviposição em salto, no qual

a fêmea distribui seus ovos em vários locais de reprodução (CORBET ; CHADEE, 1993).

Os ovos do Ae. aegypti são bastante resistentes à dessecação, sobrevivendo vários meses

em ambientes secos, até que o aparecimento de água propicie a eclosão da larva. O

desenvolvimento do mosquito até a vida adulta passa por quatro estágios: fase de ovo, fase

aquática (larval e pupa) e fase adulta (CONSOLI; LOURENÇO-DE-OLIVEIRA, 1994;

LOURENÇO-DE-OLIVEIRA et al., 2008).

Os ovos do mosquito apresentam uma coloração clara no momento da postura,

tornando-se mais escuros, até chegar a coloração negro-brilhante. A fecundação se dá durante

a postura e o desenvolvimento do embrião se completa em 48 horas, mas na ausência de água

um ovo pode permanecer viável por até 492 dias (SILVA, H.H.G.; SILVA, I.G., 1999; SANTOS,

2008).

A fase aquática inicia-se quando o ovo com embriogênese completa entra em contato

com a água. A duração da fase larvária depende de vários fatores como a temperatura, a

disponibilidade de alimento e a densidade das larvas no criadouro. A eclosão das larvas

18

acontece de forma mais célere em temperaturas de 27 a 30ºC associadas a períodos de aumento

de pluviosidade. As larvas se alimentam de material orgânico presente no fundo e nas paredes

e em suspensão dentro dos reservatórios. A fase larvária varia em torno de 5 a 7 dias e a fase de

pupa dura em torno de 2 a 3 dias em condições propícias (REY, 2011).

A grande resistência do ovo à dessecação, associada a um curto ciclo geracional e alta

fecundidade/fertilidade, favorece um rápido crescimento populacional em condições propícias

para o desenvolvimento do Ae. aegypti. Na fase adulta os mosquitos da espécie apresentam

coloração escura, com escamas na cor branca na parte posterior da cabeça e nos segmentos

abdominais, e um padrão em forma de lira sobre o dorso (NEVES, 2002). A Figura 1 representa

o ciclo de vida dos mosquitos do gênero Aedes:

Figura 1: Ciclo de vida do Aedes.

Fonte: Hopp MJ and Foley J. Global-scale Relationships between Climate and the Dengue Fever Vector Aedes aegypti. Climate

Change. 2001; 48: 441-463

2.2 AEDES ALBOPICTUS

O Aedes albopictus (Skuse 1894) é um mosquito originário de áreas de clima temperado

e tropical do oriente, que invadiu o continente americano há cerca de 30 anos, tendo sido

encontrado no Brasil pela primeira vez no Rio de Janeiro no ano de 1986 (FORATTINI, 1986).

Embora sua distribuição territorial no Brasil acompanhe a atividade humana, sua disseminação

não depende de grande concentração demográfica como o Ae. aegypti, se espalhando de forma

competente em ambiente rural, semissilvestre e silvestre, onde o Ae. aegypti é ausente ou muito

raro. Em muitos aspectos sua biologia se assemelha à do mosquito Ae. aegypti, sendo, como

19

ele, um mosquito de hábitos diurnos, com fêmeas hematófagas, e densidade de infestação

relacionada diretamente aos índices pluviais. Entretanto, apresenta maior resistência às

temperaturas mais amenas (ex.: norte da Ásia), e seus ovos são menos resistentes a dessecação.

Utiliza tanto recipientes naturais como artificiais como criadouros (CONSOLI; LOURENÇO-

DE-OLIVEIRA, 1994).

O Ae. albopictus possui alta competência vetorial e tem sido motivo de preocupação

entre as autoridades de saúde pública dos países recém-infestados, já que é competente para

pelo menos 22 arbovírus e provavelmente é um vetor de manutenção da dengue em áreas rurais

de países endêmicos no Sudeste da Ásia e em ilhas do Pacífico (GRATZ, 2004 ). No Brasil, o

Ae. albopictus encontra-se disseminado em 24 dos 27 estados da federação (CARVALHO et

al., 2014 ). Embora ainda não tenha sido reconhecido pelo Ministério da Saúde como vetor do

DENV, a infecção de larvas do Ae. albopictus com sorotipos de DENV, recolhidas em duas

regiões diferentes país (sudeste e nordeste) já foi descrita na literatura (CASTRO et al., 2004;

CECILIO et al., 2009; FIGUEIREDO et al., 2010; MARTINS et al. 2012). Além disso, foi

demonstrado em condições laboratoriais, que populações de Ae. albopictus coletadas no país

são capazes de infectar-se e transmitir não somente o DENV como o CHIKV e o ZIKV (VEGA-

RÚA et al., 2014; CHOUIN-CARNEIRO et al., 2016).

2.3 PRINCIPAIS DOENÇAS TRANSMITIDAS PELO AE. AEGYPTI NO BRASIL

2.3.1 Dengue

A dengue é uma doença infecciosa, febril e aguda, causada por um arbovírus (vírus

transmitido por artrópodes a vertebrados) do gênero Flavivirus, família Flaviridae chamado de

vírus dengue (DENV), transmitido por artrópodes do gênero Aedes (BRASIL, 2010a). A

importância da dengue para a saúde pública é amplamente conhecida, dada a sua grande

magnitude epidemiológica e amplitude demográfica, que levam a grandes epidemias em regiões

tropicais e subtropicais do mundo (BARBOSA; LOURENÇO, 2010).

São 4 os sorotipos mais conhecidos do vírus causador da dengue: DENV-1, DENV-2,

DENV-3 e DENV-4. Entretanto, recentemente um novo sorotipo foi identificado, o DENV-5

(MUSTAFA et al., 2014). A cepa e o sorotipo do vírus infectante, o estado imunológico, idade

e antecedentes genéticos e humorais do hospedeiro humano e a ocorrência de infecções

secundárias por outros sorotipos são fatores que influenciam diretamente na ocorrência da

forma grave da doença (SIMMONS et al., 2012).

20

A incubação da doença ocorre por um período de 3 a 14 dias, durando em média 4 a 7

dias. Os sintomas exibem início súbito, podendo seguir três fases: uma fase febril, uma fase

crítica durante a redução da febre seguida de uma fase de recuperação espontânea. A fase febril

é tipicamente caracterizada por um febre alta (≥38.5 ° C) acompanhada de cefaleia, vômito, dor

no corpo, olhos e articulações e, às vezes, manchas vermelhas pelo corpo. Com exceção da

febre alta, as crianças geralmente são menos sintomáticas do que os adultos durante esta fase

da doença. Podem ser observadas algumas manifestações hemorrágicas leves como petéquias

ou hematomas, especialmente em locais de punção venosa, além de fígado palpável. Após 3 a

7 dias, a maior parte dos pacientes se recupera sem complicações (OMS, 2009; SIMMONS et

al., 2012).

Pacientes que melhoram após a diminuição da febre apresentam a forma não grave da

doença. Todavia, pacientes que manifestam indícios de piora no quadro tais como dor

abdominal intensa e contínua, ou dor à palpação do abdômen, vômitos persistentes, acumulação

de líquidos (ascites, derrame pleural, pericárdico), sangramento de mucosas, letargia ou

irritabilidade, hipotensão postural (lipotimia) ou hepatomegalia maior do que 2 cm apresentam

dengue com sinais de alerta. Esses casos normalmente podem apresentar melhora se houver

início rápido da terapia de reidratação intravenosa. Alguns casos, porém, deterioram-se

passando a ser classificados como dengue grave (OMS, 2009).

No período de defervescência, quando a temperatura cai para 37.5-38ºC ou menos e

permanece abaixo deste nível, geralmente entre o 3º e 7º dia de doença, pode haver o aumento

da permeabilidade capilar em associação com o aumento dos níveis de hematócrito, o que marca

o início da fase crítica - a dengue grave. O período em que ocorre extravasamento de plasma

clinicamente importante normalmente dura 24-48 horas. A perda de plasma geralmente é

antecedida por leucopenia progressiva seguida por um rápido decréscimo do número de

plaquetas. Neste ponto, pacientes nos quais não houve aumento na permeabilidade capilar irão

melhorar, enquanto aqueles com aumento da permeabilidade capilar apresentam piora do

quadro à medida em que perdem volume (SIMMONS et al., 2012).

A fase de recuperação espontânea acontece com o retorno da permeabilidade vascular a

níveis normais, o que ocorre espontaneamente depois de cerca de 48 a 72 horas, e condiz a uma

rápida melhoria dos sintomas do paciente. Erupções cutâneas podem aparecer durante a fase de

recuperação. Adultos podem ter profunda fadiga durante várias semanas após a recuperação

(SIMMONS et al., 2012).

21

2.3.2 Chikungunya

A chikungunya é uma doença febril aguda ocasionada por um arbovírus do gênero

Alphavirus da família Togaviridae, o vírus chikungunya (CHIKV). O CHIKV foi identificado

pela primeira vez na década de 1950 durante uma epidemia de uma doença com características

semelhantes à dengue na Tanzânia. Entre 1960 e 2003 pequenos surtos da doença ocorreram

em países da Ásia e da África até que em 2004 uma grande epidemia de chikungunya começou

no Quênia e se espalhou durante os 4 anos seguintes por diversos países da África, sudeste da

Ásia e ilhas do Oceano Índico (POWERS; LOGUE, 2007).

Indivíduos infectados por esta doença apresentam como sintomas clássicos: febre alta

(acima de 38,9ºC), erupção cutânea e poliartralgia. O quadro febril possui duração variando de

alguns dias até 2 semanas (em média 10 dias) e natureza bifásica (embora nos surtos ocorridos

entre 2005 e 2007 não tenham sido relatados episódios de febre bifásica nos pacientes)

(POWERS; LOGUE, 2007; STAPLES et al., 2009). Após o aparecimento da febre, grande parte

dos doentes desenvolve dores intensas e debilitantes nas articulações, geralmente simétricas e

atingindo mais comumente dedos, punhos, cotovelos, joelhos e tornozelos, que podem durar de

semanas a meses. É comum ocorrer também artrite, com edemaciamento das articulações e

parestesia da pele sobre as articulações afetadas. Outros sintomas comumente relatados incluem

cefaleia, fotofobia, náuseas, vômitos, fraqueza e mialgias. Como esses são sintomas de diversas

outras doenças infecciosas comuns em regiões tropicais, incluindo dengue, existe a

possibilidade do número de casos de chikungunya ser maior do que o relatado (STAPLES, et

al., 2009).

Algumas apresentações clínicas atípicas foram relatadas em pacientes com

comprovação sorológica de infecção pelo CHIKV, nos surtos de chikungunya ocorridos,

incluindo um caso de miocardite seguido de insuficiência cardíaca congestiva no Sri Lanka em

1972. Houve também relatos de manifestações hemorrágicas em alguns dos surtos da doença

no decorrer dos anos, mas sua documentação é bastante irregular, com alguns dos infectados

com manifestações hemorrágicas apresentando anticorpos também para o vírus dengue

(POWERS; LOGUE, 2007).

No Brasil, os primeiros casos de transmissão autóctone de chikungunya foram

identificados entre junho e setembro de 2014, nas cidades de Feira de Santana (BA) e Oiapoque

(AM) respectivamente. Os genótipos do CHIKV responsáveis pela infecção nas duas cidades

são diferentes, sendo o de Oiapoque o genótipo asiático e o de Feira de Santana o Centro-Leste-

Sul-Africano (ECSA) (NUNES et al., 2015). Entre 2014 e 2015, mais de 24.300 casos de

22

chikungunya foram notificados no país (BRASIL, 2015a). As medidas de vigilância

epidemiológica propostas até o momento pelo Ministério da Saúde envolvem a vigilância e

controle entomológico e monitoramento dos casos incidentes de chikungunya (BRASIL,

2014a).

2.3.3 Zika

O vírus Zika (ZIKV) é um arbovírus do gênero Flavivirus, família Flaviridae. Foi

isolado pela primeira vez em 1947, em cérebros de camundongos inoculados com sangue de

um macaco Rhesus que se encontrava doente. Embora em seu ciclo silvestre a Zika seja

transmitida por diversas espécies de mosquitos do gênero Aedes, em 1956 foi demonstrada a

transmissão do ZIKV por mosquitos Ae. aegypti para ratos e camundongos em laboratório

(FREIRE, 2014; HAYES, 2009) . Da sua descoberta até meados da década de 2000, foram

relatados poucos casos da doença, até quem 2007, um surto de Zika acometeu a ilha de Yap, na

Micronésia e subsequentemente, em 2013 foi registrada uma epidemia na Polinésia Francesa,

com estimativa de mais de 32000 casos da doença (DUFFY et al., 2009; MALLET et al., 2015).

No Brasil, os primeiros casos da doença foram identificados em março de 2015, sendo que em

14 de maio de 2015 foi confirmada a circulação do ZIKV no Brasil, com casos na Bahia e no

Rio Grande do Norte. (BRASIL, 2015b). Em outubro, o vírus se espalhou para pelo menos 14

estados brasileiros, e em dezembro de 2015, o Ministério da Saúde estimou que até 1,3 milhão

de casos suspeitos teriam ocorrido. Ainda em outubro de 2015, a Colômbia informou a primeira

transmissão autóctone de ZIKV fora do Brasil na América Latina. Até 3 de março de 2016, um

total de 51.473 casos suspeitos Zika haviam sido relatados no Brasil. Até março de 2016, o

vírus havia se espalhado para pelo menos 61 países e territórios em todo o mundo, segundo

relatório da OPAS/OMS (2016).

Humanos infectados por ZIKV desenvolvem sintomas com características semelhantes

às da dengue, mas usualmente mais brandas. As manifestações clínicas envolvem o exantema

macopapular no rosto, tronco e membros como característica diferencial, mas os infectados

também costumam desenvolver dor de cabeça, mal-estar, febre transitória (em torno de 1 a 2

dias) e dores no corpo. Outras manifestações incluem anorexia, diarreia, constipação, dor

abdominal, tonturas, prurido, conjuntivite e artralgia. Com menos frequência pode haver dor

retro-orbital, edema e vômito. A doença tende a ser leve e autolimitada, com os sintomas

desaparecendo após cerca de uma semana, sem aparentes complicações (HAYES, 2009).

Todavia, a infecção por ZIKV tem sido associada a desordens com acometimentos neurológicos

23

em pacientes que sofreram a doença e a casos de microcefalia em bebês cujas mães foram

acometidas pelo vírus durante a gestação, em especial no primeiro trimestre (OPAS/OMS,

2016).

Em outubro de 2015, pesquisadores brasileiros observaram um aumento no número de

bebês nascidos com microcefalia (condição caracterizada por perímetro cefálico menor do que

o esperado para a idade) nas regiões onde foi constatada pela primeira vez a presença de casos

de Zika. Até meados de fevereiro de 2016, mais de 4300 casos suspeitos de microcefalia haviam

sido relatados no Brasil, embora o número de casos possa ser menor devido à baixa

especificidade dos critérios iniciais utilizados para identificação dos casos. Após a divulgação

da possibilidade de associação entre casos de microcefalia em bebês e a infecção por ZIKV nas

mães desses bebês, foi realizada uma investigação retrospectiva do surto de Zika da Polinésia

Francesa, na qual foi constatado um aumento do número de anomalias fetais, incluindo

microcefalia, após o referido surto (CAUCHEMEZ et al., 2016; OPAS/OMS, 2016;

SCHULER-FACCINI, et al., 2016; VICTORA et al., 2016).

A importância desse vírus como potencial problema de saúde pública foi renegada

durante muitos anos, embora estudos já indicassem seu tropismo por células neurológicas em

animais, bem como a possibilidade de sua disseminação em condições favoráveis. (BELL, et

al., 1971; WEAVER; REISENB, 2009). Complicações neurológicas associadas a Zika foram

relatadas pela primeira vez em 2013, na Polinésia Francesa. Durante a epidemia, 74 pacientes

apresentaram complicações neurológicas ou autoimunes após manifestarem sintomas

consistentes com infecção por ZIKV, sendo que 42 desses casos foram classificados como

Síndrome de Guillain-Barré (OPAS/OMS, 2016).

Além da transmissão por mosquitos do gênero Aedes e da transmissão vertical do ZIKV

nos casos de anomalias fetais, há evidências significativas para transmissão por contato sexual

através do sêmen (BESNARD, et al., 2014; FOY, et al., 2011; MUSSO et al., 2015).

Além das medidas de prevenção e controle já adotadas para a dengue e chikungunya no

Brasil, a partir de outubro de 2015 houve a intensificação das ações de combate ao Ae. aegypti.

Foi estabelecida também a destinação de recursos federais para pesquisas relacionadas ao

ZIKV, para a produção e distribuição de testes diagnósticos para a doença, e para programas de

diagnóstico e acompanhamento de casos de microcefalia no país (BRASIL, 2016).

24

2.4 FATORES QUE MODULAM A TRANSMISSÃO

O ciclo de transmissão de uma arbovirose inicia-se quando a fêmea do mosquito

susceptível ingere sangue infectado pelo vírus, de uma pessoa no período da viremia. A partir

desse momento, inicia-se o processo de replicação viral dentro dos tecidos e órgãos do vetor

infectado (chamado período de incubação extrínseco) até chegar à glândula salivar do mosquito,

quando pode ocorrer a inoculação do vírus em um hospedeiro humano susceptível por meio de

uma picada, fechando o ciclo de transmissão (GUBLER; KUNO, 1997; SALAZAR et al.,

2007).

A capacidade vetorial diz respeito à eficiência com a qual um vetor artrópode transmite

um agente patogênico a uma população susceptível (KLEMPNER, et al., 2007). A definição

básica desse conceito é dada por Garrett-Jones (1964), e menciona que capacidade vetorial é o

número médio de contatos potencialmente infectivos feitos por uma população de vetores,

originário de um único caso, por unidade tempo. Segundo Lourenço-de-Oliveira (2015), vetores

com alta capacidade vetorial são capazes de desencadear e manter a transmissão de uma doença

em um local. No contexto da dengue, a capacidade vetorial é a velocidade com que determinado

sorotipo do vírus seria capaz de se disseminar entre humanos susceptíveis às custas das

populações naturais de Ae. aegypti ou Ae. albopictus em uma localidade.

O cálculo da capacidade vetorial considera a longevidade e sobrevivência diária das

fêmeas do mosquito ao período de incubação extrínseco, a susceptibilidade do vetor ao vírus, a

frequência de picadas infectantes (que contém o vírus) e a densidade populacional do vetor.

(LOURENÇO-DE-OLIVEIRA, 2015). A sobrevivência diária das fêmeas depende de

condições externas (como temperatura, umidade relativa e fontes de repasto sanguíneo,

necessidade de deslocamento), e de fatores intrínsecos ao mosquito, como a capacidade

sobrevivência ao período de incubação extrínseco (que depende de características genéticas e

fisiológicas). A competência vetorial corresponde ao percentual de indivíduos de uma

população de vetores que ingeriu o vírus, foi infectada e se tornou infectiva, após o período de

incubação extrínseco. Tanto a capacidade como a competência vetorial são processos dinâmicos

e, portanto, dependem de condições ambientais, da variabilidade genética das populações e das

interações entre vetor e vírus (LOURENÇO-DE-OLIVEIRA, 2015).

Uma meta-análise publicada em 2014 avaliou dados de 49 estudos sobre fatores que

influenciam a variação da taxa de desenvolvimento do Ae. aegypti. Os autores dessa meta-

análise sugeriram que a temperatura “é o fator determinante ecológico mais importante da taxa

de desenvolvimento em Ae. aegypti” (COURET; BENEDICT, 2014) . Mohammed e Chadee

25

(2011) em um estudo para determinar os efeitos do aumento das temperaturas da água no

desenvolvimento de estágios imaturos de Ae. aegypti averiguaram que este mosquito pode

potencialmente se tornar um vetor eficiente com capacidade de adaptação às faixas mais altas

de temperatura (que podem encurtar os períodos de incubação extrínseco para arbovírus).

Tun-Lin et al. (2000), testaram a influência da temperatura na quantidade de fêmeas

nascidas de Ae. aegypti e verificaram um aumento em relação aos machos na proporção de 4:3,

a uma temperatura constante de 30ºC. Yang et al. (2009) averiguaram, em um experimetno

laboratorial simulando as condições naturais do habitat do Ae. aegypti, que as taxas de

oviposição crescem de forma linear entre 15 e 30 ºC. Watts e Burke (1987) constataram que o

período de incubação extrínseco do arbovírus dentro do organismo do mosquito reduz de acordo

com o aumento da temperatura. Estes achados sugerem que a temperatura é um fator abiótico

que afeta diretamente o ciclo de transmissão da dengue.

2.5 EPIDEMIOLOGIA DA DENGUE NO BRASIL E NO RIO DE JANEIRO

As epidemias de dengue apresentam comportamento cíclico, intercalando anos com

altas e baixas incidências. A incidência de casos de dengue também varia de forma sazonal,

aumentando nos períodos de alta pluviosidade, e de temperaturas mais elevadas. Além disso, a

propagação da dengue é facilitada devido à globalização que acarreta aumento da intensidade

de tráfego de pessoas (SOUZA et al., 2010).

A primeira epidemia recente de dengue, após a reinvasão do país pelo Ae. aegypti na

década de 70, foi 1982, em Roraima, pelos sorotipos DENV-1 e DENV-4, que logo foi contida.

Todavia, foi somente com a introdução do DENV-1 no Rio de Janeiro, em 1986, que a doença

tomou maiores proporções no país (SANTOS, 2008). Entre 1982 e 1998 houve disseminação

de Ae. aegypti para todos os estados brasileiros, sendo que em 23 deles já havia transmissão de

dengue estabelecida nesta data (NOGUEIRA et al., 2007). A partir de 1994, epidemias de

dengue passaram a ocorrer de forma periódica até o presente. Em 2013, última data de registros

consolidados de dengue no país, foram notificados 1.470.487 casos da doença em todo Brasil.

No ano de 2013 a região sudeste apresentou o maior número de casos notificados (926.595)

(BRASIL, 2014b).

A primeira confirmação laboratorial do vírus dengue no Brasil ocorreu no estado do Rio

de Janeiro em abril de 1986, pelo Laboratório de Flavivirus do Instituto Oswaldo Cruz. Obteve-

se o isolamento do vírus DENV-1 oriundo de pacientes com doença exantemática, cujas

amostras foram coletadas durante uma epidemia explosiva na mesma época em Nova Iguaçu,

26

município pertencente a Região Metropolitana do Rio de Janeiro. Do Rio de Janeiro, houve

uma rápida propagação do vírus para outros estados, facilitada pela alta infestação do vetor,

resultando em epidemias com características semelhantes à do Rio de Janeiro, ainda sem a

presença de casos de dengue grave e com a circulação apenas de um sorotipo (DENV 1)

(NOGUEIRA et al., 2007). Em 1990 houve outra epidemia, com duas ondas. Nessa epidemia

identificou-se dois sorotipos (DENV-1 e DENV-2) e no período em que o DENV-2 foi

predominante houve uma proporção significativamente maior de pacientes com

trombocitopenia e pacientes com necessidade de hospitalização (NOGUEIRA et al., 1993).

Em janeiro de 1998 ocorreu uma nova epidemia no vale do rio Paraíba no estado do Rio

de Janeiro e rapidamente se espalhou para outros municípios. O sorotipo DENV-2 propagou-se

do Rio de Janeiro para diferentes partes do país, com surtos manifestando formas clínicas mais

graves em comparação com os surtos anteriores do sorotipo DENV-1. Em 2000 isolou-se o

sorotipo DENV-3, a partir de um caso de dengue clássico e do vetor Ae. aegypti coletado no

campo (DE SIMONE, NOGUEIRA et al., 2004). A introdução do sorotipo DENV-3 aumentou

de forma substancial o número de casos notificados 2001 e 2002, bem como a quantidade de

casos de dengue grave (NOGUEIRA et al., 2007).

Em 2010 o sorotipo 4 (DENV-4) ressurgiu em Roraima, com cerca de 20 casos

confirmados neste estado. A partir de então, o vírus alcançou dois estados da Região Norte,

Amazonas e Pará, em janeiro; em março, o vírus foi detectado na região Nordeste, no Piauí,

Pernambuco, Bahia e Ceará, e também na Região Sudeste, nos estados do Rio de Janeiro e São

Paulo. Na epidemia de 2013 este sorotipo foi responsável por grande parte dos casos

confirmados no Rio de Janeiro (NOGUEIRA; EPPINGHAUS, 2011; RIO DE JANEIRO,

2015).

A relação dos fatores socioambientais com a proliferação do vetor e a consequente

disseminação da doença no Brasil e no Rio de Janeiro têm sido objeto de discussão há bastante

tempo (COSTA, 1998; MONDINI; CHIARAVALLOTI-NETO, 2008; TEIXEIRA; CRUZ,

2011). São múltiplos os fatores condicionantes para a multiplicação e disseminação do vetor

nos dias atuais, tais como o aumento populacional nas áreas urbanas, as condições precárias de

habitação em aglomerados subnormais de grandes cidades, e irregularidade de acesso a serviços

de saneamento (TAUIL, 2002). Esses mesmos fatores condicionantes ecoam no município do

Rio de Janeiro, uma cidade com características semelhantes a outros grandes centros urbanos

brasileiros.

27

2.6 VIGILÂNCIA EPIDEMIOLÓGICA E CONTROLE DO AE. AEGYPTI NO BRASIL

As ações de controle do Ae. aegypti no Brasil tiveram início nas primeiras décadas do

século XX, devido as epidemias de febre amarela urbana que ocorriam no país. Durante a

primeira metade do século XX, sucessivas ações de controle vetorial levaram à erradicação do

vetor em 1955. Após esse marco, entretanto, a descontinuidade das ações de vigilância e

controle entomológico acabaram por resultar na reintrodução do Ae. aegypti no país, em 1967.

Nesse ano, o programa de ações de erradicação foi iniciado sob a responsabilidade da

Superintendência de Campanhas de Saúde Pública (SUCAM), e em 1990 a coordenação passou

à da Fundação Nacional de Saúde, através do Programa Nacional de Controle da Febre Amarela

e Dengue (BRAGA; VALLE, 2007; BRASIL, 2001)

Em 1996, em virtude da grande ocorrência de dengue no país, e do surgimento de casos

de dengue hemorrágica, o Ministério da Saúde elaborou o Plano de Erradicação do Aedes

aegypti (PEAa), que preconizava ações integradas com diversos ministérios, contemplando

nove áreas de atuação que abrangiam desde entomologia e operações de campo de combate ao

vetor até ações relacionadas a saneamento, vigilância epidemiológica e sistema de informações,

suporte laboratorial , treinamento de pessoal e legislação de suporte. Todavia, em 2001 foi

constatado que esse plano não impediu o aumento do número de casos de dengue e nem a

propagação territorial da infestação, talvez devido à descontinuidade das ações de combate ao

vetor ou ao fato das ações não terem sido universalizadas para cada município (BRAGA;

VALLE, 2007).

A partir de julho de 2001, com a implantação do Plano de Intensificação das Ações de

Controle da Dengue (PIACD), modificou-se o foco da erradicação para o controle do vetor,

aumentando a atenção aos municípios com maior transmissão de dengue, escolhidos com base

nos Índices de Infestação Predial e nos dados de incidência de dengue de 2000/2001(BRASIL,

2002).

Em 2002 ocorreu a implantação do Programa Nacional de Controle da Dengue (PNCD),

em continuidade ao PIACD, também com focos em municípios prioritários (com mais casos de

dengue), visando a modificação dos modelos anteriores em uma série de aspectos como

(BRASIL, 2002):

A elaboração de programas permanentes, (uma vez que a erradicação do

mosquito a curto prazo é tecnicamente impossível);

28

O desenvolvimento de campanhas que objetivem a informação e mobilização

da população na manutenção de seu ambiente doméstico livre de potenciais

criadouros do vetor;

A ampliação da capacidade de predição e detecção precoce de surtos da doença

por meio do fortalecimento da vigilância epidemiológica e entomológica;

A melhoria da qualidade do trabalho de campo no combate ao vetor; a

integração das ações de controle da dengue na atenção básica;

A utilização de instrumentos legais a fim de facilitar a eliminação de

criadouros em imóveis comerciais, casas abandonadas e etc.;

O incentivo à destinação adequada de resíduos sólidos e à utilização de

recipientes seguros para armazenagem de água, por meio de ações

multissetoriais;

O desenvolvimento de instrumentos mais eficazes de acompanhamento e

supervisão das ações desenvolvidas pelo Ministério da Saúde, Estados e

Municípios.

A pesquisa larvária é o método de escolha do PNCD no monitoramento da infestação

de Ae. aegypti em espaços urbanos. Existem formas diversas de se realizar o levantamento de

índices larvários, de maneira a se obter amostras representativas do total de domicílios. Uma

delas é o Levantamento de Índice Amostral (LIA) que é o levantamento do índice larvário “em

uma amostra de imóveis do município de modo a apresentar significância estatística”, e que

vem sendo usado no Brasil desde a década de 1980 (BRASIL, 2009).

O método de levantamento entomológico desenvolvido e utilizado pelo PNCD desde

2003 é o Levantamento Rápido de Índice de Infestação (LIRAa), que monitora a densidade

larvária através do Índice de Breteau (IB) e do Índice de Infestação Predial (IIP) e, utilizando

como unidade de análise amostras representativas de aglomerados intraurbanos. O IB é a

quantidade total de recipientes contendo larvas de Ae. aegypti em cada 100 residências

(BRETEAU, 1954). Já o IIP corresponde ao percentual de domicílios positivos para larvas de

Ae. aegypti entre os domicílios examinados (CONNOR; MONROE, 1923).

Municípios de médio e grande porte devem realizar este levantamento 3 vezes ao ano.

O LIRA é realizado de forma simultânea em todos os muncipios que participam do

levantamento. Para tal, o município é dividido em grupos de 8100 a 12000 imóveis (estratos)

e, desses, 450 imóveis sorteados são verificados. Quando os índices de infestação predial são

inferiores a 1% em um determinado estrato, este é considerado como estando em condições

29

satisfatórias. Estratos com índices entre 1% a 3,9% estão em situação de alerta. E para índices

superiores a 4% há risco de surto de dengue. O LIRAa não só produz esses indicadores

larvários, mas também auxilia na identificação dos criadouros preferenciais do mosquito. Esse

método de levantamento foi desenvolvido de forma a simplificar a disposição das informações

entomológicas a fim de atender às necessidades dos gestores e profissionais que

operacionalizam o programa.

Embora o LIRAa produza resultados mais ágeis que os levantamentos tradicionais, têm

sido levantadas questões conexas a pertinência de se relacionar índices larvários com níveis de

transmissão de dengue, levando em conta que os índices de infestação são apenas uma parte

componente da equação que viabiliza a transmissão. Todavia, em função da factibilidade do

método, programas de combate vetorial continuam utilizando índices larvários. (BRASIL,

2009; COELHO, 2008).

Desde 2003 o país tem implementado o modelo da Estratégia de Gestão Integrada para

Prevenção e Controle da Dengue (EGI-Dengue) com base na resolução CD44.R9 da

Organização Pan Americana de Saúde (OPAS), um modelo de gestão com foco na redução da

morbidade, mortalidade e ônus social gerados pelas epidemias de dengue, por intermédio de

ações integradas entre o setor de saúde e outros setores que sejam impactados de forma indireta

pela transmissão da doença dentro dos países (BRAGA; MARTIN, 2015). Em 2009, as

diretrizes desse modelo foram incluídas no Plano de Diretrizes Nacionais para Prevenção e

Controle de Epidemias de Dengue (BRASIL, 2009). Segundo Braga e Martin (2015), uma

avaliação do PNCD realizada pela OPAS revelou a necessidade da realização de ajustes no

programa para melhoria das ações de prevenção e controle da dengue.

2.7 OVITRAMPAS

As ovitrampas surgiram na década de 1960 nos Estados Unidos, desenvolvidas por Fay

e Perry (1965), com o objetivo de monitorar populações de Ae. aegypti. É uma armadilha

simples, composta de um recipiente de cor escura contendo água ou infusão de feno e um

suporte para postura de ovos. A Figura 2 mostra os componentes básicos de uma ovitrampa.

Algumas variações dessa mesma armadilha utilizam substâncias que aumentam a

atratividade para fêmeas grávidas do mosquito (SANTOS, 2008). De acordo com Braga et al.

(2000), a principal vantagem da ovitrampa é a capacidade de detectar precocemente a presença

de Aedes ssp., comparada à pesquisa larvária.

30

Figura 2: Armadilha de postura de ovos.

Fonte: http://www.fiocruz.br/ioc/cgi/cgilua.exe/sys/start.htm?infoid=21 35&sid=32&tpl=printerview

Fay e Eliasson (1966) avaliaram a sensibilidade da ovitrampa para a detecção de Ae.

aegypti e constataram que essa armadilha configura-se um método rápido, econômico e sensível

para determinar a presença de fêmeas adultas em uma determinada área. Outros estudos

apresentaram os mesmos resultados ao comparar a armadilha de postura de ovos a outras

armadilhas e a outros tipos de levantamentos (CODEÇO et al., 2015; MORAIS, 2009). Dentre

os aspectos que contribuem para a eficiência dessa armadilha destaca-se a possibilidade de

estimar mais fidedignamente os níveis de infestação do que, por exemplo, a pesquisa larvária

(SANTOS, 2008).

O uso de ovitrampas como preditor em sistemas de alerta precoce para epidemias de

dengue tem sido discutido por diversos pesquisadores (BOWMAN et al., 2014; CODEÇO et

al., 2015; FOCKS, 2003; PESSANHA et al., 2014). Focks (2003) ressalta a importância dos

dados espaçotemporais obtidos através do uso de armadilhas de postura de ovos, bem como sua

maior sensibilidade em relação aos índices de pesquisa larvária, especialmente quando as

populações do mosquito são baixas. Todavia esse mesmo autor ressalta que o uso de armadilhas

de postura de ovos não tem sido considerado um bom preditor durante grandes epidemias, pois

além da quantidade de ovos colocados variar de uma fêmea para outra (dificultando

correlacionar o número de ovos por armadilha com o número de fêmeas adultas postando ovos

na região), uma mesma fêmea pode colocar ovos em diversas armadilha. E há o fato de que

com altas densidades populacionais de Ae. aegypti (como nos momentos de grandes epidemias,

por exemplo), pode ocorrer a saturação de uma armadilha, ou a visita à mesma ovitrampa por

31

várias fêmeas em poucos dias, o que levaria à perda da correlação entre o número provável de

fêmeas aladas e o número de armadilhas positivas (FOCKS, 2003).

Em contrapartida, pesquisas recentes sugerem que as ovitrampas são boas fontes de

dados precoces sobre a presença do vetor, com maior sensibilidade ao Ae. aegypti que

armadilhas para mosquitos adultos, podendo indicar a necessidade de, por exemplo, ampliar as

medidas para controle do vetor (HONÓRIO et al., 2009a; PESSANHA et al., 2014). Além disso,

Codeço et al. (2015) evidenciaram que os indicadores baseados em ovitrampas conseguem

acompanhar bem a dinâmica temporal de infestação, sendo altamente correlacionados com os

índices baseados em armadilhas de adultos.

Alguns municípios têm implementado metodologias alternativas ao LIRAa, utilizando

armadilhas no acompanhamento da infestação de Ae. aegypti. Em Belo Horizonte (MG), a

Secretaria Municipal de Saúde realiza quinzenalmente, desde agosto de 2002, o monitoramento

das cerca de 1.700 ovitrampas espalhadas pelas nove regionais da cidade, com distância de 400

metros entre as armadilhas (BELO HORIZONTE, 2015). Em João Pessoa (PB), ovitrampas

têm sido utilizadas desde 2014 para observar a infestação do vetor no município e com o

objetivo de direcionar as ações de controle. Em Vitória (ES), além do monitoramento da

infestação por meio de ovitrampas, são utilizadas armadilhas de captura de fêmeas adultas do

mosquito Ae. aegypti. Porto Alegre (RS), Cubatão (SP), Juiz de Fora (MG) e outros municípios

também têm utilizado essa armadilha como método alternativo de monitoramento de infestação

do vetor da dengue.

No Rio de Janeiro (RJ), ovitrampas são utilizadas pela Vigilância Ambiental em Saúde

da Secretaria Municipal de Saúde como método complementar ao LIRAa desde 2012. Ao todo,

cerca de 3410 ovitrampas encontram-se distribuídas em todos os bairros do município.

32

3 JUSTIFICATIVA

A geração de indicadores rápidos de alerta para o risco de dengue permite agilizar o

processo de tomada de decisão na vigilância da doença, bem como a alocação de recursos

materiais e humanos de forma otimizada. Desde 2014, o Projeto Alerta Dengue, desenvolvido

como uma parceria entre academia e Prefeitura, apresenta um enfoque no monitoramento

conjunto dos dados de incidência da doença, índices de infestação do Ae. aegypti, e indicadores

climáticos, integrando metodologias de análise de séries temporais e espaciais a fim de gerar

um sistema de alerta em tempo real para dengue. Neste contexto, o uso de armadilhas de postura

de ovos apresenta-se com uma alternativa viável, de baixo custo e sensível para monitoramento

da infestação do Ae. aegypti. Sendo assim, analisar o uso dos indicadores gerados por

armadilhas de postura de ovos e propor modelo para a geração de alertas de risco de aumento

de infestação e de transmissão de dengue com base nestes indicadores poderá agregar ainda

mais valor a esta ferramenta, contribuindo para a sua consolidação como instrumento de

obtenção de dados confiáveis sobre a infestação do vetor da dengue no Brasil.

33

4 OBJETIVO GERAL

Analisar o uso de indicadores de infestação gerados por armadilhas de postura de ovos

de Ae. aegypti para geração de alerta precoce para casos de dengue no município do Rio de

Janeiro.

4.1 OBJETIVOS ESPECÍFICOS

• Caracterizar o programa monitoramento da infestação por Ae. aegypti por ovitrampas

realizado no município do Rio de Janeiro;

• Analisar a associação entre os índices de infestação de Ae. aegypti mensurados por

ovitrampas e a variação da temperatura no município do Rio de Janeiro;

• Analisar a associação entre a incidência de casos de dengue e os índices de infestação

de Ae. aegypti mensurados por ovitrampa no mês anterior.

34

5 MATERIAIS E MÉTODOS

5.1 DELINEAMENTO DO ESTUDO:

Estudo ecológico analítico, elaborado a partir de base de dados secundária, tendo como

unidade de análise o município do Rio de Janeiro, e sua subdivisão em Áreas Programáticas da

Saúde (APSs) e Regiões Administrativas (RAs), objetivando investigar a possibilidade de

associações entre os índices de infestações do vetor Ae. aegypti mensurada por armadilhas de

postura de ovos, temperatura e a incidência da dengue, para a geração de um sistema de alerta

precoce para casos da doença.

5.2 ÁREA DE ESTUDO

O Rio de Janeiro é a capital do estado homônimo, e possui uma área de cerca 1200 km².

Com uma população de aproximadamente 6.453.680 habitantes, é a segunda cidade com maior

população do Brasil (BRASIL, 2010). Com a finalidade de otimizar administração municipal,

a cidade do Rio de Janeiro é particionada em dez APSs e 33 RAs, organizadas em conjuntos de

bairros geograficamente próximos uns dos outros, com diferentes níveis de necessidades de

ações governamentais. A Figura 3 mostra a distribuição das APSs e RAs no município. A Tabela

1 apresenta a divisão dos bairros, segundo APS e RA.

Figura 3: Delimitação das APSs, RAs e bairros do município do Rio de Janeiro.

Fonte: Instituto Pereira Passos (IPP), 2012.

35

Tabela 1: Divisão dos bairros no município do Rio de Janeiro, por APS

Região Administrativa Bairro Região Administrativa Bairro Região Administrativa Bairro APS 1 APS 3.1 APS 3.3

I Portuária Saúde XX Ilha do

Governador Ribeira XXII Anchieta Guadalupe

Gamboa Manguinhos Anchieta Santo Cristo X Ramos Bonsucesso Parque Anchieta Caju Ramos Ricardo de Albuquerque II Centro Centro Olaria XXV Pavuna Coelho Neto Lapa XXX Maré Maré Acari III Rio Comprido Catumbi XXIX Comp. do

Alemão Complexo do Alemão Barros Filho

Rio Comprido XI Penha Penha Costa Barros Cidade Nova Penha Circular Pavuna Estácio Brás de Pina Parque Colúmbia VII São Cristóvão São Cristóvão XXXI Vigário Geral Cordovil APS 4 Mangueira Parada de Lucas XVI Jacarepaguá Jacarepaguá Benfica Vigário Geral Anil Vasco da Gama Jardim América Gardênia Azul XXI Paquetá Paquetá APS 3.2 Curicica XXIII Santa Teresa Santa Teresa XIII Méier Jacaré Freguesia (Jacarepaguá)

APS 2.1 São Francisco Xavier Pechincha IV Botafogo Flamengo Rocha Taquara Glória Riachuelo Tanque Laranjeiras Sampaio Praça Seca Catete Engenho Novo Vila Valqueire Cosme Velho Lins de Vasconcelos XXXIV Cid. de Deus Cidade de Deus Botafogo Méier XXIV Barra da Tijuca Joá Humaitá Todos os Santos Itanhangá Urca Cachambi Barra da Tijuca V Copacabana Leme Engenho de Dentro Camorim Copacabana Água Santa Vargem Pequena VI Lagoa Ipanema Encantado Vargem Grande Leblon Piedade Recreio dos

Bandeirantes Lagoa Abolição Grumari Jardim Botânico Pilares APS 5.1 Gávea XXVIII Jacarezinho Jacarezinho XVII Bangu Padre Miguel Vidigal XII Inhaúma Higienópolis Bangu São Conrado Maria da Graça Senador Camará XXVII Rocinha Rocinha Del Castilho Gericinó

APS 2.2 Inhaúma XXXIII Realengo Deodoro VIII Tijuca Praça da Bandeira Engenho da Rainha Vila Militar Tijuca Tomás Coelho Campo dos Afonsos Alto da Boa Vista APS 3.3 Jardim Sulacap IX Vila Isabel Maracanã XIV Irajá Vila Cosmos Magalhães Bastos Vila Isabel Vicente de Carvalho Realengo Andaraí Vila da Penha APS 5.2 Grajaú Vista Alegre XVIII Campo Grande Santíssimo

APS 3.1 Irajá Campo Grande XX Ilha do Govern. Zumbi Colégio Senador Vasconcelos Cacuia XV Madureira Campinho Inhoaíba Pitangueiras Quintino Bocaiúva Cosmos Praia da Bandeira Cavalcanti XXVI Guaratiba Guaratiba Cocotá Engenheiro Leal Barra de Guaratiba Bancários Cascadura Pedra de Guaratiba Freguesia Madureira APS 5.3 Jardim Guanabara Vaz Lobo XIX Santa Cruz Paciência Jardim Carioca Turiaçu Santa Cruz Tauá Rocha Miranda Sepetiba Moneró Honório Gurgel

Portuguesa Oswaldo Cruz

Galeão Bento Ribeiro

Cidade Universitária Marechal Hermes

Fonte : IPP ,2010.

36

5.3 FONTE DE DADOS

Os dados de infestação por Ae. aegypti foram disponibilizados pela Secretaria Municipal

de Saúde do Rio de Janeiro, que realiza monitoramento por meio de cerca de 3410 ovitrampas

georreferenciadas em todo o município desde 2012. As ovitrampas consistem em um recipiente

plástico, com 300 ml de infusão de feno e uma palheta de aglomerado de polpa de madeira

apoiada na parede do recipiente, que serve como base para que a fêmea do mosquito coloque

os ovos. As ovitrampas são instaladas uma vez por mês e retiradas após 7 dias no domicílio,

quando são levadas para o laboratório de entomologia do município onde é contabilizado o

número de ovos. Em seguida, esses ovos são alocados para eclosão e as larvas que nascem são

identificadas por espécie (Ae. aegypti, Ae. albopictus ou outras) e contadas, mantendo o registro

dos dados em planilhas de formato eletrônico. Nessas planilhas são encontradas as seguintes

variáveis: APS; território; código da armadilha; logradouro; número do domicílio; bairro; tipo

do local de instalação (urbana ou comunidade); quadra; longitude; latitude; data de instalação;

data de retirada; data de entrega no laboratório; número de ovos; número de palhetas positivas;

número de palhetas recolhidas; número de palhetas perdidas; número de larvas Ae. aegypti;

número de larvas Ae. albopictus; número de outras larvas; total de larvas; taxa de eclosão; IPO;

IDO; bairro de instalação/retirada e taxa de densidade Ae. aegypti. Todavia, parte das variáveis

constantes nas planilhas não foram preenchidas, foram preenchidas de forma incompleta, ou

traziam informações que não eram pertinentes ao estudo e por esses motivos não foram

utilizadas. A Figura 4 representa a distribuição das ovitrampas instaladas no município do Rio

de Janeiro.

Figura 4: Distribuição das ovitrampas no município do Rio de Janeiro.

37

Os dados de incidência de casos de dengue utilizados são provenientes da base de dados

do Sistema de Informação de Agravos de Notificação (SINAN), disponibilizado para esse

estudo pelo Projeto InfoDengue (Alerta Dengue). Os critérios de inclusão são: casos suspeitos

ou confirmados de dengue, dengue com sinais de alerta ou dengue grave, no período de janeiro

de 2011 a maio de 2015 no município do Rio de Janeiro. Para cada caso, as variáveis utilizadas

foram: data de notificação, bairro de residência e, quando disponível, as coordenadas

geográficas do local de residência.

As informações de temperatura utilizadas são oriundas de 4 estações meteorológicas,

localizadas em aeroportos no município: Aeroporto Internacional do Rio de Janeiro/Galeão -

Antônio Carlos Jobim (localizado na Ilha do Governador), Aeroporto do Rio de Janeiro - Santos

Dumont (localizado no Centro), Aeroporto de Jacarepaguá - Roberto Marinho (localizado na

Barra da Tijuca) e a Base Aérea dos Afonsos – base da Força Aérea Brasileira (localizada em

Campo dos Afonsos). A Tabela 2 apresenta o resumo dos dados por unidade de análise e tempo

para os quais estes se encontram disponíveis:

Tabela 2: Dados disponíveis para análise por unidade de análise espacial e temporal.

Tipo de

Dado

Resolução espacial Período Resolução

Temporal

Temperatura 4 aeroportos (Rio de Janeiro) jan. /2010 a jan. /2016 Diária

Ovitrampa Georreferenciadas fev. /2013 a set./2015 Mensal

Casos de

dengue

Bairro jan. /2013 a dez./2015 Mensal

Casos de

dengue

Georreferenciados jan.-dez/2013 Diária

A base cartográfica digital utilizada na elaboração dos mapas foi obtida na Prefeitura do

Município do Rio de Janeiro e no IBGE.

5.3.1 Avaliação do Comitê de Ética e Pesquisa

Este estudo foi submetido e aprovado como subprojeto da pesquisa “Desenvolvimento

de um sistema de alerta de surtos de dengue utilizando Dados Híbridos de Redes Sociais,

38

Monitoramento Entomológico, Epidemiológico e Climático”, pelo Comitê de Ética e Pesquisa

(CEP) da Escola Nacional de Saúde Pública Sérgio Arouca, da Fundação Oswaldo Cruz

(ESNP/FIOCRUZ). Certificado de apresentação para apreciação ética -

CAAE: 26910214.7.0000.5240

5.4 ORGANIZAÇÃO DOS DADOS

Os dados originais das armadilhas foram obtidos em planilhas mensais separadas, que

foram agregadas e organizadas para análise em uma planilha unificada. Após este

procedimento, acrescentou-se a variável semana epidemiológica (SE) à planilha, considerando

a data de retirada da armadilha como referência. Em seguida, acrescentou-se as RAs e APSs a

que essas armadilhas pertenciam. E por fim, foram adiciondas as seguintes variáveis: média da

temperatura mínima e máxima da SE da coleta entomológica, e as mesmas variáveis para as

três SEs anteriores. A definição da estação meteorológica cujos dados de temperatura foram

utilizados para cada APS e suas respectivas RAs foi feita com base na proximidade entre

estação e APS. Para as APSs 1, 2.1 e 2.2 os dados de temperatura provieram da estação

meteorológica do Aeroporto do Rio de Janeiro - Santos Dumont. Os dados de temperatura

utilizados nas APSs 3.1, 3.2 e 3.3 foram capturados na estação meteorológica do Aeroporto

Internacional do Rio de Janeiro/Galeão - Antônio Carlos Jobim. Os dados de temperatura

utilizados na APS 4 foram coletados na estação meteorológica do Aeroporto de Jacarepaguá -

Roberto Marinho. E para as APSs 5.1, 5.2 e 5.3 os dados de temperatura foram colhidos na

estação meteorológica da Base Aérea dos Afonsos –Campo dos Afonsos.

Para as análises espaciais não pontuais, os dados dessa planilha base foram agregados

por semana epidemiológica e Área Programática de Saúde ou Região Administrativa. Para as

análises envolvendo casos de dengue, um banco de dados contendo os dados de casos

notificados de dengue foi organizado por mês, somando os registros com data de início de

sintomas em cada mês, e concatenado aos dados de infestação coletados no mesmo mês. Dados

discrepantes ou duvidosos foram removidos a fim de não comprometer as análises, após

minuciosa investigação e confirmação junto a instituição fornecedora dos dados, conforme

detalhado ao longo do texto.

39

5.5 VARIÁVEIS DO ESTUDO

As variáveis resposta principais analisadas neste estudo são os índices de infestação

mensurados por armadilhas de postura de ovos no período de janeiro de 2013 a setembro de

2015 e o número de casos notificados de dengue no mesmo período. Os indicadores

entomológicos utilizados nesse estudo são o índice de densidade dos ovos (IDO) e o índice de

positividade ovitrampa (IPO) (GOMES, 2002; GOMES, 1998). O IDO corresponde à razão

entre o número de ovos (NO) coletados e o número de armadilhas válidas examinadas (NAE):

𝐼𝐷𝑂 =𝑁𝑂

𝑁𝐴𝐸

O IPO corresponde à proporção de armadilhas válidas encontradas com pelo menos 1

ovo entre as armadilhas totais examinadas e traduz a distribuição espacial da infestação em uma

localidade trabalhada:

𝐼𝑃𝑂 =𝑁𝐴𝑃 × 100

𝑁𝐴𝐸

onde NAP é o número de armadilhas positivas.

A variável de saúde investigada é quantidade de casos notificados de dengue por mês.

Para a agregação temporal dos casos, foi usada a data de primeiros sintomas, disponível no

SINAN. As variáveis ambientais consideradas para a elaboração do modelo são os extremos de

temperatura semanais.

5.6 ANÁLISE DESCRITIVA

Na etapa descritiva foi explorada a configuração geral do monitoramento de infestação

de Ae. aegypti por ovitrampas realizado pela Prefeitura no município do Rio de Janeiro. Foram

analisadas por unidade de análise espacial (RA e APS) e tempo (SE e mês) a estabilidade e

distribuição do número de ovitrampas implementadas, os índices de positividade e de densidade

de ovos, as taxas de eclosão dos ovos recolhidos, o percentual de ovitrampas recolhidas e

perdidas.

Para visualização do padrão temporal dos dados, elaborou-se também gráficos das séries

temporais das variáveis climáticas, de índice de infestação por APS e RA e de dengue por APS.

40

Do mesmo modo, gráficos boxplot de variáveis estratificadas por mês foram empregados para

caracterizar o padrão de sazonalidade de cada variável.

Para visualização dos padrões espaciais, mapas cloropléticos foram utilizados ainda para

visualizar espacialmente a distribuição dos índices de infestação e as incidências de dengue

mensais nas APSs ao longo do período compreendido entre fevereiro de 2013 e setembro de

2015.

Executou-se o mapeamento pontual dos dados de positividade das ovitrampas

georreferenciadas e dos casos georreferenciados de dengue notificados no município no período

de 2013. Foram confeccionados mapas com a distribuição espacial da incidência de dengue por

APS. A fim de se identificar as “áreas quentes” de infestação mensuradas pelas ovitrampas foi

utilizado o Kernel como estimador de intensidade de infestação por unidade de área. O software

utilizado para a confecção dos mapas foi o QGIS versão 2.12.3.

5.7 ANÁLISE INFERENCIAL

A análise inferencial foi realizada em duas etapas para investigar: 1) a associação entre

IDO/IPO e temperatura e; 2) entre casos notificados de dengue e IDO/IPO. Para análise da

associação entre infestação e temperatura foram utilizados dois níveis de agregação dos dados:

por APS e por RA. Para a segunda etapa de estudo da associação dos casos notificados de

dengue e os dados de infestação, a modelagem foi feita em nível de APS.

Modelos de regressão foram construídos para testar as hipóteses de existência de

associação entre índice de infestação (IDO e IPO) e as temperaturas mínimas e máximas

semanais de 0 a 3 semanas antes da coleta dos índices (etapa 1), e entre número de casos

notificados e índices de infestação no mês anterior (etapa 2). Em ambas as análises foram

utilizadas as séries temporais das variáveis estudadas entre 2013 e 2015. Pela natureza das

variáveis utilizadas na análise inferencial, foi considerada a distribuição normal para

caracterizar os dados de IDO, binomial para o IPO e Poisson ou Binomial Negativa para os

casos de dengue. Sendo assim, os modelos de regressão utilizados encontram-se na família dos

modelos lineares generalizados (GLM). O software utilizado para as análises estatísticas foi o

R versão 3.1.2.

41

5.7.1 Modelagem da associação entre IDO e temperatura

5.7.1.1 Modelagem por APS

Seja IDOij o índice de densidade de ovos na APS i (i=1 até 10), na semana j (j=1 até

139). O modelo ajustado para analisar a associação do IDO com as temperaturas mínimas ou

máximas semanais assume que IDOij segue uma distribuição normal

𝐼𝐷𝑂𝑖𝑗~𝑁(𝜇𝑖𝑗, 𝜎2))

cuja média depende da APS e da temperatura.

𝜇 = 𝛽0 + 𝛽1𝐴𝑃𝑆𝑖 + 𝛽2𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗 + 𝛽3𝐴𝑃𝑆 ∗ 𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗

onde Tempdef corresponde à média da temperatura (mínima ou máxima) semanal defasada. O

procedimento de modelagem iniciou-se com a avaliação da forma funcional da relação entre

cada variável explicativa e o desfecho usando modelos aditivos generalizados (generalized

additive models, GAM).

Os GAM são uma extensão dos modelos lineares generalizados (generalized linear

models, GLM), propostos Hastie e Tibshirani (HASTIE; TIBSHIRANI, 1986; 1990). Os

GLM’s, propostos por Nelder e Wedderburn (1972), são extensões do modelo linear que

relacionam a distribuição aleatória da variável resposta com o preditor linear através de uma

função chamada função de ligação, que varia de acordo com o tipo de distribuição da variável

explicativa. O GAM admite a dependência da média da variável resposta a um preditor aditivo,

porém, enquanto os modelos GLM partem do pressuposto de que as variáveis têm relação linear

com a variável resposta, os modelos GAM incorporam a não-linearidade na relação entre as

variáveis. A análise foi realizada utilizando a biblioteca mgcv do software R (WOOD, 2006).

Uma boa introdução a esses modelos no contexto de problemas ecológicos e epidemiológicos

pode ser encontrada em Zuur (2009).

As variáveis referentes à temperatura (temperatura máxima e mínima) foram

consideradas com uma defasagem de até três semanas em relação à medida de infestação. Para

avaliar a forma funcional da associação entre temperatura e infestação, foram observados os

valores do grau de liberdade estimado (estimated degrees of freedom, edf) (quando edf = 1 a

relação é linear), e o valor de significância dos parâmetros do modelo, assim como os gráficos

de saída do GAM, que ajustam a suavização dos termos preditores na função do modelo.

Quando houve evidente relação linear entre o termo preditor e a variável resposta, o GLM

correspondente foi ajustado e mantido no modelo final. Para a escolha da defasagem de

42

temperatura e do modelo que melhor se ajusta à relação entre temperatura e índice de infestação

por APS, foi utilizado o Critério de Informação de Akaike (AIC), que indica o melhor modelo

balanceando o ajuste e o número de parâmetros a serem estimados. O AIC utiliza a função de

verossimilhança (V) e penaliza o modelo pelo número de parâmetros (p), e sua fórmula é dada

por:

𝐴𝐼𝐶 = −2𝑙𝑜𝑔𝑉 + 2𝑝

Se os modelos possuem o mesmo conjunto de dados, será considerado o melhor modelo

aquele que possuir AIC com menor valor (AKAIKE, 1974). Ao final do ajuste foi realizada

uma análise de resíduos para avaliar se os pressupostos de normalidade dos resíduos e

heterocedasticidade foram respeitados.

5.7.1.2 Modelagem por RA

Na modelagem anterior, a APS foi considerada como um efeito fixo. Porém, na

modelagem por Região Administrativa, porque eram muitas unidades espaciais, foram

utilizados modelos lineares de efeitos mistos (linear mixed-effect models, LMM) (LAIRD;

WARE,1982). Estes modelos incluem um termo adicional de efeitos aleatórios e são

apropriados para modelar dados oriundos de muitas unidades espaciais, como é o caso de

ovitrampas por RAs. Nesses modelos os coeficientes da regressão (inclinação e intercepto)

podem variar para cada RA. O modelo adaptado aos dados estudados possui um componente

inerente à variação dentro do próprio agrupamento (RA) (apresentado no modelo de regressão

com um intercepto e inclinação populacional) e outro referente aos diferentes agrupamentos

(variação no intercepto e inclinação individual) (FOX et al., 2015; GELMAN e HILL, 2007;

ZUUR et al., 2009). Assim, como antes, assume-se que IDOij segue uma distribuição normal,

cuja média depende da RA e da temperatura:

𝐼𝐷𝑂𝑖𝑗~𝑁(𝜇𝑖𝑗, 𝜎2))

𝜇𝑖𝑗 = 𝛽0𝑖+ 𝛽1𝑖

𝑇𝑒𝑚𝑝𝑑𝑒𝑓𝑖𝑗

mas agora, considera-se que os coeficientes do modelo podem ser variáveis aleatórias.

𝛽0𝑖~𝑁(0, 𝜙)

𝛽1𝑖~𝑁(0, 𝜈)

43

Foram comparados os ajustes de modelos onde apenas o intercepto β0 era aleatório, e

onde ambos intercepto e RA (β0 e β1) eram aleatórios para cada defasagem de temperatura (0, 1,

2 e 3 semanas). A partir do ajuste dos modelos foi selecionado o melhor através da análise de

variância do modelo, do AIC e do resultado do teste de razão de verossimilhança (ZUUR et al.,

2009). A análise foi realizada utilizando a biblioteca nlme do software R (PINHEIRO et al.,

2016).

5.7.2 Modelagem da associação do IPO com a temperatura

A associação do IPO com a média das temperaturas semanais nível de APS e RA, foi

testada utilizando modelos lineares generalizados de efeitos mistos (generalized linear mixed-

effects models, GLMM), que são extensões do modelo LMM descrito anteriormente, apenas

permitindo que a variável resposta tenha distribuição não normal.

No caso da variável resposta IPO, dada a natureza dos dados (proporções), a função de

ligação escolhida foi a logit, e caracteriza o logaritmo da chance de um evento ocorrer (no caso

desse estudo, a chance das ovitrampas de uma determinada unidade de agregação espacial (APS

ou RA) ser encontradas com ovos e, portanto, estar “positiva”) (FOX et al., 2015; GELMAN;

HILL, 2007; ZUUR et al., 2009).

Seja IPOij=NAPij/NAEij a proporção de armadilhas positivas na APS i ou na RA i, na

semana j, calculada como a razão entre NAP (número de armadilhas positivas) e NAE (número

de armadilhas válidas). Assume-se que NAP segue uma distribuição binomial

𝑁𝐴𝑃𝑖𝑗~𝐵𝑖𝑛(𝑛 = 𝑁𝐴𝐸𝑖𝑗 , 𝑝𝑖𝑗)

sendo que

𝑙𝑜𝑔𝑖𝑡(𝑝𝑖𝑗) = log (𝑝𝑖𝑗

1 − 𝑝𝑖𝑗) = 𝛽0𝑖

+ 𝛽1𝑖𝐴𝑃𝑆𝑖 + 𝛽2𝑖


Ou

𝑙𝑜𝑔𝑖𝑡(𝑝𝑖𝑗) = log (𝑝𝑖𝑗

1 − 𝑝𝑖𝑗) = 𝛽0𝑖

+ 𝛽1𝑖𝑅𝐴𝑖 + 𝛽2𝑖


e os coeficientes do modelo podem ser variáveis aleatórias.

𝛽0~𝑁(0, 𝜙)

44

𝛽1~𝑁(0, 𝜈)

A biblioteca do software R utilizada para essa análise foi a lme4, que ajusta os modelos

pelo método de Laplace, para aproximar a verossimilhança e estimar os parâmetros do modelo

logístico misto (BATES et al., 2014).

Para a escolha do melhor modelo (com intercepto ou intercepto e inclinação aleatórios)

com a defasagem de temperatura que melhor se ajusta à relação entre temperatura e índice de

infestação por nível de agregação, foi utilizado o AIC (AKAIKE, 1974). Ao final do ajuste foi

realizada uma análise de resíduos e averiguado se os pressupostos de normalidade dos resíduos

e heterocedasticidade foram respeitados.

5.7.3 Modelagem da associação entre infestação de ovitrampas e a incidência de casos no

mês seguinte

Para avaliar a capacidade preditiva dos índices IDO e IPO, foram ajustados modelos de

regressão generalizados em que a variável resposta era o número de casos notificados no mês

j, na APS i e a variável preditora era o IDO ou IPO do mês anterior e a população da APS como

offset, de forma a poder interpretar a variável resposta como taxa. Incialmente foram testadas

modelagens lineares e aditivas (não lineares, com suavizações) assumindo que a variável

resposta (contagem de casos) seguia uma distribuição Poisson, uma vez que esta consiste em

dados de contagem (número de casos notificados de dengue por mês). Todavia, dada à grande

dispersão encontrada nos dados, os modelos Poisson não foram adequados para explicar as

associações.

Para corrigir o problema da superdispersão, primeiramente tentou-se modelos quase-

Poisson (nos quais a variância é dada por f × μ, onde μ é a média e f é o parâmetro de dispersão).

Todavia, houve violações dos pressupostos de linearidade dos resíduos desses modelos. Assim

optou-se por experimentar modelos nos quais a variável resposta segue distribuição binomial

negativa, com função de ligação logarítmica. Nessa distribuição de probabilidade é possível

que a variância seja maior do que a média, o que não ocorre na distribuição de probabilidade

Poisson. A estratégia foi partir de um modelo nulo sem covariáveis e em seguida acrescentou-

se gradativamente as variáveis explicativas. Os modelos testados foram comparados também

com modelos aditivos generalizados, afim de investigar associações não lineares. Se o modelo

aditivo generalizado apresentasse melhor ajuste, este permaneceu como modelo final. Modelos

45

com efeitos aleatórios também foram testados, mas não houve convergência nesses modelos,

impossibilitando as análises. Os ajustes dos modelos foram comparados pelo AIC.

Em todos os modelos testados para essa associação, foi incluído o número de pessoas-

mês nas APS como offset1, a fim de abarcar a heterogeneidade da população, cujo tamanho

varia de acordo com cada APS do município. Seja Denij, o número de casos de dengue

registrados na APS i, no mês j. Essa variável segue uma distribuição Binomial Negativa

𝐷𝑒𝑛𝑖𝑗~𝐵𝑖𝑛𝑁𝑒𝑔(𝜆𝑖𝑗 , 𝜃)

sendo que

𝑙𝑜𝑔(𝜆𝑖𝑗) = log ( 𝑃𝑜𝑝𝑖) + 𝛽0 + 𝛽1𝐷𝑒𝑛𝑖,𝑗−1 + 𝛽2𝐼𝐼𝑖,𝑗−1 + 𝛽3𝐴𝑃𝑆𝑖 + 𝛽4(𝑗 − 1)

onde IIi,j-1=IPOi,j-1 ou IDOi,j-1 é o índice de infestação no mês anterior, medido como IPO ou

IDO, e Pop corresponde à população de cada APS (não foram feitas análises por RA). A seleção

do modelo com melhor ajuste foi efetuada utilizado o AIC e averiguando na análise de resíduos

se os pressupostos de normalidade dos resíduos e heterocedasticidade foram respeitados. A

biblioteca do software R utilizada para essa análise foi a MASS (VENABLES; RIPLEY, 2002).

1 Offset é um termo de deslocamento, adicionado a um preditor linear, que mede a quantidade de exposição que

gerou a taxa de incidência observada (DOBSON, 2002).

46

6 RESULTADOS

6.1 CARACTERIZAÇÃO GERAL DO PROGRAMA DE MONITORAMENTO POR

OVITRAMPAS

Durante o período de fevereiro de 2013 a setembro de 2015, foram implantadas pela

Prefeitura do Rio de Janeiro uma média de 3409 armadilhas (3404-3017) mensalmente em todo

o município. Os dados foram coletados de forma não regular, sendo que as coletas foram

realizadas de forma seguida por alguns meses, intercalando-se essas sequências com um mês

sem coleta. Esses meses sem coleta de dados das ovitrampas usualmente corresponderam aos

meses de coleta de índices larvários com a metodologia LIRAa e a meses de coleta das

armadilhas de oviposição especiais (OSES) que são ovitrampas instaladas em edifícios e

espaços públicos, e que não fizeram parte do estudo por terem uma distribuição distinta das

ovitrampas estudadas.

Figura 5: Variação do número de palhetas recolhidas ao longo do período de janeiro de 2013 a

setembro de 2015, por (A) APS e (B) RA

(A)

(B)

47

Alguns parâmetros foram considerados para avaliação do Programa de monitoramento:

Número de armadilhas. O número de armadilhas não é homogêneo entre as APSs e

RAs, embora seja relativamente constante ao longo de todo o período (Tabela 3). A APS 1

(centro) tem o menor número de palhetas (cerca de 100), e a APS 4 tem o maior número

(variando entre cerca de 500 a 600 palhetas, com uma redução nos últimos meses). A razão

imóvel: armadilha varia entre as APSs, sendo que a APS na qual essa razão possui menor valor

é a 5.3 (1 armadilha para cada 420 imóveis). Com 1 armadilha para cada 1582 imóveis, a APS

1 apresenta a maior razão imóveis: armadilha. De forma geral, há no município uma média de

908 imóveis para cada armadilha instalada. O número médio de armadilhas para cada 10000

habitantes varia entre 3 e 9, dependendo da APS. A APS com maior número de armadilhas por

10000 habitantes é a APS 5.3 (8,57). A APS que apresenta menor proporção é a 5.1, com 2,67

armadilhas para cada 10000 habitantes. Esses resultados sugerem que a distribuição das

armadilhas não segue uma relação de proporcionalidade nem com o número de imóveis nem

com a população.

Taxa de perda de armadilhas: Durante o processo de coleta houve algumas perdas de

palhetas das armadilhas. A média de perda total foi de 4%. A Figura 6 mostra a porcentagem

de palhetas perdidas por APS, ao longo das semanas de estudo. As maiores variações nas perdas

ocorreram nas APS 3.1 e 2.2. Na APS 3.1 o alto percentual de perda ocorreu na semana

epidemiológica 26 de 2014. Todavia nessa semana apenas 24 palhetas deveriam ser recolhidas

naquela APS, sendo que 15 foram perdidas. O mesmo ocorre na APS 2.2, que na semana

epidemiológica 14 de 2013, apresentou 33% de perda. Entretanto, na semana referida, apenas

6 palhetas deveriam ser coletadas, das quais 2 foram perdidas. As menores perdas ocorreram

nas APS 4, 5.1 e 5.3. Tomando 5% como um percentual de perda aceitável, a única APS que

possui uma média de perda maior que 5% é a 3.1, com 7 % de perda média no período total

estudo.

A Tabela 3 mostra um resumo dos resultados do monitoramento por ovitrampas em cada

uma das APS. Ao todo, foram coletados 759.746 ovos entre fevereiro de 2013 e setembro de

2015, sendo que a maior parte dos ovos foram provenientes da AP 4.0 (19,87%) onde estão

localizadas 18,45% das armadilhas. Os menores percentuais de ovos provieram das APS 2.1 e

2.2, com 2,59% e 2,23% dos ovos respectivamente. Todavia enquanto a APS 2.2 contém 3,92%

das armadilhas, a APS 2.1, contém 10,90% do total de armadilhas distribuídas no município.

(Tabela 3)

48

Tabela 3: Resumo dos parâmetros entomológicos gerados pelo monitoramento com ovitrampas

no período de janeiro de 2013 a setembro de 2015 nas APSs do Município do Rio de Janeiro.

APS APS 1 APS 2.1 APS

2.2

APS

3.1

APS 3.2 APS 3.3 APS 4 APS 5.1 APS 5.2 APS 5.3 X²

p-valor

Nº médio de

armadilhas 97 348 125 395 277 455 589 175 414 316

Nº de ovos 39584 19605 16922 106033 65338 107496 150954 94653 83741 75420

Nº de larvas

Ae.aegpity

identificadas

27452 12853 9715 54005 45839 58011 93769 67441 42451 47204

Nº de larvas

Ae.albopicuts

identificadas

2352 624 1011 5769 813 1836 13527 2449 4825 5490

Outras larvas 0 1 0 2 0 0 0 0 14

Taxa eclosão 75,29% 68,74% 63,38% 56,37% 71,40% 55,67% 71,08% 73,84% 56,46% 69,87% 0.03692

População

(Censo 2010) 226963 552691 371120 735788 489716 924364 838857 655874 665198 368534

Nº médio de

armadilhas por

10.000

individuos

4.27 6.30 3.37 5.37 5.66 4.93 7.02 2.67 6.22 8.57

Nº de imóveis

para cada

armadilha*

1582 936 1251 794 787 758 626 1335 590 420

*Domicilios -Fonte: Censo 2010; Imóveis comerciais e de serviços - Fonte: Secretaria Municipal de Fazenda - SMF, Coordenação do IPTU - Cadastro Imobiliário

– 2000

Figura 6: Percentual de palhetas perdidas por APS ao longo das semanas de estudo

Taxa de eclosão. A taxa de eclosão depende de características da espécie, mas também

do processamento da amostra. Uma taxa de eclosão baixa pode indicar problemas no transporte

ou armazenamento das palhetas. A taxa de eclosão média dos ovos coletados foi de 68%, com

49

uma variação não significativa entre as APS. A mediana da taxa de eclosão nas APS varia entre

na 58 e 77 %. A taxa de eclosão apresentou variação ao longo dos meses de estudo sem, no

entanto, configurar algum padrão específico, como evidenciado no gráfico B da Figura 7.

O maior contingente de larvas identificadas foi de Ae. aegypti (92%). Menos de 10%

das larvas identificadas eram de Ae. albopictus e apenas 0,005% eram de outras espécies. A

Tabela 3 apresenta um resumo dos dados entomológicos totais por APS, coletados entre

fevereiro de 2013 e setembro de 2015.

Figura 7: Boxplot das Taxas de eclosão de ovos recolhidos das palhetas (A) por APS e (B) por

mês

50

6.2 CARACTERIZAÇÃO DA OVIPOSIÇÃO

Na Figura 8, nos painéis A e B, pode-se observar diferenças tanto na distribuição de

densidade média de ovos como na positividade de armadilhas em cada Área Programática de

Saúde. De forma geral, os padrões de IPO e IDO entre APS são semelhantes, sendo que a maior

discrepância ocorre entre o IPO e o IDO da APS 3.2 que tem IPO muito alto e IDO baixo,

sugerindo uma infestação concentrada ou heterogeneidade espacial. A APS de menor

infestação, segundo ambos os índices, é a APS 2.1. A APS 2.2 também apresenta valores baixos

de infestação embora o IDO seja um pouco mais elevado.

Figura 8: Boxplots (A) do IPO e (B) do IDO por APSs e gráfico de dispersão IPO em relação

ao IDO (C).

(A) Índice de positividade de ovitrampa por APS (B) Índice de densidade de ovos por APS

(C)

O IPO parece ser mais alto nas APSs 3.2 e 5.1 em comparação com as demais APSs,

com uma mediana de IPO = 60 % . Ao se observar o IDO, os valores da APS 3.2 são mais

baixos que os valores das demais APSs (a exceção da APS 2.1), e a APS 5.1 apresenta uma

51

média de ovos discretamente elevada, sendo menor apenas que a média de ovos das APSs 3.1

e 1 (esta última possui a maior média de ovos). As APSs 3.2 e 4 apresentam grande variabilidade

na proporção de ovitrampas positivas, mas pequena variabilidade nas médias de ovos

encontradas em suas armadilhas. O painel C exibe a reta de tendência da positividade das

armadilhas em relação à média de ovos do município. É possível notar uma tendência de

aumento do índice de positividade, conforme ocorre o aumento da densidade de ovos, mas a

variabilidade é muito alta. Em resumo, esses resultados indicam uma grande variabilidade de

infestação entre APS e ao longo do tempo. Essa variabilidade é medida de forma diferente,

quando se observa o IPO ou IDO.

Os painéis A e B da Figura 9 apresentam respectivamente as séries temporais de IDO e

IPO coletados por APS. Existe uma grande variabilidade nos dados. Observa-se uma queda nos

dois índices nas semanas correspondentes ao inverno/ primavera de 2013 (entre junho e

setembro de 2013) em todas as APSs, mas tal feito parece não se repetir em 2014. Nota-se uma

grande diferença em ambos os índices de infestação entre APS que parece ser mais intensa do

que a diferença entre meses.

Figura 9: Série temporal do (A) IPO e do (B) IDO entre fevereiro de 2013 e setembro de 2015

no município do Rio de Janeiro por área programática

(A)

(B)

52

Os valores de IDO e IPO por RA são apresentados na forma de mapas (Figuras 10 e 11).

É possível visualizar queda nos índices em junho e agosto, meses caracterizadamente mais frios

e aumento nos índices nos meses de março, abril e setembro e dezembro, cujas temperaturas

médias alcançam patamares mais elevados, em especial quando observamos a proporção de

ovitrampas positivas, sugerindo sazonalidade.

Figura 10: IDO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015

53

Figura 11: IPO por RA para determinados meses entre fevereiro de 2013 e setembro de 2015

6.3 CARACTERIZAÇÃO DO CLIMA DURANTE O ESTUDO

A Figura 12 mostra as variações das temperaturas mínimas e máximas semanais nas

APSs no período de estudo. É importante lembrar que existem apenas quatro estações

meteorológicas e que valores repetidos são às vezes usados para mais de uma APS. As APSs

5.1, 5.2 e 5.3 estiveram mais sujeitas a maiores variações de temperatura semanal, com

temperaturas mínimas menores e máximas maiores que as demais APS. A variabilidade dos

mínimos e máximos de temperatura nas próprias APSs também foi maior nessas três APSs, de

acordo com os dados das semanas de coleta dos índices de infestação para cada uma das APSs.

54

Figura 12: Boxplot da média semanal de temperaturas mínimas e máximas por APS no

período estudado

6.4 CARACTERIZAÇÃO DOS CASOS DE DENGUE DURANTE O ESTUDO

A Figura 13 mostra a distribuição dos casos de dengue por APS no período de estudo.

Houve uma epidemia de dengue em 2013 com mais de 66000 casos, seguido por um período

de queda significativa do número de casos em 2014 que somou um total de 2747 casos

notificados. Em 2015 houve uma nova epidemia de dengue, somando cerca de 16000 casos até

o mês de setembro. As variações das taxas de incidência de dengue nas APSs por mês em cada

ano podem ser observadas nos mapas das Figuras 14, 15 e 16.

Em 2015, houve aumento dos casos a partir do mês de abril, e retornando a níveis mais

baixos em julho. As APSs 2.1 e 4.0 apresentaram o maior número de casos notificados em 2013,

enquanto a APS 5.1 registrou o maior número de notificações em 2015, com um pico de número

de casos semelhante ao de 2013. Na soma total dos casos notificados, as APSs 2.1, 5.1 e 3.3

apresentaram maior número de casos.

55

Figura 13: Distribuição dos casos de dengue por APSs entre janeiro de 2013 e outubro de 2015

Figura 14: Mapas de incidência de casos dengue nas APSs por mês no ano de 2013


56


A Figura 17 mostra a variação temporal da temperatura nas 4 estações meteorológicas

do estudo e a série temporal de casos no Rio de janeiro de 2010 a 2014, evidenciando o aumento

da transmissão quando a temperatura sobe acima dos 20 oC, e o declínio da transmissão (após

o pico), quando a temperatura cai para perto de 20 oC.

Figura 17: Série temporal da temperatura e número de casos por semana no município do Rio

de Janeiro, de 2010 a 2014

57

6.5 MODELAGEM DA ASSOCIAÇÃO DA TEMPERATURA COM A OVIPOSIÇÃO

Ao observarmos as retas de tendência de ambas variáveis de infestação em relação às

médias de temperatura mínimas e máximas semanais, exibidos nas Figuras 18 e 19, é possível

ver uma discreta tendência de aumento dos índices de infestação, conforme ocorre o aumento

da temperatura. Ao verificarmos os modelos de regressão linear correspondentes ajustados, seus

coeficientes de determinação (R²) e p-valores dessas retas de tendência (Apêndice A),

entretanto, evidencia-se que esses modelos possuem um ajuste pobre aos dados, necessitando

talvez de um refinamento no ajuste, devido à natureza dos dados.

Figura 18: Diagrama de dispersão do IDO x temperatura mínima (Temp Min) ou máxima (Temp

Max) e retas de tendência. Foram utilizadas temperaturas nas defasagens de 0 a 3 semanas (T=0

, T=1, T=2, T=3)

Figura 19: Diagrama de dispersão do IPO x temperatura mínima (Temp Min) ou máxima (Temp

Max) e retas de tendência. Foram utilizadas temperaturas nas defasagens de 0 a 3 semanas (T=0

, T=1, T=2, T=3)

58

Por conseguinte, foram experimentadas algumas modelagens. A seguir são apresentados

os resultados das análises dessas modelagens por APS e por RA.

6.5.1 Modelagem de associação do IDO com a temperatura por APS e RA

A primeira análise feita teve o objetivo de investigar a relação entre IDO e temperatura

nas 10 APSs. É possível observar, na Figura 20, que a média de ovos mostra variação no

decorrer do tempo, internamente e entre as APSs.

Figura 20: IDO em cada APS de fevereiro de 2013 a setembro de 2015.

Um conjunto de modelos GAM e LM com IDO como variável resposta e temperatura

mínima ou máxima como variável explicativa foi ajustado e os resultados do AIC estão na

Tabela 4. Num primeiro momento, foram comparados modelos GAM com temperatura

defasada de 0, 1, 2 e 3 semanas como únicas variáveis explicativas para avaliar a necessidade

de incluir associações não lineares. Após a análise segundo os critérios definidos na

metodologia (edf se o modelo fosse não linear, significância do modelo, AIC, e análise de

resíduos), optou-se entre a forma linear (LM) ou aditiva (GAM) para cada defasagem.

59

Tabela 4: Comparação dos modelos de regressão linear (LM) e aditivo (GAM) ajustados aos

dados de IDO, tendo temperaturas mínima ou máxima, e APS como variáveis explicativas. Em

negrito, o modelo selecionado.

Identificação

do Modelo

Modelo (GL AIC

A1 GAM (ido~ s(tmin)) 5,1 2265,5

A2 LM (ido~ tmin1) 3,2 2261,5

A3 GAM (ido~ s(tmin2)) 4,9 2266,9

A4 LM (ido~ tmin3) 3,0 2268,2

A5 GAM ((ido~ s(tmin)+ APS ) 15,2 2119,0

A6 GAM (ido~s(tmin1)+APS) 12,0 2103,7



A9 LM (ido~tmin*APS) 21,0 2115,3

A10 LM (ido~tmin1*APS) 21,0 2094,9

A11 LM (ido~tmin2*APS) 21,0 2121,9

A12 LM (ido~tmin3*APS) 21,0 2129,4

A13 GAM (ido~s(tmax)) 4,4 2264,3

A14 LM (ido~tmax1) 3,0 2258,1

A15 GAM (ido~s(tmax2)) 4,6 2260,3

A16 LM(ido~tmax3) 3,0 2266,2

A17 GAM (ido~s(tmax)+APS) 14,8 2125,1

A18 GAM (ido~s(tmax1)+APS) 13,2 2109,3



A21 LM (ido~tmax*APS) 21,0 2133,8

A22 LM (ido~tmax1*APS) 21,0 2101,3

A23 LM (ido~tmax2*APS) 21,0 2125,0

A24 LM (ido~tmax3*APS) 21,0 2138,8

AIC = critério de qualidade de ajuste.

GL= graus de liberdade

tmin, tmin1, tmin2, tmin3= média semanal das temperaturas mínimas com 0, 1, 2 e 3 semanas de

defasagem em relação à data da retirada das ovitrampas.

tmax, tmax1, tmax2, tmax3= média semanal das temperaturas máximas com 0, 1, 2 e 3 semanas de

defasagem em relação à data da retirada das ovitrampas.

s(): função suavizadora (spline).

Numa comparação entre todos modelos testados para descrever a relação entre IDO e

média das temperaturas semanais, o modelo contendo APS e temperatura mínima com

defasagem de 1 semana, com interação entre elas, como variáveis explicativas, obteve o menor

valor no AIC (modelo A10, Tabela 4), sendo escolhido, portanto, para representar essa relação.

A inclusão das APSs como variável de efeito fixo, e de sua interação com a temperatura

melhoraram o ajuste do modelo. Isso indica que o efeito da temperatura no IDO é diferente em

cada APSs, como pode ser observado na Figura 21. Embora o comportamento de infestação das

60

APSs seja um tanto heterogêneo é possível notar uma tendência geral de aumento da média de

ovos em temperaturas mais altas. Essa relação é especialmente intensa nas APSs 1 e 3.1. Na

APS 5.1, embora essa relação não seja tão evidente, é importante observar que o número médio

de ovos inicial é consideravelmente maior que o das outras APSs. A exceção dessa relação

positiva entre IDO e temperatura fica por conta da APS 2.1, cuja média de ovos parece diminuir

com o aumento da temperatura.

Figura 21: Efeito predito da temperatura no IDO, de acordo com o modelo A10 (Tabela 4),

para cada APS.

Na análise dos resíduos do modelo selecionado foi encontrado um ponto discrepante

(resultados não mostrados). Contato pessoal com o serviço provedor dos dados sugeriu que se

tratava de um ponto de valor duvidoso. Por isso, esse ponto foi removido de todas as

modelagens após análise dos dados pontuais e em relação às demais medidas na mesma região

e semana epidemiológica. A Tabela 5 exibe os valores dos parâmetros ajustados, após a remoção

do ponto extremo.

A Figura 22 apresenta a análise dos resíduos do modelo selecionado. O coeficiente de

determinação ajustado foi 0,50 indicando que os termos preditores presentes no modelo

explicam 50% da variação da média de ovos. O Coeficiente de correlação foi de 0,70, o que

indica uma correlação forte e positiva entre os regressores e o IDO.

61

Tabela 5: Estimativas dos parâmetros ajustados do modelo selecionado A10: LM

(ido~tmin1*APS)

Coeficientes Erro Padrão P-valor

Intercepto -40,751 20,6017 0,05

tmin1 4,083 0,9465 0,0001

APS2.1 74,253 27,1168 0,001

APS2.2 57,157 29,9591 0,06

APS3.1 4,949 25,6513 0,85

APS3.2 49,847 25,9272 0,06

APS3.3 36,024 26,0216 0,17

APS4 51,834 27,8960 0,06

APS5.1 64,197 24,5561 0,001

APS5.2 32,523 24,0239 0,18

APS5.3 45,802 24,5433 0,063

tmin1:APS2.1 -4,747 1,2407 0,0001

tmin1:APS2.2 -3,640 1,3697 0,008

tmin1:APS3.1 -0,41 1,1970 0,73

tmin1:APS3.2 -3,452 1,2027 0,004

tmin1:APS3.3 -2,296 1,2136 0,06

tmin1:APS4 -3,215 1,3002 0,01

tmin1:APS5.1 -3,109 1,1752 0,009

tmin1:APS5.2 -2,209 1,1456 0,05

tmin1:APS5.3 -2,769 1,1730 0,02

Figura 22: Gráficos dos resíduos do modelo A10: LM (ido~tmin*APS)

62

6.5.2 Modelagem de relação da abundância média de ovos (IDO) e temperatura, por

Região Administrativa

A relação entre IDO e temperatura nas 33 RAs foi analisada utilizando modelos lineares

de efeitos mistos. Ao analisar visualmente a média de ovos nas semanas de estudo por RA

(Figura 26), é possível perceber que IDO apresenta variação temporal em cada RA e entre as

RAs, mas não é evidente se há sazonalidade. Nota-se também que a RA 27 (Rocinha) apresenta

vários pontos faltantes.

Figura 23: Série temporal de IDO em cada RA do Rio de Janeiro, ao longo do estudo

(semanas corridas de estudo)

A Tabela 6 mostra os modelos mistos ajustados com IDO como variável resposta e as

médias de temperatura mínima ou máxima semanais (efeitos fixos ou aleatórios) e RA (efeito

aleatório) como variáveis explicativas. Foram comparados modelos com temperatura defasada

de 0, 1, 2 e 3 semanas. Também foram comparados modelos nos quais a interação entre

temperatura e RA são modeladas como efeitos aleatórios. A Tabela 6 apresenta os valores de

AIC dos modelos testados. Aquele com menor AIC foi selecionado.

63

Tabela 6: Comparação dos modelos de regressão linear de efeitos mistos (LMM) ajustados aos

dados de IDO tendo temperaturas mínima e máxima semanais e RA como variáveis

explicativas. AIC = critério de qualidade de ajuste. Em negrito, o modelo escolhido.

Identificação

Modelo

Modelo GL AIC

B1 LMM nulo (ido~1, efeito aleatorio=~1|RA) 3 7266,9

B2 LMM(ido~tmin, efeito aleatório= ~1|RA) 4 7247,5

B3 LMM(ido~tmin, efeitos aleatórios= ~ 1+tmin|RA) 6 7234,8

B4 LMM (ido~tmin1, efeito aleatório=~1|RA) 4 7235,8

B5 LMM (ido~tmin1, efeitos aleatórios=~1+tmin1|RA) 6 7218,7


B7 LMM (ido~tmin2 efeitos aleatórios=~1+tmin2|RA) 6 7247,5


B9 LMM (ido~tmin3, efeitos aleatórios=~1+tmin3|RA) 6 7242,9

B10 LMM (ido~tmax, efeito aleatório= ~1|RA) 4 7259,4

B11 LMM (ido~tmax, efeitos aleatórios= ~ 1+tmax|RA) 6 7253,1

B12 LMM (ido~tmax1, efeito aleatório=~1|RA) 4 7245,9

B13 LMM (ido~tmax1, efeitos aleatórios=~1+tmax1|RA) 6 7226,2


B15 LMM (ido~tmax2 efeitos aleatórios=~1+tmax2|RA) 6 7248,2


B17 LMM (ido~tmax3, efeitos aleatórios=~1+tmax3|RA) 6 7247,5

O modelo que melhor se ajustou aos dados foi o modelo B5, aquele que possui intercepto

e coeficiente angular aleatórios, com defasagem de média de temperatura mínima de 1 semana

em relação à data da retirada das ovitrampas (Tabela 7). Esse modelo é equivalente ao modelo

escolhido na análise a nível de APS e reforça a associação com a temperatura mínima defasada

de 1 semana. Também reforça a interação entre temperatura e unidade espacial de análise,

sugerindo que o efeito da temperatura não é homogêneo no espaço. A Tabela 7 mostra os

resultados do ajuste do modelo. O valor 40,71 é a quantidade de variação no intercepto do IDO.

O valor 2,18 é a variação no slope (inclinação) nas 33 RAs.

Para facilitar a interpretação, a Figura 24 traz o gráfico do efeito da temperatura no IDO,

de acordo com o modelo final selecionado. Cada linha fina indica o efeito em uma das RAs e a

linha grossa indica a média de todos esses efeitos. É possível notar uma grande heterogeneidade

entre as RAs, mas uma tendência geral de maior infestação com maiores temperaturas.

64

Tabela 7: Resultado do ajuste do modelo B5, LMM (ido~tmin1, efeitos

aleatórios=~1+tmin1|RA), ajustados pela máxima verossimilhança restrita

AIC

7218,668

Efeitos aleatórios: Formula: ~1 + tmin1 | RA

Desv. Padrão Corr

(Intercepto) 40,71 (Intr)

tmin1 2,18 -0,98

Resíduos 20,02

Efeitos Fixos: Fórmula: ido ~ tmin1

Valor Erro Padrão GL t-valor p-valor

(Intercepto) -4,20 9,60 773 -0,44 0,6624

tmin1 1,81 0,49 773 3,71 0,0002

Correlação:

(Intr)

tmin1 -0,99

Figura 24: Efeito predito da temperatura no IDO, de acordo com o modelo B5. Cada linha

fina indica o efeito predito em cada RAs e a linha grossa indica a média de todos esses efeitos.

Para melhor visualização espacial, a Figura 25 traz os mapas dos interceptos e

coeficientes angulares do modelo B5, ajustados para cada RA. No mapa dos interceptos, as

áreas mais escuras e acima de 0 são as que os IDOs em média são mais elevados do que a média

da cidade. No mapa dos coeficientes angulares (slope), as áreas de cor escura evidenciam uma

relação mais intensa e positiva entre o aumento da média da temperatura e a média de ovo, em

comparação com aquela observada para o geral da cidade (para todas as RAs). Observa-se uma

65

associação mais intensa entre infestação e temperatura nas RAs localizadas nas APS 3.2, 3.3 e

menos intensa na Zona Sul e Centro (APS 2.1 e 1.0).

Figura 25: Mapas com a diferença entre os interceptos e coeficientes angulares por RA, em

relação ao efeito geral.

A análise dos resíduos do modelo escolhido demonstrou relativa normalidade e

heterocedasticidade, além de ausência de autocorrelação entre os resíduos (Figura 26). Optou-

se por remover 4 pontos de influência extremos das observações totais, pois suas médias de

ovos eram muito discrepantes do restante das observações, e muito incomuns em relação aos

valores usualmente observados.

66

Figura 26: Análise dos resíduos do modelo B5

ACF dos resíduos fixos


temperatura, por APS

O estudo da relação entre a proporção de ovitrampas apresentando ovos e a temperatura

foi realizado utilizando o IPO dos dados agregados por APS como variável dependente e as

médias das temperaturas mínimas e máximas e as APSs como variáveis independentes do

modelo. É possível observar, na Figura 27 a variação da proporção de ovitrampas positivas,

dentro de cada APS e entre as APSs. Não é evidente uma sazonalidade ou tendência temporal.

Figura 27: Série temporal de IPO em cada APS do Rio de Janeiro ao longo do tempo de

estudo (semanas corridas de estudo))

67

Conforme descrito na seção de métodos, foram ajustados modelos logísticos de efeitos

mistos para investigar a relação entre as variáveis supracitadas. A Tabela 8 apresenta os valores

de AIC dos modelos testados.

Tabela 8: Comparação dos modelos ajustados para a relação do índice de positividade de

ovitrampas (IPO) por APS com a temperatura. Em negrito, o modelo selecionado.

Identificação do

Modelo

Modelos: GL AIC

C1 GLMM: ipo ~ 1 + (1 | APS) 2 7375,2

C2 GLMM: ipo ~ tmin + (1 | APS) 3 6874,0

C3 GLMM: ipo ~ tmin1 + (1 | APS) 3 6570,8



C6 GLMM: ipo ~ 1 + (tmin | APS) 4 6835,1

C7 GLMM: ipo ~ tmin + (tmin | APS) 5 6820,1

C8 GLMM: ipo ~ tmin1 + (tmin1 | APS) 5 6506,3



C11 GLMM: ipo ~ tmax + (1 | APS) 3 7324,1

C12 GLMM: ipo ~ tmax1 + (1 | APS) 3 7272,6



C15 GLMM: ipo ~ 1 + (tmax | APS) 4 7238,9

C16 GLMM:: ipo ~ tmax + (tmax | APS) 5 7236,2

C17 GLMM:: ipo ~ tmax1 + (tmax1 | APS) 5 7178,3



Com base nos critérios pré-definidos (ver Métodos), o modelo que melhor se ajustou foi

o modelo logístico com intercepto e inclinação aleatórios, com temperatura mínima com 2

semanas de defasagem (modelo C9, Tabela 8). A Tabela 9 apresenta as estimativas dos

parâmetros desse modelo. O gráfico da Figura 28 apresenta os IPO’s preditos pelo modelo 9,

para cada APS. O eixo x mostra as temperaturas mensuradas 2 semanas antes da coleta das

armadilhas que deram origem aos índices. Como é possível notar no gráfico, o IPO cresce

conforme o aumento da temperatura, sendo essa relação particularmente mais intensa nas APSs

5.1, 3.2, 3.1 e 4, e praticamente nula nas APSs 2.1 e 2.2.

68

Tabela 9: Estimativas dos parâmetros do modelo C9 selecionado para a relação do índice de

positividade de ovitrampas (IPO) por APS com a temperatura: ipo ~ tmin2 + (tmin2 | APS).

AIC Deviance GL .resid

6480,6 6470,6 297

Resíduos Dimensionados: Min 1Q Mediana 3Q Max

-11,3723 -2,3365 -0,5665 2,0256 13,8777

Efeitos Aleatórios:

Grupos Nome Variancia Dev. Pad. Corr

APS (Intercepto) 2,130792 1,4597

tmin2 0,002007 0,0448 -0,92

Número de obs: 302, grupos: APS, 10

Efeitos fixos:

Estimativa Erro Padrão z value Pr(>|z|)

(Intercepto) -2,96421 0,47193 -6,281 0,0001

tmin2 0,10221 0,01488 6,869 0,0001

Correlação dos Efeitos fixos:

tmin2 -0,921

Figura 28: Probabilidade de positividade de ovitrampas em função da temperatura, nas APSs

do Rio de Janeiro, de acordo com o modelo C9:

69

Um dos pressupostos do modelo é que os efeitos aleatórios seguem uma distribuição

normal. Isso pode ser visto no gráfico quantil-quantil que compara a distribuição dos efeitos

aleatórios com uma distribuição normal. A Figura 29 mostra que esse pressuposto foi atendido.

Os efeitos aleatórios de cada APS podem ser vistos na Figura 30. O painel da esquerda

mostra o intercepto aleatório, evidenciando como a positividade das ovitrampas de cada APS

varia em relação à média geral da cidade. Valores negativos indicam que as APSs 1. 2.1 e 2.2

apresentam positividade menor do que a média da cidade, enquanto que as 3.x e 5.1 são mais

positivas que a média. O painel da direita mostra como o efeito da temperatura no IPO de cada

APS desvia do efeito médio da cidade. Em vermelho, estão as APS 3.1, 3.2, 3.3 e 5.1 cujo efeito

da temperatura é mais fraco do que a média.

Figura 29: Gráfico quantil-quantil comparando a distribuição dos efeitos aleatórios do modelo

C9 com a de uma distribuição normal padrão.

Figura 30: Efeitos aleatórios do modelo C9

70


temperatura, por RA

A Figura 31 apresenta a série de índices de positividade de ovitrampa de cada RA

durante as semanas de estudo. É possível perceber que existe variação intra e entre as RAs no

decorrer do tempo.

Figura 31: IPO em cada RA do município do Rio de Janeiro, de fevereiro 2013 a setembro de

2015

A associação entre IPO e temperatura nas 33 RAs também foi analisada utilizando

modelos binomiais de efeitos mistos. O modelo ajustado teve IPO como variável resposta e as

médias de temperatura mínima ou máxima semanais (efeito fixo) e RA (efeito aleatório) como

variáveis explicativas. Foram comparados modelos com temperatura defasada de 0, 1, 2 e 3

semanas, e modelos com efeito linear e não linear. Os mesmos dois tipos de modelos - intercepto

aleatório e intercepto e slope aleatórios foram testados, sendo o melhor modelo escolhido

através do AIC. A Tabela 10 apresenta os valores de AIC dos modelos testados

71

Tabela 10: Comparação dos modelos ajustados para a relação do índice de positividade de

ovitrampas (IPO) por RA com a temperatura. Em negrito, o modelo selecionado.

Identificação

do Modelo

Modelos: GL AIC

D1 GLMM: ipo ~ 1 + (1 | RA) 2 10556,5

D2 GLMM: ipo ~ tmin + (1 | RA) 3 10049,4

D3 GLMM: ipo ~ tmin1 + (1 | RA) 3 9754,9

D4 GLMM: ipo ~ tmin2 + (1 | RA) 3 9693,0

D5 GLMM: ipo ~ tmin3 + (1 | RA) 3 9869,3

D6 GLMM: ipo ~ 1 + (tmin | RA) 4 9985,7

D7 GLMM: ipo ~ tmin + (tmin | RA) 5 9953,0

D8 GLMM: ipo ~ tmin1 + (tmin1 | RA) 5 9675,2



D11 GLMM: ipo ~ tmax + (1 | RA) 3 10498

D12 GLMM: ipo ~ tmax1 + (1 | RA) 3 10454

D13 GLMM: ipo ~ tmax2 + (1 | RA) 3 10519

D14 GLMM: ipo ~ tmax3 + (1 | RA) 3 10427

D15 GLMM: ipo ~ 1 + (tmax | RA) 4 10381

D16 GLMM:: ipo ~ tmax + (tmax | RA) 5 10379

D17 GLMM:: ipo ~ tmax1 + (tmax1 | RA) 5 10344



Tabela 11: Estimativas dos parâmetros de acordo com o modelo D9 GLMM: ipo ~ tmin2 +

(tmin2 | RA).

AIC Deviance GL. Resid

9586,5 9576,5 911

Resíduos

Dimensionados:

Min 1Q Mediana 3Q Max

-10,38 -1,54 -0,42 1,29 11,14

Efeitos Aleatórios:

Grupos Nome Variância Dev.Pad Corr

APS (Intercepto) 2,23 1,49

tmin2 0,003 0,05 -0,86

Número de obs: 916, grupos: RA, 33

Efeitos fixos:

Estimativa Erro Padrão z valor Pr(>|z|)

(Intercepto) 2,98 0,29 -10.222 0,0001

tmin2 0,10 0,010 9,045 0,0001

Correlação dos

Efeitos fixos:

tmin2 -0,89

72

O modelo que melhor se ajustou à relação entre IPO e temperaturas mínimas foi o

modelo logístico com intercepto e inclinação aleatórios (modelo D9), com 2 semanas de

defasagem entre a coleta e a média da temperatura mínima semanal. Esse modelo é equivalente

ao escolhido na análise a nivel de APS. As estimativas dos parâmetros desse modelo são

apresentadas na Tabela 11. Com base no modelo D9, elaborou-se um gráfico com o IPO predito

para cada RA. No eixo x tem-se a temperatura mensurada 2 semanas antes (Figura 32).

Figura 32: IPO predito de acordo com o modelo D9, em função da média da temperatura

semanal mínima defasada em 2 semanas, por RA

Como é possível notar no gráfico, a probabilidade de positivação de ovitrampas cresce

conforme o aumento da temperatura, sendo especialmente forte essa relação nas RAs 34

(Cidade de Deus) e 15 (Madureira). Em outras RAs observa-se uma fraca associação da

infestação com a temperatura.

73

Figura 33: Desvio dos efeitos aleatórios de cada RA em relação ao modelo geral no modelo

D9

A Figura 33 mostra os efeitos aleatórios de cada RA de acordo com o modelo D9. O

painel da esquerda mostra como o intercepto aleatório (a positividade das ovitrampas) de cada

RA varia em relação à média geral da cidade. As RAs 2, 4 a 9, 23 a 27 e 29 possuem valores

negativos, indicando uma positividade menor do que o esperado da cidade. Já as demais são

mais positivas que a média. O painel da direita mostra o desvio do efeito da temperatura no IPO

de cada RA em relação ao efeito médio da cidade. Nas RAs cujos os valores estão em vermelho,

o efeito da temperatura é mais fraco do que a média da cidade como um todo.

Para melhor visualização espacial, a Figura 34 apresenta os mapas dos interceptos e

coeficientes angulares dos efeitos aleatórios do modelo final, ajustados para cada RA. No mapa

dos interceptos, as áreas mais escuras e acima de 0 representam aquelas onde os IPOs são em

média mais elevados do que a média da cidade. No mapa dos coeficientes angulares (slope), as

áreas de cor escura evidenciam uma relação mais intensa e positiva entre o aumento da média

da temperatura e o aumento do número de ovitrampas positivas, em comparação com aquela

observada para o geral da cidade (para todas as RAs). Observa-se uma associação mais forte

com a temperatura nas RAs localizadas nas APS 4 e 2.2.

74

Figura 34: Mapas com os resultados do modelo D9 As cores apontam as diferenças entre os

interceptos e coeficientes angulares por RA, em relação ao efeito geral.

75

A fim de checar a normalidade dos efeitos aleatórios, a Figura 35 apresenta um gráfico

quantil-quantil. A comparação entre a distribuição dos efeitos aleatórios com uma distribuição

normal, e evidencia que não houve violação dos pressupostos do modelo.

Figura 35: Distribuição dos efeitos aleatórios por quantil normal padrão no modelo D9

6.6 DISTRIBUIÇÃO ESPACIAL DA INFESTAÇÃO E OCORRÊNCIA DE CASOS DE

DENGUE NO ANO DE 2013

As Figuras 36, 37 e 38 mostram o mapa de Kernel da positividade das ovitrampas e o

mapa de localização dos casos de dengue do mês seguinte à coleta ocorrida em três momentos

distintos do ano de 2013: março, junho e setembro de 2013.

O ano de 2013 foi marcadamente epidêmico para dengue no município do Rio de

Janeiro. E embora seja bastante discutida a utilização de armadilhas de oviposição como

instrumento de monitoramento de infestação em ano de epidemias, é possível observar que o

aumento do número de ovitrampas positivas para ovos de Ae. aegypti em um mês corresponde

ao aumento do número de casos no mês seguinte. No mês de março, a infestação atingiu valores

de até 5, principalmente na região das APS 3.1, 3.2. Foi também o período de maior ocorrência

de casos. Pelos mapas, não é possível estimar uma associação, por isso, em seguida, são

apresentados os resultados da modelagem.

76

Figura 36: Mapa de Calor das ovitrampas positivas em 03/2013 e casos de dengue pontuais

em 04/2013

77


em 07/2013

78


em 10/2013

79

6.7 MODELAGEM DA ASSOCIAÇÃO DOS CASOS DE DENGUE NOTIFICADOS COM

A OVIPOSIÇÃO

Para uso em um sistema de alerta, é importante verificar se a infestação tem uma

capacidade preditiva para a incidência de dengue. O teste dessa relação a nível de APS foi

realizado de forma separada para cada um dos índices de infestação (IDO e IPO). Nos modelos

testados, os casos de dengue entraram como variável resposta, e os índices de infestação do mês

anterior, o mês da coleta desses índices, os casos do mês anterior aos da variável resposta e as

APSs entraram como variáveis independentes do modelo. A população entrou como offset, de

forma que a variável resposta pode ser interpretada como taxa de incidência (ver mais detalhes

na seção de métodos).

A Figura 39 exibe a série temporal da taxa de incidência de casos de dengue para cada

10.000 habitantes no decorrer dos meses do estudo, por APS. É interessante notar que as

maiores taxas de incidência em 2013 ocorreram na APSs 1 e 2.1, com mais de 50 casos para

cada 10.000 habitantes. Todavia, essa taxa elevada de incidência dessas APSs não se repetiu

em 2015. As demais APSs, apesar de terem apresentado uma taxa de incidência menor que as

supracitadas em 2013, também obtiveram taxas de incidência menores em 2015, à exceção da

APS 5.1, que apresentou taxas de incidência de casos semelhantes nos picos das epidemias de

2013 e 2015, com até 30 casos para cada 10.000 habitantes. O ano de 2014 foi um ano marcado

por baixa incidência de casos de dengue no município do Rio de Janeiro.

Figura 39: Taxa de incidência de casos de dengue entre fevereiro de 2013 e setembro de 2015,

por APS, no município do RJ.

80

6.7.1 Modelagem da associação dos casos de dengue notificados com o IDO

A Tabela 12 mostra os modelos ajustados tendo os casos de dengue como variável

resposta e IDO e APS como variáveis explicativas, bem como os valores de AIC dos modelos

testados.

Tabela 12: Comparação dos modelos da associação dos casos de dengue notificados com o IDO

por APS, pelo AIC (critério de ajuste do modelo).

Identificação

do Modelo

Modelos: GL AIC

E1 GLM-NB: (casos~1 + offset(log(pop))) 2.0 3145.4

E2 GLM-NB: (casos~ido + offset(log(pop))) 3.0 3139.6

E3 GLM-NB: (casos~ido +APS+ offset(log(pop))) 12.0 3142.0

E4 GLM-NB: (casos~ido *APS+ offset(log(pop))) 21.0 3146.5

E5 GLM-NB: (casos~ido +mês+offset(log(pop))) 13.0 2862.6

E6 GLM-NB: (casos~ido +APS+ mês+ offset(log(pop))) 22.0 2861.8

E7 GLM-NB: (casos~ido *APS+mês+offset(log(pop))) 31.0 2874.8

E8 GAM-NB: (casos~ido+s(mes)+offset(log(pop))) 11.6 2862.9

E9 GAM-NB: (casos~ido+s(mês/ano)+offset(log(pop))) 23.7 2470.6

E10 GAM-NB: (casos~ido+s(mes) + ano +offset(log(pop))) 12.6 2865.0

E11 GLM-NB: (casos ~ log(casos1) + ido+ mes+ offset(log(pop))) 14.0 2442.5

E12 GAM-NB: (casos~ s(log(casos1) + ido+ mes + offset(log(pop))) 19.1 2387.7

casos= casos notificados de dengue;

casos1= casos do mês anterior aos casos cuja associação está sendo investigada

pop= população da APS (de acordo com o senso de 2010)

mês= mês referente à coleta dos dados de infestação

s (): função suavizadora usada nos modelos GAM

Os modelos com menores valores de AIC (modelos 11 e 12, Tabela 12) foram aqueles

sem a variável “APS” e com as variáveis “casos1”, “IDO” e “mês”. A variável com os casos

do mês anterior foi adicionada ao modelo com a finalidade de corrigir a autocorrelação presente

nos resíduos dos modelos anteriores. Ela corresponde ao número de casos no mês anterior. Os

dois melhores modelos diferem na forma como os casos defasados entram no modelo, sendo

linear (modelo E11) ou não linear (modelo E12).

81

Figura 40: Gráficos dos resíduos dos modelos E11 (A) e E12 (B)

(A) (B)

Ambos os modelos (GLM e GAM) apresentaram resíduos sem violações de

pressupostos (Figura 40) contudo, permaneceu um resquício de autocorrelação nos resíduos

(Figura 41) talvez pelo fato da dengue ser uma doença marcadamente sazonal, com outros

fatores de contribuição para essa sazonalidade não contemplados nas variáveis aqui

investigadas.

Figura 41: Gráficos de autocorrelação dos resíduos dos modelos E11 (A) e E12 (B)

(A) (B)

O modelo GAM obteve melhor ajuste, mas optou-se por manter o modelo GLM como

modelo final, já que também é um bom modelo, e apresenta uma parametrização mais simples

em relação ao modelo aditivo. Os dois modelos apresentam efeito semelhante do IDO nos casos

de dengue (efeito estimado do IDO no modelo E11: 0,013; efeito estimado do IDO no modelo

E12: 0,012). Em ambos é evidente o efeito positivo do IDO no aumento dos casos de dengue.

Todavia, eles não captam todo o efeito sazonal, já que outros fatores também influenciam o

aumento da incidência. Por esta razão, acrescentou-se também a variável mês no modelo. Todas

as estimativas do efeito de mês em que os dados foram coletados no modelo têm como

82

referência o mês de agosto (mes8), por usualmente ser este mês a apresentar menores índices

de infestação. A Tabela 13 apresenta as estimativas dos parâmetros do modelo E11.

Tabela 13: Estimativas dos parâmetros de acordo com o modelo E11

Resíduos do Deviance:

Min 1Q Mediana 3Q Max

-2,4805 -0,91 -0,23 0,49 2,92

Coeficientes:

Estimativa Erro padrão z –valor Pr(>|z|)

(Intercepto) -12,02 0,20 -60,87 0,0001

log(casos1) 0,55 0,03 18,49 0,0001

Ido 0,013 0,003 4,41 0,0001

mes1 -0,0013 0,18 -0,006 0,99

mes2 -0,0007 0,22 -0,003 0,99

mes3 2,1215 0,19 11,41 0,0001

mes4 0,9235 0,17 5,29 0,0001

mes5 0,2765 0,17 1,58 0,11

mes6 0,1239 0,17 0,73 0,46

mes7 -0,0021 0,18 -0,01 0,99

mes9 -0,1121 0,17 -0,67 0,51

mes11 -0,6158 0,23 -2,66 0,008

mes12 0,5725 0,18 3,10 0,002

Deviance nula: 1735,38 em 238 graus de liberdade

Deviance residual: 249,53 em 226 graus de liberdade

AIC: 2442,5

Theta: 3,290

Erro padrão: 0,310

6.7.2 Modelagem da associação dos casos de dengue notificados com o IPO

Foram ajustados modelos como os mostrados acima, tendo IPO como índice de

infestação. A Tabela 14 apresenta os valores de AIC dos modelos testados.

Os modelos com menores valores de AIC (modelos F12 e F15, Tabela 14) foram aqueles

nos quais foi acrescentada a variável explicativa com os casos defasados, e mantida a variável

APS com interação aditiva (nesta modelagem, sua presença reduz a correlação cruzada). A

variável com os casos defasados foi adicionada ao modelo com a finalidade de corrigir a

autocorrelação presente na variável independente, a série de casos.

83

Tabela 14: Comparação dos modelos para casos de dengue em um mês x IPO mês anterior, por

APS, pelo AIC.

Identificação

do Modelo

Modelos: GL AIC

F1 GLM-NB: (casos~1 + offset(log(pop))) 2.0 3145.4

F2 GLM-NB: (casos~ipo + offset(log(pop))) 3.0 3097.4

F3 GLM-NB: (casos~ipo +APS+ offset(log(pop))) 12.0 3037.5

F4 GLM-NB: (casos~ipo *APS+ offset(log(pop))) 21.0 3043.7

F5 GLM-NB: (casos~ipo +mês+offset(log(pop))) 13.0 2858.7

F6 GLM-NB: (casos~ipo +APS+ mês+ offset(log(pop))) 22.0 2845.0

F7 GLM-NB: (casos~ipo *APS+mês+offset(log(pop))) 31.0 2853.5

F8 GAM-NB: (casos~ipo+s(mes)+offset(log(pop))) 11.6 2858.6

F9 GAM-NB: (casos~ipo+s(mês/ano)+offset(log(pop))) 23.9 2485.8

F10 GAM-NB: (casos~ipo+s(mes) + ano +offset(log(pop))) 12.6 2860.6

F11 GLM-NB: (casos ~ log(casos1) + ipo+ mes+ offset(log(pop))) 14.0 2461.8

F12 GLM-NB: (casos ~ log(casos1) + ipo+APS+ mes+ offset(log(pop))) 23.0 2413.6

F13 GLM-NB: (casos ~ log(casos1) + ipo*APS+ mes+ offset(log(pop))) 32.0 2418.5

F14 GAM-NB: (casos~ s(log(casos1)) + ipo+ mes + offset(log(pop))) 19.1 2406.7

F15 GAM-NB: (casos~ s(log(casos1)) + ipo+APS+ mes + offset(log(pop))) 28.0 2357.5

Os gráficos dos resíduos desses modelos são apresentados na Figura 41

Figura 42: Gráficos dos resíduos dos modelos F12(A) e F15 (B)

(A) (B)

Ambos os modelos (GLM e GAM) apresentaram resíduos sem violações de

pressupostos (Figura 41) contudo, permaneceu um resquício de autocorrelação nos resíduos

(Figura 42) talvez pelo fato da dengue ser uma doença marcadamente sazonal, com outros

fatores de contribuição para essa sazonalidade não contemplados nas variáveis aqui

investigadas.

84

Figura 43: Gráficos de autocorrelação dos resíduos dos modelos F12 (A) e F15 (B)

(A)

(B)

Os dois modelos apresentam efeito positivo do IPO nos casos de dengue (efeito

estimado do IPO no modelo F12: 0,011; efeito estimado do IPO no modelo F15: 0,27).

Novamente, porém o IPO não é capaz de apreender todo o efeito sazonal, e por isso aqui

também se acrescentou a variável mês no modelo, tendo como referência o mês de agosto para

as estimativas do efeito do mês em que os dados foram coletados. O modelo F15 (GAM-NB:

(casos~ s(log(casos do mês anterior)) + ipo + APS+ mes + offset(log(pop))) apresentou o

melhor ajuste aos dados, bem como maior efeito do IPO e por isso foi mantido como modelo

final. A Tabela 15 apresenta as estimativas dos parâmetros do modelo F15.

85

Tabela 15: Estimativas dos parâmetros de acordo com o modelo F15

Coeficientes paramétricos:

Estimativa Error

padrão

z valor Pr(>|z|)

(Intercepto) 9,27 0,1362 -68,101 0,0001

Ipo 0,27 0,2336 1,142 0,25

mes1 0,0076 0,1760 0,043 0,97

mes2 0,1980 0,2190 0,904 0,37

mes3 2,1301 0,1855 11,482 0,0001

mes4 0,8150 0,1744 4,674 0,0001

mes5 0,495 0,1725 0,287 0,77

mes6 -0,0969 0,1621 -0,598 0,55

mes7 -0,1534 0,1752 -0,875 0,38

mes9 -0,0881 0,1610 -0,547 0,58

mes11 -0,4631 0,2230 -2,077 0,04

mes12 0,2447 0,1846 1,325 0,19

Significância aproximada do termo suavizador s()

Edf GL ref Χ2 p-valor

s(log(casos1)) 5,711 6,89 452,4 0,0001

R2 (adj) = 0.43 Deviance explicada = 89%

86

7 DISCUSSÃO

Este estudo caracterizou o monitoramento da infestação por Ae. aegypti realizado pela

Prefeitura do Rio de Janeiro por meio de ovitrampas entre fevereiro de 2013 e setembro de 2015

com o intuito de subsidiar sua inclusão num sistema de alerta precoce de dengue. Para isso,

foram também apresentadas modelagens estatísticas na intenção de analisar a associação entre

os índices de infestação mensurados pelas ovitrampas e a temperatura ambiente com 0, 1, 2 e 3

semanas de defasagem em relação à coleta dos índices. Essa análise foi importante para

qualificar os dados, uma vez que se conhece da literatura a forte associação existente entre

infestação e temperatura (Honório et al, 2009a; Codeço et al 2015). Do mesmo modo, foi

estudado o grau de associação do número de casos notificados de dengue em um mês e o

IDO/IPO coletados no mês anterior, para avaliar a capacidade preditiva da infestação, conforme

medida pelo programa. De forma resumida, os resultados obtidos evidenciam associação

positiva da temperatura com os índices de infestação embora com forte heterogeneidade

espacial. Foram encontrados também efeitos positivos do IDO/IPO nos casos de dengue do mês

seguinte, mas apenas quando associados a outras variáveis explicativas.

7.1 SOBRE O SISTEMA DE MONITORAMENTO.

No Brasil, sistemas de monitoramento entomológico utilizando armadilhas ainda são

poucos, e não preconizados pelo Ministério da Saúde em municípios onde já ocorre infestação

de Ae. aegypti. Assim, os sistemas em funcionamento, como o do Rio de Janeiro, são realizados

em paralelo com as outras atividades de caráter obrigatório, como o LIRAa, e tendem a perder

a prioridade quando as atividades acumulam. A pesquisa larvária é o método de investigação

principal utilizado no PNCD, mas apresenta problemas importantes que dificultam sua

execução. Por exemplo, pode haver recusa do morador em autorizar a entrada dos agentes de

saúde para vistoriar o imóvel. Também existe a possibilidade de criadouros existentes não serem

encontrados no imóvel ou a impossibilidade de acesso a determinados criadouros, que portanto

não seriam contabilizados no Índice de Breteau (RUEDA, 2009). E além dos problemas de

execução citados, pode haver a contabilização de larvas que sejam oriundas de oviposição de

outros períodos, não representando de forma real a infestação vigente (MORATO et al., 2005).

Atualmente no PNCD, o monitoramento por ovitrampa é preconizado como principal método

de pesquisa entomológica apenas em municipios considerados não infestados (BRASIL, 2002).

Todavia, a utilização das armadilhas de oviposição em conjunto com a pesquisa larvária em

87

uma mesma localidade já foi sugerida como forma de aprimorar o monitoramento no país

(RUEDA, 2009).

O Programa de monitoramento da infestação por ovitrampas no Rio de Janeiro realizado

de 2013 a 2015 apresenta pontos positivos como: o número alto e estável de armadilhas ao

longo do tempo, boa cobertura do município com uma média de 908 imóveis por armadilha,

baixa taxa de perda de armadilhas e boas taxas de eclosão dos ovos coletados. Todavia, é

necessário pontuar algumas questões a fim de aquilatar o monitoramento. Um ponto importante

é a distribuição das ovitrampas no município. Em áreas onde o monitoramento por ovitrampas

é preconizado, o Ministério da Saúde recomenda que haja 1 armadilha para cada 225 imóveis.

Entretanto, não há indicações, pelo Ministério da Saúde, sobre o número mínimo de armadilhas

para locais onde já ocorre infestação (BRASIL, 2001). O número de imóveis por ovitrampa no

município do Rio de Janeiro varia de forma considerável de bairro para bairro, e

consequentemente de APS para APS. Por exemplo, na APS 1.0, há cerca de 1582 imóveis por

armadilha. Já na APS 5.3, são 420 imóveis por armadilha. A realocação das armadilhas poderia

ser uma forma de tornar a razão entre o número de armadilhas e o número de imóveis mais

homogêneo entre as APSs. Métodos de alocação ótima de armadilhas existem na literatura

(LIMA et al., 2016), e poderiam guiar uma otimização do programa de monitoramento. Costa

(2016, em preparação), calculou o número ótimo de armadilhas para o município do Rio de

Janeiro, e indicou a possibilidade de uma redução de 35% no número total de ovitrampas

instaladas no munícipio.

As taxas de eclosão obtidas pelo Programa de Monitoramento giraram em torno dos

68% nas APSs. Embora alguns autores tenham encontrado taxas em torno dos 30% (CECILIO

et al., 2009; DIBO et al., 2005), as taxas de eclosão encontradas neste trabalho são semelhantes

às encontradas em outros estudos (BYTTEBIER et al., 2014; DICKERSON, 2007; TUN-LIN

et al., 2000). A diferença nos resultados encontrados neste trabalho e nos resultados dos demais

estudos apontados poderia ser atribuída a fatores diversos, como a forma de manipulação das

armadilhas, palhetas e ovos ou a umidade relativa do ar (DICKERSON, 2007). Mais

informações sobre como foram manipuladas as armadilhas poderiam ajudar na interpretação

dessas diferenças.

Os resultados encontrados neste estudo confirmam a alta especificidade dessas

armadilhas para a espécie Ae. aegypti, conforme ratificado por outros autores. Valle e Codeço

(2014), em um trabalho de avaliação de armadilhas para a vigilância entomológica de Ae.

aegypti, constaram a alta especificidade da ovitrampa em capturar preferencialmente essa

espécie. Entre as armadilhas avaliadas, a ovitrampa foi a armadilha significativamente mais

88

específica, com captura de ovos de Ae. aegypti, sempre superior a 90% em relação a todos os

ovos capturados. Para a identificação da larva de Ae. aegypti é necessário aguardar a eclosão

do ovo, e o desenvolvimento do estágio larval em laboratório, o que leva cerca de 2 dias

(CLEMONS et al., 2010). Armadilhas com alta especificidade são boas porque reduzem o

trabalho de processamento, abrindo a possibilidade de trabalhar apenas com contagem de ovos

ao invés de fazer eclodir as larvas. Para um sistema de alerta precoce, essa característica é

especialmente importante porque acelera a geração dos índices.

Considerando todos os parâmetros utilizados neste estudo, a APS 5.3 parece ter melhor

programas de monitoramento, com menor índice imóveis: armadilha (420:1), boas taxas de

eclosão (69,87%) e poucas perdas de armadilhas (3,4%). Em contrapartida, a APS 3.1

apresentam um índice imóveis: armadilha de 794:1, mas possui uma das menores taxas de

eclosão (56,36%) e o maior índice de perda de armadilhas (7,28%). As demais APS apresentam

valores heterogêneos para os parâmetros, não sendo possível definir um ranking de qualidade

entre elas.

7.2 ASSOCIAÇÃO DA INFESTAÇÃO COM A TEMPERATURA

Na análise das associações entre temperatura e IDO/IPO realizada neste estudo, foi

verificado que o aumento da temperatura favorece tanto o aumento do número de ovos quanto

do número de ovitrampas positivas. Ou seja, tanto IDO quanto IPO se relacionam positivamente

com a temperatura nesse estudo. Os modelos com melhores ajustes foram aqueles que

utilizaram as médias das temperaturas semanais mínimas em defasagens de 1 (IDO), e 2

semanas (IPO). Esse resultado harmoniza-se com os resultados encontrados por Honório et al.

(2009a) em três bairros do Rio de Janeiro para o IDO e por Codeço et al. (2015) em regiões

com clima semelhante, dentro do estado do Rio de Janeiro, tanto para IDO como para IPO. É

importante ressaltar que esses resultados condizem com o que é encontrado na literatura sobre

a história de vida dos mosquitos do gênero Aedes. Sabe-se que a temperatura tem influência na

velocidade de desenvolvimento e no comportamento deste vetor, sendo considerada o principal

fator abiótico de interferência em seu ciclo de vida (COURET; BENEDICT, 2014). Além disso,

Yang et al. (2009), evidenciaram o aumento das taxas de oviposição do Ae aegypti entre 15 e

30 ºC. Apesar de importante, a temperatura não é o único fator abiótico de influência no

desenvolvimento e na reprodução do Ae. aegypti. A umidade relativa, a pluviosidade, bem como

disponibilidade de alimentação e de sítios para reprodução também influenciam o

comportamento do vetor (COURET; BENEDICT, 2014; SIMÕES et al., 2013).

89

O efeito da temperatura na infestação foi heterogêneo no espaço, evidenciado pela

significância do termo de interação com APS ou RA, nos modelos melhor ajustados. Essas

diferenças espaciais poderiam ser explicadas em parte pela forma de captura dos dados de

temperatura, que neste estudo foram captadas em apenas 4 pontos distintos da cidade (estações

meteorológicas localizadas nos aeroportos), e talvez não possuam sensibilidade suficiente para

captar as nuances de temperatura das regiões estudadas. Além disso, as APSs apresentam

características urbanas complexas e diversidade climática, a depender da sua proximidade com

o mar e com as montanhas que permeiam a cidade (CODECO et al., 2016 (em preparação)).

As APSs cujo efeito da temperatura nos índices de positividade foi mais forte foram a

3.1 e 5.1, onde estavam localizadas duas das estações meteorológicas. Por outro lado, essas

mesmas duas APS possuem características urbanas semelhantes. Ao observar o IDO é fácil

perceber que os efeitos preditos mais intensos são nas APSs 3.1 e 1 – as duas são próximas das

estações meteorológicas. Na APS 5.1, onde se encontra uma das estações meteorológicas, o

efeito no IDO não é tão pronunciado, mas a média de ovos inicial é mais elevada que as demais

APSs. Em suma, tanto IDO quanto IPO se relacionam positivamente com a temperatura nesse

estudo em todas as APS. Entretanto, essa relação é heterogênea e depende das características

urbanas e climáticas de cada uma das APS.

No Projeto Alerta Dengue, é utilizado um limiar de temperatura mínima de 22 graus

para indicar que há risco de transmissão de dengue. Os modelos apresentados nesse estudo

indicam uma relação positiva entre os índices de infestação e a temperatura, e embora não tenha

sido definido um limiar de temperatura mínima para indicar risco de transmissão de dengue, a

média semanal da temperatura mínima foi considerada tendo melhor ajuste aos dados que a

média semanal da temperatura máxima, fato que corrobora não só com estudos anteriores

previamente citados mas também com os resultados do próprio projeto (CODECO et al., 2016

(em preparação)).

7.3 ÍNDICE DE INFESTAÇÃO COMO PREDITOR DE INCIDÊNCIA DE DENGUE

Na análise da associação dos casos de dengue com os índices de infestação do mês

anterior, os resultados obtidos mostram uma correlação significativa (ainda que pequena) entre

os índices de infestação, em especial o IPO, e os casos de dengue. Foram utilizadas outras

variáveis explicativas nos modelos, como o número de casos do mês anterior ao da variável

resposta, o mês de coleta dos índices de infestação e a APS, por que somente o IDO ou o IPO

não abarcavam toda a variação do número de casos do mês seguinte. Isto evidencia que, embora

90

a infestação seja um preditor, a quantidade de casos de um mês depende de uma série de fatores

que vão para além da dela, como a densidade populacional humana, o número de casos do mês

anterior e a sazonalidade da doença e da infestação. Para além das variáveis consideradas neste

estudo, a oferta de alimentação para o vetor e o fluxo da população humana (que pode se infectar

em outros locais além dos domicílios) também têm impacto no número de casos incidentes

(MONDINI; CHIARAVALLOTI-NETO, 2008).

A associação entre índices de infestação e a transmissão de dengue segue sendo

vastamente debatida na literatura. Embora o Ae. aegypti e o Ae. albopictus sejam

reconhecidamente os principais vetores de transmissão da dengue no mundo, os estudos que

relacionam índices de infestação desse vetores com casos de dengue divergem nos resultados à

cerca dessa correlação, com alguns autores encontrando correlações positivas e outros

encontrando ausência de correlação ou correlação duvidosa entre os índices e a transmissão de

dengue. Arboleda et al. (2012), não encontraram associação ente o Índice de Breteau e os casos

de dengue no município de Bello, na Colômbia. Honório et al. (2009b) utilizaram modelos

GAM no intuito de relacionar os casos de dengue notificados com índices de infestação (média

de ovos e densidade média de mosquitos adultos) em três bairros do Rio de Janeiro, mas não

encontraram nenhuma relação clara, atribuindo este fato à possibilidade de as infecções terem

ocorrido em outros locais que não os domicílios. Sanchez et al.(2006) encontram associação

entre índices larvários, em especial o Índice de Breteau e os casos de dengue confirmados num

estudo caso-controle no muncípio de Playa, em Cuba. No presente estudo, uma associação

positiva entre o IDO/IPO e os casos de dengue também foi encontrada. Esse fato é importante

pois expõe a possibilidade de trabalhar com dados obtidos em armadilhas de oviposição para

estimar o risco de transmissão de dengue.

7.4 LIMITAÇÕES DO ESTUDO

O fato desse estudo abarcar um período relativamente curto de tempo e com

características distintas (um ano epidêmico, seguido de um ano sem epidemia, sucedido por um

ano novamente epidêmico), faz com que a validação dos modelos se torne difícil, talvez sendo

necessária uma série temporal de dados mais longa. Além disso, as unidades de análise espacial

dos dados foram baseadas na disponibilidade dos dados, porém é pertinente que modelos com

níveis de agregação mais refinados possam ser elaborados a fim de tentar explicar a associação

entre as variáveis abordadas. Um outro ponto é a resolução temporal dos dados de infestação

que são semanais, mas com intervalos mensais. Se a infestação variar muito dentro de um mês,

91

o que não é possível avaliar com os dados presentes, então a associação com a dengue torna-se

mais difícil de mensurar. Os dados do monitoramento semanal realizado por Honório et al

(2009a) mostram a alta variabilidade da infestação entre semanas subsequentes. Esses

resultados sugerem que para uso preditivo, o ideal seria aumentar a frequência de realização

dos inquéritos entomológicos.

Estabelecer regularidade nas coletas, bem como modificar a resolução temporal destas,

tornando-as quinzenais ou semanais ao invés de mensais, possibilitaria a utilização dos dados

de forma mais consistente, melhorando as previsões e possibilitando a validação de modelos

estatísticos de séries temporais baseados nos dados de infestação. A criação e alimentação de

um banco de dados por meio de um sistema informacional computadorizado poderia aprimorar

a coleta e o armazenamento dos dados de infestação obtidos através das armadilhas, que

atualmente são registrados em planilhas eletrônicas, sujeitas a erros humanos e problemas de

configuração. Plataformas para automação do monitoramento deste tipo de armadilha já

existem no mercado (um exemplo é o Projeto Communitor, em Belo Horizonte e Mariana).

A relação entre os índices de infestação é um outro aspecto que poderia ter sido mais

explorado neste estudo. Em armadilhas com mais de um ovo, não é possível identificar o

número de fêmeas que fizeram oviposição, devido ao comportamento de oviposição em salto

das fêmeas do Ae. aegypti. Entretanto, estudos sugerem que é possível explorar a relação entre

os índices de outras maneiras. Uma dessas compreende investigar se houve ou não saturação

das armadilhas (LOURENÇO-DE-OLIVEIRA et al., 2008). Já Codeço et al. (2015)

investigaram a associação entre os índices utilizando modelos não-lineares. A utilização de

modelos estatísticos no intuito de explorar a associação entre IPO e IDO pode contribuir no

intuito de entender a dinâmica de infestação bem como na relação entre o mosquito e a

armadilha.

Braga et al., (2000) sugeriram uma revisão operacional naqueles programas que utilizam

apenas a pesquisa larvária, dado o potencial de monitoramento das armadilhas de oviposição.

Os resultados obtidos neste estudo apoiam essa sugestão, pois mostram que estas armadilhas

conseguem acompanhar a infestação em sua dinâmica temporal e em sua heterogeneidade

espacial. Sendo assim, a ampliação da atenção dada ao monitoramento com ovitrampas, com

aprimoramento da distribuição das armadilhas e aperfeiçoamento da coleta e armazenamento

dos dados de infestação por elas captados, poderia trazer contribuições para um sistema de

alerta precoce ao risco de infestação de Ae. aegypti e subsequentemente às doenças por ele

transmitidas.

92

8 CONSIDERAÇÕES FINAIS

Este trabalho ponderou sobre o monitoramento da infestação de Ae. aegypti através de

índices de infestação obtidos por armadilhas de oviposição e sua relação com a temperatura nas

APSs e RAs do município do Rio de Janeiro entre 2013 e 2015, utilizando regressões lineares,

Modelos Aditivos Generalizados e Modelos Lineares Generalizados de Efeitos Mistos. A

associação entre os índices de infestação e a série de casos mensais de dengue do mês seguinte

também foi explorada, utilizando-se Modelos Lineares Generalizados e Modelos Aditivos

Generalizados. É possível destacar, nos resultados obtidos neste estudo, que temperatura foi

estatisticamente associada com o aumento dos índices de infestação, sendo que a temperatura

mínima, defasada em uma semana é a que melhor se ajusta ao aumento do IDO, enquanto o

aumento do IPO é melhor explicado pelas temperaturas mínimas semanais com uma defasagem

de duas semanas. Foi possível ainda encontrar resultados positivos na associação entre dengue

e IDO/IPO, quando associados a outras variáveis

A análise do monitoramento por meio de ovitrampas no município do Rio de Janeiro

realizada nesta pesquisa permitiu evidenciar as potencialidades dos dados gerados por essas

armadilhas, bem como distinguiu os pontos que podem ser aprimorados para tornar o

monitoramento mais eficiente. As modelagens das associações entre os índices de infestação

gerados pelas ovitrampas com os dados de temperatura e casos de dengue que foram aqui

realizadas evidenciam o valor desta ferramenta como instrumento de obtenção de dados

confiáveis sobre a infestação do Ae aegypti. Esses achados, consistentes com a literatura que

aborda o assunto, mostram o valor das ovitrampas na construção de um sistema de

monitoramento do Ae. aegypti, principal vetor de doenças de grande importância para a saúde

pública no Brasil. Em trabalhos futuros, sugere-se a validação dos modelos apresentados em

cima de dados de outras cidades, que possuam programas de monitoramento semelhantes há

mais tempo. Explorar as melhores formas de utilizar os dados obtidos através de ferramentas

como as armadilhas de oviposição, permite aumentar a compreensão do comportamento do Ae.

aegypti bem como dos fatores abióticos que o condicionam, tornando possível direcionar

medidas de saúde pública e auxiliar no controle e prevenção das doenças por ele transmitidas

tanto no município do Rio de Janeiro como no Brasil.

93

REFERÊNCIAS

AKAIKE, H. A new look at the statistical model identification. IEEE Transactionson

Automatic Control, Texas, v. 19, n. 6, p. 716–723, mar 1974.

ALMEIDA, A. S.; MEDRONHO, R. A.; VALENCIA, L. I. O. Spatial analysis of dengue and

the socioeconomic context of the city of Rio de Janeiro (Southeastern Brazil). Revista de

Saúde Pública, 43, n. 4, p. 666-673, ago 2009.

ARBOLEDA, S.; JARAMILLO-O, N.; PETERSON, A. T. Spatial and temporal dynamics of

Aedes aegypti larval sites in Bello, Colombia. J Vector Ecol. , v. 37, p. 37-48, jun 2012.

BARBOSA, G. L.; LOURENÇO, R. W. Análise da distribuição espaço-temporal de dengue e

da infestação larvária no município de Tupã, Estado de São Paulo. Rev Soc Bras Med Trop.,

v. 43, n. 2, mar. 2010. Disponivel em: <http://www.scielo.br/scielo.php?script=sci_art

text&pid=S003786822010000200008&lng= en&nrm=iso >. Acesso em: 16 jun. 2014.

BARBOSA, J. R. Avaliação do Sistema de Vigilância Epidemiológica da Dengue no

Brasil, 2005 - 2009..Dissertação (Mestrado) - Instituto de Patologia Tropical e Saúde Pública.

Universidade Federal de Goiás. 2011.

BARRETO, M. L.; TEIXEIRA, M. G. Dengue no Brasil: situação epidemiológica e

contribuições para uma agenda de pesquisa. Estudos Avançados, 22, n. 64, p.53-72, 2008.

Disponivel em: <http://www.scielo.br/pdf/ea/v22n64/a05v2264.pdf>. Acesso em:15 jun 2014.

BATES, D. et al. Fitting linear mixed-effects models using lme4. arXiv preprint

arXiv:1406.5823, 2014.

BELL, T. M.; FIELD, E. J.; NARANG, H. K. Zika virus infection of the central nervous

system of mice. Archiv für die gesamte Virusforshcung, v. 35, n. 2, p. 183-193, jun., 1971.

Acesso em: 08 março 2016.

BELO HORIZONTE. Secretaria Municipal de Saúde. Um tempo contra a dengue, 2015.

Disponivel em: <http://www.pbh.gov.br/smsa/dengue/pag.php?p=11>. Acesso em: 15

setembro 2015.

BESNARD, M. et al. Evidence of perinatal transmission of Zika virus, French Polynesia,

December 2013 and February 2014. Euro Surveill. , v. 19, n. 13, abr., 2014.

BOWMAN, L. R.; RUNGE-RANZINGER, S.; MCCALL, P. J. Assessing the relationship

between vector indices and dengue transmission: a systematic review of the evidence. PLoS

neglected tropical diseases, v. 8, n. 5, e2848, maio 2014. Disponivel em:

<http://dx.plos.org/10.1371/journal.pntd.0002848>. Acesso em: 9 jun 2015.

BRAGA, I. A. et al. Comparação entre pesquisa larvária e armadilha de oviposição, para

detecção de Aedes aegypti. Rev Soc Bras Med Trop, 4, p. 347-353, jul-ago 2000.

BRAGA, I. M. A.; MARTIN, J. L. S. Histórico do Controle do Aedes aegypti. In: VALLE, D.;

(ORG) Dengue: Teorias e Práticas. Rio de Janeiro: Editora Fiocruz, 2015. Cap. 2, p. 61-74.

BRAGA, I. M. A.; VALLE, D. Aedes aegypti: histórico do controle no Brasil. Epidemiologia

e serviços de saúde, v. 16, n. 2, p. 113–118, 2007.

94

BRASIL. Ministério da Saúde. Fundação Nacional de Saúde. Dengue- Instruções para

pessoal de combate ao vetor: manual de normas técnicas. 3ed. Brasília: FUNASA, 2001.

BRASIL. Ministério da Saúde. Fundação Nacional de Saúde. Programa Nacional de

Controle da Dengue.: Brasília: FUNASA, 2002.

BRASIL. Ministerio da Saúde. Secretária de Vigilânica em Saúde. Diretrizes Nacionais para

a Prevenção e Controle de Epidemias de Dengue: Brasília: Ministério da Saúde, 2009.

BRASIL. Ministério da Saúde. Secretaria de Vigilância em Sáude. Departamento de

Vigilância Epidemiológica. Doenças Infecciosas e Parasitárias: Guia de Bolso. 8ª ed.

Brasília, DF: Ministério da Saúde, 2010a.

BRASIL. Instituto Brasileiro de Geografia e Estatística. Cidades - Rio de Janeiro, 2010b.

Disponivel em: <http:www.ibge.gov.br>. Acesso em: 22 out 2014.

BRASIL. Secretaria de Vigilância em Saúde. Departamento de Vigilância das Doenças

Transmissíveis. Preparação e resposta à introdução do vírus Chikungunya no Brasil.:

Brasília,DF: Ministério da Saúde, 2014a.

BRASIL. Ministério da Saúde. Portal Saúde. Situação Epidemiológica da Dengue, 2014b.

Disponivel em: <http://portalsaude.saude.gov.br/index.php/situacao-epidemiologica-dados-

dengue>. Acesso em: 28 nov 2014.

BRASIL. Ministério da Saúde. Portal Saúde. Prevenção e combate - Dengue, Chikungunya

e Zika, 2015a. Disponivel em: <http://portalsaude.saude.gov.br>. Acesso em: 09 jun 2015.

BRASIL. Ministério da Saúde. Nota Informativa 07/2015: Evento de Saúde Pública (ESP)

relacionado a casos de síndrome exantemática em estados da Região Nordeste do Brasil em

2015 – atualização 2., Brasília, DF, 2015b.

BRASIL. Ministério da Saúde. Portal Saúde. Nota à imprensa: Ministério da Saúde confirma

relação entre vírus Zika e microcefalia. 2015c. Disponivel em:

<http://portalsaude.saude.gov.br>. Acesso em: 28 nov 2015.

BRASIL, MINISTÉRIO DA SAÚDE. Prevenção e Combate: Dengue , Chikungunya e

Zika. Disponível em:<http: //combateaedes.saude.gov.br/linha-do-tempo>, 2016. Acesso em:

04 abr 2016.

BRETEAU, H. La fièvre jaune en afrique-occidentale française:. Bull World Health Organ,

v. 11, p. 453–481, 1954.

BYTTEBIER, B.; DE MAJO, M. S.; FISCHER, S. Hatching Response of Aedes aegypti

(Diptera: Culicidae) Eggs at Low Temperatures: Effects of Hatching Media and Storage

Conditions. Journal of Medical Entomology, v. 51, n. 1, p. 97-103, 2014.

CARVALHO, R.G.; LOURENCO-DE-OLIVEIRA, R.; BRAGA, I. A. Updating the

geographical distribution and frequency of Aedes albopictus in Brazil with remarks regarding

its range in the Americas. Mem. Inst. Oswaldo Cruz, Rio de Janeiro, v. 109, p. 787-796, set

2014.

CASTRO, M. G. et al. Dengue virus detection by using reverse transcription-polymerase

chain reaction in saliva and progeny of experimentally infected Aedes albopictus from Brazil.

95

Mem. Inst. Oswaldo Cruz, Rio de Janeiro, v. 99, n. 8, p. 809-814, dez 2004. Disponível em:

<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0074-

02762004000800005&lng=en&nrm=iso>. Acesso em: 20 abr. 2016.

CAUCHEMEZ, S. et al. Association between Zika virus and microcephaly in French

Polynesia, 2013–15: a retrospective study. The Lancet, v. 387, n. 10033, p.2125–2132, maio

2016. Disponível em :< http://thelancet.com/abstract/S0140-6736(16)00651-6> Acesso em:

05 julho 2016.

CECILIO, A. B. et al. Natural vertical transmission by Stegomyia albopicta as dengue vector

in Brazil. Braz. J. Biol., São Carlos, v. 69, n. 1, p. 123-127, fev. 2009.

CHOUIN-CARNEIRO, T. et al. Differential Susceptibilities of Aedes aegypti and Aedes

albopictus from the Americas to Zika. PloS Neg. Trop. Dis., v. 10, p. e0004543, Mar 2016.

Disponível em:< http://journals.plos.org/plosntds/article?id=10.1371/journal.pntd.0004543>.

Acesso em: 17 jul 2016.

CLEMONS, A. et al. Aedes aegypti Culturing and Egg Collection. Cold Spring Harb

Protoc., v. pdb.prot5507., Out. 2010. Disponível em:

<http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2966317/>. Acesso em: 16 jul 2016.

CODEÇO, C. T. et al. Aedes aegypti: Comparison of House Index with Four Surveillance of

Alternative Traps. PLoS Negl Trop Dis, 9, n. 2, Fev. 2015. e0003475. Disponivel em:

<http://www.arca.fiocruz.br/handle/icict/11485>. Acesso em: 17 jun 2016.

CODECO, C. T. et al. InfoDengue: a nowcasting system for the surveillance of dengue fever

transmission. bioRxiv 046193, 2016 (No prelo).

COELHO, G. E. Relação entre o índice de infestação predial (IIP), obtido pelo

levantamento rápido (LIRAa) e intensidade de circulação do vírus do Dengue.

Dissertação (Mestrado em Saúde Pública) - Instituto de Saúde Coletiva. Universidade Federal

da Bahia. Salvador. 2008.

CONNOR, M. E.; MONROE, W. M. Stegomyia indices and their value in yellow fever

control. Am. J. Trop. Med. Hyg, v. 3, p. 9-19, 1923.

CONSOLI, R. A.; LOURENÇO-DE-OLIVEIRA, R. Principais mosquitos de importância

sanitária no Brasil. Rio de Janeiro: Editora Fiocruz, 1994.

CORBET, P.; CHADEE, D. D. An improved method for detecting substrate preferences

shown by mosquitoes that exhibit ‘skip oviposition’. Physiological Entomology , v. 18, p.

114-118, 1993.

COSTA, A. I. N. D. Geographical distribution of dengue and socioeconomic factors in an

urban locality in Southeastern Brazil. Revista de Saúde Pública, v.32, n. 3, p. 232-236, jun.

1998.

COSTA, L. R. M. Algoritmos Genéticos Aplicados ao Problema de Redução da Malha

Amostral. Dissertação (Mestrado) - Escola de Matemática Aplicada da Fundação Getúlio

Vargas. Rio de Janeiro, 2016.

COURET, J.; BENEDICT, M. Q. A meta-analysis of the factors influencing development rate

variation in Aedes aegypti (Diptera: Culicidae). BMC Ecology, v.14, n. 1, fev 2014.

96

CRANS, W. J.; SPRENGER, D. A.; MAHMOOD, F. The Blood-Feeding Habits of Aedes

sollicitans (Walker) in Relation to Eastern Equine Encephalitis virus in coastal areas of New

Jersey, II. Results of experiments with caged mosquitoes. Journal of Vector Ecology, v. 21,

n. 1, p.1-5, out 1995.

COMMUNITOR. http://www.communitor.com.br/. Projeto Cummunitor, 2016. Acesso em:

16 julho 2016.

DE SIMONE, T. S., et al. Dengue virus surveillance: the co-circulation of DENV-1, DENV-2

and DENV-3 in the State of Rio de Janeiro, Brazil. Transactions of the Royal Society of

Tropical Medicine and Hygiene, v.98, n. 9, p. 553-562, set. 2004.

DIBO, M. R., et al. Identification of the best ovitrap installation sites for gravid Aedes

(Stegomyia) aegypti in residences in Mirassol, state of São Paulo, Brazil. Mem. Inst.

Oswaldo Cruz, Rio de Janeiro , v. 100, n. 4, p. 339-343, jul. 2005.

DICKERSON, C. Z. The effects of temperature and humidity on the eggs of Aedes

aegypti (L.) and Aedes albopictus (Skuse) in Texas. Texas A&M University. Dissertação

(Mestrado).Texas, 2007.

DOBSON, A. J. An introduction to generalized linear models. 2ª. ed. Florida: Chpman &

Hall, 2002.

DUFFY, M. R.; AL, E. Zika Virus Outbreak on Yap Island, Federated States of Micronesia. N

Engl J Med , New England, v. 360, p. 2536-2543, jun. 2009.

FAY, R. W.; ELIASON, D. A. A preferred oviposition site as a surveillance method for Aedes

aegypti. Mosq. News, v.26, n. 4, p. 531–535, 1966.

FAY, R. W.; PERRY, A. S. Laboratory studies of ovipositional preferences of Aedes aegypti.

Mosq. News,v. 25, n. 3, p.276–81, 1965.

FIGUEIREDO, M. L. G., et al. Mosquitoes infected with dengue viruses in Brazil. l. Virol J ,

v. 7, p. 152, 2010.

FOCKS, D. A. A review of entomological sampling methods and indicators for dengue

vectors. World Health Organization on behalf of the Special Programme for Research and

Training in Tropical Diseases, Gainsville: 2003. Disponivel em:

<http://whqlibdoc.who.int/hq/2003/TDR_IDE_DEN_03.1.pdf>. Acesso em: 9 jun 2015.

FORATTINI, O. P. Identificação de Aedes (Stegomyia) albopictus (Skuse) no Brasil. Revista

de Saúde Pública, v.20, n. 3, p. 244–5, set 1986.

FOX, G.; NEGRETE-YANKELEVICH, S.; SOSA, V. J. Ecological Statistics: Contemporary

Theory and Application. Oxford : Oxford University Press , 2015.

FOY, B. D., et al. Probable non–vector-borne transmission of Zika virus, Colorado, USA.

Emerg Infect Dis., v.17, n.5, maio, 2011.

FREIRE, C. C. M. Caracterização de processos evolutivos de vírus de RNA a partir de

padrões deixados nas filogenias virais. Tese (Doutorado) - Bioinformática. Universidade de

São Paulo. São Paulo. 2014.

97

GARRETT-JONES, C. Prognosis for interruption of malaria transmission through assessment

of the mosquito's vectorial capacity. Nature, v. 204, p. 1173–1175, 1964.

GELMAN, A.; HILL, J. Data Analysis Using Regression and Multilevel/Hierarchical

Models. Cambridge: Cambridge University Press, 2007.

GOMES, A. C. Medidas dos níveis de infestação urbana para Aedes (Stegomyia) aegypti e

Aedes (Stegomyia) albopictus em programa de vigilância entomológica. Informe

epidemiológico do SUS, v.7, n. 3, p. 49-57, set 1998.

GOMES, A. C. Vigilância entomológica. Informe epidemiológico do SUS, v.11, n. 2, p. 79-

90, 2002.

GRATZ, N. G. Critical review of the vector status of Aedes albopictus. Medical and

veterinary entomology, v.18, n. 3,p. 215–27, 2004.

HASTIE, T.; TIBSHIRANI, R. Generalized Additive Models. Statistical Science, v.1, n. 3, p.

297-318, 1986.

HASTIE, T.; TIBSHIRANI, R. Generalized Additive Models. London: Chapman and Hall,

1990.

HAYES, E. B. Zika Virus Outside Africa. Emerg Infect Dis, v.15, n. 9, p.1347–50, set. 2009.

HONÓRIO, N. A. et al. Temporal Distribution of Aedes aegypti in Different Districts of Rio

De Janeiro, Brazil, Measured by Two Types of Traps. J. Med. Entomol, v.46, n. 5, p. 1001-

1014, 2009.

HONÓRIO, N. A. et al. Spatial Evaluation and Modeling of Dengue Seroprevalence and

Vector Density in Rio de Janeiro, Brazil. PLoS Negl Trop Dis., v. 11, n. 3, p. e545., Nov.

2009b.

INSTITUTO MUNICIPAL DE URBANISMO PEREIRA PASSOS. Prefeitura Municipal do

Rio de Janeiro. Armazem de Dados, 2015. Disponivel em: <http://portalgeo.rio.rj.gov.br/>.

Acesso em: 24 julho 2015.

KLEMPNER, M. S.; UNNASCH, T. R.; HU, L. T. Taking a Bite Out of Vector-Transmitted

Infectious Diseases. New England Journal of Medicine,v. 356, n. 25,p. 2567-2569, jun.

2007.

LAIRD, N. M.; WARE, J. H. Random-Effects Models for Longitudinal Data. Biometrics, v.

38, n. 4, p. 963-974., dez 1982.

LIMA, A. W. S.; HONÓRIO, N. A.; CODEÇO, C. T. Spatial Clustering of Aedes aegypti

(Diptera: Culicidae) and Its Impact on Entomological Surveillance Indicators. J Med

Entomol., v. 53, n. 2, p. 343-348, mar. 2016.

LOBO, I. Dengue Fever. Dengue Fever, 2011. Disponivel em:

<http://www.nature.com/scitable/ebooks/dengue-fever-22453392>. Acesso em: 15 jun. 2014.

LOURENÇO-DE-OLIVEIRA, R. Transmissão Vetorial. In: VALLE, D.; (ORG) Dengue:

Teorias e Práticas. Rio de Janeiro: Editora Fiocruz, 2015. Cap. 5, p. 127-146.

LOURENÇO-DE-OLIVEIRA, R. et al. Comparison of Different Uses of Adult Traps and

Ovitraps for Assessing Dengue Vector Infestation in Endemic Areas. Journal of the

98

American Mosquito Control Association, v.24, n. 3, p. 387-392,set. 2008. Disponivel em:

<http://www.bioone.org/doi/abs/10.2987/5585.1>. Acesso em: 16 nov. 2014.

MALLET, H. P.; VIAL, A. L.; MUSSO, D. Bilan de L’épidémie a virus Zika en Polynésie

Française, 2013-2014. Direction de la Sante. Papeete, p. 1-8. 2015.

MARTÍN, J. L. S. et al. The Epidemiology of Dengue in the Americas Over the Last Three

Decades: A Worrisome Reality. Am J Trop Med Hyg, v.82, n. 1, p. 128-135, jan. 2010.

MARTINS, V. E. et al. Occurrence of natural vertical transmission of dengue-2 and dengue-3

viruses in Aedes aegypti and Aedes albopictus in Fortaleza, Ceara, Brazil. PloS One, n. 7, p.

e41386, jul. 2012.

MIYAZAKI, R. D. et al. Monitoramento do mosquito Aedes aegypti (Linnaeus,

1762)(Diptera: Culicidae), por meio de ovitrampas no Campus da Universidade Federal de

Mato Grosso, Cuiabá, Estado de Mato Grosso. Revista da Sociedade Brasileira de

Medicina Tropical,v. 9, p. 392-397, jul-ago 2009.

MOHAMMED, A.; CHADEE, D. D. Effects of different temperature regimens on the

development of Aedes aegypti. Acta Tropica, v.119, p.38-43, jul. 2011

MONDINI, A.; CHIARAVALLOTI-NETO, F. Spatial correlation of incidence of dengue with

socioeconomic, demographic and environmental variables in a Brazilian city. Science of The

Total Environment, v393, n. 2-3, p. 241-248, abr. 2008.

MORAIS, M. B. J. Avaliação da BG-Sentinel e da Mosquitrap na captura do Mosquito

Aedes (Stegomya) aegypti (Linnaeus), (Diptera: Culicidae). Dissertação (Mestrado em

Ciência Biológicas) - Programa de Pós-Graduação em Ciências Biológicas. Universidade

Estadual de Montes Claros. Montes Claros. 2009.

MORATO, V. C. G. et al. Infestation of Aedes aegypti estimated by oviposition traps in

Brazil., São Paulo, v. v. 39, n. n. 4, p. 553-558, ago 2005.

MUSSO, D., et al. Potential Sexual Transmission of Zika Virus. Emerg Infect Dis, Atlanta, v.

21, n. 2, fev. 2015.

MUSTAFA, M. S., et al. Discovery of fifth serotype of dengue virus (DENV-5): A new public

health dilemma in dengue control. Medical Journal Armed Forces India, New Delhy, v.71,

p. 67-70, jan. 2015.

NELDER, J.; WEDDERBURN, R. Generalized Linear Models. Journal of the Royal

Statistical Society., v.135, p.370–384, 1972.

NEVES, D. P. Parasitologia humana. 11 ed.. Rio de Janeiro: Atheneu, 2002.

NOGUEIRA, R. M. R. et al. Dengue epidemic in the stage of Rio de Janeiro, Brazil, 1990-1:

co-circulation of dengue 1 and dengue 2 serotypes. Epidemiology and Infection, v.111, n. 1,

p. 163-170, ago. 1993.

NOGUEIRA, R. M. R.; ARAÚJO, J. M. G.; SCHATZMAYR, H. G. Dengue viruses in Brazil,

1986-2006. Revista Panamericana de Salud Publica, 22, n. 5, p. 358–363, nov. 2007.

Disponivel em: <http://www.scielosp.org/scielo.php?pid=S1020-

49892007001000009&script=sci_arttext>. Acesso em: 22 out 2014.

99

NOGUEIRA, R. M. R.; EPPINGHAUS, A. L. F. Dengue virus type 4 arrives in the state of

Rio de Janeiro: a challenge for epidemiological surveillance and control. Memórias do

Instituto Oswaldo Cruz, v.106, n. 3, p. 255–6, maio 2011.

NUNES, M. R. et al. Emergence and potential for spread of Chikungunya virus in Brazil.

BMC Medicine, v.13, n. 1, p.102, 2015.

OOI, E.-E.; GOH, K.-T.; GUBLER, D. J. Dengue Prevention and 35 Years of Vector Control

in Singapore. Emerging Infectious Diseases, v.12, n. 6, p. 887-893, jun. 2006.

ORGANIZAÇÃO MUNDIAL DE SAÚDE. Dengue guidelines for diagnosis, treatment,

prevention and control: new edition. Geneva: WHO, 2009.

ORGANIZAÇÃO MUNDIAL DE SAÚDE. Impact of Dengue, 2014. Disponivel em:

<http://www.who.int/cs.r/disease/dengue/impact/en/>. Acesso em: 29 out 2014.

ORGANIZAÇÃO PAN-AMERICANA DE SAÚDE. Description of the current

epidemiological trends of dengue in the Americas. PAHO, 2015. Disponivel em:

<http://www.paho.org/hq/index.php?option=com_content&view=article&id=4494%3A2010-

descripcion-situacion-epidemiologica-actual-dengue-americas&catid=1221%3Adengue-

statistics-maps&Itemid=41505&lang=en>. Acesso em: 16 ago 2015.

ORGANIZAÇÃO PAN-AMERICANA DE SAÚDE. Number of Reported Cases of

Chikungunya Fever in the Americas, by Country or Territory, 2015. Disponivel em:

<Disponível em

http://www.paho.org/hq/index.php?option=com_topics&view=readall&cid=5511&Itemid=40

931&lang=pt>. Acesso em: 1 jun. 2015.

ORGANIZAÇÃO PAN-AMERICANA DE SAÚDE/ ORGANIZAÇÃO MUNDIAL DA

SAÚDE. Epidemiological Update: Neurological syndrome, congenital anomalies and

Zika virus infection. PAHO/WHO. Washington, p. 2-8. 2016.

PEPIN, K. M. et al. Cost-effectiveness of Novel System of mosquito surveillance and control,

Brazil. Emerging Infectious Diseases, v.19, n.4, abr 2013.

PEPIN, K. M. et al. Utility of mosquito surveillance data for spatial prioritization of vector

control against dengue in three Brazilian cities. Parasites & Vectors, v.98,n.8, fev 2015.

PESSANHA, J. E. M. et al. Ovitrap surveillance as dengue epidemic predictor. Journal of

Health & Biological Sciences,v 2, n. 2, p. 51-56, abr 2014. Disponivel em:

<http://201.20.109.36:2627/index.php/medicina/article/view/54>. Acesso em: 09 jun. 2015.

PINHEIRO, J. et al. _nlme: Linear and Nonlinear Mixed Effects Models_. R package

version 3.1, 2016.

POWERS, A. M.; LOGUE, C. H. Changing patterns of chikungunya virus: re-emergence of a

zoonotic arbovirus. J Gen Virol,v. 88, n. 9, p. 2363–77,set. 2007.

REY, L. Bases da parasitologia médica. 3. ed. Rio de Janeiro: Guanabara Koogan, 2011.

RIO DE JANEIRO (ESTADO). Dengue: Cenário epidemiológico e perspectiva para o ano

de 2016. Secretaria de Estado de Saúde do Rio de Janeiro. Rio de janeiro, p. 1-7. 2015.

100

RUBIO-PALIS, Y. et al. Influence of climatic variables on dengue cases and abundance of

Aedes aegypti (Diptera: Culicidae) in Maracay, Venezuela. Bol Mal Salud Amb, Maracay , v.

51, n. 2, p. 145-158, dez 2011.

RUEDA, B. Z. Comparação da eficácia dos métodos “Índice de Breteau” e Armadilha de

Oviposição (ovitrampa) na obtenção dos índices de infestação de Aedes (stegomyia)

aegypti e Aedes (stegomyia) albopictus no município de Botucatu, SP. Tese (Doutorado)-

Universidade Estadual Paulista, Instituto de Biociências. Botucatu. 2009.

RUEDA, L. M. et al. Temperature-Dependent Development and Survival Rates of Culex

quinquefasciatus and Aedes aegypti (Diptera: Culicidae). Journal of Medical Entomology,

v.27, n. 5, p. 892-898, 1990.

SALAZAR, M. I. et al. Dengue virus type 2: replication and tropisms in orally infected Aedes

aegypti mosquitoes. BMC Microbiology, v.7, n.9, jan 2007.

SANCHEZ, L. et al. Aedes aegypti Larval Indices and Risk for Dengue Epidemics. Emerg

Infect Dis , v. 12, maio 2006.

SANTOS, M. A. V. M. Aedes aegypti (diptera: culicidae): estudos populacionais e

estratégias integradas para controle vetorial em municípios da região metropolitana do

Recife, no período de 2001 a 2007. Tese (Doutorado) - Centro de Pesquisas Aggeu

Magalhães, Fundação Oswaldo Cruz. Recife. 2008.

SCHULER-FACCINI, L., et al. Possible Association Between Zika Virus Infection and

Microcephaly — Brazil, 2015. Morbidity and Mortality Weekly Report (MMWR).

Centers for Disease Control and Prevention. Atlanta, p. 59–62, 2016.

SILVA, H. H. G.; SILVA, I. G. Influência do período de quiescência dos ovos sobre o ciclo de

vida de Aedes aegypti (Linnaeus, 1762)(Diptera, Culicidae) em condições de laboratório. Rev

Soc Bras Med Trop., v.32, n. 4,p. 349–355, jul. 1999.

SIMMONS, C. P. et al. Dengue. New England Journal of Medicine., v. 366, n. 15, p. 1423–

32, abr. 2012. Disponivel em: <http://www.nejm.org/doi/full/10.1056/NEJMra1110265>.

Acesso em: 30 out. 2014.

SIMÕES, T. C. et al. Modeling the Non-Stationary Climate Dependent Temporal Dynamics of

Aedes aegypti. PLoS One, v. 8, p. e64773, ago 2013.

SIVANATHAN, S. The Ecology And Biology Of Aedes Aegypti (L.) And Aedes Albopictus

(Skuse)(Diptera: Culicidae) And The Resistance Status Of Aedes Albopictus (Field

Strain) Against Organophosphates In Penang, Malaysia. Dissertação (Mestrado em

Ciências)- Universiti Sains Malaysia. 2006. Penang. 2006.

SOUZA, S. S.; SILVA, I. G.; SILVA, H. H. G. Associação entre incidência de dengue,

pluviosidade e densidade larvária de Aedes aegypti, no Estado de Goiás. Rev. Soc. Bras. Med

Trop., v. 43, n. 2, p. 152–5, mar-abr 2010. Disponivel em:

<http://www.scielo.br/pdf/rsbmt/v43n2/09.pdf>. Acesso em: 22 out 2014.

STAPLES, J. E.; BREIMAN, R. F.; POWERS, A. M. Chikungunya Fever: An

Epidemiological Review of a Re-Emerging Infectious Disease. Clin Infect Dis., v.49, n. 6, p.

942–8, set. 2009.

101

TAUIL, P. L. Critical aspects of dengue control in Brazil. Cadernos de Saúde Pública, v. 18,

n. 3, p. 867-871, jun. 2002.

TEIXEIRA, M. G. et al. Epidemiological trends of dengue disease in Brazil (2000–2010): a

systematic literature search and analysis. PLoS neg. trop. dis., v.7, n. 12, p. e2520, dez 2013.

Disponivel em: <http://dx.plos.org/10.1371/journal.pntd.0002520.g004>. Acesso em: 21 jan

2015.

TEIXEIRA, T. R. A.; CRUZ, O. G. Spatial modeling of dengue and socio-environmental

indicators in the city of Rio de Janeiro, Brazil. Cadernos de Saúde Pública, v.27, n. 3, p.

591-602, mar. 2011.

TUN-LIN, W.; BURKOT, T. R.; KAY, B. H. Effects of temperature and larval diet on

development rates and survival of the dengue vector Aedes aegypti in north Queensland,

Australia. Medical and Veterinary Entomology, v.14, n. 1, p. 31-37, mar. 2000.

VALLE, D.; CODEÇO, C. T. Avaliação de armadilhas para a vigilância entomológica de

Aedes aegypti com vistas à elaboração de novos índices de infestação. Nota Técnica,

Insituto Oswaldo Cruz/ FIOCRUZ. Rio de Janeiro, maio 2014.

VEGA-RÚA, A. et al. High vector competence of Aedes aegypti and Aedes albopictus from

ten American countries as a crucial factor of the spread of Chikungunya. J Virol, v. 88, n. 11,

p. 6294-6306, mar. 2014.

VENABLES, W. N.; RIPLEY, B. D. Modern Applied Statistics with S. 4ª. ed. New York.:

Springer, 2002.

VICTORA, C. G., et al. Microcephaly in Brazil: How to interpret reported numbers? The

Lancet, v. 387 (10019), p. 621-624, fev. 2016.

WATTS, D. et al. Effect of temperature on the vector efficiency of Aedes aegypti for dengue 2

virus. Am. J. Trop. Med. Hyg., v.36, n. 1, p. 143-152, jan. 1987.

WEAVER, S. C.; REISENB, W. K. Present and future arboviral threats. Antiviral Research,

v. 85, n. 1, p. 328-345, out. 2009.

WOOD, S. N. Generalized Additive Models: An Introduction with R. [S.l.]: Chapman and

Hall/CRC, 2006.

YANG, H. M. et al. Assessing the effects of temperature on the population of Aedes aegypti,

the vector of dengue. Epidemiol. Infect., Cambridge, v. 137, p. 1188–1202, 2009.

ZUUR, A. F. et al. Mixed effects models and extensions in ecology with R. New York:

Springer, 2009.

102

APÊNDICE A – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO

ENTRE IDO E TEMPERATURA

title: " title: "Script Analise IDO por AP"

author: "Sara de Souza"

date: "Thursday, May 19, 2016"

---

Carregando os dados e bibliotecas

```{r}

setwd("C:/Users/Sara/Dropbox/Sara/script + arquivos/arquivos clima ovitrampas")

setwd("script + arquivos/arquivos clima ovitrampas")

library(ggplot2)

library(grid)

ovi<-read.csv2("indtemptotal.csv")

ovi$data= as.Date(ovi$data, format = "%d/%m/%Y")

ovi <- ovi[-155,]

```

Descricao das variaveis

ipo = indice de positividade de ovos (proporcao de ovitrampas positivas)

ido = indice de densidade de ovos (media de ovos por ovitrampa)

tmin = media semanal das temperaturas minimas, na semana da coleta dos dados, na estacao

correspondente a area de coleta.

tmin1 = media semanal das temperaturas minimas, na semana a anterior a semana da coleta

dos dados, na estacao correspondente a area de coleta.

tmin2 = media semanal das temperaturas minimas duas semanas antes da semana de coleta


tmin3 = media semanal das temperaturas minimas, tres semanas antes da semana da coleta


tmax = media semanal das temperaturas maximas, na semana da coleta dos dados, na estacao

correspondente a area de coleta.

tmax1 = media semanal das temperaturas maximas, na semana a anterior a semana da coleta


tmax2 = media semanal das temperaturas maximas duas semanas antes da semana de coleta


tmax3 = media semanal das temperaturas maximas, tres semanas antes da semana da coleta


```{r}

= 2, layout.pos.col = 2))

```

IDO por APS

```{r}

str(ovi)

par(mfrow=c(1,1),mar=c(2,2,2,1))

103

ovim <- ovi[-which(is.na(ovi$ido)),]

idoaps=base <- ggplot(ovim, aes( data,ido,group=APS, color=APS,)) +

geom_line(size = 1)+labs(title="IDO por APS")+ scale_colour_brewer(palette="Set3")

idoaps

library("nlme")

```

IPO por APS

```{r}


str(ovi)

ovim <- ovi[-which(is.na(ovi$ipo)),]

ipoaps=ggplot(ovim, aes( data,ipo,group=APS, color=APS,)) +

geom_line(size = 1)+ labs(title="IPO por APS")+ scale_colour_brewer(palette="Spectral")

```

Box plot relacao IDO-IPO

```{r}

idoipo=ggplot(ovi, aes(APS, ido*ipo)) +

geom_boxplot()+labs(title="IDO interagindo com IPO por APS")


ipoxido=ggplot(ovi, aes(x=ido, y=ipo, group=APS)) +

geom_point(shape=1) + # Use hollow circles

geom_smooth(method=lm)

ipoxido

summary(lm(ovi$ido~ovi$ipo))

```

Transformando em dado agrupado

```{r}


ovim$APS <- as.factor(ovim$APS)

str(ovim)

gd<- groupedData(ido~week|APS,data=ovim,labels=list(x='Semanas do Estudo',y='IDO'))

plot(gd)

```

Modelo de relacao do mosquito com temperatura por APS, usando GAM e LM

```{r}

library(mgcv)

mod0<-gam(ido~s(tmin),data=ovi)

mod1<-gam(ido~s(tmin1),data=ovi)



summary(mod0)

summary(mod1)

104

summary(mod2)

summary(mod3)

par(mfrow=c(2,2), mar=c(2,4,2,1))

plot(mod0)

abline(h=0, col=2)

plot(mod1)

abline(h=0, col=2)

plot(mod2)

abline(h=0, col=2)

plot(mod3)

abline(h=0, col=2)

AIC(mod1, mod2, mod3, mod0)

#nao linear mod0 mod3

#substituindo os demais por lineares (mod1d, mod2d e mod3)

mod1d<-lm(ido~tmin1,data=ovi)

mod2d<-lm(ido~tmin2,data=ovi)

summary(mod1d)

summary(mod2d)

par(mfrow=c(2,2), mar=c(2,4,2,1))

plot(mod1d)

plot(mod2d)

AIC(mod1d, mod2d, mod3, mod0)

#por enquanto vence o modelo mod1d

mod0c<-gam(ido~s(tmin)+APS,data=ovi)

mod1c<-gam(ido~s(tmin1)+APS,data=ovi)



summary(mod0c)

summary(mod1c)

summary(mod2c)

summary(mod3c)

par(mfrow=c(2,2))

plot(mod0c)

abline(h=0, col=2)

plot(mod1c)

abline(h=0, col=2)

plot(mod2c)

abline(h=0, col=2)

plot(mod3c)

abline(h=0, col=2)

AIC(mod0c,mod1c,mod2c,mod3c)

#aqui ganhou mod1c

105

mod0d=gam(ido~s(tmin,by=APS), data=ovi)

mod1d=gam(ido~s(tmin1,by=APS), data=ovi)



AIC(mod0d,mod1d,mod2d,mod3d)

summary(mod0d)

summary(mod1d)

summary(mod2d)

summary(mod3d)

plot(mod0d, pages =1)




mod0a<-lm(ido~tmin*APS,data=ovi)

mod1a<-lm(ido~tmin1*APS,data=ovi)



summary(mod0a)

summary(mod1a)

summary(mod2a)

summary(mod3a)

par(mfrow=c(2,2))

plot(mod0a)

plot(mod1a)

plot(mod2a)

plot(mod3a)

AIC(mod0a,mod1a,mod2a,mod3a)

#ganhou mod1a

```

Melhor modelo: lag de 1 semana

Escolhendo o melhor modelo com lag de 1 semanas

```{r}


mod1e=lm(ido~tmin1, data=ovi)

mod1b<-lm(ido~tmin1+APS,data=ovi)


plot(mod1a)

mod1c= gam(ido~s(tmin1)+APS, data=ovi)


gam.check(mod1c)

gam.check(mod1d)

AIC(mod1, mod1a, mod1b, mod1c, mod1d, mod1e)

# grafico do predito

106

aps = unique(ovi$APS)

newdata <- expand.grid(tmin1=seq(16,26), APS=aps)

newdata$predmod1 <- predict(mod1a, newdata)

par(mfrow=c(1,1))

plot(newdata$tmin1[newdata$APS==aps[1]],newdata$predmod1[newdata$APS==aps[1]],typ

e="l", col= "OliveDrab",ylab="predito(IDO)", xlab="temperatura mínima",ylim=c(0,70))

lines(newdata$tmin1[newdata$APS==aps[2]],newdata$predmod1[newdata$APS==aps[2]],co

l="DeepSkyBlue")


l="LawnGreen")


l="Gold")


l="MediumOrchid")


l="LightSalmon")


l="Sienna")


l="Tomato")


l="Grey")

lines(newdata$tmin1[newdata$APS==aps[10]],newdata$predmod1[newdata$APS==aps[10]],

col="RosyBrown")

legend(x="topleft", legend=aps, lty=1, col=c("OliveDrab", "DeepSkyBlue", "LawnGreen",

"Gold", "MediumOrchid","LightSalmon", "Sienna", "Tomato", "Grey", "RosyBrown"),

cex=0.5)

```

Melhor modelo para as minimas: linear lag de 1 semana, com ido e temp com intera??o com

a APS

```{r}



plot(mod1a)

hist(resid(mod1a))

boxplot(resid(mod1a))

ovi$predicted=predict(mod1a)

predict(mod1a)

```

Ido x Temp Para as maximas

```{r}

modmax0<-gam(ido~s(tmax),data=ovi)

modmax1<-gam(ido~s(tmax1),data=ovi)


107


summary(modmax0)

summary(modmax1)

summary(modmax2)

summary(modmax3)

par(mfrow=c(2,2))

plot(modmax0)

abline(h=0, col=2)

plot(modmax1)

abline(h=0, col=2)

plot(modmax2)

abline(h=0, col=2)

plot(modmax3)

abline(h=0, col=2)

#lineares = modmax1 e 3

modmax1lm=lm(ido~tmax1, data=ovi)

modmax3lm=lm(ido~tmax3, data=ovi)

summary(modmax1lm)

summary(modmax3lm)

plot(modmax1lm)

plot(modmax3lm)

AIC(modmax0,modmax1lm, modmax2,modmax3lm )

#O melhor: o lag 2

#Agora com aps

modmax0<-gam(ido~s(tmax)+APS,data=ovi)

modmax1<-gam(ido~s(tmax1)+APS,data=ovi)



summary(modmax0)

summary(modmax1)

summary(modmax2)

summary(modmax3)

par(mfrow=c(2,2), mar=c(1,1,1,1))

plot(modmax0)

abline(h=0, col=3)

plot(modmax1)

abline(h=0, col=3)

plot(modmax2)

abline(h=0, col=3)

plot(modmax3)

abline(h=0, col=3)

AIC(modmax0,modmax1,modmax2,modmax3)

#Melhor modelo = modmax1

108

#Agora os modelos com intera??o da APS

modmax0<-gam(ido~s(tmax, by=APS),data=ovi)

modmax1<-gam(ido~s(tmax1, by=APS),data=ovi)



summary(modmax0)

summary(modmax1)

summary(modmax2)

summary(modmax3)

AIC(modmax0,modmax1,modmax2,modmax3)

#Melhor modelo = modmax1

lmmodmax0<-lm(ido~tmax*APS,data=ovi)

lmmodmax1<-lm(ido~tmax1*APS,data=ovi)



summary(lmmodmax0)

summary(lmmodmax1)

summary(lmmodmax2)

summary(lmmodmax3)

plot(lmmodmax1)

AIC(lmmodmax0, lmmodmax1,lmmodmax2, lmmodmax3)

```

Melhor modelo: lag 1 semana

Escolhendo o melhor modelo com lag

```{r}

mod<-gam(ido~s(tmax),data=ovi)



mod1b<-gam(ido~s(tmax1, by=APS),data=ovi)

summary(mod1b)

AIC(mod,modmax1,lmmodmax1, mod1b)

lmmodmax1<-lm(ido~tmax1*APS,data=ovim)

mod1b<-gam(ido~s(tmax1, by=APS),data=ovim)

plot(lmmodmax1)

plot(mod1b)

AIC(mod1a, mod1b, lmmodmax1)

#Ao remover ponto de influencia (apos consulta a fonte e constatacao que o ponto foi

digitado errado) , o melhor modelo e o linear

title: "Script Analise IDO por RA"


date: "Friday, June 03, 2016"

109

---

```{r}


setwd("script + arquivos/arquivos clima ovitrampas")

ovi<-read.csv2("indtemptotalra.csv")

str(ovi)

ovi$data= as.Date(ovi$data, format = "%Y-%m-%d")

ovi$RANUM=as.factor(ovi$RANUM)

ovi <- ovi[-461,]

head(ovi)

```

ipo = indice de positividade de ovos (proporcao de ovitrampas positivas)

ido = indice de densidade de ovos (media de ovos por ovitrampa)

```{r}

library(ggplot2)


boxplot=ggplot(ovi, aes( RANUM,ido)) +

geom_boxplot()+ xlab('Regioes Administrativas') + ylab('IDO')

boxplot+ggtitle('IDO por Regiao Adiministrativa')

boxplot=ggplot(ovi, aes( RANUM,ipo)) +

geom_boxplot()+ xlab('Regioes Administrativas') + ylab('IPO')

boxplot+ggtitle('IPO por Regiao Adiministrativa')

```

Modelo misto

Carregando bibliotecas necessarias

```{r}

library("nlme")

```

Transformando em dado agrupado

```{r}


ovim$RANUM <- as.factor(ovim$RANUM)

str(ovim)

gd<- groupedData(ido~week|RANUM,data=ovim,labels=list(x='Semanas do

Estudo',y='IDO'))

gd1<-groupedData(ipo~week|RANUM,data=ovim,labels=list(x='Semanas do

Estudo',y='IPO'))

par(mfrow=c(1,1), mar=c(1,1,1,1))

plot(gd)

plot(gd1)

head(gd)

```

Para temperaturas miminas

110

(As primeiras analises serao tambem exemplos de como fazer cada etapa, conforme

ZUUR(2007))

Como ajustar modelo de regressao de intercepto aleatoriol

tmin = 0 lag e IDO

```{r}

lmefit0 <-lme(ido~1, data=gd, random=~1|RANUM)

lmefit<-lme(ido~tmin, data=gd, random=~1|RANUM)

summary(lmefit)

```

Como ajustar modelo de slope e intercep aleatorio tmin = 0 lag

```{r}

lmefitt<-lme(ido~tmin, data=gd, random=~1+tmin|RANUM)

summary(lmefitt)

anova(lmefit, lmefitt)

AIC(lmefit, lmefitt)

#modelo com intercepto e slope aleat?rio ? o melhor

```

Como plotar grafico do intercep aleatorio

```{r}

par(mfrow=c(1,1), mar=c(3,3,3,3))

F0 <- fitted(lmefit, level=0) # modelo pop

F1 <- fitted(lmefit, level=1) # modelo intraRA

temps <- sort(ovim$tmin)

I <- order(ovim$tmin)

plot(temps,F0[I],type="l",xlab="tmin",ylab="IDO",lwd=3)

RAs = unique(ovim$RANUM)

for(i in RAs){

x1 <- ovim$tmin[ovim$RANUM == i]

y1 <- F1[ovim$RANUM ==i]

K <- order(x1)

lines(sort(x1),y1[K],lwd=0.8,col="grey")

}

```

Como plotar grafico do slope e intercep aleatorio

```{r}

par(mfrow=c(1,1), mar=c(2,2,2,2))

F0 <- fitted(lmefitt, level=0) # modelo pop

F1 <- fitted(lmefitt, level=1) # modelo intraRA

temps <- sort(ovim$tmin)

I <- order(ovim$tmin)

plot(temps,F0[I],type="l",xlab="tmin",ylab="IDO",lwd=3)


for(i in RAs){

111

x1 <- ovim$tmin[ovim$RANUM == i]


K <- order(x1)


}

```

como plotar o Mapa

```{r}

library(rgeos)

library(maptools)

library(RColorBrewer)

library(classInt)

par(mai=c(0,0,0,0),mar=c(4,4,1,1))

mapa <- readShapePoly("C:/Users/Sara/Dropbox/Sara/script +

arquivos/SARA/limite_RA.shp",verbose=TRUE)

summary(mapa)

plot(mapa)

```

Como plotar o Grafico dos interceptos

```{r}

interc <- random.effects(lmefit)

plot(interc)

names(interc) <- "intercepto"

```

Como colocar os valores de intercepto no shape

```{r}

mapa$interc <- NA

for (i in 1:33){

RAi <- as.character(mapa$CODRA[i])

mapa$interc[i]<-interc$intercepto[which(rownames(interc)==RAi)]

}

colors <- brewer.pal(5, name = "YlOrRd")

brks<-classIntervals(mapa$interc, n=5, style="quantile")

brks<- brks$brks

plot(mapa,col=colors[findInterval(mapa$interc,brks,all.inside=TRUE)], axes=F)

#add a title

title(paste ("intercepto do modelo aleatorio"))

#isto é , as áreas mais escuras já saem na frente em relação ao IDO

#add a legend

legend(x=620000, y=7486000, legend=leglabs(round(brks)), fill=colors, bty="n",x.intersp =

.9, y.intersp = .6)

````

Como plotar o grafico dos interceptos e slopes

```{r}

112

interc <- random.effects(lmefitt)

plot(interc)

names(interc) <- c("intercepto","slope")

```

Como colocar os valores de intercepto no shape

```{r}

mapa$interc <- NA

mapa$slope <- NA

for (i in 1:33){



mapa$slope[i]<-interc$slope[which(rownames(interc)==RAi)]

}



brks<- brks$brks



brks<-classIntervals(mapa$slope, n=5, style="quantile")

brks<- brks$brks

plot(mapa,col=colors[findInterval(mapa$slope,brks,all.inside=TRUE)], axes=F)

#add a title

title(paste ("slope"))

#add a legend

legend(x=620000, y=7486000, legend=leglabs(round(brks)), fill=colors, bty="n",x.intersp =

.9, y.intersp = .6)

```

Ajustando modelo de regressao de intercepto aleatorio - tmin , lag 1 semana

```{r}


lmefitt1<-lme(ido~tmin1, data=gd, random=~1|RANUM)

summary(lmefitt1)

AIC(lmefit0, lmefitt1)

```

Ajustando modelo de regressao de intercepto e slope aleatorio- tmin , lag 1 semana

(melhor modelo ap?s toda an?lise, logo, os graficos e mapas ser?o feitos com base nesse

modelo)

```{r}

str(gd)

lmefitt12<-lme(ido~tmin1, data=gd, random=~1+tmin1|RANUM)

summary(lmefitt12)

summary(lmefitt123)

AIC(lmefitt1, lmefitt12)

anova(lmefitt1, lmefitt12)

113

```

Grafico do modelo de regressao de intercepto e slope aleatorio- tmin , lag 1 semana

```{r}

par(mfrow=c(1,1))

F0 <- fitted(lmefitt12, level=0) # modelo pop

F1 <- fitted(lmefitt12, level=1) # modelo intraRA

temps <- sort(ovim$tmin1)

I <- order(ovim$tmin1)

plot(temps,F0[I],type="l",xlab="tmin1",ylab="IDO",lwd=3)


for(i in RAs){

x1 <- ovim$tmin1[ovim$RANUM == i]


K <- order(x1)


}

# Modelo com interceptos e slopes aleatórios é melhor

```

Plotando o grafico com os interceptos e slopes

```{r}

interc <- random.effects(lmefitt12)

plot(interc)

names(interc) <- c("intercepto","slope")

```

Colocando os valores de intercepto e slope no shape

```{r}

mapa$interc <- NA

mapa$slope <- NA

for (i in 1:33){



mapa$slope[i]<-interc$slope[which(rownames(interc)==RAi)]

}



brks<- brks$brks


title(paste ("Intercepto"))

legend(x=620000, y=7486000, legend=leglabs(round(brks,digits=1)), fill=colors,

bty="n",x.intersp = .9, y.intersp = .6)



brks<- brks$brks


114

title(paste ("slope"))

legend(x=620000, y=7486000, legend=leglabs(round(brks, digits=1)), fill=colors,


```

Ajustando modelo de regressao de intercepto aleatorio - lag 2 semanas

```{r}



summary(lmefitt2)

AIC(lmefit0, lmefit)

```

modelo de intercepto e slope aleatorio - lag 2 semanas

```{r}


summary(lmefitt22)

AIC(lmefitt2,lmefitt22)

anova(lmefitt2,lmefitt22)

````

Ajustando modelo de regressao de intercepto aleatorio - lag 3 semanas

```{r}



summary(lmefitt3)

AIC(lmefit0, lmefitt3)

```

modelo de intercepto e slope aleatorio - lag 3 semanas

```{r}


summary(lmefitt32)


anova(lmefitt3, lmefitt32)

AIC (lmefit0, lmefit, lmefitt, lmefitt1,lmefitt12,lmefitt2,lmefitt22, lmefitt3,lmefitt32 )

anova (lmefit0, lmefit, lmefitt, lmefitt1,lmefitt12,lmefitt2,lmefitt22, lmefitt3,lmefitt32 )

```

Para temperaruras m?ximas

Modelo de regressao de intercepto aleatoriol temperaturas m?ximas sem lag

```{r}


lmefitmax<-lme(ido~tmax, data=gd, random=~1|RANUM)

summary(lmefitmax)

AIC(lmefit0, lmefitmax)

```

Ajustando modelo de regressao de intercepto e slope aleatorio temperaturas m?ximas sem lag

```{r}

115

lmefitmaxx<-lme(ido~tmax, data=gd, random=~1+tmax|RANUM)

summary(lmefitmaxx)

AIC(lmefitmax, lmefitmaxx)

anova(lmefitmax, lmefitmaxx)

```

Ajustando modelo de regressao de intercepto aleatorio - temp max lag 1 semana

```{r}


lmefitmaxt1<-lme(ido~tmax1, data=gd, random=~1|RANUM)

summary(lmefitmaxt1)

AIC(lmefit0, lmefitmaxt1)

```

Ajustando modelo de regressao de intercepto e slope aleatorio - temp max lag 1 semanas

```{r}

lmefitmaxt12<-lme(ido~tmax1, data=gd, random=~1+tmax1|RANUM)


AIC(lmefitmaxt1, lmefitmaxt12)

anova(lmefitmaxt1, lmefitmaxt12)

```

Ajustando modelo de regressao de intercepto aleatorio - temp max lag 2 semanas

```{r}





```

Ajustando modelo de regressao de intercepto e slope aleatorio - temp max lag 2 semanas

```{r}





```

Ajustando modelo de regressao de intercepto aleatorio - temp max lag 3 semanas

```{r}





```

Ajustando modelo de regress?o inetrcepto e slope aleatorio - temp max lag 3 semanas

```{r}



116



AIC (lmefitmax,lmefitmaxx, lmefitmaxt1, lmefitmaxt12,

lmefitmaxt2,lmefitmaxt22,lmefitmaxt3,lmefitmaxt32 )

anova (lmefitmax,lmefitmaxx, lmefitmaxt1, lmefitmaxt12,

lmefitmaxt2,lmefitmaxt22,lmefitmaxt3,lmefitmaxt32 )

```

Analise de residuo melhor modelo: tmin lag 1 week slope e intercepto aleat?rio

```{r}

anova.lme(lmefitt12, lmefitt1)


par(mfrow=c(1,1), mar=c(2,3,2,3))

plot(lmefitt12)

resid=lmefitt12$residuals

fit=lmefitt12$fitted

plot(resid~fit ,xlab="residuos",ylab="valores ajustados" )

abline(h=0, col=2, lty=2)

lines(smooth.spline(fitted(lmefitt12), residuals(lmefitt12)))

names(lmefitt12)

res=as.data.frame(resid)

names(res)

plot (res$fixed)

acf(res$fixed)

hist(res$fixed)

which(res$fixed>100)

ovim2 <- ovim[-c(318,668,706,765),]

gd1<- groupedData(ido~week|RANUM,data=ovim2,labels=list(x='Semanas do

Estudo',y='IDO'))

lmefitt122<-lme(ido~tmin1, data=gd1, random=~1+tmin1|RANUM)

plot(lmefitt122)

resid2=lmefitt122$residuals

fit2=lmefitt122$fitted

plot(resid2~fit2 ,xlab="residuos",ylab="valores ajustados" )

abline(h=0, lty=2)

lines(smooth.spline(fitted(lmefitt122), residuals(lmefitt122)))

res2=as.data.frame(resid2)

par(mfrow=c(2,2), mar=c(2,2,2,2))

plot (res2$fixed, main="Residuos fixos x valores ajustados",)

acf(res2$fixed)

hist(res2$fixed)

qqnorm(res2$fixed)

117

APÊNDICE B – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO

ENTRE IPO E TEMPERATURA

title: "Script Analise IPO por AP e RA"


```

Modelagem dos dados positividade de ovitrampa agregados para APS usando regressao

logistica

```{r}

library(lme4)

library(nlme)


posit=read.csv2("indtemptotal.csv")

posit <- posit[-155,]

str(posit)

posit$data= as.Date(posit$data, format=("%d/%m/%Y"))

posit$palpos[posit$palrec==1 & is.na(posit$palpos)==TRUE] <- 0

posit$palrec[posit$palrec==NA]=0

head(posit)

gdAP<-groupedData(ipo~week|APS,data=posit,labels=list(x='Semanas do Estudo',y='IPO'))

plot(gdAP)

library(lme4)

```

Modelo nulo

```{r}

#com efeito aletorio (intercepto)

modipoRE= glmer(ipo~1+(1|APS), weights = palrec, family=binomial, data=posit)

summary(modipoRE)

#com efeito aletorio (intercepto e slope)

modipoRES= glmer(ipo~1+(tmin|APS), weights = palrec, family=binomial, data=posit)

summary(modipoRES)

anova(modipoRE, modipoRES)

```

Modelo tmin sem lag

```{r}


modipoRE0= glmer(ipo~tmin+(1|APS), weights = palrec, family=binomial, data=posit)

summary(modipoRE0)

#com efeito aletorio (intercepto e slope) t. This could be specified as (1+x|group) inlme4 or

glmmADMB). In many cases the 1 is optional- (x | group) would also work.Por isso escrevi

assim. (FOX, et al, 2015)

modipoRES0= glmer(ipo~tmin+(tmin|APS), weights = palrec, family=binomial, data=posit)

summary(modipoRES0)

118

anova(modipoRE0, modipoRES0)

```

Modelo tmin com lag de 1 semana

```{r}


modipoRE1= glmer(ipo~tmin1+(1|APS), weights = palrec, family=binomial, data=posit)

summary(modipoRE1)


modipoRES1= glmer(ipo~tmin1+(tmin1|APS), weights = palrec, family=binomial,

data=posit)

summary(modipoRES1)

```

Modelo tmin lag 2 semanas

```{r}

#com efeito aletorio (intecepto)


summary(modipoRE2)


modipoRES2= glmer(ipo~tmin2+(tmin2|APS), weights = palrec, family=binomial,

data=posit)

summary(modipoRES2)

```

Modelo tmin com lag de 3 semanas

```{r}



summary(modipoRE3)


modipoRES3= glmer(

ipo~tmin3+(tmin3|APS), weights = palrec, family=binomial, data=posit)

summary(modipoRES3)

```

Seleção dos modelos de efeito aleatório usando AIC

```{r}

AIC(modipoRE, modipoRE0, modipoRE1, modipoRE2, modipoRE3, modipoRES,

modipoRES0, modipoRES1, modipoRES2, modipoRES3)

anova(modipoRE, modipoRE0, modipoRE1, modipoRE2, modipoRE3, modipoRES,

modipoRES0, modipoRES1, modipoRES2, modipoRES3)

119

#Quando colocamos como efeito aleatório apenas intercepto, a defasagem de 2 semanas

parece ser a que melhor se ajusta

#Quando colocamos como efeito aleatório intercepto e inclinação, a defasagem de 2 semanas

tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos

```

Plotando o melhor modelo com ggplot

```{r}

library(ggplot2)

library(arm)

library(sjPlot)

# plot qq-plot of random effects

qqplot=sjp.glmer(modipoRES2, type = "re.qq")

# simple plot

plot=sjp.lmer(modipoRES2)

# plot probability curves for each covariate

# grouped by random intercepts

sjp.glmer(modipoRES2,

type = "ri.pc",

facet.grid = FALSE)

```

Para as máximas

Modelo nulo

```{r}


modipoxRE= glmer(ipo~1+(1|APS), weights = palrec, family=binomial, data=posit)

summary(modipoxRE)


modipoxRES= glmer(ipo~1+(tmax|APS), weights = palrec, family=binomial, data=posit)

summary(modipoxRES)

```

Modelo tmax sem lag

```{r}


modipoxRE0= glmer(ipo~tmax+(1|APS), weights = palrec, family=binomial, data=posit)

summary(modipoxRE0)


modipoxRES0= glmer(ipo~tmax+(tmax|APS), weights = palrec, family=binomial,

data=posit)

summary(modipoxRES0)

```

Modelo tmax com lag de 1 semana

120

```{r}


modipoxRE1= glmer(ipo~tmax1+(1|APS), weights = palrec, family=binomial, data=posit)

summary(modipoxRE1)


modipoxRES1= glmer(ipo~tmax1+(tmax1|APS), weights = palrec, family=binomial,

data=posit)


```

Modelo tmax lag 2 semanas

```{r}



summary(modipoxRE2)


modipoxRES2= glmer(ipo~tmax2+(tmax2|APS), weights = palrec, family=binomial,

data=posit)


```

Modelo tmax com lag de 3 semanas

```{r}



summary(modipoxRE3)


modipoxRES3= glmer(

ipo~tmax3+(tmax3|APS), weights = palrec, family=binomial, data=posit)


```


```{r}

AIC(modipoxRE, modipoxRE0, modipoxRE1, modipoxRE2, modipoxRE3, modipoxRES,

modipoxRES0, modipoxRES1, modipoxRES2, modipoxRES3)

anova(modipoxRE, modipoxRE0, modipoxRE1, modipoxRE2, modipoxRE3, modipoxRES,

modipoxRES0, modipoxRES1, modipoxRES2, modipoxRES3)




tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos de

temperatura máximas (mas ainda assim perde para o das mínimas)

```

121


```{r}

library(ggplot2)

library(arm)

library(sjPlot)


qqplot=sjp.glmer(modipoxRES3, type = "re.qq")

# simple plot

plot=sjp.lmer(modipoxRES3)



sjp.glmer(modipoxRES3,

type = "ri.pc",

facet.grid = FALSE)

```

Modelagem dos dados positividade de ovitrampa agregados para RA usando regressao

logistica

```{r}


posit=read.csv2("indtemptotalra.csv")

str(posit)

posit$data= as.Date(posit$data, format=("%d/%m/%Y"))

posit$RANUM= as.factor(posit$RANUM)

posit$palpos[posit$palrec==1 & is.na(posit$palpos)==TRUE] <- 0

posit$palrec[posit$palrec==NA]=0

head(posit)

gd1<-groupedData(ipo~week|RANUM,data=posit,labels=list(x='Semanas do

Estudo',y='IPO'))

plot(gd1)

library(lme4)

```

Modelo nulo

```{r}


modiporeRA= glmer(ipo~1+(1|RANUM), weights = palrec, family=binomial, data=posit)

summary(modiporeRA)


modiporesRA= glmer(ipo~1+(tmin|RANUM), weights = palrec, family=binomial, data=posit)

summary(modiporesRA)

```

Modelo tmin sem lag

```{r}


122

modiporeRA0= glmer(ipo~tmin+(1|RANUM), weights = palrec, family=binomial,

data=posit)

summary(modiporeRA0)


modiporesRA0= glmer(ipo~tmin+(tmin|RANUM), weights = palrec, family=binomial,

data=posit)

summary(modiporesRA0)

```

Modelo tmin com lag de 1 semana

```{r}


modiporeRA1= glmer(ipo~tmin1+(1|RANUM), weights = palrec, family=binomial,

data=posit)



modiporesRA1= glmer(ipo~tmin1+(tmin1|RANUM), weights = palrec, family=binomial,

data=posit)


```

Modelo tmin lag 2 semanas

```{r}



data=posit)



modiporesRA2= glmer(ipo~tmin2+(tmin2|RANUM), weights = palrec, family=binomial,

data=posit)


```

Modelo tmin com lag de 3 semanas

```{r}



data=posit)



modiporesRA3= glmer(

ipo~tmin3+(tmin3|RANUM), weights = palrec, family=binomial, data=posit)

123


```


```{r}

AIC(modiporeRA, modiporeRA0, modiporeRA1, modiporeRA2, modiporeRA3,

modiporesRA, modiporesRA0, modiporesRA1, modiporesRA2, modiporesRA3)

anova(modiporeRA, modiporeRA0, modiporeRA1, modiporeRA2, modiporeRA3,

modiporesRA, modiporesRA0, modiporesRA1, modiporesRA2, modiporesRA3)




tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos

```


```{r}

library(ggplot2)

library(arm)

library(sjPlot)


qqplot=sjp.glmer(modiporesRA2, type = "re.qq")

# simple plot

plot=sjp.glmer(modiporesRA2 )



sjp.glmer(modiporesRA2,

type = "ri.pc",

facet.grid = FALSE)

modiporesRA2

#Agora os mapas de intercepto e slope <3

library(rgeos)

library(maptools)


library(classInt)

par(mai=c(0,0,0,0),mar=c(4,4,1,1))

mapa <- readShapePoly("C:/Users/Sara/Dropbox/Sara/script +

arquivos/SARA/limite_RA.shp",verbose=TRUE)

summary(mapa)

plot(mapa)

interc <- random.effects(modiporesRA2)

intercs= as.data.frame(interc$RANUM)

intercs

names(intercs) <- c("intercepto","slope")

124

mapa$interc <- NA

mapa$slope <- NA

for (i in 1:33){


mapa$interc[i]<-intercs$intercepto[which(rownames(intercs)==RAi)]

mapa$slope[i]<-intercs$slope[which(rownames(intercs)==RAi)]

}

colors <- brewer.pal(5, name = "Blues")


brks<- brks$brks


title(paste ("Intercepto"))



colors <- brewer.pal(5, name = "Blues")


brks<- brks$brks


title(paste ("Slope"))



```

Para as máximas

Modelo nulo

```{r}


modipoxreRA= glmer(ipo~1+(1|RANUM), weights = palrec, family=binomial, data=posit)

summary(modipoxreRA)


modipoxresRA= glmer(ipo~1+(tmax|RANUM), weights = palrec, family=binomial,

data=posit)

summary(modipoxresRA)

```

Modelo tmax sem lag

```{r}


modipoxreRA0= glmer(ipo~tmax+(1|RANUM), weights = palrec, family=binomial,

data=posit)

summary(modipoxreRA0)


modipoxresRA0= glmer(ipo~tmax+(tmax|RANUM), weights = palrec, family=binomial,

data=posit)

125

summary(modipoxresRA0)

```

Modelo tmax com lag de 1 semana

```{r}


modipoxreRA1= glmer(ipo~tmax1+(1|RANUM), weights = palrec, family=binomial,

data=posit)



modipoxresRA1= glmer(ipo~tmax1+(tmax1|RANUM), weights = palrec, family=binomial,

data=posit)


```

Modelo tmax lag 2 semanas

```{r}



data=posit)



modipoxresRA2= glmer(ipo~tmax2+(tmax2|RANUM), weights = palrec, family=binomial,

data=posit)


```

Modelo tmax com lag de 3 semanas

```{r}



data=posit)



modipoxresRA3= glmer(

ipo~tmax3+(tmax3|RANUM), weights = palrec, family=binomial, data=posit)


```


```{r}

AIC(modipoxreRA, modipoxreRA0, modipoxreRA1, modipoxreRA2, modipoxreRA3,

modipoxresRA, modipoxresRA0, modipoxresRA1, modipoxresRA2, modipoxresRA3)

126

anova(modipoxreRA, modipoxreRA0, modipoxreRA1, modipoxreRA2, modipoxreRA3,

modipoxresRA, modipoxresRA0, modipoxresRA1, modipoxresRA2, modipoxresRA3)




tb é a que melhor se ajusta,e tb é a melhor numa comparação absoluta entre os modelos de

temperatura máximas (mas ainda assim perde para o das mínimas)

```


```{r}

library(ggplot2)

library(arm)

library(sjPlot)


qqplot=sjp.glmer(modipoxresRA3, type = "re.qq")

# simple plot

plot=sjp.lmer(modipoxresRA3)



sjp.glmer(modipoxresRA3,

type = "ri.pc",

facet.grid = FALSE)

````

127

APÊNDICE C – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO

ENTRE IDO E CASOS DE DENGUE

title: "Script Modelagem Casos IDO"


date: "Monday, March 21, 2016"

---

```{r, results='hide',echo=FALSE}

library(lubridate)

library(ggplot2)


library(mgcv)

library(lubridate)

library(zoo)

library(MASS)

````

Chamando e organizando os dados

```{r}


ovicasos= read.csv2(file="dadosoviagregacasos.csv",header=T)

str(ovicasos)

```

Criando variaveis de data

```{r}

ovicasos$datacoleta=as.yearmon(ovicasos$datacoleta, "%b/%y")

ovicasos$datacaso=as.yearmon(ovicasos$datacaso, "%b/%Y")

ovicasos$mes <- month(ovicasos$datacoleta)

ovicasos$mes <- as.factor(ovicasos$mes)

ovicasos$ano <- year(ovicasos$datacoleta)

```

Colocando mes de agosto como referencia

```{r}

ovicasos$mes <- relevel(ovicasos$mes, ref="8")

```

Modelagem de poisson com offset

```{r}

par(mfrow=c(2,2))

poisson1.nulo<-glm(casos~1 + offset(log(pop)), family="poisson",data=ovicasos)

poisson1.ido<-glm(casos~ ido + offset(log(pop)), family="poisson",data=ovicasos)

poisson1.idomaps<-glm(casos~ ido + APS + offset(log(pop)), family="poisson",data=ovicasos)

poisson1.idoxaps<-glm(casos~ ido * APS + offset(log(pop)), family="poisson",data=ovicasos)

AIC(poisson1.nulo, poisson1.ido, poisson1.idomaps, poisson1.idoxaps)

#O melhor modelo ate agora pelo AIC eÂ´ o com interaÃ§ao. Vamos testar se com gam Ã© melhor:

poisson1.sido<-gam(casos~ s(ido) + offset(log(pop)), family="poisson",data=ovicasos)

poisson1.sidomaps<-gam(casos~ s(ido) + APS + offset(log(pop)), family="poisson",data=ovicasos)

poisson1.sidoxaps<-gam(casos~ s(ido, by = APS) + offset(log(pop)), family="poisson",data=ovicasos)

128

AIC(poisson1.nulo, poisson1.ido, poisson1.idomaps, poisson1.idoxaps, poisson1.sido,

poisson1.sidomaps,

poisson1.sidoxaps)

summary(poisson1.sidoxaps)

# O modelo gam com s(ido, by=APS) fica bem melhor em termos de AIC do que o modelo com

interacao

par(mfrow=c(2,2))

plot(poisson1.sidoxaps, residuals = TRUE)


plot(resid(poisson1.sidoxaps))

acf(resid(poisson1.sidoxaps))

#O modelo gam(casos~ s(ido, by = APS) + offset(log(pop)), family="poisson",data=ovicasos) tem

varios problemas: autocorrelacao dos residuos e alta, indicando que há estrutura, e evidencia de

superdispersao, além disso os splines de ido por APS sao pouco informativos.

```

Modelagem com Binomial Negativa

Modelo sem gam, so ido e aps

```{r}

par(mfrow=c(2,2))

nb1.nulo<-glm.nb(casos~1 + offset(log(pop)), link="log", data=ovicasos)

nb1.ido<-glm.nb(casos~ ido + offset(log(pop)), link="log", data=ovicasos)

nb1.idomaps<-glm.nb(casos~ ido + APS + offset(log(pop)),link="log", data=ovicasos)

nb1.idoxaps<-glm.nb(casos~ ido * APS + offset(log(pop)), link="log", data=ovicasos)

AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps)

```

Modelo sem gam, acrescentando mes como fator.

```{r}

nb1.idommes<-glm.nb(casos ~ ido+ mes+ offset(log(pop)),link="log",data=ovicasos)

nb1.idomapsmmes<-glm.nb(casos~ ido + APS + mes + offset(log(pop)), link="log",data=ovicasos)

nb1.idoxapsmmes<-glm.nb(casos~ ido * APS + mes + offset(log(pop)), link="log",data=ovicasos)

AIC(nb1.nulo, nb1.ido, nb1.idomaps, nb1.idoxaps, nb1.idommes, nb1.idomapsmmes,

nb1.idoxapsmmes)

#Dentre os modelos nb ate agora, os melhores pelo AIC sÃ£o

nb1.idomapsmmes<-glm.nb(casos~ ido + APS + mes + offset(log(pop)) e

nb1.idommes<-glm.nb(casos ~ ido+ mes+ offset(log(pop)),link="log",data=ovicasos) a aps parece

contribuir pouco

```

testando modelo alternativo com mes como spline, com ou sem ano como fator

```{r}

gamnb1<-gam(casos~ido+s(as.numeric(mes))+offset(log(pop)),family=nb(),data=ovicasos)

gamnb2<-gam(casos~ido+s(as.numeric(mes),

by=as.factor(ano))+offset(log(pop)),family=nb(),data=ovicasos)

gamnb3<-gam(casos~ido+s(as.numeric(mes)) + ano +offset(log(pop)),family=nb(),data=ovicasos)


nb1.idoxapsmmes, gamnb1, gamnb2, gamnb3)

129

#A inclusao do gam so ajuda se estratifica por ano.

#No modelo nb1.idommes, os residuos nao estao ruins mas sobrou muita autocorr.

nb1.idommes<-glm.nb(casos ~ ido+ mes+ offset(log(pop)),link="log",data=ovicasos)

par(mfrow=c(2,2))

summary(nb1.idommes)

plot(nb1.idommes)

acf(resid(nb1.idommes))

#No modelo com gam, a autocorr Ã© resolvida, mas esta mais dificil de interpretar os gams. O

importante porem Ã© que em ambos, o ido tem um efeito positivo.

gamnb2<-gam(casos~ido+s(as.numeric(mes),


par(mfrow=c(2,2))

summary(gamnb2)

plot(gamnb2)

acf(resid(gamnb2))

```

Solucoes para resolver o problema da autocorrelacao: variavel casos defasado

Criando uma variavel defasada de casos chamada casos1

```{r}

head(ovicasos)

aps = unique(ovicasos$APS)

d1 <- subset(ovicasos, APS==aps[1])

d1$casos1 <- NA

d1$casos1[2:25]<-d1$casos[1:24]

for (i in 2:10){

dn <- subset(ovicasos, APS==aps[i])

N = dim(dn)[1]

dn$casos1 <- NA

dn$casos1[2:N]<-dn$casos[1:(N-1)]

d1 <- rbind(d1,dn)

}

head(d1)

#Ajustando com essa variavel de casos defasada

nb1.idommes1<-glm.nb(casos ~ log(casos1) + ido+ mes+ offset(log(pop)),link="log",data=d1)


nb1.idoxapsmmes, gamnb1, gamnb2, gamnb3,nb1.idommes1)

#Melhorou bastante a autocorr mas ficou um pouco de estrutura sazonal nos residuos.

par(mfrow=c(2,2))

summary(nb1.idommes1)

plot(nb1.idommes1)

par(mfrow=c(1,1))

130

acf(resid(nb1.idommes1))

#E se colocarmos a temperatura?

nb1.idommes.temp1<-glm.nb(casos ~ log(casos1) + ido+

mes+Tmin+offset(log(pop)),link="log",data=d1)

par(mfrow=c(2,2))

summary(nb1.idommes.temp1)

plot(nb1.idommes.temp1)

par(mfrow=c(1,1))

acf(resid(nb1.idommes.temp1))

#caiu um pouco a ACF, mas agora há muitos termos

```

Investigando nao linearidades

```{r}

gamnbcasos1<-gam(casos~ s(log(casos1)) + ido+ mes + offset(log(pop)),family=nb(),data=d1)


nb1.idoxapsmmes, gamnb1, gamnb2, gamnb3,nb1.idommes1,gamnbcasos1)

par(mfrow=c(1,1))

plot(gamnbcasos1)

acf(resid(gamnbcasos1))

gam.check(gamnbcasos1)

summary(gamnbcasos1)

131

APÊNDICE D – SCRIPTS UTLIZADOS NAS MODELAGENS DA ASSOCIAÇÃO

ENTRE IPO E CASOS DE DENGUE

title: "Script Modelagem Casos IPO"


date: "Friday, June 24, 2016"

---

```{r, results='hide',echo=FALSE}

library(lubridate)

library(ggplot2)


library(mgcv)

library(lubridate)

library(zoo)

library(MASS)

library(foreign)

library(effects)

library(epiDisplay)

library(gridExtra)

library(visreg)

library(car)

library(pscl)

````

Chamando e organizando os dados

```{r}


ovicasos= read.csv2(file="dadosoviagregacasos.csv",header=T)

str(ovicasos)

```

Criando variaveis de data

```{r}

ovicasos$datacoleta=as.yearmon(ovicasos$datacoleta, "%b/%y")

ovicasos$datacaso=as.yearmon(ovicasos$datacaso, "%b/%Y")

ovicasos$mes <- month(ovicasos$datacoleta)

ovicasos$mes <- as.factor(ovicasos$mes)

ovicasos$ano <- year(ovicasos$datacoleta)

```

Colocando o mes de agosto como referencia

```{r}

ovicasos$mes <- relevel(ovicasos$mes, ref="8")

```

Modelo relacao ipo X casos mes seguinte

```{r}

gamipo<-gam(casos~s(ipo)+offset(log(pop))+APS,data=ovicasos)

132

summary(gamipo)

par(mfrow=c(1,1))

plot(gamipo)

abline(h=0, col=2)

gam.check(gamipo)

acf(resid(gamipo))

#Residuos ruins e muita estrutura de autocorrelacao

````

Modelagem de poisson com offset

```{r}

par(mfrow=c(2,2))

ipo.poisson1.nulo<-glm(casos~1 + offset(log(pop)), family="poisson",data=ovicasos)

ipo.poisson1<-glm(casos~ ipo + offset(log(pop)), family="poisson",data=ovicasos)

ipo.poisson1.maps<-glm(casos~ ipo + APS + offset(log(pop)),

family="poisson",data=ovicasos)

ipo.poisson1.xaps<-glm(casos~ ipo * APS + offset(log(pop)),


AIC(ipo.poisson1.nulo, ipo.poisson1, ipo.poisson1.maps, ipo.poisson1.xaps)

#Pelo AIC mais completo é o de melhor ajuste

ipo.poisson1.xaps<-glm(casos~ ipo * APS + offset(log(pop)),


summary(ipo.poisson1.xaps)

#Ocorreu overdispersion .

````

Modelagem gam poisson com offset

```{r}

ipo.poisson1.s<-gam(casos~ s(ipo) + offset(log(pop)), family="poisson",data=ovicasos)

ipo.poisson1.s.maps<-gam(casos~ s(ipo) + APS + offset(log(pop)),


ipo.poisson1.s.xaps<-gam(casos~ s(ipo, by = APS) + offset(log(pop)),


AIC(ipo.poisson1.nulo, ipo.poisson1, ipo.poisson1.maps, ipo.poisson1.xaps,

ipo.poisson1.s,ipo.poisson1.s.maps,ipo.poisson1.s.xaps)

summary(ipo.poisson1.s.xaps)

#O modelo gam com spline,(ipo, by=APS) possui AIC mais baixo do que o modelo com

interacao

par(mfrow=c(1,1))

plot(ipo.poisson1.s.xaps, residuals = TRUE)


plot(resid(ipo.poisson1.s.xaps))

acf(resid(ipo.poisson1.s.xaps))

gam.check(ipo.poisson1.s.xaps)

#Problemas do modelo gam(casos~ s(ipo, by = APS) + offset(log(pop)),

family="poisson",data=ovicasos) :estrutura autocorrelacao dos residuos importante, ha

133

evidencia de superdispersao, residuos com estrutura, e os splines de ipo por APS sao pouco

informativos, como na media de ovos.

```

Modelos binomial negativa para correrção da superdisperssão

Modelo sem termo suavizador, com ipo e aps

```{r}

par(mfrow=c(2,2))

nb1.nulo<-glm.nb(casos~1 + offset(log(pop)), link="log", data=ovicasos)

nb1.ipo<-glm.nb(casos~ ipo + offset(log(pop)), link="log", data=ovicasos)

nb1.ipomaps<-glm.nb(casos~ ipo + APS + offset(log(pop)),link="log", data=ovicasos)

nb1.ipoxaps<-glm.nb(casos~ ipo * APS + offset(log(pop)), link="log", data=ovicasos)

AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps)

```

Agora acrescentando o mes acrescentando mes como fator.

```{r}

nb1.ipommes<-glm.nb(casos ~ ipo+ mes+ offset(log(pop)),link="log",data=ovicasos)

nb1.ipomapsmmes<-glm.nb(casos~ ipo + APS + mes + offset(log(pop)),

link="log",data=ovicasos)

nb1.ipoxapsmmes<-glm.nb(casos~ ipo * APS + mes + offset(log(pop)),

link="log",data=ovicasos)

AIC(nb1.nulo, nb1.ipo, nb1.ipomaps, nb1.ipoxaps, nb1.ipommes, nb1.ipomapsmmes,

nb1.ipoxapsmmes)

#os três modelos melhoraram em termos de AIC. Chequemos os pressupostos

summary(nb1.ipoxapsmmes)

plot(nb1.ipomapsmmes)

acf(resid(nb1.ipoxapsmmes))

summary(nb1.ipomapsmmes)

plot(nb1.ipomapsmmes)

acf(resid(nb1.ipomapsmmes))

#muita estrutura nos residuos e muita autocorrelacao nos residuos dos modelos com APS

#vejamos só mes ,sem aps

summary(nb1.ipommes)

par(mfrow=c(2,2))

plot(nb1.ipommes)

acf(resid(nb1.ipommes))

````

Modelagem gam nb, com mes como suavizador

```{r}

#gam

par(mfrow=c(1,1))

# testando modelo alternativo com mes como spline, com ou sem ano como fator

134

gamiponb1<-

gam(casos~ipo+s(as.numeric(mes))+offset(log(pop)),family=nb(),data=ovicasos)

gamiponb2<-gam(casos~ipo+s(as.numeric(mes),


gamiponb3<-gam(casos~ipo+s(as.numeric(mes)) + ano

+offset(log(pop)),family=nb(),data=ovicasos)


nb1.ipoxapsmmes, gamiponb1, gamiponb2, gamiponb3)

summary(gamiponb1)

summary(gamiponb2)

plot(resid(gamiponb1))

plot(resid(gamiponb2))

gam.check(gamiponb1)

gam.check(gamiponb2)

acf(resid(gamiponb1)) #muita correla??o

acf(resid(gamiponb2)) #um pouco

par(mfrow=c(3,1))

plot(gamiponb2)

#aqui GAM so vale a pena quando estratificado por ano, mas ainda assim não é uma boa

forma de visualizar

```

A fim de solucionar o problema da autocorrelacao, foi criada uma variavel defasada de casos

chamada casos1, que correponde aos casos do mes anterior, para ver a influencia desses casos

nos do mes seguinte

```{r}

head(ovicasos)

aps = unique(ovicasos$APS)

d1 <- subset(ovicasos, APS==aps[1])

d1$casos1 <- NA

d1$casos1[2:25]<-d1$casos[1:24]

for (i in 2:10){

dn <- subset(ovicasos, APS==aps[i])

N = dim(dn)[1]

dn$casos1 <- NA

dn$casos1[2:N]<-dn$casos[1:(N-1)]

d1 <- rbind(d1,dn)

}

head(d1)

```

Modelagem com a adicao dos casos do mes anterior como parametro . (Aqui, na modelagem

com IPO, resolvemos testar também com APS interagindo, pq não houve diferença

significativa no resíduo dos três modelos, e alem disso o AIC foi menor nos modelos com

APS, em especial no modelo onde APS aparece com efeito aditivo )

135

```{r}

nb1.ipommes1<-glm.nb(casos ~ log(casos1) + ipo+ mes+

offset(log(pop)),link="log",data=d1)

nb1.ipomapsmmes1<-glm.nb(casos~ log(casos1) +ipo + APS + mes + offset(log(pop)),

link="log",data=d1)

nb1.ipoxapsmmes1<-glm.nb(casos~log(casos1) + ipo * APS + mes + offset(log(pop)),

link="log",data=d1)


nb1.ipoxapsmmes, gamiponb1, gamiponb2,

gamiponb3,nb1.ipommes1,nb1.ipomapsmmes1,nb1.ipoxapsmmes1)

#O melhor até agora foi o modelo com interação aditiva da APS e com a variavel de casos

defasados. Melhorou bastante a autocorrecao mas há ainda um pouco de estrutura sazonal nos

residuos.

par(mfrow=c(2,2))

summary(nb1.ipomapsmmes1)

plot(nb1.ipomapsmmes1)

par(mfrow=c(1,1))

acf(resid(nb1.ipomapsmmes1))

par(mfrow=c(2,2))

summary(nb1.ipommes1)

plot(nb1.ipommes1)

par(mfrow=c(1,1))

acf(resid(nb1.ipommes1))

#a primeira opção segue parecendo melhor

#E se adicionarmos a temperatura?

nb1.ipomapsmmes.temp1<-glm.nb(casos ~ log(casos1) + ipo+APS+


par(mfrow=c(2,2))

summary(nb1.ipomapsmmes.temp1)

plot(nb1.ipomapsmmes.temp1)

par(mfrow=c(1,1))

acf(resid(nb1.ipomapsmmes.temp1))

#Aumentou o AIC, não vale a pena

nb1.ipommes.temp1<-glm.nb(casos ~ log(casos1) + ipo+


par(mfrow=c(2,2))

summary(nb1.ipommes.temp1)

plot(nb1.ipommes.temp1)

par(mfrow=c(1,1))

acf(resid(nb1.ipommes.temp1))

#Pior em relação ao o primeiro

136

```

Investigando nao-linearidades

```{r}

ipogamnbcasos1<-gam(casos~ s(log(casos1)) + ipo+ mes +

offset(log(pop)),family=nb(),data=d1)

ipogamnbcasosaps1<-gam(casos~ s(log(casos1)) + ipo+APS+ mes +



nb1.ipoxapsmmes,gamiponb1, gamiponb2,

gamiponb3,nb1.ipommes1,nb1.ipomapsmmes1,nb1.ipoxapsmmes1, ipogamnbcasos1,

ipogamnbcasosaps1)

#sem aps

par(mfrow=c(1,1))

plot(ipogamnbcasos1)

acf(resid(ipogamnbcasos1))

gam.check(ipogamnbcasos1)

summary(ipogamnbcasos1)

#com aps

par(mfrow=c(1,1))

plot(ipogamnbcasosaps1)

acf(resid(ipogamnbcasosaps1))

gam.check(ipogamnbcasosaps1)

summary(ipogamnbcasosaps1)

#com a APS o residuo e autocor melhoram.

```

Comparando os dois melhores modelos

#nb1.ipomapsmmes1<-glm.nb(casos~ log(casos1) +ipo + APS + mes + offset(log(pop)),

link="log",data=d1)

#ipogamnbcasosaps1<-gam(casos~ s(log(casos1)) + ipo+APS+ mes +


```{r}

AIC(nb1.ipomapsmmes1, ipogamnbcasosaps1)

# Modelo Final: ipogamnbcasosaps1

Sara de Souza Oliveira Análise espacial e temporal da ......por ovitrampas na construção de um...

Documents

Transcript of Sara de Souza Oliveira Análise espacial e temporal da ......por ovitrampas na construção de um...