Métodos de estimação do excesso de mortes durante a pandemia de COVID-19 no Brasil

• Ano de defesa: 2025
• Autor(a) principal: Andrade, Fernando [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Modelos Lineares; Modelos Lineares Generalizados; Modelos Mistos; Modelos Mistos Generalizados; COVID-19; Predição; Estimação; Simulação; Modelagem Estatística
• Link de acesso: https://hdl.handle.net/11449/295927

A análise da mortalidade de eventos significativos, tais como pandemias, é um estudo fundamental para compreender a saúde local e avaliar seu impacto na população. Um estudo do impacto causado é de grande relevância para avaliar os possíveis fatores que poderiam ter sido mitigados e também para o planejamento de respostas a futuros eventos adversos. Neste contexto, uma maneira de executar esse estudo é através da estimação do excesso de mortes ocorrido no período. Para isso, deve-se levar em conta a diferença entre a mortalidade observada e a mortalidade que seria esperada na não ocorrência da pandemia, que é predita por modelos estatísticos. O grande desafio é a escolha de métodos de predição que levam em consideração a incerteza envolvida no processo. Dentro da bibliografia de predições, os modelos de efeitos mistos destacam-se como métodos de complexidade mediana. Este trabalho buscou explorar as vantagens e dificuldades associadas aos Modelos Lineares Generalizados Mistos (MLGM) para predizer as mortes na situação de não ocorrência da pandemia de COVID-19. Os modelos Gaussiano e Binomial Negativa apresentaram resultados semelhantes na estimativa da mortalidade esperada, ambos mostrando-se adequados para o contexto estudado. Além disso, este trabalho utilizou simulações como alternativa aos métodos numéricos mais sofisticados presentes na literatura de MLGM, o que permitiu calcular predições e incertezas associadas de forma eficiente. Tais resultados contribuem para o avanço na modelagem de dados correlacionados e heterogêneos, além de fornecer ferramentas úteis para o planejamento de ações em saúde pública.