UNIVERSIDADE FEDERAL DA PARAÍBA

CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA

PROGRAMA DE PÓS-GRADUAÇÃO EM MODELOS DE DECISÃO E SAÚDE –
DOUTORADO

IMPACTO DA POLUIÇÃO ATMOSFÉRICA E FATORES CLIMÁTICOS NA

OCORRÊNCIA DE ASMA

Luciana Alves da Nóbrega

João Pessoa - PB
2022
 Luciana Alves da Nóbrega

IMPACTO DA POLUIÇÃO ATMOSFÉRICA E FATORES CLIMÁTICOS NA

OCORRÊNCIA DE ASMA

Tese de investigação Científica, submetido à Coordenação

do Curso de Pós Graduação em Modelos de Decisão e
Saúde – Nível Doutorado do Centro de Ciências Exatas e da
Natureza da Universidade Federal da Paraíba.

Linha de Pesquisa: Modelos de Decisão

Orientadores:
Prof. Dr. João Agnaldo do Nascimento
Profa. Dra. Kátia Suely Queiroz Silva Ribeiro
Prof. Dr. Pedro Rafael D. Marinho

João Pessoa - PB
2022
 LUCIANA ALVES DA NÓBREGA

IMPACTO DA POLUIÇÃO ATMOSFÉRICA E FATORES CLIMÁTICOS NA

OCORRÊNCIA DE ASMA

João Pessoa, 06 de dezembro de 2022

BANCA EXAMINADORA

Prof. Dr. João Agnaldo do Nascimento

Orientador – UFPB

_______________________________
Profa. Dra. Kátia Suely Queiroz Silva Ribeiro
Orientadora - UFPB

Prof. Dr. Pedro Rafael D. Marinho

Coorientador - UFPB

_______________________________
Prof. Dr. Luiz Medeiros de Araújo Lima Filho
Membro Interno – UFPB

______________________________________
Profa. Dra. Caliandra Maria Bezerra Luna Lima
Membro Interno – UFPB

______________________________________
Profa. Dra. Nataly Albuquerque dos Santos
Membro Externo – UFPB

______________________________________
Prof. Dr. Ricardo José Ferreira
Membro Externo - IFPB
 AGRADECIMENTOS

Primeiramente à Deus pela força nos momentos de aflição.

Aos meus orientadores Prof. Dr. João Agnaldo do Nascimento, Profa. Dra. Kátia Suely
Queiroz Silva Ribeiro e o Prof. Dr. Pedro Rafael D. Marinho, por ter compartilhado
comigo seus conhecimentos e confiança depositava na minha proposta de projeto.
Muito obrigada.

Agradeço ao Programa de Pós-graduação em Modelo de Decisão e Saúde da

Universidade Federal da Paraíba pelo apoio necessário para elaboração deste estudo.

Aos demais professores do Programa, pelos ensinamentos, em especial aos membros

da banca pelas importantes sugestões que permitiram o aprimoramento deste trabalho.

A Empresa Cetrel pela contribuição de informações imprescindível para a construção

dessa pesquisa.

A todos que, de alguma forma, contribuíram para a realização deste trabalho.

“Hoje em dia, o ser humano apenas tem ante si
três grandes problemas que foram ironicamente
provocados por ele próprio: a super povoação, o
desaparecimento dos recursos naturais e a
destruição do meio ambiente. Triunfar sobre
esses problemas, visto sermos nós a sua causa,
deveria ser a nossa mais profunda motivação.”
(Jacques Yves Cousteau, 1910-1997)
 RESUMO

Nos últimos anos, muitos estudos têm sido realizados para mensurar o impacto
da poluição do ar na saúde humana nos grandes centros urbanos. Desta forma, este
estudo teve como objetivo desenvolver um modelo de tomada de decisão para avaliar
o impacto dos principais poluentes atmosféricos e parâmetros climáticos sobre a inci-
dência de asma em diferentes faixas etárias em uma cidade de grande porte. Para
operacionalização do presente processo investigatório, foram utilizados os parâmetros
empregados como indicadores da qualidade do ar previsto na Resolução n.º 491/2018,
expedida pelo Conselho Nacional do Meio Ambiente – CONAMA (MP10, SO2, NO2, O3,
CO) e parâmetros climáticos (temperatura e umidade relativa do ar), no período de ou-
tubro de 2010 a setembro de 2015. As informações relacionadas ao número de inter-
nações hospitalares por asma foram coletadas no Sistema de Informações Hospitala-
res do Sistema único de Saúde (SIHSUS). Para estimar o nível de associação existente
entre os parâmetros ambientais e climáticos com os casos de notificação por asma na
população de Salvador, utilizou-se o modelo de regressão de Poisson, mediante a utili-
zação da linguagem de programação R. Nesse estudo foi considerado o nível de signi-
ficância de 5% para a permanência da variável no modelo. De acordo com os resulta-
dos obtidos, as variáveis que apresentaram significância estatística (p-valor < 0,05)
para os casos de internações por asma em crianças (≤ 9 anos) foram: CO (RR = 5,04),
MP10 (RR = 1,02), Temperatura (RR = 0,86) e umidade (RR = 1,02). Com relação ao
aumento de internações por asma em adolescentes, obtivemos: CO (RR = 5,26), MP10
(RR = 1,03), NO2 (RR = 1,06). Com relação aos idosos, apenas a variável CO (RR =
11,33) foi estatisticamente significante. A partir dos resultados observados, concluiu-se
que a exposição à poluição do ar na área urbana de Salvador, apresentou-se associa-
da ao aumento de internações por asma em crianças, adolescentes e idosos. Por fim,
através análise do ajuste e adequabilidade do modelo, observamos que o modelo de
regressão de Poisson apresentou-se muito satisfatório na investigação da exposição
aos poluentes atmosféricos e parâmetros climáticos aos casos de internações por as-
ma, auxiliando, neste contexto, a tomada de decisão.

Palavras-chave: Poluição atmosférica, fatores climáticos, modelos lineares generali-

zados, asma.
 ABSTRACT

In recent years, many studies have been carried out to measure the impact of air pollu-
tion on human health in large urban centers. Thus, this study aimed to develop a decisi-
on-making model to assess the impact of the main air pollutants and climatic parame-
ters on the incidence of asthma in different age groups in a large city. To operationalize
this investigative process, the parameters used as air quality indicators provided for in
Resolution No. 491/2018, issued by the National Council for the Environment -
CONAMA (PM10, SO2, NO2, O3, CO) were used. and climate parameters (temperature
and relative humidity), from October 2010 to September 2015. Information related to the
number of hospitalizations for asthma was collected from the Hospital Information Sys-
tem of the Unified Health System. Health (SIHSUS). To estimate the level of association
between environmental and climatic parameters and reported cases of asthma in the
population of Salvador, the Poisson regression model was used, using the R program-
ming language. the significance level of 5% for the permanence of the variable in the
model. According to the results obtained, the variables that were statistically significant
(p-value < 0.05) for cases of hospitalization for asthma in children (≤ 9 years old) were:
CO (RR = 5.04), MP10 (RR = 1.02), Temperature (RR = 0.86) and humidity (RR =
1.02). Regarding the increase in hospitalizations for asthma in adolescents, we obtai-
ned: CO (RR = 5.26), PM10 (RR = 1.03), NO2 (RR = 1.06). With regard to the elderly,
only the CO variable (RR = 11.33) was statistically significant. Based on the observed
results, it was concluded that exposure to air pollution in the urban area of Salvador was
associated with an increase in hospitalizations for asthma in children, adolescents and
the elderly. Finally, through analysis of the fit and suitability of the model, we observed
that the Poisson regression model was very satisfactory in the investigation of exposure
to atmospheric pollutants and climatic parameters in cases of hospitalization due to as-
thma, helping, in this context, to decision making.

Keywords: Atmospheric pollution, climatic factors, generalized linear models, asthma.

 LISTA DE FIGURAS

Figura 1 - Região Metropolitana de Salvador (RMS) ................................................. 48

Figura 2 - Polo industrial de Camaçari ....................................................................... 50
Figura 3 - Gráfico do crescimento da frota de veículos em Salvador 2006-2018 ...... 51
Figura 4 - Mapa da cidade de Salvador, com a localização das cinco estações de
monitoramento automática ............................................................................................ 52
Figura 5 - Boxplot do número de casos de notificações por asma em diferentes faixas
etárias ............................................................................................................................ 61
Figura 6 - Variação mensal do número de notificações por asma no município de
Salvador, outubro de 2010 a agosto de 2015 ................................................................ 62
Figura 7 - Boxplot do número de casos de notificações por asma no período chuvoso
e não chuvoso ............................................................................................................... 63
Figura 8 - Gráfico da variação, média horária, da concentração do material
particulado (MP10 - µg/m³), outubro de 2010 a agosto de 2015 ..................................... 66
Figura 9 - Gráfico da variação, média horária, da concentração do monóxido de
carbono (CO – ppm), outubro de 2010 a agosto de 2015 ............................................. 67
Figura 10 - Gráfico da variação, média horária, da concentração do dióxido de
nitrogênio (NO2 - µg/m³), outubro de 2010 a agosto de 2015 ........................................ 68
Figura 11 - Gráfico da variação, média horária, da concentração do dióxido de enxofre
(SO2 - µg/m³), outubro de 2010 a agosto de 2015 ......................................................... 70
Figura 12 - Gráfico da variação, média horária, da concentração do ozônio (O 3 -
µg/m³), outubro de 2010 a agosto de 2015 ................................................................... 71
Figura 13 - Gráfico da variação, média horária, da temperatura (º C), outubro de 2010
a agosto de 2015 ........................................................................................................... 72
Figura 14 - Gráfico da variação, média horária, da umidade relativa do ar (%), outubro
de 2010 a agosto de 2015 ............................................................................................. 73
Figura 15 - Gráfico normal de probabilidade referente ao modelo de Poisson ajustado
aos dados de notificações por asma em crianças (a), adultos (b) e idosos (c) ............. 84
Figura 16 -Gráfico normal Q-Q referente ao modelo de Poisson ajustado aos dados de
notificações por asma em crianças (a), adultos (b) e idosos (c) .................................... 86
Figura 17 - Gráficos das distâncias de Cook para o modelo de regressão de Poisson
ajustado aos dados de notificações por asma em crianças (a), adolescentes (b) e
idosos (c) ....................................................................................................................... 88
Figura 18 - Gráficos dos resíduos versus valores ajustados para o modelo de
regressão de Poisson ajustado aos dados de notificações por asma em crianças (a),
adolescentes (b) e idosos (c)......................................................................................... 90
 LISTA DE TABELAS

Tabela 1 - Padrões Nacionais de Qualidade do Ar .............................................................. 23

Tabela 2 - Funções de ligação canônicas ............................................................................. 41
Tabela 3 - Posição das dez mais populosas regiões metropolitanas do Brasil ............... 49
Tabela 4 - Estações e os parâmetros monitorados .............................................................. 53
Tabela 5 - Distribuição percentual de internações por asma em diferentes faixas etárias
na rede pública de saúde, Salvador, Brasil, 10/2010 - 08/2015 ......................................... 60
Tabela 6 - Estatística descritiva das variáveis poluentes atmosféricos e parâmetros
meteorológicos, Salvador, 2010-2015 .................................................................................... 65
Tabela 7 - Matriz de correlação linear entre as variáveis Asmas, SO2, CO, O3, MP10,
NO2, Temperatura e Umidade. ................................................................................................. 74
Tabela 8 - Variáveis significativas para o modelo de regressão de Poisson para os
dados de notificações de amas em crianças ......................................................................... 75
Tabela 9 - Variáveis significativas para o modelo de regressão de Poisson para os
dados de notificações de amas em adolescentes ................................................................ 79
Tabela 10 - Variáveis significativas para o modelo de regressão de Poisson para os
dados de notificações de amas em idosos ............................................................................ 82
 LISTA DE SIGLAS

ABNT Associação Brasileira de Normas Técnicas

AIC Akaike's Information Criterion
CETESB Companhia de Tecnologia de Saneamento Ambiental do estado de
São Paulo
CID Classificação internacional de doenças
CO Monóxido de Carbono
CO2 Dióxido de Carbono
CONAMA Conselho Nacional de Meio Ambiente
DENATRAN Departamento Nacional de Trânsito
DPOC Doença pulmonar obstrutiva crônica
D/V Direção do veto
EPA Environmental Protection Agency
HC Hidrocarboneto
H2SO4 Ácido sulfúrico
IBAMA Instituto Brasileiro de Meio Ambiente
IBGE Instituto Brasileiro de Geografia e Estatística
INEA Instituto Estadual do Ambiente do Estado do Rio de Janeiro
INEMA Instituto do Meio Ambiente e Recursos Hídricos
IQAr Índice de Qualidade do Ar
MLG Modelos Lineares Generalizados
MMA Ministério do Meio Ambiente
MP Material Particulado
NAAQS National Ambient Air Quality Standards
NBR Normas brasileiras
NO2 Dióxido de Nitrogênio
NOx Oxido de Nitrogênio
O3 Ozônio
OMS Organização Mundial da Saúde
Pb Chumbo
PCPV Plano de Controle de Poluição Veicular
PF Padrões de Qualidade do Ar Final
PI Padrões de Qualidade do Ar Intermediários
ppm Parte por milhão
PROCONVE Programa de Controle de Veículos Automotores
PRONAR Programa Nacional de Controle da Qualidade do Ar
PTS Partículas totais em suspensão
RMS Rede de Monitoramento de Salvador
RR Risco relativo
SO2 Dióxido de enxofre
SOx Óxido de enxofre
T Temperatura
UR Umidade relativa do ar
V/V Velocidade do vendo
µg micrograma
 SUMÁRIO

1 INTRODUÇÃO ................................................................................................................ 13
1.1 RELEVÂNCIA E INEDITISMO...................................................................................... 16
1.2 ARGUMENTO DE TESE ............................................................................................... 17
2 OBJETIVOS .................................................................................................................... 18
2.1 OBEJTIVO GERAL ......................................................................................................... 18
2.2 OBJETIVOS ESPECÍFICOS ......................................................................................... 18
3 REFERENCIAL TEÓRICO ........................................................................................... 19
3.1 POLUIÇÃO ATMOSFÉRICA ........................................................................................ 19
3.1.1 Considerações iniciais ............................................................................................... 19
3.1.2 Poluentes atmosféricos ............................................................................................. 20
3.1.3 Padrões de Qualidade do Ar ..................................................................................... 21
3.2 POLUENTES ATMOSFÉRICOS E SAÚDE .............................................................. 24
3.3 POLUIÇÃO ATMOSFÉRICA E AS PRINCIPAIS EVIDÊNCIAS DOS SEU
EFEITOS SOBRE A SAÚDE HUMANA.................................................................................. 29
3.4 ASMA E POLUIÇÃO ATMOSFÉRICA ....................................................................... 33
3.5 FATORES METEOROLÓGICOS E POLUIÇÃO ATMOSFÉRICA ........................ 36
3.6 REDE DE MONITORAMENTO DA QUALIDADE DO AR ....................................... 37
3.7 MODELO PARA TOMADA DE DECISÃO ................................................................. 38
3.7.1 Considerações iniciais ............................................................................................... 38
3.7.2 Modelos Lineares Generalizados ............................................................................ 39
3.7.3 Modelo de Regressão de Poisson........................................................................... 41
3.7.4 Critério para seleção do modelo ............................................................................. 42
3.7.5 Avaliação do ajuste do modelo ................................................................................ 43
4 METODOLOGIA ............................................................................................................. 47
4.1 TIPOLOGIA DO ESTUDO ............................................................................................. 47
4.2 CENÁRIO DA PESQUISA ............................................................................................. 47
4.3 PROCEDIMENTO DE COLETA DOS DADOS.......................................................... 51
4.4 ANÁLISE ESTATÍSTICA DOS DADOS ...................................................................... 56
4.4.1 Variáveis modeladas ................................................................................................... 56
4.4.2 Análise exploratória dos dados ............................................................................... 57
4.4.3 Análise do ajuste do modelo para tomada de decisão ..................................... 57
5 RESULTADOS: ANÁLISES E DISCUSSÃO ........................................................... 59
5.1 ANÁLISE EXPLORATÓRIA DOS DADOS ................................................................ 59
5.1.1 Internações por asma ................................................................................................. 59
5.1.2 Poluentes atmosféricos e parâmetros meteorológicos .................................... 64
5.2 MODELO PARA TOMADA DE DECISÃO ................................................................. 74
5.2.1 Asma em Crianças (0 a 9 anos) ............................................................................... 75
5.2.2 Asma em Adolescentes (10 a 19 anos) .................................................................. 79
5.2.3 Asma em Adultos (20 a 59 anos) ............................................................................. 81
5.2.4 Asma em Idosos (igual ou maiores de 60 anos) ................................................. 82
5.3 ANÁLISE DA ADEQUABILIDADE DO MODELO ..................................................... 83
CONCLUSÕES ............................................................................................................... 92
PUBLICAÇÕES .............................................................................................................. 95
REFERÊNCIAS .............................................................................................................. 96
Apêndice A – Carta de solicitação de dados para pesquisa ................................ 110
Apêndice B – Script operado no software RStudio ............................................... 112
Apêndice C – Registro fotográfico da visita técnica à estação de monitoramento
da qualidade do ar da Av. Paralela, Salvador - BA ................................................. 120
Apêndice D – Registro fotográfico da participação do evento SOPRAR Salvador:
Poluição do ar e saúde, inovação em busca de uma Salvador resiliente (2018)
......................................................................................................................................... 121
Apêndice E – Registro fotográfico da participação do workshop poluição
atmosférica e saúde humana (Salvador – BA) ........................................................ 122
Anexo A – Obtenção dos dados da saúde no sistema do DATASUS ................ 123
Anexo B – Resolução CONAMA n.º 491/2018 que dispõe sobre os padrões de
qualidade do ar ............................................................................................................. 125
 13

1 INTRODUÇÃO

Diante do avanço da população e de suas demandas de consumo, a indústria

cresceu consideravelmente em números, áreas de atuação e, principalmente, no
desenvolvimento de uma grande variedade de produtos. Contudo, as preocupações
ambientais não acompanharam esse crescimento e os problemas ambientais
começaram a surgir em grande escala. (LEAL; FARIAS; ARAUJO, 2008). Até meados
da década de 1980, a poluição do ar nas áreas urbanas, causada principalmente por
emissões industriais, classificada como fonte estacionária de poluição, porém, com o
rápido crescimento urbano, os veículos automotores, que são vistos como fonte móvel
de poluição, tornou-se um problema de grande magnitude. Observa-se hoje que uma
das maiores fontes de poluição do ar nas áreas urbanas são os automóveis em
circulação, devido ao número de veículos, ao estado de conservação dos motores e
dos mecanismos de filtragem de gases e, em muitos casos, ao controle de a qualidade
do combustível utilizado.
Os combustíveis derivados do petróleo são utilizados para os mais diversos fins
energéticos, na geração de energia elétrica, indústria e transporte, e é um dos
principais causadores de danos ao meio ambiente, gerando impactos ambientais de
alcance global como o aumento da concentração de gases do efeito estufa, como
regionais com as chuvas ácidas, aumento da concentração de poluentes tóxicos na
atmosfera que vem afetando de maneira muito séria a saúde da população nos
grandes centros urbanos.
No Brasil, essa questão e seu desenvolvimento estão sob responsabilidade do
Conselho Nacional do Meio Ambiente (CONAMA). Este órgão de revisão está
diretamente ligado ao Ministério do Meio Ambiente (MMA), a quem compete tratar
todos os assuntos relacionados à qualidade do ar. Portanto, tendo em vista o acelerado
crescimento industrial e do número de veículos automotores no país e seus impactos
negativos na sociedade, no meio ambiente e na economia, o Brasil desenvolveu
programas relacionados à qualidade do ar, que vêm sendo estudados e atualizados
desde 1980, tais como: PRONAR (Programa Nacional de Controle da Qualidade do Ar)
e PROCONVE (Programa de Controle da Poluição Aeronáutica). O primeiro dispositivo
legal produzido pelo PRONAR foi a Resolução nº 03, de 28 de junho de 1990, do
Conselho Nacional do Meio Ambiente, que instituiu o Padrão Nacional de Qualidade do
 14

Ar, que foi efetivado em 2018 por meio da Resolução nº 491, de 19 de novembro de
1990.
Segundo a Resolução CONAMA n.º 491/2018, entende-se como poluentes
atmosféricos qualquer forma de matéria ou energia com intensidade e em quantidade,
concentração, tempo ou características em desacordo com níveis estabelecidos, e que
tornem ou passam tornar o ar: impróprio, nocivo ou ofensivo à saúde, inconveniente ao
bem-estar público, danoso aos materiais, à fauna e flora, prejudicial à segurança, ao
gozo da propriedade e às atividades normais da comunidade.
Os padrões, apresentados na Resolução supracitada, que definem legalmente o
limite máximo para a concentração de cada poluente na atmosfera, foram
estabelecidos tomando como referência, os valores do Guia de Qualidade do Ar,
recomendados pela Organização Mundial de Saúde (OMS) em 2021. Esses valores
máximos acordados para cada poluente foram baseados em estudos científicos dos
efeitos produzidos por cada um e fixados em níveis que possam garantir a proteção ao
meio ambiente e à saúde humana.
Os mais importantes poluentes associados a esses efeitos são: dióxido de
enxofre (SO2), dióxido de nitrogênio (NO2), ozônio (O3), material particulado (MP) e
monóxido de carbono (CO). A poluição do ar, que possui como principal fonte de
emissões o tráfego veicular e as indústrias, é um dos principais problemas mundiais da
atualidade, não apenas pelo impacto que ela gera nas mudanças climáticas, mas
também pela influência negativa que exerce sobre a saúde humana, atuando como um
importante fator de risco no aumento da morbidade e mortalidade (SANTOS, et.al;
2021).
Nos últimos anos, muitos estudos foram realizados para medir os efeitos da
poluição do ar na saúde. Vários pesquisa têm mostrado uma associação entre doenças
respiratórias agudas e crônicas e poluição do ar, tornando a poluição do ar um tema
crescente de preocupação global (FAJERSZTAJN et al., 2017; RAJAK;
CHATTOPADHYAY, 2020).
Segundo o relatório Global Burden of Disease (2017), a poluição do ar é um dos
principais fatores de risco para a saúde humana, responsável por 3,4 milhões de
mortes prematuras em todo o mundo (STANAWAY, 2017). Achados de vários estudos
ao redor do mundo mostram que a poluição do ar e os parâmetros climáticos estão
positivamente associados ao aumento de internações por doenças respiratórias,
incluindo a asma. (ALBALAWI et al., 2021; BYRWA-HILL et al., 2020; CHUNG, 2021;
 15

DIAS et al., 2016; DIAS et al., 2020; GOZUBUYUK et al., 2017; HU et al., 2020; KUO et
al., 2018; LIU et al., 2021; NEJJARI et al.; 2021; RODRIGUES; NATÁRIO, 2021; ÜNAL
et al.; 2021; ZHANG et al., 2021; ZHAO et al.; 2021).
A asma é a doença respiratória crônica mais prevalente das vias aéreas,
afetando aproximadamente 235 milhões de pessoas em todo o mundo
(DĄBROWIECKI et al. 2022). No Brasil, segundo o Instituto Brasileiro de Geografia e
Estatística (IBGE) e a Pesquisa Nacional de Saúde (PNS, 2019), a asma afeta
aproximadamente 8,4 milhões de brasileiros com mais de 18 anos e é responsável por
mais de 100 milhões de mortes. Sistema Único de Saúde (SUS) e identificado como
um grande problema de saúde pública (Brasil. IBGE, 2019). Estudos têm demonstrado
que a prevalência da asma, em particular nas crianças, tem aumentado nas últimas
décadas (CHEN et al., 2016; BUTEAU et al., 2020). Em um estudo de 10 cidades
europeias, 14% dos casos de asma infantil e 15% das exacerbações de asma infantil
foram atribuídos à poluição do ar urbano.
Por ser considerada uma doença multifatorial clássica, a etiologia da asma é
complexa e envolve fatores genéticos e ambientais. O aumento da prevalência de
asma nas últimas décadas não pode ser simplesmente explicado a partir de uma
perspectiva genética, pois as mudanças genéticas em uma população requerem várias
gerações. Esse aumento pode ser em virtude de algumas mudanças nos fatores
ambientais, como a poluição atmosférica (HUANG et al., 2015).
A urbanização é um importante contribuinte para asma e está contribuição pode
ser parcialmente atribuída ao aumento da poluição do ar em áreas urbanas. Apesar de
existirem algumas evidências indicando a correlação entre exposição à poluição do ar
com uma série de doenças respiratórias, pouco se sabe sobre a relação entre
exposição à poluição atmosférica e fenótipos da asma (CUNHA et al., 2022).
Nesse sentido, o problema que se coloca neste estudo é a ausência de
informações modeladas, com o intuito de mensurar a relação entre à exposição a
poluentes atmosféricos e fatores meteorológicos, com o aumento no número de
notificações por asmas. A modelagem dessas informações possibilitará uma
intervenção mais efetiva sobre as resultantes danosas desse processo de poluição do
ar sobre a saúde humana.
 16

1.1 RELEVÂNCIA E INEDITISMO

O estudo foi realizado na cidade de Salvador, terceira cidade mais populosa do

país e sexta maior região metropolitana do Brasil com quase 3,3 milhões de habitantes,
além de possuir a quarta maior frota do Brasil (DENATRAN, 2018), e o maior polo
industrial do nordeste brasileiro.
Sabemos que os veículos automotores e as indústrias são os principais
responsáveis pela degradação da qualidade do ar nos grandes centros urbanos, e é
evidente a importância de controlar o lançamento de poluentes na atmosfera. Desta
forma, Salvador busca implementar políticas públicas destinadas a desenvolver
medidas para reduzir os danos que a poluição do ar tem causado ao meio ambiente e
diversos prejuízos à saúde da população. Por esse motivo, pode-se declarar que, no
Nordeste, Salvador ocupa a vanguarda no que se refere ao desejo de reduzir o impacto
que a poluição atmosférica traz nos mais diversos aspectos. Porém, para isso, são
necessárias informações e conhecimentos que auxiliem nessa tarefa.
Embora Salvador seja a única cidade do Nordeste a monitorar níveis de
poluentes atmosféricos e parâmetros climáticos, permitindo a realização de estudos,
vale ressaltar que não foram desenvolvidos estudos utilizando modelos estatísticos,
para correlacionar essas informações com os casos de notificações em uma série de
doenças respiratórias, entre elas, a asma.
Assim, a relevância e ineditismo deste estudo consistem na apresentação de um
estudo avançado, por meio de Modelos Lineares Generalizados (MLG), entre os
principais poluentes atmosféricos e os parâmetros meteorológicos, com os casos de
notificações por asma. Deste modo, os resultados deste estudo possibilitarão avaliar o
grau de influência que a poluição do ar e parâmetros climáticos exercem sobre
impactos nas internações hospitalares por asma, bem como auxiliarão na determinação
de Tomada de Decisão sobre ações governamentais para o controle das emissões dos
poluentes e consequentemente, seus impactos negativos sobre a saúde.
 17

1.2 ARGUMENTO DE TESE

Com base no exposto, levantou-se, nesse processo investigativo, a seguinte

hipótese: a poluição atmosférica e fatores meteorológicos afetam diretamente nos
casos de notificações por asmas, em diferentes faixas etárias. Assim, este trabalho
defende o argumento de tese de que o número de casos por asma é impactado pela
poluição atmosférica, mesmo em concentrações abaixo dos níveis considerados
seguros pelo Conselho Nacional do Meio Ambiente. Nesse sentido, os resultados
obtidos neste estudo servirão de base para políticas públicas direcionadas à prevenção
e planejamento de ações, tanto no campo do controle das emissões de poluentes no
ar, quanto no campo da saúde, no sentido de atenuar os níveis de poluição e dos
problemas de saúde daí oriundos.
 18

2 OBJETIVOS

2.1 OBEJTIVO GERAL

Construir um modelo de Tomada de Decisão para estimar a influência dos

principais poluentes atmosféricos e os parâmetros climáticos na ocorrência de
morbidades por asma, das pessoas residentes numa grande metrópole.

2.2 OBJETIVOS ESPECÍFICOS

• Examinar os níveis de concentrações de poluentes atmosféricos, conforme os

valores estabelecidos pela Organização Mundial de Saúde – OMS e pelo
Conselho Nacional do Meio Ambiente – CONAMA;

• Identificar, no período de estudo, quais poluentes atmosféricos e parâmetros

climáticos que estão diretamente relacionados ao aumento dos casos de
notificações por asma;

• Avaliar se a poluição atmosférica, mesmo dentro dos níveis considerados

seguros pelas agências de controle ambiental, está atuando como um
importante fator de aumento da morbidade por asma;

• Definir um modelo de tomada de decisão para avaliar o impacto da poluição

atmosférica nos casos de asma em crianças, adolescente, adultos e idosos.
 19

3 REFERENCIAL TEÓRICO

3.1 POLUIÇÃO ATMOSFÉRICA

3.1.1 Considerações iniciais

Com o advento da industrialização iniciada na Inglaterra no século XVIII, novos

processos produtivos foram descobertos para produzir produtos em maior quantidade e
de melhor qualidade, sempre visando o lucro. No entanto, à medida que a população
crescia e a demanda dos consumidores crescia, esse cenário iniciado no Reino Unido
rapidamente se espalhou pelos continentes, impulsionando o crescimento econômico e
abrindo perspectivas para uma maior geração de riqueza, que por sua vez levou à
prosperidade e a um melhoramento da qualidade de vida (DIAS, 2019).
O problema é que o crescimento econômico desordenado foi acompanhado por
um processo nunca antes visto pelo homem, no qual utilizavam grandes quantidades
de energia e recursos naturais, culminando em consequências ambientais danosas das
ações humanas nem sempre visíveis. (DIAS, 2019; LEAL; FARIAS; ARAÚJO, 2008).
Somente na segunda metade do século XX, com a intensificação do crescimento
econômico mundial e o agravamento dos problemas ambientais, essas consequências
começaram a se espalhar por amplos setores da população, especialmente nos países
desenvolvidos, os primeiros a sofrer os efeitos da Revolução Industrial (DIAS, 2019).
É sabido que a industrialização trouxe diversos problemas ambientais como: alta
concentração populacional em áreas urbanas, consumo excessivo de recursos natu-
rais, degradação do ar, solo, água e desmatamento (DIAS, 2019).
O Brasil também vivenciou essa realidade e, entre as décadas de 1950 e 1990,
a proporção da população brasileira que vivia nas áreas urbanas passou de 36% para
75%. Como centros de produção, essas cidades apresentaram saturação industrial em
áreas restritas, não obstante, os evidentes desequilíbrios ambientais decorrentes desse
processo, causando alguns problemas para o meio ambiente e seus habitantes (LEAL;
FARIAS; ARAUJO, 2008).
 20

Destaca-se a poluição do ar, um dos maiores problemas ambientais que a

humanidade enfrenta atualmente, um tipo de poluição originada principalmente nas
cidades e centros industriais. Entre as causas relacionadas à poluição do ar, pode-se
citar principalmente a queima de combustíveis fósseis para atender às necessidades
humanas por diferentes fontes de energia; seja para fins industriais, de transporte ou
de geração de energia (STEIN; 2018).
Nos anos de 1980, a poluição atmosférica nos centros urbanos era considerada
advinda das industriais, classificadas como fontes estacionárias, mas o processo de
urbanização tanto em países desenvolvidos quanto os em desenvolvimentos, fez com
que os veículos automotores, classificados como fontes móveis de poluição, viessem a
se tornar um problema para o meio ambiente com suas altas emissões (CRUZ, 2019).

3.1.2 Poluentes atmosféricos

Conforme a NBR 8969, expedida em 1 de julho de 1985, poluição do ar significa

“a presença de um ou mais poluentes atmosféricos” e poluente atmosférico “toda e
qualquer forma de matéria e/ou energia que, segundo suas características,
concentração e tempo de permanência no ar, possa causar ou venha a causar danos à
saúde, aos materiais, à fauna e à flora e seja prejudicial à segurança, ao uso e ao gozo
da propriedade, à economia e ao bem-estar da comunidade. O mesmo significado que
contaminante atmosférico” (ABNT, 1985).
Segundo Júnior (1998), na concepção europeia, levando em conta o
conhecimento científico da época, poluição do ar é a presença de substâncias
estranhas ou alterações significativas em sua composição com potencial para causar
efeitos nocivos ou doenças.
A Resolução CONAMA n.º 419/2018, define poluentes atmosféricos como sendo
qualquer forma de matéria em quantidade, concentração, tempo ou outras
características, que tornem ou possam tornar o ar:
• Impróprio, nocivo ou ofensivo à saúde;
• Inconveniente ao bem-estar público;
• Danoso aos materiais, à fauna e flora;
 21

• Prejudicial à segurança, ao uso e gozo da propriedade e as atividades

normais da comunidade.
As emissões de poluentes na atmosfera podem ser provenientes de várias
fontes e a suas origens podem ser naturais ou antropogênicas. As fontes naturais,
englobam os fenômenos naturais como os vulcões, processos microbiológicos no solo,
decomposição de matéria orgânica, queimadas de origem natural e entre outros,
enquanto as fontes antropogênicas são as que resultam das atividades humanas com
as emissões por indústrias, transportes, geração de energia, queimadas entre outras
(GUIMARÃES et al., 2017).
Com relação às fontes antropogênicas de emissões, elas podem ser
classificadas em:
• Fontes Fixas: as indústrias, incineradores de resíduos e as termoelétricas
são as principais fontes dessas emissões;
• Fontes Móveis: as principais fontes de emissões de poluentes de origem
móveis são os veículos automotores, aviões, trens e embarcações
marítimas.
Com base no modo como os poluentes chegam à atmosfera, segundo
Guimarães (2017) eles são classificados como:
Poluentes primários: são aqueles emitidos diretamente na atmosfera a partir de
uma fonte identificável, tais como: monóxido de carbono (CO), óxidos de enxofre (SO x),
hidrocarbonetos (HC), material particulado (MP) e óxidos de nitrogênio (NO x).
Poluentes secundários: são poluentes formados na atmosfera por meio de
reações químicas que ocorrem na atmosfera entre poluentes primários, como o ozônio
(O3) e o ácido sulfúrico (H2SO4).

3.1.3 Padrões de Qualidade do Ar

Existe grande preocupação da comunidade científica internacional em relação

aos efeitos de alguns poluentes de caráter tóxico e extremamente reativos emitidos e
formados na atmosfera. Dessa forma, iniciativas de vários órgãos internacionais e
nacionais estão sendo tomadas para mitigar e controlar a emissão desses poluentes
 22

diretamente na fonte (GUIMARÃES, 2017). Em países desenvolvidos observou-se que

a qualidade do ar vem melhorando, porém, a poluição do ar está aumentando
constantemente nos países em desenvolvimento (WHO, 2022).
Dados disponibilizados pela Organização Mundial de Saúde (OMS) apontam que
a cada dez (10) indivíduos, nove (09) respiram ar contendo níveis elevados de
poluentes. Estima-se que 80% das pessoas que vivem em áreas urbanas, estão
expostas a níveis de poluição do ar que excedem os limites das diretrizes
estabelecidas pela OMS.
Os padrões de qualidade do ar definem o limite máximo para a
concentração de cada poluente no ar visando à proteção da saúde e do meio ambiente.
Nos Estados Unidos, o órgão responsável pela fixação de índices é a Environmental
Protection Agency (EPA), que estabelece o National Ambient Air Quality Standards
(NAAQS). No Brasil, os padrões nacionais são determinados pelo Instituto Brasileiro de
Meio Ambiente (IBAMA) e regulamentados pelo Conselho Nacional de Meio Ambiente
(Conama) por meio da Resolução n.º 419/2018. Desta forma, a resolução supracitada
estabelece padrões nacionais de qualidade do ar para com valores específicos,
determinado com base em evidências científicas, de modo a proteger a saúde humana
e o meio ambiente. O CONAMA estabeleceu padrões para seis poluentes atmosféricos
mais presentes no ar, chamados de poluentes “critérios”, que são:
• Material particulado (MP);
• Dióxido de enxofre (SO2);
• Dióxido de nitrogênio (NO2);
• Ozônio (O3);
• Monóxido de carbono (CO);
• Chumbo (Pb).
Considerando os padrões nacionais de qualidade do ar e tomando como
referência os valores guia de qualidade do ar, recomendados pela Organização
Mundial de Saúde – OMS em 2021, o Conselho Nacional do Meio Ambiente –
CONAMA, através da Resolução n.º 419, de 19 de novembro de 2018, estabelece
novos limites para cada poluente de forma que garanta a proteção a saúde da
população e ao meio ambiente. Esses padrões e os seus respectivos limites estão
apresentados na Tabela 1 a seguir.
 23

Tabela 1 - Padrões Nacionais de Qualidade do Ar

Poluentes Siga Período de PI-1 PI-2 PI-3 PF ppm
Referência
(µg/m³) (µg/m³) (µg/m³) (µg/m³)
Material MP10 24 h 120 100 75 50
Particulado
Anual1 40 35 30 20

Material MP2,5 24 h 60 50 37 25
Particulado
Anual1 20 17 15 10

Dióxido de SO2 24 h 125 50 30 20

Enxofre
Anual1 40 30 20 -

Dióxido de NO2 1 h2 260 240 220 200

Nitrogênio
Anual1 60 50 45 40

Partículas PTS 24 h - - - 240

Totais em
Anual4 - - - 80
Suspensão

Fumaça 24 h 120 100 75 50

Anual1 40 35 30 20

Ozônio O3 8 h3 140 130 120 100

Monóxido CO 8 h3 - - - - 9
de carbono

Chumbo Pb Anual1 - - - 0,5

Fonte: BRASIL (2018).

1. Média aritmética anual

2. Média horária
3. Máxima média móvel obtida no dia
4. Média geométrica anual

Conforme apresentado na Tabela 1, adota-se como unidade de medida de

concentração dos poluentes atmosféricos o micrograma por metro cúbico (µg/m 3) com
exceção do Monóxido de Carbono, que é reportado como partes por milhão (ppm). Os
Padrões de Qualidade do Ar definidos por essa Resolução serão adotados
 24

sequencialmente, em quatro etapas. A primeira etapa, que entrou em vigor a partir da

publicação da resolução CONAMA n.º 419/2018, compreende os Padrões de
Qualidade do Ar Intermediários PI-1 apresentados na Tabela 1. Os Padrões de
Qualidade do Ar Intermediários (PI-2, PI-3) e Final (PF) serão adotados, cada um, de
forma subsequente, considerando os Planos de Controle de Emissões Atmosféricas e
os Relatórios de Avaliação da Qualidade do Ar, elaborados pelos órgãos estaduais e
distrital de meio ambiente.

3.2 POLUENTES ATMOSFÉRICOS E SAÚDE

A poluição atmosférica pode ser definida como alterações na pureza e qualidade

do ar causadas por emissões de substâncias químicas ou biológicas, sejam elas
liberadas naturalmente, ou produzidas por fontes antropogênicas (FARINHA, et al.,
2022). Em 2006, a Organização Mundial de Saúde (OMS) definiu poluição como sendo
a contaminação do ambiente externo ou interno por qualquer agente químico, físico ou
biológico que altera as características naturais da atmosfera.
A contribuição das emissões provenientes das atividades humanas (emissões
antrópicas) excede os níveis de emissão, e vários estudos mostram cada vez mais que
a exposição a curto ou longo prazo à poluição do ar em grandes centros urbanos tem
consequências para a saúde humana (D'AMATO et al., 2016; BOWATTE et al., 2017,
CLIFFORD et al., 2017; SHI et al., 2021).
Em geral, nas grandes metrópoles, os poluentes mais incidentes na atmosfera
estão relacionados à emissão de gases, como o monóxido de carbono (CO), dióxido de
nitrogênio (NO2), dióxido de enxofre (SO2), ozônio (O3) e material particulado (MP),
principalmente pelas atividades humanas. Dentre esses, monóxido de carbono (CO),
dióxido de nitrogênio (NO2), ozônio (O3) e partículas menores que 10 μm (MP10) são
aqueles com maior evidência de efeitos na saúde (DE MELO CUNHA et al. 2022; DING
et al., 2017; FAJERSZTAJN et al., 2017; HALPIN et al., 2019; HAZLEHURST et al.,
2021; MENEZES et al., 2019; SONG et al., 2018; O’LENICK et al., 2017; SOLEIMANI
et al., 2019; ÜNAL et al., 2021).
O monóxido de carbono (CO) destaca-se entre os principais poluentes
produzidos durante a combustão incompleta de combustíveis fósseis ou durante a
 25

queima de biomassa. Na combustão, o volume de CO produzido está diretamente

relacionado ao volume de oxigênio disponível para a combustão, ou seja, uma
combustão com menos oxigênio tende a produzir mais monóxido de carbono. Esse
gás é invisível, quase inodoro, mais leve que o ar, extremamente tóxico e em altas
concentrações, leva o ser humano à morte, pois afeta diretamente no carreamento do
oxigênio para as células do corpo (GUIMARÃES, 2017).
O monóxido de carbono tem uma afinidade muito maior pela hemoglobina do
que o oxigênio. Sendo assim, a intoxicações graves podem ocorrer em pessoas
expostas a altos níveis de monóxido de carbono por um longo período de tempo.
Devido à perda de oxigênio como resultado da ligação competitiva do monóxido de
carbono, observa-se hipóxia, isquemia e doença cardiovascular (MANISALIDIS et al.,
2020).
Mesmo em baixas concentrações, esse poluente pode gerar problemas
cardiovasculares, principalmente em cardiopatas (ASHBY, 2013). Além disso, o
monóxido de carbono influencia na química da atmosfera, contribuindo para a depleção
da camada de ozônio e, consequentemente, ocasionando o aquecimento global e a
alteração do clima (BUCHMANN et al., 2016). Isso deve levar a um aumento nas
temperaturas do solo e da água, e podem ocorrer condições climáticas extremas ou
tempestades (EMBERSON et al., 2018).
Os compostos nitrogenados (NO e NO2) emitidos por fontes biogênicas na
atmosfera, geralmente, estão na forma reduzida e na atmosfera sofrem oxidação. O
nitrogênio (N) é o elemento químico mais abundante na natureza e possui grande
capacidade de realizar ligações químicas, pois possui vários números de oxidação,
variando de –III a +V. Os óxidos de nitrogênio, conhecidos como NOx, representam
basicamente o somatório de NO + NO2 (GUIMARÃES, 2017).
O óxido de nitrogênio é um poluente primário, lançado na atmosfera a partir da
queima dos combustíveis derivados do petróleo. Os veículos automotores são
responsáveis pela grande concentração desse poluente no meio ambiente
(RICHMOND-BRYANT et al., 2017). Em elevadas concentrações os óxidos de
nitrogênio podem provocar problemas respiratórios, especialmente em crianças.
Pessoas asmáticas podem sofrer dificuldades respiratórias adicionais (ASHBY, 2013).
Por apresentar baixa solubilidade, o NO2 consegue de penetrar profundamente no
sistema respiratório, podendo dar origem às nitrosaminas, compostos químicos
cancerígenos (CAVALCANTI, 2010).
 26

Assim, o NO2 é uma substância irritante do sistema respiratório, pois penetra

profundamente no pulmão, induzindo doenças respiratórias, tosse, sibilos, dispneia,
broncoespasmo e até edema pulmonar quando inalado em níveis elevados. Parece
que concentrações acima de 0,2 ppm produzem esses efeitos adversos em humanos,
enquanto concentrações acima de 2,0 ppm afetam os linfócitos T, particularmente as
células CD8+ e células NK, células de defesa do sistema imune. Altos níveis de dióxido
de nitrogênio podem ser responsáveis por doenças pulmonares crônicas, além
prejudicar o olfato em caso de exposição prolongada (CHEN et al., 2007).
O dióxido de enxofre (SO2) é um gás tóxico, incolor, emitido na atmosfera por
fontes antrópicas ou naturais e é um dos principais poluentes atmosféricos oriundos da
queima de combustíveis que contenham enxofre, como, por exemplo, o óleo diesel,
óleo combustível industrial e gasolina (GUIMARÃES, 2017).
Em relação aos danos à saúde humana, por ser um poluente acidificante, em
elevadas concentrações, pode provocar problemas no trato respiratório, especialmente
em grupos sensíveis, como pessoas asmáticas (ASHBY, 2013).
Os principais problemas de saúde associados às emissões de dióxido de
enxofre (SO2) em áreas industrializadas e urbanas são irritação respiratória, bronquite,
produção de muco e broncoespasmo, pois o SO2 atua como um irritante sensorial,
penetrando profundamente no pulmão convertido em bissulfito e interindo com
receptores sensoriais, causando broncoconstrição, que caracteriza como sendo o
estado no qual o músculo liso presente na parede brônquica se contrai levando a uma
redução na passagem de ar pelas vias aéreas. Além disso, ocasiona também
vermelhidão da pele, danos aos olhos (lacrimação e opacidade da córnea) e
membranas mucosas, além de agravamento de doenças cardiovasculares pré-
existentes (WHO, 2018).
O ozônio (O3) é um gás instável e um poderoso oxidante. Este poluente é uma
variedade alotrópica do oxigênio, constituído por três átomos de oxigênio unidos por
ligações covalentes simples e duplas, sendo um híbrido de ressonância. É um agente
oxidante extremamente forte e reage mais rapidamente que o gás oxigênio (O 2). Pela
sua alta reatividade, também é um gás extremamente tóxico (ASHBY, 2013;
GUIMARÃES, 2017).
O ozônio troposférico é um poluente secundário, gerado na atmosfera por meio
de reação fotoquímica, através da incidência de radiação solar, entre óxidos de
nitrogênio e COVs, classificados como poluentes primários, emitidos de fontes naturais
 27

e/ou após atividades antrópicas.

O processo de formação do ozônio através da reação fotoquímica se dá da
seguinte forma:

2 NO + O2 → 2 NO2

NO2 → radiação ultravioleta → NO + O˙

O˙ + O2 → O3

NO + O3 → NO2 + O2

As reações de decomposição do oxigênio e formação do ozônio são:

O2 → radiação ultravioleta → 2 O˙

A radiação ultravioleta está associada a ondas eletromagnéticas com

comprimento de onda inferior a 200 nm. Este átomo de oxigênio (O˙) reage com
oxigênio (O2), geralmente na presença de óxidos de nitrogênio, para produzir ozônio.

O˙ + O2 → O3

A absorção de ozônio geralmente ocorre por inalação. Segundo Marschall e

Greganti (2010), o ozônio é um poluente secundário com impactos significativos na
saúde humana. Níveis elevados de ozônio podem levar a uma série de problemas,
como redução da função pulmonar e aumento do risco de exacerbações em pessoas
com asma. Estudos também demonstraram que aumentos de rinite, laringite, sinusite e
ardor nos olhos estão associados a esse poluente secundário (GIODA; GIODA, 2006).
Globalmente, as emissões antrópicas representaram aproximadamente 37% do
impacto do ozônio (O3) em 2015 (TIOTIU et al., 2020). Devido à sua baixa solubilidade
em água, o O3 não é efetivamente depurado pelas vias aéreas superiores e tem a
capacidade de penetrar profundamente na área pulmonar (MANISALIDIS et al., 2020).
Sabe-se que, quando inalado, o ozônio (O3) interage primeiro com
antioxidantes no epitélio das vias aéreas. A proteína surfactante D é especialmente
responsável pelas defesas pulmonares, regula a resposta ao O3 e parece ter
importante variabilidade genética afetando a suscetibilidade individual (OBEIDAT et
 28

al., 2017). Quando as doses de O3 no trato respiratório excedem a capacidade

protetora dos antioxidantes, efeitos adversos à saúde são prováveis. Como o ozônio
O3 é um poluente gasoso altamente reativo, ele pode ter efeitos inflamatórios no
sistema respiratório e reduzir a função pulmonar em adultos com asma (NIU et al.,
2018).
Podemos definir material particulado (MP) como um conjunto de partículas
sólidas ou líquidas emitidas por fontes de poluição ou mesmo aquelas formadas na
atmosfera. As partículas podem ter origem antrópica ou natural. As emissões
antrópicas de MP derivam, principalmente da queima de combustíveis fósseis, dos
processos industriais, obras de construção, mineração e queima de fogão a lenha. Com
relação as fontes naturais, as erupções vulcânicas e queimadas. As principais fontes
de MP nas áreas urbanas são o tráfego rodoviário, bem como a queima de
combustíveis fósseis em centrais elétricas. Essas partículas variam consideravelmente
em tamanho, morfologia, composição química e propriedades físicas e podem ser
formadas por combinações de frações sólidas e/ou líquidas na atmosfera
(GUIMARÃES, 2017).
O tamanho das partículas do material particulado (MP) é de suma importância,
pois determina o grau de penetração deles no sistema respiratório humano, em grande
parte, seu impacto na saúde respiratória. De acordo com o seu tamanho, o material
particulado pode ser dividido em três categorias:
• MP10: classificadas como partículas grossas, com diâmetro variando de 2,5
a 10 µm;
• MP2,5: sendo as partículas finas, com diâmetro variando de 0,1 a 2,5 µm;
• MP0,1: são as partículas ultrafinas, com diâmetros menores de 0,1 µm.

O material particulado é um dos principais poluentes em termos de efeitos na

saúde humana. As partículas finas (MP2,5) e ultrafinas (MP0,1) são as mais prejudiciais,
pois devido ao seu tamanho, conseguem uma maior penetração pulmonar
(MANISALIDIS et al., 2020; SOMPORNRATTANAPHAN et al., 2020), podendo atingir
os alvéolos pulmonares, órgão responsável pelas trocas gasosas com o sistema
cardiovascular. Já o MP10, por serem partículas com diâmetros maiores, tendem a ficar
retidas no sistema respiratório superior.
A Organização Mundial de Saúde (OMS) e o Conselho Nacional do Meio
Ambiente (CONAMA) recomendam um limite máximo, para média no período de 24 h,
 29

de 50 μg/m³ para o MP10 e, 25 μg/m³ para o MP2,5. Apesar destes valores, diversas
regiões no Brasil e mundo não conseguem respeitar os valores recomentados pela
OMS e os órgãos regulamentadores.
Devido à sua composição química, o MP pode ter efeitos nocivos nos indivíduos.
Alguns dos fatores que afetam o grau de dano de cada indivíduo são concentração,
duração da exposição, toxicidade e suscetibilidade individual. A exposição humana a
certos metais se deve à erosão natural dos minerais que os contêm, principalmente
como resultado de atividades humanas como mineração, fundição, queima de
combustíveis e aplicações industriais (GUIMARÃES, 2017).
Vários estudos epidemiológicos têm sido realizados para avaliar o impacto do
MP na saúde humana. Existe uma associação positiva entre exposição de curto e
longo prazo ao MP2.5 e nasofaringite aguda. Além disso, a exposição prolongada ao
MP durante muitos anos tem sido associada a doenças cardiovasculares e mortalidade
infantil (ZHANG et al., 2019).
Além disso, doenças respiratórias e afecções do sistema imunológico são
registradas como efeitos crônicos de longo prazo. Vale ressaltar que pessoas com
asma, pneumonia, diabetes e doenças respiratórias e cardiovasculares são
especialmente suscetíveis e vulneráveis aos efeitos do material particulado (MP). O
MP2,5, seguido por MP10, estão fortemente associados a diversas doenças do sistema
respiratório, pois seu tamanho permite perfurar espaços interiores (MANISALIDIS,
2020).

3.3 POLUIÇÃO ATMOSFÉRICA E AS PRINCIPAIS EVIDÊNCIAS DOS SEU

EFEITOS SOBRE A SAÚDE HUMANA

A poluição do ar urbano é um dos maiores problemas que assola a sociedade,

não apenas em países industrializados, mas também nos países em desenvolvimento.
Com o aumento das emissões atmosféricas nas últimas décadas, os seus impactos na
saúde humana e no meio ambiente são notáveis, sendo os veículos automotores em
circulação e as indústrias, as principais fontes de emissões de poluentes (SANTANA et
al., 2017).
As consequências do impacto da poluição sobre a saúde se tornaram uma
 30

grande preocupação para os grandes centros urbanos no mundo, pois as evidências

científicas são cada vez maiores de que a exposição aos níveis de poluição do ar tem
provocado efeitos danosos à saúde, que variam de mortalidade e morbidade em
crianças, adultos e idosos (CHEN et al.,2016; D'AMATO et al., 2016; DHARMAGE;
PERRET; CUSTOVIC, 2019; CHANG et al., 2020) e à impactos durante a gestação
(SAGGIN; DE ANDRADE; DAGOSTINI, 2021).
Recentemente, vários estudos epidemiológicos relataram que a exposição à
poluição atmosférica urbana está associada a um aumento do risco de doenças
cardiovasculares, doenças respiratórias, como doença pulmonar obstrutiva crônicas
(DPOC), asma, bronquite e câncer de pulmão (VIDALE et al., 2018; REQUIA et al.,
2018; LANDRIGAN et al., 2017; HADLEY et al., 2018; MIHALTAN et al., 2016), mesmo
em concentrações inferiores aos limites estabelecidos pelos órgãos regulamentadores
(LOOMIS et al., 2013; MENDOLA, 2017). Lelieveld (2015), relatou que a poluição do ar
provoca mais de 3 milhões de mortes prematuras em todo o mundo a cada ano, e só
na China, esse valor corresponde a 1,36 milhões.
Na literatura, observou-se a existência de vários estudos epidemiológicos e
observacionais demonstrando os efeitos negativos da poluição atmosférica sobre o
sistema cardiovascular. Constatou-se que a exposição tanto a curto, como a longo
prazo, aos principais poluentes atmosféricos, em especial ao material particulado (MP),
acarreta vários problemas cardiovasculares como insuficiência cardíaca, isquemia
miocárdica e infartos, derrames, arritmias e aumento da mortalidade.
Em um estudo realizado em áreas urbanizadas de Kuala Lumpur, Malásia,
Tajudin et al. (2019) estimou, por meio da utilização do modelo aditivo generalizado
baseado na regressão de Poisson, o risco relativo dos principais poluentes
atmosféricos sobre a prevalência de doenças cardiovasculares. Neste estudo,
observou-se que a exposição aos poluentes NO2 e O3 teve impacto direto e imediato
no número de internações hospitalares por doenças cardiovasculares. Já na cidade de
Bangkok, Tailândia, Phosri et al. (2019) observaram, no período de 2006-2014, uma
associação positiva entre a exposição a poluição atmosférica e o número diário por
doenças cardiovasculares. O aumento em aproximadamente 10 μg/m 3 no nível de
concentração do O3, NO2, SO2 e MP10 levou a um aumento nas admissões por
doenças cardiovasculares em aproximadamente 0,14%, 1,28%, 8,42%, 1,04%
respectivamente e, com relação ao CO, o aumento 1 μg/m3 na sua concentração
ocasionou um aumento de 6,69% nas admissões.
 31

A mortalidade por doenças cardiovasculares resultantes da exposição à poluição

atmosférica também foi investigada no Irã. Nesta região, estimou-se que o aumento da
poluição do ar em aproximadamente 10 μg/m 3 resultou no aumento em 0,5% no
número de mortes por doenças cardiovasculares (Karimi et al. 2019). No estudo
conduzido nos Estados Unidos por Powell et al. (2015), no período de 12 anos, foram
encontradas evidências estatisticamente significativas de que a concentração de
material particulado está associada aos casos de hospitalizações por doenças
cardiovasculares em idosos com mais de 65 anos de idade.
A associação entre os principais poluentes atmosféricos, como SO 2, NO2 e MP10
e doenças respiratórias e pulmonares e mortalidade por câncer de pulmão, foi
investigada por Zhu et al., em 2019, na China. Neste estudo, estimou-se que o
percentual de mortalidade por doenças respiratórias aumentou em aproximadamente
7,69%, 4,38% e 1,55% com um aumento de 10 μg/m 3 do SO2, NO2 e MP10,
respectivamente. O poluente SO2 foi o único poluente com associação
significativamente por mortalidade por câncer de pulmão.
Respaldada nas fortes evidências cientificas apresentadas em diversos estudos
no mundo, a Organização Mundial de Saúde (OMS) declarou que a poluição
atmosférica é considerada um cancerígeno humano, atuando como fator de risco no
desenvolvimento de câncer de pulmão, nasofaringe, cabeça e pescoço.
Dentre os poluentes presentes na atmosfera, o material particulado fino é o que
tem gerado maior impacto na saúde por serem facilmente inaladas pelas vias
respiratórias (FALCON-RODRIGUEZ et al., 2016). Estima-se que cerca de 300 mil
mortes por câncer de pulmão por ano em todo o mundo sejam ocasionadas pelo
material particulado fino. Cerca de 7% do total de mortalidade resulta de câncer de
pulmão devido à exposição ao MP2,5 (SHAHADIN et al. 2018).
Com o objetivo de avaliar a associação entre a exposição ao material particulado
fino (MP2,5) com o câncer de pulmão, na França em 2015, Kulhánová et al. (2018)
constaram que 3,6% dos casos diagnosticados com câncer foram atribuídos à
exposição ao MP2,5. Além disso, foi possível observar também que aumento de 10
μg/m3 nos níveis de concentrações dos poluentes MP2,5, MP10 e SO2 ocasionou um
aumento em aproximadamente 6% na mortalidade por câncer de pulmão (WANG et al.,
2019).
Em um estudo realizado na cidade de Pequim, China, observou-se que a
exposição a curto prazo, aos poluentes atmosféricos em área urbana têm ocasionado
 32

um aumento de admissões de hospitalares por doenças respiratórias (MA et al., 2018).

Em um estudo conduzido na cidade de Jinan, capital da província de Shandong,
na República Popular da China, Liu et al. (2019), verificaram uma associação entre a
poluição atmosférica por material particulado (MP 2,5) e o número de internações
hospitalares por doenças respiratórias em crianças com idade de 0 a 17 anos. No
período de 2009 a 2015, Soleimania et al. (2019) verificaram uma correlação
significativa entre a concentração de alguns dos contaminantes presentes na atmosfera
(SO2, NO2, Níveis de MP10 e CO) e o número de pacientes notificados por problemas
respiratórios na cidade de Shiraz, localizado no sul do Irã.
A exposição a óxido de nitrogênio (NOx) emitidos pela queima de combustíveis
fósseis tem sido associada a doenças respiratórias. No Brasil, César, Carvalho e
Nascimento (2015) observaram uma associação positiva entre a exposição ao poluente
óxido de nitrogênio (NOx) e a mortalidade por doenças respiratórias na população da
cidade de Taubaté, localizado no estado de São Paulo. Almeida et al. (2020),
verificaram em estudo, realizado no município de Uberaba, no estado de Minas Gerais,
um aumento na morbidade respiratória em crianças, decorrente de vários poluentes
atmosféricos.
Machin et al. (2019), verificaram, por meio do modelo de regressão de Poisson,
uma associação positiva entre a exposição a material particulado (MP) e monóxido de
carbono (CO) no número de internações por doenças respiratórias, em 2012, na
população idosa da cidade de Cuiabá, localizado ao sul da Amazônia brasileira.
Por ser a maior cidade do Brasil, São Paulo apresenta altos níveis de poluição
atmosférica e, consequentemente, diversos estudos associados à saúde. Gouveia et al.
(2006) por exemplo, analisaram a associação entre a exposição à poluição atmosférica
e internações hospitalares em indivíduos de diferentes faixas etárias. Nesse estudo,
eles verificaram que o aumento de SO2 e CO, prova aumento no número de
internações por doenças respiratórias em crianças. Ainda em São Paulo, Freitas et al.
em 2004, com o objetivo de investigar os efeitos a curto prazo de poluição atmosférica
e morbidade por doenças respiratórias em menores de 15 anos, observaram uma
grande incidência de doenças respiratórias em dia com níveis mais elevados de
poluentes no ar.
Segundo Negrete et al. (2010), efeitos adversos de poluentes também podem
ser observados em adultos jovens sem doenças pré-existentes. Estudos constataram
que o aumento das concentrações de poluentes provocou alterações na pressão
 33

arterial de controladores de trânsito de São Paulo, com boa saúde e idade entre 31 e
55 anos. Abe e Khouri Miraglia (2016) avaliaram o impacto da poluição do ar na saúde
da população paulista e identificaram o material particulado e o ozônio como fatores
associados à incidência de doenças respiratórias.
Darrow et al. (2014) verificaram em seu estudo realizado com crianças de 0 a 4
anos de idade, em Atlanta, capital do estado da Geórgia, nos EUA, uma associação
entre os poluentes ozônio (O3), material particulado (MP2,5) e dióxido de carbono (CO2)
em relação ao aumento no número de notificações em pronto-socorro por pneumonia.
Enquanto Hooper et al. (2018), observaram uma associação positiva entre a exposição
a longo prazo por material particulado e dióxido de nitrogênio em casos de bronquite
crônica em mulheres nos Estados Unidos- EUA.
As doenças pulmonares obstrutivas crônicas (DPOC), que incluem asma
brônquica, bronquite crônica e enfisema, constituem uma das principais causas de
morbidade e mortalidade. Estima-se que a DPOC ocasiona a morte de mais de 3,2
milhões pessoas por ano em todo o mundo (Balmes 2019). Arbex et al. (2009)
examinaram a influência das concentrações dos principais poluentes atmosféricos no
número de notificações por DPOC em São Paulo, Brasil. Nos seus resultados,
observaram que o aumento do MP10 e SO2 em 28,3 e 7,8 μg/m3 levam a um aumento
de internações por DPOC em 16% e 19%, respectivamente. De forma semelhante,
Hendryx et al. (2019) contatou que os principais poluentes atmosféricos, foram
associados ao aumento do risco de DPOC (HENDRYX et al. 2019).
Deng et al. (2016) utilizaram vários modelos de regressão logística em seu
estudo para avaliar a associação entre a exposição materna a poluição atmosférica
durante a gestação e a incidência de asma e rinite alérgica em crianças com idade
escolar de 3 a 6 anos, na China. Em seus resultados, foi verificado que a exposição
materna ao poluente dióxido de nitrogênio (NO2) durante a gravidez está associada a
aumento do risco de desenvolver asma e rinite.

3.4 ASMA E POLUIÇÃO ATMOSFÉRICA

A asma, também conhecida como bronquite asmática, é uma síndrome clínica

heterogênea caracterizada por uma doença inflamatória crônica das vias aéreas
 34

inferiores. O processo inflamatório é complexo e como resultado da inflamação,

observa-se uma hiperresponsividade brônquica, ou seja, um aumento da sensibilidade
das vias aéreas inferiores, ocasionando o estreitamento das vias aéreas em resposta a
estímulos broncoconstritores, fazendo com que o fluxo aéreo seja comprometido.
Dentre as doenças não transmissíveis, a asma é considerada a mais prevalente,
com estimativa entre 1 e 18% da população em diferentes países. Evidências apontam
que a asma é uma das doenças infantis mais comum no mundo, com uma estimativa
de 14% de prevalência (FERRANTE; LA GRUTTA, 2018; LAU et al., 2020). A poluição
urbana tem gerado impacto negativo nos resultados de crianças e adultos com asma
(GINAL, 2022). Em 2015, cerca de 358 milhões de indivíduos foram diagnosticados
com asma em todo o mundo; correspondendo um aumento de 12,6% desde o ano de
1990, e é provável que até 2025 mais 100 mil possam ser afetados por esta doença
(NETWORK, 2018).
Os padrões de incidência e prevalência de asma diferem entre crianças e
adultos. Geralmente, a asma se inicia na infância, mas pode ocorrer em qualquer fase
da vida, podendo, em alguns casos, ser desenvolvida pela primeira vez na idade
adulta. Enquanto a incidência e prevalência de asma são maiores em crianças, o uso
de serviços de saúde relacionados à asma e a mortalidade são maiores em adultos
(DHARMAGE; PERRET; CUSTOVIC, 2019). Existe uma grande variação geográfica na
prevalência, gravidade e mortalidade por asma. Embora a prevalência desta doença
seja maior em países de alta renda, a maior parte da mortalidade relacionada à asma
ocorre em países de baixa e média renda (CISNEROS, 2007).
Os fatores que afetam diretamente a ocorrência da asma são complexos e ainda
estão em estudo. As atuais evidências apontam a asma como sendo um distúrbio
multifatorial complexo e sua etiologia é cada vez mais atribuída a interações entre
suscetibilidade genética, condições ambientais, poluição atmosférica e fatores
climáticos (EDER, EGE, VON MUTIUS, 2006; TIAN et al., 2018; CHANG et al., 2020).
A poluição do ar em áreas urbanas é um gatilho estabelecido para exacerbações
de asma. Vários poluentes atmosféricos são encontrados em altas concentrações nas
áreas urbanas devido a grande quantidade de emissões dos veículos automotores,
como também pela geração de energia e as fontes indústrias. Todos os principais
poluentes atmosféricos podem induzir constrição das vias aéreas, além da inflamação
das vias aéreas, dois aspectos-chave da asma patogênese (DABROWIECKI et al.,
2022).
 35

Alguns estudos têm demonstrado que a poluição atmosférica tem impactado de

forma diferente sobre a prevalência de asma em crianças em diferentes regiões, devido
às diferentes condições geográficas e climáticas apresentadas (O’ LENICK et al.,
2017). É importante destacar que as crianças, por apresentarem imaturidade do
sistema imunológico, são mais vulneráveis aos efeitos da poluição atmosférica quando
comparada com outras faixas etárias (DING et al., 2016; NAMVAR et al., 2020).
Vários estudos sobre o impacto da poluição do ar sobre a asma vêm sendo
realizados até agora. O conhecimento preciso sobre os fatores que contribuem para
causa da asma é de extrema importância, pois essa informação servirá de base para
fundamentações políticas voltadas para prevenção e planejamento de ações na
tentativa de reduzir a prevalência de amas em todos o mundo.
Uma meta-análise realizada recentemente por Huanf et al. em 2021 com 84
estudos, mostrou que o risco de exacerbações de asma aumentou com o aumento das
concentrações dos poluentes MP2,5, MP10, NO2 e SO2. Em um estudo realizado por
Ding et al. (2017) na cidade de Chongqing, na China com o objetivo de avaliar os
efeitos avaliar os efeitos dos poluentes em crianças de 0 a 18 anos, através do modelo
de regressão logística, descobriu que a exposição a curto prazo a MP10, MP2.5, dióxido
de nitrogênio (NO2) e monóxido de nitrogênio (NO) estavam associados ao aumento de
visitas hospitalares.
Guo e Chen (2018) apontaram em seu estudo que a exposição a curto prazo a
poluentes atmosféricos, como NO2, SO2, CO, O3 e MP2,5 foi significativamente
associada ao aumento das visitas médicas de pacientes asmáticos na cidade de
Xangai, China.
Greenberg et al. (2016) investigaram os efeitos da exposição a longo prazo aos
poluentes atmosféricos, na gravidade da asma em adultos. Eles identificaram que a
exposição aos poluentes atmosféricos SO2 e NO2 são responsáveis pelo o aumento do
risco de ocorrência de asma. No Reino Unido, Khreis et al. (2019) constaram em seu
estudo que a poluição do ar originada do tráfego de veicular é responsável por cerca de
12% dos casos de asma na cidade Bradford. Em Barcelona, Martínez-Rivera et al.
(2019) verificaram uma associação do aumento de internações por e vistas à
emergência em dias de baixa temperatura associado a concentrações elevadas de
dióxido de nitrogênio (NO2).
Uma outra pesquisa analisou a incidência global de asma associada à poluição
atmosférica. Em 2015 foram estimados 4 milhões de novos casos de asma,
 36

correspondendo 13% da incidência global, associados à exposição ao dióxido de

nitrogênio (NO2) em crianças e jovens com idade inferior a 18 anos. Só no Brasil e
Paraguai, somados, corresponderam a 150 mil casos (ACHAKULWISUT et al, 2019).
Na Austrália, um estudo realizado em adultos, mostrou que indivíduos que moravam
próximos as vias de tráfego por pelo menos 5 anos, expostos ao dióxido de nitrogênio
(NO2), tiveram um maior risco de desenvolvimento de asma e de declínio acentuado da
função pulmonar (BOWATTE et al., 2017).

3.5 FATORES METEOROLÓGICOS E POLUIÇÃO ATMOSFÉRICA

As condições meteorológicas são fatores importantes para a definição do nível

de contaminação presente na atmosfera, por influenciarem o tempo de permanência
dos poluentes no local emitidos. Isso ocorre devido ao seguinte fato, assim que o
contaminante é lançado no ar, ele sofrerá a ação de variáveis, tais como: velocidade e
direção do vento, precipitação pluviométrica, temperatura, umidade relativa do ar e
radiação solar. Todas essas variáveis atuando simultaneamente podem favorecer ou
não a dispersão dos poluentes (GUERRA; MIRANDA, 2011).
Analisando de forma mais específica, outras características locais, tais como,
topografia, a existência ou não de edifícios, o tipo de solo e a quantidade e espécie de
vegetação existente, também irão determinar o comportamento dos poluentes
presentes no ar (GUERRA; MIRANDA, 2011). Essas características locais apresentam
um papel importante em relação à dispersão dos poluentes atmosféricos (MELLER,
2017).
A velocidade e direção do vento favorecem o transporte e a dispersão dos
poluentes presentes na atmosfera, determinando sua trajetória e alcances. Em
situações de calmaria, provoca a estagnação do ar, ocasionando um aumento nos
níveis de concentrações de poluentes no local (INEA, 2020).
A precipitação pluviométrica apresenta uma grande importância em relação à
limpeza do ar em centros urbanos. De fato, nas regiões que possuem uma precipitação
moderada, essa varredura pela chuva é responsável pela remoção de 90% dos
poluentes (MELLER, 2017). Além disso, o solo úmido evita a ressuspensão das
partículas poluidoras para a atmosfera (SETESB, 2009).
 37

A temperatura do ar, segundo Damilano e Jorge (2006), constitui um parâmetro

de interesse para o estudo da dispersão de poluentes, uma vez que temperaturas mais
elevadas conduzem à formação de movimentos verticais ascendentes mais
pronunciados (convecção), gerando um eficiente arrastamento dos poluentes
localizados dos níveis mais baixos para os níveis mais elevados (MELLER, 2017).
A umidade relativa do ar é outro fator que contribui para o tempo de
permanência dos poluentes na atmosfera. Este é um parâmetro meteorológico que
caracteriza o tipo de massa do ar em uma região. Tem-se que a baixa umidade relativa
do ar quando associada a baixa velocidade do vento, desfavorece à dispersão dos
poluentes em uma região. Destacamos também que a ocorrência de baixa umidade do
ar pode agravar doenças respiratórias e quadros clínicos da população (INEA, 2020;
MELLER, 2017).
Outro parâmetro que influência na qualidade do ar é a radiação solar, pois ela
favorece a formação de oxidantes atmosféricos e poluentes secundários como o ozônio
(O3), que são formados na atmosfera a partir de reações fotoquímicas com os óxidos
de nitrogênio (NOx) na presença de luz solar (SHER, 1998)

3.6 REDE DE MONITORAMENTO DA QUALIDADE DO AR

A poluição do ar ocasiona vários impactos negativos no meio ambiente e na

qualidade de vida da população. Controlar as emissões atmosféricas poderá gerar
vários benefícios a sociedade, mas para isso, se faz necessário a obtenção de dados
confiáveis que descrevam as condições existentes no local. Segundo Tomaz (2008) os
principais objetivos do monitoramento de poluentes são:
• Avaliar da qualidade do ar para comparação com os padrões estabelecidos
pela legislação ambiental;
• Determinar das tendências a longo, médio e curto prazo, para identificação
futuro episódios críticos de poluição atmosférica;
• Avaliar a eficiência das medidas de controles implementadas para redução
da poluição atmosférica;
• Determinar e planejar do controle da poluição e seu acompanhamento;
 38

• Informar a população sobre a qualidade do ar;

• Gerar dados para estudos sobre seus efeitos na saúde humana, materiais,
flora e fauna;
• Outros - relatório de impacto sobre o meio ambiente, compreensão dos
fenômenos de transporte meteorológico de dispersão, etc.
Para se monitorar uma região diretamente afetada pela poluição do ar, faz-se
necessária a implementação de uma rede de monitoramento da qualidade do ar que
poderá ser instalada em grandes centros urbanos ou em áreas industriais que tenham
alto potencial poluidor.
Uma rede de monitoramento é formada por várias estações e cada estação
apresenta configurações e equipamentos específicos para monitorar os parâmetros
previstos na legislação ambiental. Além dos equipamentos para a realização do
monitoramento dos principais poluentes atmosféricos, algumas estações possuem
também instrumentos para medições de parâmetros meteorológicos com a finalidade
de complementar os estudos de dispersão dos poluentes monitorados na região e
compreender melhor o comportamento dos poluentes no local.
Cada estação de monitoramento é formada por equipamentos como os
analisadores contínuos para cada poluente, além de internet, computador para o
armazenamento de dados e uma estação meteorológica. É importante destacar que os
dados obtidos pelos equipamentos de medições são submetidos a uma triagem
automática de acordo com critérios predefinidos, por meio de um software. Técnicas de
verificação e validação desses dados são realizadas durante e logo após as atividades
de coleta de dados. Essas técnicas são usadas para aceitar, rejeitar ou qualificar os
dados de forma objetiva e consistente (GUIMARÃES, 2017).

3.7 MODELO PARA TOMADA DE DECISÃO

3.7.1 Considerações iniciais

Por muitos anos, modelos lineares normais têm sido utilizados para tentar
 39

descrever a maioria dos fenômenos aleatórios (PAULA, 2013). Mesmo que o fenômeno
em estudo não sugira uma resposta razoável à suposição de normalidade, sugere-se
alguma transformação para alcançar a normalidade buscada. No entanto, com o
desenvolvimento da tecnologia computacional em meados da década de 1970, alguns
modelos que exigiam o uso de um processo iterativo para estimação de parâmetros
começaram a encontrar mais uso. No entanto, em 1972, Nelder e Wedderburn
propuseram modelos lineares generalizados (MLG), a proposta mais inovadora sobre o
assunto na época.
A ideia principal é abrir o leque de opções para que a distribuição da variável
resposta pertença à família das distribuições exponenciais de um parâmetro e
proporcionar mais flexibilidade na relação funcional entre a média da variável resposta
e o preditor linear.

3.7.2 Modelos Lineares Generalizados

Para Cordeiro e Demétrio (2013), a seleção do modelo é um passo importante

em toda pesquisa de modelagem estatística, pois envolve encontrar o modelo mais
simples possível que descreva bem o processo de geração de observações.
Nelder e Wedderburn em 1972 afirmaram que um conjunto de técnicas
estatísticas, usualmente estudadas separadamente, podem ser formuladas de forma
unificada como uma classe de modelos de regressão. Essa teoria unificada de
modelagem estatística é uma extensão do modelo de regressão clássico, conhecido
como modelo linear generalizado (MLG).
Segundo Casella e Berger (2021), esses modelos são definidos por distribuições
de probabilidade, membros da família exponencial de distribuições, e podem ser
utilizados quando envolvem uma única variável aleatória 𝑌 associada a um conjunto de
variáveis explanatórias 𝑥1 , . . . , 𝑥𝑝 . Para uma amostra de 𝑛 observações (𝑦𝑖 , 𝑥𝑖 ), em que
𝑥𝑖 = (𝑥𝑖1 , . . . , 𝑥𝑖𝑝 )𝑇 é o vetor coluna de p variáveis explanatórias, de dimensão n x 1. O
MLG envolve os três componentes:
 40

i) O componente aleatório: representado por um conjunto de variáveis aleatórias

independentes 𝑌1 , … , 𝑌𝑛 obtidas de uma mesma distribuição pertencente à família
exponencial, podendo englobar as distribuições normal, gama e normal inversa
para dados contínuos; binomial para proporções; Poisson e binomial negativa
para contagens, com médias 𝜇1 , . . . , 𝜇𝑛 , ou seja,

𝐸(𝑌𝑖 ) = 𝜇𝑖 , 𝑖 = 1, . . . , 𝑛;

ii) Componente sistemático: constituído pelas variáveis explanatórias que entram

na forma de uma estrutura linear,

𝜂𝑖 = ∑𝑃𝑟=1 𝑥𝑖𝑟 𝛽𝑟 = 𝑥𝑖𝑇 𝛽 ou 𝜂 = 𝑋𝛽,

em que 𝑋 = (𝑥1 , . . . , 𝑥𝑛 )𝑇 é a matriz do modelo, 𝛽 = (𝛽1 , . . . , 𝛽𝑛 )𝑇 o vetor de

parâmetros a ser estimado e 𝜂 = (𝜂1 , . . . , 𝜂𝑛 )𝑇 o preditor linear;
iii) Função de ligação: uma função que relaciona o componente aleatório ao
componente sistemático, ou seja, conecta a média da variável resposta (𝜇𝑖 e a
estrutura linear, definida nos MLG por

𝑔(𝜇𝑖 ) = 𝜂𝑖 ,

em que 𝜂 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 +. . . +𝛽𝑛 𝑥𝑛 e 𝑔(𝜇𝑖 ) uma função monótona e

diferenciável. O coeficiente de regressão 𝛽 representa o vetor de parâmetros a
serem estimados. As funções de ligação canônica para as principais
distribuições estão apresentadas no Tabela 2.
 41

Tabela 2 – Funções de ligação canônicas

Distribuição Função de ligação canônica (𝜼)

Normal Identidade: 𝜂 = 𝜇

Poisson Logarítmica: 𝜂 = 𝑙𝑛(𝜇)

Binomial 𝜇
Logística: 𝜂 = 𝑙𝑛 {1−𝜇}

Gamma Recíproca: 𝜂 = 𝜇 −1

Gaussiana Inversa Recíproca do quadrado: 𝜂 = 𝜇 −2

Fonte: CORDEIRO (2010).

Cordeiro (2013) enfatizou que a função de ligação canônica traz propriedades

estatísticas desejáveis ao modelo, principalmente no caso de amostras pequenas. No
entanto, não há razão a priori para que os efeitos sistemáticos do modelo devam ser
somados nas escalas especificadas por essas funções.

3.7.3 Modelo de Regressão de Poisson

Dentre as distribuições que compõem o componente aleatório dos modelos

lineares generalizados, a distribuição de Poisson é a mais utilizada para analisar a
associação entre dados de saúde e poluição do ar. Isso se deve à natureza das
variáveis de resposta que compõem as contagens de eventos.
Suponha que, 𝑌𝑖 seja uma variável aleatória com distribuição de Poisson, com
parâmetro 𝜇𝑖 > 0, denotada por 𝑌𝑖 ~𝑃(𝜇𝑖 ). A sua função de probabilidades pode ser
escrita na forma
𝑒 −𝜇𝑖 𝜇𝑖 𝑦𝑖
𝑓(𝑦𝑖 ; 𝜇𝑖 ) = , 𝑦𝑖 ∈ {0,1,2,···}
𝑦𝑖 !

sendo a média e a variância de 𝑌𝑖 dadas, respectivamente, por

 42

𝐸(𝑌𝑖 ) = 𝜇𝑖
𝑉𝑎𝑟(𝑌𝑖 ) = 𝜇𝑖 .

O uso de uma distribuição de Poisson pressupõe que os dados tenham

expectativas e variâncias iguais. No entanto, essa suposição às vezes é violada e os
dados podem ser superdispersos ou subdispersos quando a variância é maior ou
menor que a média, como em estudos que relacionam poluição do ar e dados de
saúde. Nesses casos, ainda é possível aplicar um modelo de regressão de Poisson
com alguns ajustes, ou utilizar outro modelo de distribuição de probabilidade mais
adequado (CORDEIRO; DEMÉTRIO, 2010).

3.7.4 Critério para seleção do modelo

Segundo Cordeiro (2010), nem sempre é fácil chegar a uma estratégia geral
para o processo de seleção de um MLG para ajustar a um vetor de observação. Em
geral, os algoritmos de ajuste não podem ser aplicados a MLG isolados, mas a alguns
modelos em um conjunto muito grande, que deve ser realmente relevante para a
natureza das observações que se pretende analisar. Se o procedimento for aplicado a
um único modelo sem considerar possíveis modelos alternativos, corre-se o risco de
não se obter um dos modelos que melhor se ajusta aos dados.
Existem vários procedimentos para a seleção de modelos de regressão, dentre
eles, temos o método proposto por Akaike em 1974, muito utilizado no caso dos
Modelos Lineares Generalizados. O critério de informação de Akaike (AIC) é aplicado a
modelos encaixados cujos os parâmetros são estimados pelo método de máxima
verossimilhança, para decidir qual o modelo mais adequado quando se utiliza vários
modelos com quantidades diferentes de parâmetros. Segundo Paula (2013) a ideia
básica desse critério é selecionar o modelo que esteja bem ajustado e tenha um
número reduzido de parâmetros.
Como o logaritmo da função de verossimilhança 𝐿(𝛽̂ ) cresce com o aumento do
número de parâmetros do modelo, uma proposta razoável seria encontrarmos o
modelo com menor valor para a função. De acordo com Hilbe (2011), o AIC pode ser
 43

dado por:

𝐴𝐼𝐶 = −2𝑙(𝜇̂ ; 𝑦) + 2𝐾,

em que 𝐾 denota o número de parâmetros do modelo,𝑙(𝜇̂ ; 𝑦) é o logaritmo da função de

verossimilhança visto, avaliada na estimativa de máxima verossimilhança de 𝜇 e 𝑛 é o
número de observações.
Na estatística, em especial na área da teoria da informação, diversas
metodologias são utilizadas para mensurar o grau de ajustamento de um modelo.
Essas estatísticas permitem comparar diversos modelos concorrentes para podermos
decidir, entre eles, o que melhor ajustou ao conjunto de dados. Bozdogan (2000)
decorre sobre a ideia básica do Akaike's (1993) information criterion bem como sobre
outras estatísticas de adequação bastante utilizadas em modelagem estatística.
Outro critério muito útil para comparações entre modelos é o pseudo-R². Essa
estatística, similar ao coeficiente de determinação nos modelos lineares clássicos, é
definida por

𝐷𝑐
𝑅2 = 1 − ,
𝐷0

em que 𝐷𝑐 é o desvio do modelo corrente e 𝐷0 é o desvio do modelo nulo. Ela mede a

redução no “deviance” devido à inclusão das variáveis regressoras (RIBEIRO, 2006). O
seu valor varia de 0 a 1, indicando que o modelo é bem ajustado e explicativo quanto
maior for o seu valor.
Cordeiro (2010) ressalta que é importante eliminar modelos medíocres a priori e
observar a estrutura dos dados por meio de análise exploratória gráfica. Ao escolher
um modelo, há sempre um equilíbrio entre a complexidade do modelo e a qualidade do
ajuste.

3.7.5 Avaliação do ajuste do modelo

A análise diagnóstica é uma etapa fundamental na avaliação do ajuste do

 44

modelo de regressão, pois é capaz de verificar os possíveis afastamentos das

suposições realizadas para o modelo, especialmente para o componente aleatório e
para a parte sistemática do modelo, assim como a existência de observações
discrepantes com alguma interferência desproporcional ou inferencial nos resultados do
ajuste (PAULA, 2013).
Uma das principais ferramentas na análise diagnóstica e uma importante etapa
no processo de escolha do modelo estatístico é a análise residual. Gráficos dos
resíduos de Pearson ou resíduos do desvio, são úteis para detectar a falta de ajuste do
modelo ou detectar outliers. Dentre os resíduos mais comuns nos Modelos Lineares
Generalizados, temos o resíduo de Person que é definido por:

𝑦𝑖 − 𝜇̂ 𝑖
𝑟𝑖 =
√𝑣̂𝑖

em que 𝜇̂ 𝑖 é a média ajustada e 𝑣̂𝑖 é a estimativa da variância de 𝑦𝑖 . Para o modelo de

regressão de Poisson, o resíduo de Person é dado com 𝑣𝑖 = 𝜇𝑖 (CORDEIRO; NETO,
2006).
Um método informal para a verificação da qualidade do ajuste do modelo é por
meio da representação gráfica. Segundo Paula (2013), dentre os principais gráficos de
resíduos, utilizados para se diagnosticar o ajuste do modelo, temos:
i. Gráficos de resíduos versus valores ajustados (𝜂̂ ): este gráfico permite verificar a
função de variância. Para um modelo bem ajustado, o padrão do gráfico é uma
distribuição aleatória de resíduos, centrada em zero e com variância constante;
ii. Gráfico normal de probabilidade com envelope: este gráfico permite, além de
verificar a suposição sobre a distribuição da componente sistemática está sendo
violada, identificar de valores que se destacam dentro do conjunto de
observações. Para um modelo bem ajustado, o padrão desse gráfico
corresponde ao alinhamento dos pontos na reta que representa a identidade dos
quantis amostrais e teóricos;
iii. Gráficos de resíduos versus variáveis incluídas no modelo: deve-se observar se
os resíduos estão aleatoriamente dispersos em torno de zero. A presença de
algum padrão sistemático indica que a variável em questão não foi
adequadamente incluída no modelo;
 45

iv. Gráfico da variável ajustada (𝑧𝑖 ) versus o preditor linear 𝜂̂ 𝑖 : este gráfico permite
avaliar a adequação da função de ligação. Nesta representação gráfica indica
que a função de ligação está adequada.

Interpretação dos parâmetros estimados

O risco relativo (RR), também conhecido como razão de chances (Odd Ratio), é
uma medida da associação, utilizado para estimar a magnitude da associação entre
estima a magnitude da associação entre a exposição ao fator de risco x (concentrações
dos poluentes atmosféricos) e o desfecho y (internações por asma) (EVERITT, 2003).
De forma mais específica, a função de risco relativo (RR) no nível x da variável
independente é definido por (BAXTER et al., 1997):

𝐸(𝑌|𝑥)
𝑅𝑅(𝑥) = ,
𝐸(𝑌|𝑥 = 0)

em que 𝐸(𝑌|𝑥) é o valor esperado. O risco relativo, para o modelo de regressão de

Poisson, é dado por:

𝑅𝑅(𝑥) = 𝑒 𝛽𝑥

em que o 𝛽 é o coeficiente de regressão obtido do modelo de regressão de

Poisson. Esse resultado indica, por exemplo, que o risco de uma pessoa exposta a
uma concentração de poluente (𝑥) adquirir uma doença específica é RR(𝑥) vezes mai-
or que uma pessoa que não foi exposta a esta concentração (TANADO; UGAYA;
FRANCO, 2009).
Quanto maior o 𝑅𝑅(𝑥), maior a força da associação entre a exposição ao fator de risco
e o efeito da exposição. Podemos interpretar este risco relativo da seguinte maneira (WAGNER
E CALLEGARI-JACQUES, 1998):

• 𝑅𝑅 < 1: indica que o fator de associação teria uma ação protetora, e não consti-
tui um risco à saúde;
• 𝑅𝑅 = 1: indica que não há associação entre o fator de estudo e o risco do resul-
tado;
 46

• 𝑅𝑅 > 1: a associação indica que o fator estudado é um fator de risco.

 47

4 METODOLOGIA

4.1 TIPOLOGIA DO ESTUDO

Trata-se de um estudo epidemiológico, observacional, não experimental, do tipo

ecológico, interpretativo, analítico e inferencial, desenvolvido a partir de métodos
quantitativos que podem generalizar alguns dados e aprofundar a compreensão de
fenômenos e/ou conceitos.
Segundo Castro (2003), estudos epidemiológicos com diferentes metodologias
têm sido utilizados para observar a associação entre a exposição à poluição do ar e
seus efeitos na saúde. Uma das grandes vantagens desses estudos para essa situação
é que, além de examinar os efeitos dessa exposição em uma população representativa,
eles também medem as exposições ambientais às quais estamos realmente expostos.
Os métodos qualitativos diferem em princípio dos métodos quantitativos porque
não utilizam ferramentas estatísticas como base para o processo analítico. Este
método é usado para descrever a complexidade de um determinado problema e não
envolve manipulação de variáveis e estudos experimentais. A análise simultânea de
métodos quantitativos e qualitativos é baseada na possibilidade de cruzamento de
informações para construir uma compreensão abrangente do objeto de pesquisa.
A natureza inferencial deste estudo significa que é possível construir afirmações
sobre a população a partir da amostra e tomar decisões com base nisso. Segundo
Arango (2009), o motivo da aplicação do método de inferência é que é impossível fazer
uma afirmação de toda a população por ser desconhecida, incontável ou infinita.

4.2 CENÁRIO DA PESQUISA

Esse estudo foi realizado na cidade de Salvador, capital do estado da Bahia,

localizado na latitude 12º58’16” S e longitude 38º30’39” W. Segundo dados
disponibilizado pelo Instituto Brasileiro de Geografia e Estatística – IBGE (2020), a
 48

população de Salvador está estimada em 2.886.698 milhões de habitantes,

configurando assim a terceira cidade mais populosa do país.
A Região Metropolitana de Salvador (RMS), apresentada da Figura 1, é formada
por treze municípios que, além de Salvador, inclui: Camaçari, Candeia, Dias D’avila,
Itaparica, Lauro de Freitas, Madre de Deus, Mata de São João, Pojuca, São Francisco
do Conde, São Sebastião do Passé, Simões Filho e Vera Cruz, conforme apresentado
na Figura 1.

Figura 1 - Região Metropolitana de Salvador (RMS)

Fonte: Elaborada pela autora.

Com 3.957.123 milhões de habitantes, a Região Metropolitana de Salvador

ocupa a oitava posição em relação cenário nacional, conforme apresentado na Tabela
3.
 49

Tabela 3 - Posição das dez mais populosas regiões metropolitanas do Brasil

Posição RMS População

1ª RM de São Paulo 21.734.682

2ª RM do Rio de Janeiro 12.763.459

3ª RM de Belo Horizonte 5.961.895

4ª RIDE do Distrito Federal e Entorno 4.27.771

5ª RM de Porto Alegre 4.340.733

6ª RM de Fortaleza 4.106.245

7ª RM do Recife 4.079.575

8ª RM de Salvador 3.929.209

9ª RM de Curitiba 3.654.960

10ª RM de Campinas 3.264.915

Fonte: IBGE (2021).

A cidade de Salvador cresceu lentamente durante mais de quatro séculos,

concentrando suas atividades ao sul da península e a partir da década de 1970, a
cidade expandiu-se para o norte, ocupando intensivamente o território municipal,
reduzindo significativamente a vegetação e resultando em densidades mais altas ao
sul.
Com clima quente e úmido, Salvador é uma cidade tipicamente tropical, com
cerca de 2.466 h anuais de sol, ventilada (ventos anuais com velocidade média de 2,2
m/s) e uma temperatura média anual de 25 ºC (76 F). É considerada uma das cidades
mais ensolaradas do mundo, com umidade relativa média anual da ordem de 81%,
tendo a vantagem de ser cercada pelo mar em três de seus lados. Estas condições
climáticas são ideais para a atração turística.
É importante destacar que, a RMS recebe a influência do Polo Industrial de
Camaçari, que configura como sendo o maior complexo produtivo do Nordeste
 50

brasileiro, além de possuir o maior polo petroquímico do hemisfério Sul. Com

implantação no início da década de 1970 e localizado a 41 km de Salvador, atualmente
o polo abriga mais de 100 fábricas e que muitas delas, emitem em sua atividade
produtiva, poluentes no meio ambiente, contribuindo para o aumento da poluição
atmosférica na região. A Figura 2 apresenta a fotografia do polo industrial de
Camaçari.

Figura 2 - Polo industrial de Camaçari

Fonte: Souza (2019).

Até meados de 1980, a poluição atmosférica nos grandes centros urbanos

brasileiros era atribuída basicamente às emissões industriais, no entanto, com o rápido
crescimento nessas áreas, os veículos automotores, classificados como fontes móveis,
se tornaram um problema de grande magnitude. Hoje observa-se que um dos maiores
geradores de poluição do ar em áreas urbanas são os veículos automotores em
circulação, em virtude do número de veículos e motos, ao estado de conservação dos
motores e mecanismo de filtragem dos gases e muitas vezes, a ausência no controle
quanto à qualidade do combustível utilizado.
Tomando por base dados disponibilizados pelo Departamento Nacional de
Trânsito – DENATRAN, em doze anos, o crescimento da frota de veículos automotores
no município de Salvador dobrou, passando de 469.714 em 2006, para 915.186 em
2018, o que representa uma evolução de 95%. Com relação a RMS passou, em 2006,
 51

de 562.313 para 1.222.252 milhões de veículos em 2018, representando um aumento

em 117,4%. A Figura 3, apresenta o gráfico do crescimento da frota de veículos
automotores, ano a ano, no município de Salvador.

Figura 3 - Gráfico do crescimento da frota de veículos em Salvador 2006-2018

Fonte: IBGE (2021).

4.3 PROCEDIMENTO DE COLETA DOS DADOS

Dados da qualidade do ar e meteorológicos

Para operacionalização do presente processo de investigação, utilizamos os

parâmetros empregados como indicadores da qualidade do ar previsto na Resolução
n.º 491, expedida em 2018 pelo Conselho Nacional do Meio Ambiente (CONAMA). Os
indicadores ambientais (MP10, SO2, NO2, O3, CO) e meteorológicos (velocidade e
direção do vento, temperatura e umidade relativa do ar) têm medições diárias nas
estações de monitoramento de Salvador. Essas informações foram obtidas pelo
Instituto do Meio Ambiente e Recursos Hídricos – INEMA e a empresa Cetrel S/A para
 52

o período de outubro de 2010 a agosto de 2015, através das estações automáticas do

monitoramento.
A cidade de Salvador foi a primeira da região norte-nordeste a realizar o
monitoramento da qualidade do ar, permitindo assim, a realização de investigações
para avaliar os efeitos da poluição atmosférica na saúde da população. Porém, é
importante destacar que a rede de monitoramento supracitada, que entrou em
operação no início de outubro de 2010, teve a sua atividade suspensa no início de
setembro de 2015, devido ao encerramento do termo de cooperação técnica que
existia entre o estado de Salvador e a empresa Cetrel, justificando, desta forma, o
período da investigação adotado neste estudo.
A rede de monitoramento da poluição atmosférica da cidade de Salvador era
constituída por cinco (05) estações fixas, que operavam de forma contínua de
amostragem em diferentes pontos da cidade, conforme apresentado na Figura 4.

Figura 4 - Mapa da cidade de Salvador, com a localização das cinco estações de

monitoramento automática da qualidade do ar

Fonte: Elaborada pela autora.

 53

Essas estações operam de forma contínua com analisadores que fazem a coleta
e análise de cada poluente e parâmetros meteorológicos simultaneamente. Cada
estação que compõe a rede de monitoramento mede os seguintes parâmetros: material
particulado (MP10), dióxido de enxofre (SO2), óxido de nitrogênio (NO2), monóxido de
carbono (CO), ozônio (O3), umidade relativa do ar (UR), temperatura (T), velocidade do
vento (V/V), direção do vento (D/V) e precipitação pluviométrica, conforme apresentado
na Tabela 4.

Tabela 4 - Estações e os parâmetros monitorados

Estações Poluentes Parâmetros meteorológicos

Pirajá SO2, CO, O3, MP, NO, NOx, NO2 V/V, D/V, T, UR, Precipitação

Paralela SO2, CO, O3, MP, NO, NOx, NO2 V/V, D/V, T, UR, Precipitação

Dique do Tororó SO2, CO, O3, MP, NO, NOx, NO2 V/V, D/V, T, UR, Precipitação

Campo Grande SO2, CO, O3, MP, NO, NOx, NO2 V/V, D/V, T, UR, Precipitação

Rio Vermelho SO2, CO, O3, MP, NO, NOx, NO2 V/V, D/V, T, UR, Precipitação

Fonte: Cetrel (2020).

Os resultados obtidos através do monitoramento foram armazenados em um

sistema de banco de dados, por meio de médias horárias para cada parâmetro
analisado. Após o armazenamento dessas informações, eles passam por um processo
de avaliação técnica para, posteriormente, serem disponibilizados.
Para avaliar os efeitos entre a exposição aos poluentes atmosférico e os casos
de notificações por asma, para esse estudo, em relação aos parâmetros de qualidade
do ar, foram considerados apenas os regulamentados pelo Conselho Nacional de Meio
Ambiente – CONAMA (Resolução n.º 419/2018), que são:

• Material Particulado: MP10;

• Dióxido de enxofre: SO2;
• Dióxido de nitrogênio: NO2;
• Ozônio: O3;
 54

• Monóxido de carbono: CO.

As condições meteorológicas predominantes em uma determinada região,

constitui fatores importantes para a definição dos níveis de concentração de poluentes
na atmosfera. Dessa forma, para avaliar a relação entre os níveis de concentração dos
poluentes presentes no ar e fatores meteorológicos, e identificar entre estes, os que
estão diretamente interferindo na concentração dos poluentes, serão considerados os
seguintes parâmetros meteorológicos:
• Velocidade do vento (V/V);
• Direção do vento (D/V);
• Umidade relativa do ar (UR);
• Temperatura;
• Precipitação pluviométrica.

Embora a rede de monitoramento da qualidade do ar na área urbana de

Salvador seja composta por 05 (cinco) estações fixas, para fins deste estudo, como
fonte de informação, optou-se por utilizar os dados obtidos pela estação de
monitoramento da qualidade do ar localizada na Avenida Paralela. Esta escolha foi feita
porque esta estação está localizada em uma das principais áreas de tráfego da região
da cidade de Salvador, além de possuir o maior número de informações sobre a
qualidade do ar.

Dados da saúde

As informações disponibilizadas do Departamento de Informações do Sistema

Único de Saúde – DATASUS, do Ministério da Saúde são de suma importância para o
desenvolvimento de estudos epidemiológicos. Como esse estudo objetivou relacionar
os efeitos da poluição atmosférica e fatores meteorológico com a saúde humana, os
eventos que representam danos à saúde foram coletados junto ao Sistema de
Informações Hospitalares do Sistema Único de Saúde (SIHSUS), disponível no site do
DATSUS <https://datasus.saude.gov.br/transferencia-de-arquivos/#>.
As doenças e problemas de saúde disponibilizadas pelo DATASUS são
catalogados e padronizados, conforme com a Classificação Internacional de Doenças
(CID-10), estabelecida pela Organização Mundial de Saúde (OMS). De acordo com os
 55

índices do CID-10, as informações são organizadas em vinte e dois (22) capítulos, que
agrupam as doenças com suas características e semelhanças.
As doenças relacionadas ao sistema respiratório (J00-J99) encontram-se no
Capítulo X do CID-10. E estão organizadas, conforme os índices, da seguinte forma:

• Faringite aguda e amigdalite aguda: J02 - J03;

• Laringite e traqueíte agudas: J04;
• Outras infecções agudas das vias aéreas superiores: J00 - J01, J05 - J06;
• Influenza (gripe): J09 - J11;
• Pneumonia: J12 - J18;
• Bronquite aguda e bronquiolite aguda: J20 - J21;
• Sinusite crônica: J32;
• Outras doenças do nariz e dos seios paranasais: J30 - J31, J33 - J34;
• Doenças crônicas das amígdalas e das adenóides: J35;
• Outras doenças do trato respiratório superior: J36 - J39;
• Bronquite, enfisema e outras doenças pulmonares obstrutivas crônicas: J40 -
J44;
• Asma: J45 - J46;
• Bronquiectasia: J47;
• Pneumoconiose: J60 - J65;
• Outras doenças do aparelho respiratório: J22, J66 - J99.

Como esse estudo deseja relacionar os efeitos da poluição atmosférica e fatores

meteorológico com o número de hospitalizações por asma (J45-J46), enquadrados
como doenças do aparelho respiratório, do Capítulo X do CID-10, esses danos à saúde
foram coletados e agrupados por mês, para o período da investigação.
As informações de notificações por asma foram organizadas em planilha
eletrônica em diferentes faixas etárias para cada mês em estudo. Para a organização
das informações, de acordo com as faixas etárias, foram considerados a classificação e
os limites cronológicos estabelecidos pela OMS, que compreende as seguintes fases:
• Crianças - 0 a 9 anos;
• Adolescente - 10 a 19 anos;
• Adultos - 20 a 59 anos;
 56

• Idosos - igual ou maiores 60 anos.

Aspectos éticos

De acordo com a Resolução n.º 510/2016, as pesquisas que envolvem seres

humanos devem ser submetidas à apreciação de um Comitê de Ética em Pesquisa –
CEP. Porém, os estudos envolvendo apenas dados de domínio público que não
identifiquem os participantes da pesquisa, ou pesquisas de revisão bibliográfica, sem
envolvimento de seres humanos, não necessitam aprovação do Sistema CEP/CONEP.
Desta forma, o projeto de pesquisa deste estudo não foi submetido à apreciação
do Comitê de Ética e Pesquisa do Centro de Ciências e Saúde da Universidade
Federal da Paraíba, visto que foram utilizados dados de domínio público
disponibilizados pelo Departamento de Informações do Sistema Único de Saúde -
DATASUS.

4.4 ANÁLISE ESTATÍSTICA DOS DADOS

4.4.1 Variáveis modeladas

Para avaliar a associação entre a exposição aos principais poluentes

atmosféricos e alguns parâmetros meteorológicos com casos de notificações por asma
em diferentes faixas etárias, foram consideradas como variáveis dependentes o
número de casos do J45-J46 do capítulo X do CID-10. As variáveis meteorológicas
(temperatura e umidade relativa do ar) e os poluentes atmosféricos (MP10, SO2, NO2,
O3 e CO) que serão as variáveis independentes ou explicativas para o modelo.
 57

4.4.2 Análise exploratória dos dados

Após a organização das informações coletadas nas planilhas eletrônicas, a

primeira fase do estudo consistiu em uma análise interpretativa dos dados, utilizando
medidas de tendência central e de dispersão, como média, mediana, desvio-padrão e
coeficiente de correlação, além da utilização de gráficos e tabelas com a finalidade de
caracterizar e compreender melhor os eventos em questão. Além disso, foram
elaborados gráficos de dispersão para observar o comportamento da variável resposta,
além de analisar a relação entre as variáveis preditoras.

4.4.3 Análise do ajuste do modelo para tomada de decisão

Para estimar o nível de associação existente entre os fatores meteorológicos e

poluentes atmosféricos com os casos de notificação por asma na população de
Salvador - BA, foi realizada a análise estatística dos dados por meio da utilização dos
modelos lineares generalizados. Dentre as distribuições que pertencem aos MLG, a
distribuição utilizada foi a de Poisson, tendo em vista a natureza da variável
dependente que configura como evento de contagem, além de ter sido a distribuição
que melhor se ajustou ao conjunto de dados em uma análise prévia realizada com
outras distribuições, utilizando a linguagem de programação R (TEAM, 2022).
Para essa análise, utilizou-se o método backward na seleção das variáveis, em
que começou com todos os preditores incluídos de uma só vez na equação e, depois,
foram removidas um a um, até que se identificassem os melhores preditores. Nesse
estudo foi levado em consideração um nível de significância de 5% para a permanência
da variável no modelo. Sendo assim, o modelo final foi constituído de todas as
variáveis independentes consideradas significativas para o desfecho (𝑃 ≤ 0,05), ou
seja, um modelo com todas as variáveis com p-valor menor que 0,05.
A seleção do modelo mais adequado para esse estudo foi realizada mediante a
utilização do pseudo-R² e o Critério de Informação de Akaike (AIC), além da análise
gráfica dos resíduos.
 58

Após o ajuste e seleção do modelo, para que os resultados obtidos fossem

válidos, foi necessário verificar as suposições inicialmente descritas pelo modelo.
Sendo assim, foi realizada a Análise de Resíduos para avaliar a adequabilidade do
modelo. Esta etapa foi realizada mediante a utilização de um conjunto de critérios de
adequação e ferramentas gráficas. Além da análise residual, foi realizada uma
verificação da colinearidade e multicolinearidade entre as variáveis de entrada, pois as
relações existentes entre elas podem interferir nos resultados, causando interferência
errôneas ou pouco confiáveis para o estudo.
 59

5 RESULTADOS: ANÁLISES E DISCUSSÃO

Este capítulo apresenta os resultados obtidos neste estudo e suas discussões.

Para melhor compreensão, este tópico está organizado nas seguintes seções: análise
exploratória dos dados, especificação do modelo de Regressão de Poisson e analise
da adequabilidade do modelo.

5.1 ANÁLISE EXPLORATÓRIA DOS DADOS

5.1.1 Internações por asma

A asma é uma das doenças crônicas mais comum entre crianças e adultos em
todo o mundo, com prevalência crescente. Em 2016, estima-se que cerca de 340
milhões de pessoas sofrem de asma no mundo (DĄBROWIECKI et al., 2022).
Na rede pública de saúde no município de Salvador, o quantitativo de
notificações por asmas, durante o período de estudo, foi de 2.607 casos, dos quais
79,67% correspondem aos casos de notificações em crianças com idade de 0 a 9 anos,
7,02% correspondem à adolescentes com idade de 10 a 19 anos, 7,52% correspondem
à adultos, entre 20 e 59 anos e 5,79% a idosos com idade igual ou superior a 60 anos,
conforme dados disponibilizados pelo DATASUS e apresentados na Tabela 5.
Com 2.077 casos, as crianças (0 a 9 anos) ocupam posição de destaque no
município de Salvador em relação ao número de notificações por asma. Esse valor
expressivo se deve ao fato deste grupo ser mais vulnerável aos efeitos da poluição do
ar. Segundo a Organização Mundial de Saúde (OMS), a asma é uma das doenças
crônicas mais frequente entre crianças em todo o mundo.
 60

Tabela 5 - Distribuição percentual de internações por asma em diferentes faixas etárias

na rede pública de saúde, Salvador, Brasil, 10/2010 - 08/2015
Ano Total Crianças Adolescente Adulto Idosos
(meses)
𝒏 𝒏 % 𝒏 % 𝒏 % 𝒏 %

2010 (10-12) 138 103 74,64 16 11,59 11 7,97 8 5,80

2011 (01-12) 613 494 80,59 44 7,7 38 6,20 37 6,04

2012 (01-12) 622 496 79,74 48 7,72 42 6,75 36 5,79

2013 (01-12) 460 370 80,43 24 5,22 39 8,48 27 5,87

2014 (01-12) 487 376 77,21 37 7,60 47 9,65 27 5,54

2015 (01-08) 287 238 82,93 14 4,88 19 6,62 16 5,57

TOTAL 2.607 2.077 79,67 183 7,02 196 7,52 151 5,79

Fonte: DATASUS (2021).

A Figura 5 apresenta os gráficos de Boxplot do número mensal de notificações

por asma em crianças, adolescentes, adultos e idoso, no período de estudo, outubro de
2010 a agosto de 2015. Observa-se que a faixa etária de 0 a 9 anos apresenta maior
média mensal de notificações por asma, com valor de 35,20. Já as faixas etárias,
adolescentes, adultos e idosos apresentam, respectivamente 3,10; 3,30 e 2,56 de
média para o período de estudo.
 61

Figura 5 - Boxplot do número de casos de notificações por asma em diferentes faixas

etárias

Faixa etária

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

Semelhante a este estudo, Cardoso et al. (2017) identificaram a prevalência de

asma em todas as faixas etárias e um índice maior em crianças com idade escolar.
Pedraza e Araújo (2017) identificaram a asma como a principal causa de internações
em crianças no Brasil. No mesmo estudo, eles também destacaram a dificuldade de
controle da doença devido à falta de políticas nacionais voltadas para a prevenção e ao
tratamento prévio da asma.
Em relação à distribuição das internações por asma no Brasil, Cardoso et al.
(2017) encontraram as maiores taxas de internações e óbitos por asma nas regiões
Norte e Nordeste, sendo que os estados do Pará e da Bahia apresentaram as
maiores taxas de internações por 100.000 habitantes. Em estudos mais recentes,
Marques et al. (2022) observaram durante o período de 2016 a 2020, que a região
Nordeste ocupou posição de destaque em relação ao número de internações por asma,
com 159.788 casos, seguido pelo Sudeste, com 108.597 casos de internações, região
sul com 63.240, região norte com 43.079 e região Centro-Oeste com 28.431 casos de
 62

internações por asma. No mesmo estudo, também foi encontrado maior número de
relatos de asma em crianças e adolescentes.
Visto que o território brasileiro é muito diversificado em termos de condições
climáticas e diversos outros fatores, como níveis de emissões de poluentes, que
podem atuar como potencializadores no aumento do risco de desenvolvimento de
doenças respiratórias, observa-se uma escassez de estudos regionalizados (OLIVEIRA
et al., 2018).
Através do gráfico da variação mensal do número de notificações de asma, para
o período de estudo conforme apresentando na Figura 6, observou-se uma variação
sazonal, com valores maiores para a estação chuvosa, que corresponde aos meses de
abril, maio junho e julho. Verificou-se também em outubro de 2014 um valor elevado
para o número de internações por asma, que pode ser atribuído a outros fatores
ambientais, como poluição atmosférica associada a parâmetros climáticos.

Figura 6 - Variação mensal do número de notificações por asma no município de

Salvador, outubro de 2010 a agosto de 2015

Ano

Fonte: Elaborada pela autora. DATASUS (2020).

 63

A Figura 7 apresenta o gráfico da variação do número de casos de internações

por asma para o período chuvoso e não chuvoso, segundo as faixas etárias. Através do
Boxplot observa-se valores maiores para o número de casos notificados por asmas em
crianças, adolescentes e adultos, com destaque maior em crianças. Em relação aos
idosos, contatou-se dois valores extremos (outliers) para o período chuvoso.
A sazonalidade pode estar associada a um aumento nas exacerbações de
doenças respiratórios e, portanto, ocasionado o aumento nas internações hospitalares
(ZILLMER et al., 2014). As mudanças climáticas favorecem a propagação de doenças
infecciosas, principalmente em período frio e com alta úmido. Dias et al. (2020)
observaram em seu estudo um incremento nas hospitalizações por asma com aumento
da umidade relativa do ar em período mais chuvoso. De forma semelhante, na região
norte do Brasil, Alfaia et al. (2018) encontraram associação entre as variáveis
climáticas com o aumento de internações por asma.

Figura 7 - Boxplot do número de casos de notificações por asma no período chuvoso e

não chuvoso

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

 64

5.1.2 Poluentes atmosféricos e parâmetros meteorológicos

A qualidade do ar é constantemente afetada pelo lançamento diário de

poluentes de origem industrial e veicular. Este último desempenha um papel de
destaque nos grandes centros urbanos, à medida que as indústrias afetam
negativamente a qualidade do ar em regiões mais específicas, como as áreas
industriais (CETESB, 2020).
Na região Metropolitana de Salvador é possível evidenciar regiões com maiores
índices de poluição atmosférica, como o município de Salvador, com a poluentes
oriundos dos veículos automotores e do polo industrial de Camaçari.
Através do monitoramento da qualidade do ar, por intermédio das estações de
monitoramento, é possível avaliar continuamente e em tempo real, o nível da
concentração de cada poluente presente na atmosfera, além da avaliação dos
parâmetros meteorológicos. É importante ressaltar a importância dos fatores
meteorológicos na determinação da qualidade do ar, pois estes podem favorecer ou
não a dispersão dos poluentes.
A determinação da qualidade do ar está limitada a um grupo de poluentes
consagrado universalmente como indicadores mais abrangentes da qualidade do ar. A
razão da escolha desses indicadores está relacionada à sua maior frequência de
ocorrência e aos efeitos adversos que eles provocam à saúde humana e ao meio
ambiente (CETESB, 2020).
A Tabela 6 apresenta a estatística descritiva dos dados de monitoramento diário
dos principais indicadores da qualidade do ar, previstos na Resolução CONAMA n.º
419/2018, que são: material particulado (MP10), monóxido de carbono (CO), dióxido de
nitrogênio (NO2), dióxido de enxofre (SO2) e ozônio (O3), além de alguns parâmetros
meteorológicos como temperatura e umidade relativa do ar (UR). Nessa Tabela está
apresentado o valor mínimo, primeiro quartil (Q1/4), mediana, terceiro quartil (Q3/4), o
valor máximo, o coeficiente de variação (CV), média (𝐱̅) e o desvio-padrão (𝐬) para os
dados.
 65

Tabela 6 - Estatística descritiva das variáveis poluentes atmosféricos e parâmetros

meteorológicos, Salvador, 2010-2015
Unid. 𝐱̅ ± 𝐬 Mínimo Q1/4 Mediana Q3/4 Máximo CV

MP10 μg/m3 23,30 ±15,20 <0,01 14,00 21,40 29,60 278,70 0,65

CO ppm 0,40 ± 0,25 <0,01 0,24 0,39 0,55 2,77 0,61

NO2 μg/m3 20,53 ± 10,28 <0,01 13,74 19,12 25,50 104,33 0,50

SO2 μg/m3 1,07 ± 1,36 <0,01 <0,01 0,79 1,57 28,26 1,27

O3 μg/m3 17,79 ± 9,44 0,58 11,26 16,51 22,72 99,24 0,53

Temp °C 25,73 ± 3,00 19,20 24,30 25,70 27,10 32,80 0,12

UR % 74,71 ± 10,68 48,00 69,00 75,00 82,00 100,00 0,14

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

Com base nos resultados apresentados na Tabela 6, verificou-se que o valor

médio da concentração para o material particulado (MP 10), durante o período de
estudo, outubro de 2010 a agosto de 2015, correspondeu à 23,30 µg/m³, com valor
mínimo e máximo de 27,53 µg/m³ e 278,70 µg/m³ respectivamente.
No gráfico da Figura 8 é possível avaliar a variação da concentração do material
particulado (MP10) para o período de estudo. Comparando os resultados apresentados
com os limites máximos estabelecidos pelo Conselho Nacional do Meio Ambiente –
CONAMA, através da Resolução n.º 419/18, verifica-se que em numerosos momentos
a concentração do material particulado (MP10) ultrapassa o valor de referência
estabelecido na primeira etapa das metas progressivas a ser atingida (PI-1 – Padrão de
Qualidade do Ar intermediária) que corresponde a 120 µg/m³ e os valores do Guia de
Qualidade do Ar, recomendados pela Organização Mundial de Saúde (OMS) que é de
45 µg/m³ para este poluente . É importante destacar o valor máximo estabelecido pelo
CONAMA para a última etapa das metas progressivas (PF) é de 50 µg/m³.
Através da linha de tendência, é possível observar um comportamento sazonal
para o material particulado (MP10) que apresentam valores mais elevados no inverno,
período em que as condições climáticas são mais desfavoráveis para a dispersão dos
poluentes primários.
 66

Figura 8 - Gráfico da variação, média horária, da concentração do material particulado

(MP10 - µg/m³), outubro de 2010 a agosto de 2015

Fonte: Dados da pesquisa e elaborada pela autora. Salvador - BA, 2010-2015.

Na análise do monóxido de carbono (CO), verifica-se, por meio dos resultados

apresentados na Tabela 6, que o valor médio para a concentração, no período de
estudo, foi de 0,4 ppm. A Figura 9 apresenta o gráfico da série temporal para
concentração da média horária do monóxido de carbono (CO). Por meio deste,
observou-se uma baixa variação na concentração, com valores que oscilando entre
<0,01 e 2,77 ppm. De acordo com as diretrizes de qualidade do ar recomendados pela
Organização Mundial de Saúde – OMS em 2021, o limite máximo para o CO é de 4
ppm, enquanto o valor máximo estabelecido pela Resolução CONAMA 419/18 é de 9
ppm. Portanto, pode-se observar que este poluente atende aos valores previstos pela
legislação brasileira e pelas diretrizes da OMS.
Situação semelhante também ocorreu no estado de São Paulo. Com base nas
informações apresentadas pela CETESB (2020), observou-se que, desde 2008,
nenhuma das estações de monitoramento da qualidade do ar ultrapassou o padrão de
qualidade do ar de 8 horas para o monóxido de carbono (9 ppm). Verificou-se também
que a qualidade do ar foi classificada, de acordo com Índice de Qualidade do Ar (IQAr),
 67

como BOA em todas as medições realizadas em 2020 nas 15 estações que

monitoramento da qualidade do ar.
A CETESB (2020) informou que as concentrações de monóxido de carbono
(CO) vêm diminuindo ao longo dos anos. Isso se deve à renovação da frota veicular
existente, pois os novos veículos emitem menos poluentes devido aos novos avanços
tecnológicos relacionadas à combustão e controle de emissões.

Figura 9 - Gráfico da variação, média horária, da concentração do monóxido de

carbono (CO – ppm), outubro de 2010 a agosto de 2015

Fonte: Dados da pesquisa. Salvador - BA, 2010-2015.

O Conselho Nacional do Meio Ambiente (CONAMA) estabelece na primeira
etapa das metas progressivas (PI-1), para o dióxido de nitrogênio (NO2), um limite
máximo, para média horária, de 260 µg/m³, e para médias anuais, valor de 60 µg/m³.
Para este mesmo poluente, a Organização Mundial de Saúde (OMS) estabelece um
limite máximo de 25 µg/m³ para um período de 24 h e um limite máximo de 10 µg/m³
para média anual.
Avaliando os resultados apresentando na Tabela 6 para o NO2 e a sua variação
da concentração através do gráfico de séries temporais apresentado na Figura 10,
 68

observou-se que os níveis de concentração de NO2 durante o período de estudo não

ultrapassaram o limite máximo estabelecido pelo CONAMA para concentração média
horária e concentração média anual. Com relação aos limites estabelecidos nas
diretrizes da OMS para a qualidade do ar, verificou-se que este poluente ultrapassou os
valores estabelecidos para o período de 24 h e a média anual.
De acordo com os resultados apresentados no relatório anual de monitoramento
da qualidade do ar do estado de São Paulo, as medições de dióxido de nitrogênio
(NO2) mostraram que, em 2020, não ultrapassaram o limite máximo estabelecido pelo
CONAMA, registrando uma máxima de 226 µg/m 3 em uma de suas estações
(CETESB, 2020). Da mesma forma, o último relatório de monitoramento da qualidade
do ar para a região metropolitana do Rio de Janeiro fornecido pelo INEA em 2020
mostra que todas as estações atendem aos limites estabelecidos pelo CONAMA
419/18 para curto prazo (média horária), apontando uma máxima de 247 µg/m3 (INEA,
2020).

Figura 10 - Gráfico da variação, média horária, da concentração do dióxido de

nitrogênio (NO2 - µg/m³), outubro de 2010 a agosto de 2015

Fonte: Dados da pesquisa. Salvador - BA, 2010-2015.

No gráfico da variação da concentração do NO2 (Figura 10), a linha de

 69

tendência mostra um comportamento sazonal com menores concentrações no inverno

(março a agosto). É importante ressaltar que os parâmetros climáticos são
fundamentais na determinação do comportamento dos poluentes no ar. No inverno, por
exemplo, a precipitação pluviométrica além remover os poluentes da atmosfera que
foram incorporados à água da chuva, promove também um aumento da instabilidade
na atmosfera, favorecendo a difusão dos poluentes e reduzindo assim sua
concentração na atmosfera (CETESB, 2020).
Na avaliação do dióxido de enxofre (SO 2), conforme verificado pela Tabela 6, a
concentração desse poluente apresentou valor mínimo próximo a zero (<0,010) e
valor máximo de 28,26 µg/m³ no período de estudo. Através do gráfico de séries
temporais (Figura 11), pode-se verificar o comportamento da variação dos níveis de
concentrações deste poluente. Comparando os resultados apresentando com o limite
máximo previsto na primeira meta (PI - 1) estabelecida na Resolução CONAMA 419/18,
verificou-se que o dióxido de enxofre (SO2) não descumpriu com o que preconiza a
legislação brasileira que estabelece como valor de referência máximo de 125 µg/m³.
Contudo, comparando com o valor estabelecido na etapa final (PF), desta mesma
Resolução, que é de 20 µg/m³, verificou-se uma ultrapassagem no mês de outubro de
2010 e outra em agosto de 2014. Observou-se também que para o período de estudo,
este poluente não ultrapassou os valores do Guia de Qualidade do Ar, recomendados
pela Organização Mundial de Saúde (OMS) que é de 40 µg/m³.
Ao avaliar outras regiões do Brasil, o relatório apresentando pela CETESB
(2020) confirmou que os níveis de concentrações para dióxido de enxofre (SO 2) no
estado de São Paulo não ultrapassaram os limites máximos previstos pelos padrões de
qualidade do ar (PQAr) diário e anual. No mesmo documento, verifica-se ainda que o
nível deste poluente vem diminuindo ao longo dos anos. Essa mitigação se deve
principalmente ao maior controle exercido sobre as fontes estacionárias de emissões,
além da melhoria da qualidade dos combustíveis derivados do petróleo por meio da
redução do teor de enxofre presente neles.
Já na região metropolitana do Rio de Janeiro, foi possível verificar no último
relatório de qualidade do ar divulgado pelo INEA em 2020, foi possível verificar a
qualidade do ar de treze (13) estações de monitoramento, das quais apenas uma
verificou concentrações acima dos valores de referência estabelecidos pela legislação
para o meio ambiente.
 70

Figura 11 - Gráfico da variação, média horária, da concentração do dióxido de enxofre

(SO2 - µg/m³), outubro de 2010 a agosto de 2015

Fonte: Dados da pesquisa e elaborada pela autora. Salvador - BA, 2010-2015.

Em relação ao ozônio (O3), durante o período de estudo, observou-se o valor

mínimo e máximo observado foi 0,58 e 102,2 µg/m3, respectivamente, com valor médio
de 17,70 µg/m3 e coeficiente de variação de 0,53, conforme Tabela 6. É possível
verificar através do gráfico de séries temporais (Figura 12) que não há registros de
valores acima do limite máximo previsto na primeira etapa das metas progressivas (PI-
1) contida na Resolução CONAMA 419/2018, que é de 140 µg/m 3. Já com relação aos
valores do Guia de Qualidade do Ar, recomendados pela OMS em 2021, é possível
observar que, no período de estudo, a concentração do ozônio (O3) ultrapassou o valor
de referência que é de 60 µg/m3.
Um padrão sazonal também é observado no gráfico da variação média horária
do ozônio (O3) mostrado na Figura 12, com valores maiores durante os períodos
mais quentes. Segundo a CETESB (2020), isso ocorre porque o ozônio se comporta
de maneira diferente dos principais poluentes, pois é formado na atmosfera por meio
de reações fotoquímicas que dependem da radiação solar e de alguns outros fatores.
Com isso, as concentrações de ozônio tendem a ocorrer com maior periodicidade nos
 71

períodos mais quentes, onde a incidência de radiação solar é maior e, assim,

favorece a formação de ozônio.
É importante ressaltar que compostos orgânicos voláteis (VOC s) e óxidos de
nitrogênio (NOx) são precursores da formação de ozônio durante processos
fotoquímicos. Portanto, controlar as emissões desses poluentes primários (VOC e
NOx) reduz a formação de poluentes secundários como o ozônio (O3).

Figura 12 - Gráfico da variação, média horária, da concentração do ozônio (O 3 -

µg/m³), outubro de 2010 a agosto de 2015

Fonte: Dados da pesquisa. Salvador - BA, 2010-2015.

Analisando a estatística descrita para as variáveis climáticas, temperatura e

umidade relativa do ar na Tabela 6, é possível observar que o desvio-padrão (s), o
coeficiente de variação (CV) e a diferença entre os valores máximos e mínimos não
apresentam grande variabilidade.
Em relação aos valores médios mensais de temperatura durante o período de
estudo, a Tabela 6 mostra um valor mínimo e máximo de 19,20 ºC e 32,20 ºC,
respectivamente, com média de 25,73 ºC e coeficiente de variação de 0,12. Observou-
se que Salvador apresenta temperaturas relativamente altas e com poucas variações.
No gráfico da variação média horária, apresentado na Figura 13, para o período
 72

de outubro de 2010 a agosto de 2015, observa-se um padrão sazonal com

temperaturas mais amenas no inverno, que compreende ao período de junho a
setembro, e temperatura mais elevadas nos meses de dezembro a março, que
corresponde o verão.

Figura 13 - Gráfico da variação, média horária, da temperatura (º C), outubro de 2010

a agosto de 2015

Fonte: Dados da pesquisa. Salvador - BA, 2010-2015.

Comparando os gráficos das Figuras 5 e 13, observa-se que existe uma relação
entre o número de notificações por asma e a temperatura. Pode-se observar que o
número de casos por asma em Salvador é maior no período de temperaturas mais
baixas. Para o estudo desenvolvido por Dias et al. (2020), em crianças e adolescentes
na cidade de Belo Horizonte, MG, observou-se um aumento nas internações por asma
com o aumento da umidade do ar, ocasionado pelo período chuvoso.
Embora Salvador seja considerada uma cidade quente, com temperatura média
anual em torno de 25 ºC e com pouca variação ao longo do ano, o gráfico da Figura 14
mostra que a umidade relativa do ar é elevada, apresentando valor mínimo e máximo
de 48 e 95% respectivamente e valor médio de 74,71% conforme mostra a Tabela 6.
Alguns estudos mostraram uma relação entre as mudanças sazonais e o
 73

aumento de casos por problemas respiratórios. Parâmetros meteorológicos como

umidade relativa, temperatura e precipitação associados a poluentes atmosféricos
são os principais fatores que aumentam o risco de hospitalização e morte por
doenças respiratórias em todo o mundo (LAM, et al., 2016; LEE, JIN, LEE, 2016;
ISLAM, CHAUSSALET, KOIZUMI, 2017; O’LENICK, et al.; 2017; MORAES, et al.,
2019; THAM, et al., 2017).

Figura 14 - Gráfico da variação, média horária, da umidade relativa do ar (%), outubro

de 2010 a agosto de 2015

Fonte: Dados da pesquisa. Salvador - BA, 2010-2015.

A Tabela 7 mostra as correlações calculadas entre as variáveis número de

notificações por asma e as concentrações das médias mensais de SO 2, CO, O3, MP,
NO2, temperatura e umidade relativa do ar. Observa-se que, conforme esperado, a
variável Asma se correlaciona positivamente com as covariáveis CO, O 3, MP, NO2 e
Umidade relativa do ar. Em relação à temperatura, verificou-se uma correlação
negativa com o número de casos de notificações por asma, ou seja, a diminuição da
temperatura provoca um aumento de casos por asma. Na pesquisa conduzida por Dias
et al. (2020), com a finalidade de analisar o impacto dos fatores climáticos na
internação por asma, verificaram que o número de casos por asma aumenta com o
aumento da umidade relativa do ar e a diminuição da temperatura. Embora tenha
 74

havido uma relação positiva entre as covariáveis estudadas, posteriormente foi

verificado pela análise de regressão que não houve problemas relacionados à
multicolinearidade.

Tabela 7 - Matriz de correlação linear entre as variáveis Asmas, SO2, CO, O3, MP10,
NO2, Temperatura e Umidade.
Parâmetros Asma SO2 CO O3 MP NO2 Temp Umid.
.
Asma 1,000 -0,058 0,386 0,380 0,398 0,235 -0,275 0,110

SO2 - 1,000 -0,232 -0,089 -0,121 0,148 0,068 -0,051

CO - - 1,000 0,250 0,180 0,101 0,173 0,091

O3 - - - 1,000 0,374 0,451 -0,372 0,019

MP - - - - 1,000 0,044 -0,085 0,238

NO2 - - - - - 1,000 -0,351 0,124

Temp - - - - - - 1,000 0,217

Umid - - - - - - - 1,000

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

5.2 MODELO PARA TOMADA DE DECISÃO

Neste subtópico, apresentamos os resultados obtidos a partir do ajuste do

modelo de regressão de Poisson aos dados da pesquisa. Os métodos empregados
neste estudo são semelhantes aos aplicados em outros estudos nacionais e
internacionais que avaliam os efeitos da poluição atmosférica e parâmetros climáticos
na incidência de doenças respiratórias, incluindo a asma (CÉSAR, et al., 2016; CHEN,
et al., 2016; DIAS, et al., 2016; DING; et al. 2017; NASCIMENTO et al., 2017; MACHIN,
BOUAZZ, 2018; COSTA, 2018; KUO et al.; 2018; MENEZES, KUO et al., 2019;
PAVANITTO; NASCIMENTO, 2019; HU, et al., 2020, ALBALAWI et al.; 2021; ÇAPRAZ;
 75

DENIZ, 2021, HAZLEHURST, et al., 2021; MORPHEW, et al., 2021; NADALI et al.,
2021; PINI et al., 2021; DEARBORN, 2022; HU et al. 2022).

5.2.1 Asma em Crianças (0 a 9 anos)

Em um estudo de modelagem, variáveis independentes devem ser adicionadas

ao modelo final apenas se forem estatisticamente significativas para o
comportamento das variáveis explicativas. Portanto, neste estudo, para garantir que
apenas variáveis importantes fossem incluídas no modelo, testes de seleção de
variáveis foram realizados a um nível de significância de 5%. A partir dos resultados
apresentados na Tabela 8, as variáveis que se mostraram estatisticamente
significativas (p-valor < 0,05) no modelo de regressão de Poisson ajustado para
dados de notificação de asma em crianças (≤ 9 anos) foram: monóxido de carbono
(CO), material particulado (MP 10), temperatura e umidade relativa.

Tabela 8 - Variáveis significativas para o modelo de regressão de Poisson para os

dados de notificações de amas em crianças
Variáveis Parâmetros Estimados Erro Padrão p-valor RR

Intercepto 4,870745 0,649480 < 0,001 -

CO 1,617063 0,284306 < 0,001 5,03827

MP10 0,014982 0,003121 < 0,001 1,01509

Temperatura -0,150224 0,022200 < 0,001 0,86052

Umidade 0,018776 0,007775 0,0157 1,01895

Pseudo-R² = 0,60

AIC = 360,87

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

 76

Conforme os resultados na Tabela 8, obteve-se o seguinte modelo de regressão

para auxiliar a tomada de decisão quanto aos casos de notificações por asmas em
crianças:

𝑙𝑜𝑔(𝑦̂) = 4,871 + 1,617 𝐶𝑂 + 0,015𝑀𝑃10 − 0,150 𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 + 0,019 𝑈𝑚𝑖𝑑𝑎𝑑𝑒

O coeficiente de determinação ajustado (pseudo-R² ou pseudo R-squared) é

uma importante medida de ajuste, utilizado para comparação entre diferentes modelos
que se baseia no mesmo banco de dados. Através dele é possível verificar quantos
porcentos da variação dos dados pode ser explicado pelas variáveis preditoras. Neste
estudo, para os casos de notificações por asma em crianças, observou-se um pseudo-
R² = 0,60. Isso significa que as variáveis preditoras explicam aproximadamente 60% da
variabilidade dos casos de notificações por asma em crianças e, portanto,
representando um bom resultado.
As estimativas encontradas para o modelo final de regressão de Poisson foram
interpretadas pelo Risco Relativo (RR). Os resultados dos cálculos estão apresentados
na Tabela 8.
Analisando a estimativa encontrada para o monóxido de carbono (CO) aos ca-
sos de notificações por asma em criança, no ajuste do modelo de regressão de Pois-
son, tem-se: exp (𝛽𝐶𝑂 ) = exp (1,617063) = 5,03827. Isso significa que, mantidos fixos
os valores das demais variáveis, o aumento de 1 ppm na concentração do CO ocasio-
na o aumento em 5,04 na chance de uma criança ser hospitalizada por asma.
Embora o monóxido de carbono (CO) não tenha ultrapassado os limites estabe-
lecidos pelo Conselho Nacional do Meio Ambiente (CONAMA) e pela Organização
Mundial da Saúde (OMS), conforme indicado pela análise exploratória, esse poluente
tem sido associado ao aumento de internações por asma em crianças, adolescentes e
idosos, conforme resultados das Tabelas 8, 9 e 10, respectivamente. Deve-se destacar
que o impacto da poluição do ar na saúde humana depende não apenas do nível de
concentração dos poluentes, mas também do tempo de exposição. Vale ressaltar que
crianças, idosos e pessoas com asma ou doenças crônicas são os grupos mais vulne-
ráveis à poluição do ar.
As evidências sobre os efeitos do monóxido de carbono (CO) e a exacerbação
por asma são limitadas. Algumas revisões sistemáticas e estudos de meta-análises
mostraram que o poluente CO está associado positivamente com o aumento
 77

prevalência e taxas de hospitalizações por asma em crianças (ZHANG, et al. 2016;

ORELLANO et al., 2017; HAN; PAK; CHUNG, 2021). No estudo realizado em Xangai,
cidade costeira no centro da China, foi observada associação entre monóxido de
carbono (CO) e visitas hospitalares em crianças com asma (LIU et al., 2021). De
forma semelhante, em Delhi, na Índia, com o nível de concentração abaixo do valor de
referência estabelecido que Organização Mundial de Saúde (OMS) para o CO, Yadav
et al. (2021) observaram que a exposição a esse poluente foi associada ao aumento
das visitas diárias ao pronto-socorro em crianças com sintomas respiratórios agudos.
Com relação à estimativa encontrada para o material particulado (MP 10), tem-se:
exp (𝛽𝑀𝑃10 ) = exp (0.014982) = 1,01509. Isso significa que, mantendo constantes os
valores das demais variáveis analisadas, a cada 1 µg/m³ de aumento na concentração
de material particulado, a chance de uma criança ser hospitalizada por asma
aumentava em 2%.
Na literatura, foram encontrados vários estudos com achados semelhantes ao
presente estudo (NEJJARI et al.; 2021; RODRIGUES; NATÁRIO, 2021; ÜNAL et al.;
2021; ZHANG et al., 2021; ZHAO et al.; 2021;). Em uma revisão realizada por Jang,
Jun e Park (2016), observou-se que a exposição ao material particulado (MP10)
aumentou significativamente as internações hospitalares por várias doenças
respiratórias, incluindo asma, rinite alérgica e doenças das vias aéreas superiores e
inferiores.
Din et al. (2017), em seu estudo na cidade de Chongqing, no sudoeste da
China, que teve como objetivo avaliar o impacto da poluição do ar no aumento de
visitas hospitalares por asma entre crianças, descobriram que a exposição de curto
prazo ao material particulado (MP) levou a um aumento nas hospitalizações por
asma. O mesmo foi observado no norte da Itália por meio do estudo de Pini et al.
(2021) que verificou, no período de janeiro de 2014 a dezembro de 2017, 1.050
registros clínicos de admissões por exacerbação por asma para avaliar sua associação
com a poluição atmosférica. Ao final do estudo, através do modelo de regressão de
Poisson, concluiu-se de que a exposição a curto prazo ao material partícula (MP)
desempenhou um papel crítico na indução de eventos de exacerbação da asma, o que
aumentou as internações em pronto-socorro.
Em um estudo realizado na cidade de Casablanca, na região oeste de Marrocos,
Nejjari et al. (2021) objetivou avaliar os efeitos a curto prazo dos principais poluentes
atmosféricos na população exposta. Usando o modelo de regressão de Poisson, eles
 78

identificaram associação entre o material particulado (MP10) e aumento nas admissões

no pronto-socorro por doenças respiratórias e cardíacas e um aumento nas consultas
de asma (12% em crianças menores de 5 anos e 2% em crianças acima de 5 anos e
adultos).
Rodrigues, Natário e Martins (2021) propuseram avaliar os efeitos das variáveis
ambientais em relação ao número de internações por asma na região metropolitana de
Lisboa, Portugal, utilizando o modelo aditivo generalizado (MAG) com distribuição de
Poisson, para o período de 2009 a 2015. Ao final do estudo, eles observaram que o
material particulado (MP10) estava associado a um aumento de 2% (RR = 1,02) no risco
de hospitalização.
Em relação a variável climática Temperatura, analisando a estimativa
encontrada, exp (𝛽𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 ) = exp (-0,150224) = 0,86052, verificou-se que a
diminuição em 1 ºC na temperatura de Salvador pode provoca o aumento em 14% no
número de internações por asma em crianças, quando mantido fixos os valores das
demais variáveis explicativas.
Verificando à estimativa encontrada para a variável Umidade, tem-se: exp
(𝛽𝑈𝑚𝑖𝑑𝑎𝑑𝑒 ) = exp (0,018776) = 1,01895. Esse resultado significa que, mantendo as
outras variáveis constantes, o aumento em 1% na umidade relativa do ar leva a um
aumento de 2% no número de interações em crianças por asma.
Estudos recentes têm evidenciado uma associação entre a exposição a riscos
ambientais, como parâmetros climáticas e poluição atmosférica, ao aumento de
exacerbação por asma na infância (CHEN et al., 2016; KUO et al., 2018; LI et al., 2016;
ORELLANO et al., 2017; PAN et al., 2019; WEI et al., 2020; WISNIEWSKI et al., 2016;
ZHANG et al., 2020, RODRIGUES, NATÁRIO, MARTINS; 2021). Alguns estudos
realizados internacionalmente e no Brasil identificaram os fatores ambientais como os
principais desencadeadores da asma infantil (DIAS et al., 2016).
Em estudo anterior, realizado por Lam et al. (2016) na cidade Hong Kong, na
costa sul da China, encontraram associação entre temperatura e internações por asma
em crianças e adultos. Pan e col. (2020) e Wei et al. (2020) descobriram recentemente
que alguns parâmetros climáticos, como temperatura e umidade relativa do ar,
aumentam o risco de hospitalizações por asma em crianças. Da mesma forma, Hu et
al. (2020) observaram associações entre parâmetros climáticos e exacerbações de
asma em crianças em Xangai, China, usando um modelo de regressão de Poisson.
Na região metropolitana de Lisboa, observou-se um aumento de 4% (RR = 1,04) no
 79

risco de internações por asma em crianças no período chuvoso, quando a umidade

relativa do ar é maior (RODRIGUES, NATÁRIO, MARTINS, 2021).

5.2.2 Asma em Adolescentes (10 a 19 anos)

Conforme demonstrado na Tabela 9, as variáveis que apresentaram

significância estatística (p-valor < 0,05) para o modelo de regressão de Poisson
ajustado os dados sobre notificações por asma em adolescentes (10 a 19 anos) foram:
monóxido de carbono (CO), Material Particulado (MP10) e dióxido de nitrogênio (NO2).
Comparando os diferentes modelos, verificou-se através do modelo de
Regressão de Poisson um melhor coeficiente determinação (pseudo-R²) com valor
igual a 0,58. Isso quer dizer que o modelo explica cerca de 58% da variância da
variável dependente (casos de notificações por asma em adolescentes) a partir das
variáveis independentes incluídas no modelo.

Tabela 9 - Variáveis significativas para o modelo de regressão de Poisson para os

dados de notificações de amas em adolescentes

Variáveis Parâmetros Estimados Erro Padrão p-valor RR

Intercepto -0,942367 0,448075 0,03545 -

CO 1,659390 0,911508 0,06868 5,256104

MP10 0,028801 0,008917 0,00124 1,029219

NO2 0,056315 0,017944 0,00170 1,057931

Pseudo-R² = 0,58

AIC = 229,88

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

Quanto aos casos de notificações por asmas em adolescentes, conforme os

 80

resultados apresentados na Tabela 9, obteve-se o seguinte modelo:

𝑙𝑜𝑔(𝑦̂) = −0,942 + 1,659 𝐶𝑂 + 0,029 𝑀𝑃10 + 0,056 𝑁𝑂2

Ao calcularmos o Risco Relativo (RR) das variáveis para o modelo de Regressão

de Poisson, em relação aos casos de notificações por asma, em adolescentes,
obtivemos os resultados apresentados na Tabela 9.
Ao analisar os valores estimados para o monóxido de carbono (CO), contatou-se
que, mantendo-se constantes os valores das demais variáveis estudadas, o aumento
em 1 ppm na concentração deste poluente, aumenta em 5,26 vezes as chances de
internações por asma em adolescentes no município de Salvador, conforme
apresentado nos resultados da Tabela 9 (exp (𝛽𝐶𝑂 ) = exp (1,659390) = 5,256104).
Estudos mais recentes evidenciam que a poluição atmosférica está associada ao
aumento da incidência de asma, principalmente em crianças e adolescentes (DIN et al.,
2017; THURSTON, et al., 2017; Nejjari et al., 2021; PINI, et al., 2021; RODRIGUES,
NATÁRIO, MARTINS, 2021). Embora os efeitos adversos do CO em relação a asma
tenham sido observados em alguns estudos, ainda existe uma limitação de pesquisa
abordando este tema. Zhang et al. (2016) realizaram uma meta-análise levando em
consideração 26 estudos. Ao final do estudo, eles constataram que a exposição de
curto prazo à poluição atmosférica estava associada ao risco de hospitalização por
asma em crianças e adolescentes (ORs igual a 1,01 para MP10 e igual a 1,14 para CO).
Avaliando a estimativa encontrada para o poluente material particulado (MP10),
observou-se o valor do risco relativo (RR) de 1,029219 (exp (𝛽𝑀𝑃10 ) = exp (0,028801) =
1,029219) para o ajuste do modelo de regressão de Poisson para os casos internações
por asma em adolescentes. Assim, o aumento de 1 µg/m³ na concentração do MP10,
aumenta em 3% a chance de internações por asma em adolescentes do município de
Salvador. Este resultado corrobora com os estudos de Chen et al. (2016) e Orellano et
al. (2017) que identificaram associação entre o material particulado (MP 10) e
exacerbações de asma em crianças e adolescentes de 0 a 17 anos.
Também foi observado que o dióxido de nitrogênio (NO2) resultou em um
aumento de 6% na chance de internações por asma em adolescentes (exp (𝛽𝑁𝑂2 ) = exp
(0,056315) = 1,057931), quando conservado os valores das demais variáveis do
modelo final. Resultados semelhantes foram observados no estudo realizado entre
 81

2015 e 2016 em Hefei, capital da província de Anhui, China, por Zhang et al. (2019),
para avaliar os efeitos da exposição de curto prazo à poluição do ar na hospitalização
por asma em crianças e adolescentes. Através do modelo de regressão de Poisson,
observou-se que o dióxido de nitrogênio (NO2) apresentou-se associado ao aumento
de internações por asma em crianças. Da mesma forma, na cidade de Bursa, na
região noroeste da Turquia, Ünal et al. (2021) constatou em sua pesquisa que o
aumento das concentrações de dióxido de nitrogênio e material particulado estava
associado ao aumento de hospitalizações por asma entre crianças e adolescentes de
0 a 18 anos.
De forma semelhante, um estudo mais recente conduzido por Dabrowiecki et al.
(2022) nas três maiores aglomerações urbanas da Polónia, verificou que a exposição
aos poluentes material particulado (MP10) e ao dióxido de nitrogênio (NO2) foram
associados a um aumento do risco de visita ao pronto-socorro devido à asma.

5.2.3 Asma em Adultos (20 a 59 anos)

Neste estudo, não foi identificada uma associação da poluição do ar e

parâmetros climáticos em relação aos casos de internações por asma em adultos, na
cidade de Salvador – BA no período de estudo. É preciso ressaltar que crianças,
adolescentes e idosos são mais vulneráveis aos efeitos da poluição. De acordo com
o Global Burden of Disease Study, a asma representou aproximadamente 2,29% do
total global entre crianças de 5 a 14 anos em 2019 (MURRAY et al., 2020).
Contrapondo aos achados do presente trabalho, Byrwa-Hill et al. (2020)
examinaram a relação entre a poluição do ar e o risco de hospitalizações
relacionadas à asma em crianças e adultos em Pittsburgh, Pensilvânia, de 2008 a
2013. Ao final do estudo, observaram que o monóxido de carbono (CO) foi
estatisticamente significativo para adultos, com idades acima de 18 anos. É importante
destacar que o monóxido de carbono (CO) está associado a diminuição da função
pulmonar em adultos com asma (GOZUBUYUK et al., 2017; HALPIN et al., 2019).
 82

5.2.4 Asma em Idosos (igual ou maiores de 60 anos)

A partir dos resultados apresentados na Tabela 10, para o modelo de regressão

de Poisson ajustado aos dados sobre notificações por asma em idosos (≥ 60 anos),
verifica-se que apenas a variável monóxido de carbono (CO) foi estatisticamente
significativa ao nível exploratório de 5%. Comparando diferentes modelo, o melhor
coeficiente determinação (pseudo-R²) foi de 0,55, significando desta forma que o
modelo explica cerca de 55% da variância no número de casos de notificações por
asma em idosos a partir das variáveis independentes adicionadas ao modelo.

Tabela 10 - Variáveis significativas para o modelo de regressão de Poisson para os

dados de notificações de amas em idosos

Variáveis Parâmetros Estimados Erro Padrão p-valor RR

Intercepto -0,1244 0,4316 0,7732 -

CO 2,4271 0,9729 0,0126 11,32599

Pseudo-R² = 0,55

AIC = 197,72

Fonte: Dados da pesquisa. Salvador – BA, 2010-2015.

Com base nos dados apresentados na Tabela 10, obteve-se o seguinte modelo
de regressão para contribuir na tomada de decisão quanto aos casos de notificações
por asmas em idosos:

𝑙𝑜𝑔(𝑦̂) = −0,1244 + 2,4271 𝐶𝑂

Ao calcularmos o Risco Relativo (RR) das variáveis para o modelo de Regressão

de Poisson em relação aos casos de notificações por asma em idosos, obtivemos os
resultados apresentados na Tabela 10.
 83

Analisando as estimativas encontradas no ajuste do modelo de regressão

(Tabela 10), observou-se que o aumento de 1ppm nos níveis do monóxido de carbono
(CO) provoca um aumento em 11,33 vezes nas chances de hospitalização por asma
em idosos (exp (𝛽𝐶𝑂 ) = exp (2,4271) = 11,32599).
Em Gyeonggi-do, Coreia do Sul, localizada na região noroeste do país, foi
realizado um estudo entre 2007 e 2018 para avaliar o impacto da poluição do ar em
pacientes com doença pulmonar crônica e asma usando um modelo aditivo
generalizado com distribuição de Poisson. Da mesma forma, observou-se nos
resultados que o aumento das concentrações de monóxido de carbono (CO) aumentou
o risco de hospitalização, com associações mais fortes em idosos com 65 anos ou mais
(HAN; PAK; CHUNG, 2021).

5.3 ANÁLISE DA ADEQUABILIDADE DO MODELO

Na modelagem estatística, a análise diagnóstica dos resíduos compreende uma

valiosa etapa na construção dos modelos de regressão, pois é através desta etapa que
é possível verificar se as suposições feitas inicialmente sobre o modelo estão corretas,
principalmente para o componente aleatório e para a parte sistemática do modelo, além
de ser possível verificar a existência de observações discrepantes com alguma
interferência desproporcional ou inferencial nos resultados do ajuste (PAULA, 2013).
O gráfico de probabilidade normal com envelope simulado permite avaliar a
adequação do modelo. Nesse tipo de representação gráfica, o padrão esperado para
um modelo bem ajustado representa os resíduos distribuídos aleatoriamente entre as
bandas de confiança. A presença de pontos fora do envelope ou de pontos internos
apresentando algum padrão sistemático, podem indicar problemas no ajuste do
modelo.
Na Figura 15 está representando o gráfico normal de probabilidade referente ao
modelo de Poisson ajustado aos dados de notificações por asma em crianças (Figura
15 - a), adultos (Figura 15 - b) e idosos (Figura 15 - c). De acordo com os gráficos,
observa-se que não apresenta indícios de desvio da suposição de distribuição de
Poisson para os casos de notificações por asma nas três faixas etárias, pois os
 84

resíduos apresentam-se distribuídos de forma aleatória, sem aparente padrão

sistemático, dentro das bandas de confianças, apresentando indicações de que o
modelo está bem ajustado.

Figura 15 - Gráfico normal de probabilidade referente ao modelo de Poisson ajustado

aos dados de notificações por asma em crianças (a), adultos (b) e idosos (c)
 85

O gráfico normal Q-Q é utilizado para avaliar a pressuposição de normalidade

dos resíduos e, caso não havendo normalidade, permite avaliar a forma da distribuição,
além de indicar possíveis outliers. Neste tipo de representação gráfica, pontos bem
próximos à reta e dispersos aleatoriamente, indicam a favor da suposição de normali-
dade. Na Figura 16 (a), (b) e (c), através dos gráficos normais Q-Q, observam-se indí-
cios de normalidade para os casos de notificações por asmas em crianças, adolescente
e idosos.
 86

Figura 16 - Gráfico normal Q-Q referente ao modelo de Poisson ajustado aos dados de
notificações por asma em crianças (a), adultos (b) e idosos (c)
 87

O gráfico de resíduos versus valor ajustado é comumente utilizado para verificar

a suposição de linearidade, além da presença de dados atípicos (outliers).
As técnicas de diagnósticos para os modelos de regressão são importância,
porque aspectos importantes de um modelo podem ser confundidos em razão de
apenas de uma observação. Entre os vários métodos e representações gráficas
propostos para identificar observações influentes, podemos citar a distância de Cook.
A Figura 17 estão representados os gráficos da distância de Cook versus índice
das observações para o modelo de regressão de Poisson aos casos de notificações
por asma em crianças, adolescentes e idosos. Através da distância de Cook é possível
detectar a presença de observações que podem interferir nas estimativas dos
parâmetros levando a resultados errôneos. Observações com valores elevados para
essa medida devem ser analisadas cuidadosamente. Na literatura, há mais de uma
opinião a respeito de qual ponto de corte utilizar para detectar observações influentes.
Alguns sugerem valores menores do que 1, já outros consideram valores altos, acima
de 0,5.
 88

Figura 17 - Gráficos das distâncias de Cook para o modelo de regressão de Poisson

ajustado aos dados de notificações por asma em crianças (a), adolescentes (b) e
idosos (c)
 89

Analisando os gráficos da distância de Cook para os casos de notificações por

asmas em crianças (Figura 17- a), adolescentes (Figura 17 - b) e idosos (Figura 17 -
c), verifica-se que algumas observações se destacam, porém, elas não configuram
como observações influentes, pois todos os valores são inferiores a 0,5. Apenas
observações com valores superiores a 0,5 são consideradas com alta Distância de
Cook, devendo, portanto, serem analisadas cuidadosamente.
Os gráficos dos resíduos versus valores ajustados para o caso de notificações
por asma em crianças, adolescente e idosos, estão apresentados na Figura 18 (a), (b)
e (c) respectivamente. Esses gráficos são utilizados para avaliar a suposição de
linearidade, além de auxiliar na identificação de outliers e pontos influentes.
 90

Figura 18 - Gráficos dos resíduos vs. valores ajustados para o modelo de regressão de
Poisson para os dados de notificações por asma em crianças (a), adolescentes (b) e
idosos (c)
 91

A partir deste gráfico, pode-se observar que os resíduos não apresentam algum
tipo de tendência, ou seja, eles estão distribuídos aleatoriamente em torno do zero,
com variância constante dentro do intervalo [-3; 3].
 92

CONCLUSÕES

O presente trabalho de tese alicerçou-se na relevância de estudar o aumento

das internações por asma em diferentes faixas etárias devido à exposição a poluentes
atmosféricos e parâmetros climáticos na zona urbana do município de Salvador - BA.
Portando, este estudo fornece informações relevantes para compreender os potenciais
riscos à saúde humana decorrentes da exposição aos poluentes atmosféricos e subsi-
dia a tomada de decisão dos gestores.
Na cidade de Salvador, segundo a distribuição das internações por asma no pe-
ríodo de estudo, observou-se que a taxa de internação de crianças com idade de 0 a 9
anos foi maior (79,67%), mostrando o impacto da asma na qualidade de vida das crian-
ças. Neste estudo também foi observada a sazonalidade no número de internações por
asma, com aumento das exacerbações no período chuvoso.
Com base nos limites máximos estabelecidos pelo Conselho Nacional do Meio
Ambiente (CONAMA) através da Resolução n.º 419/18, e pelas diretrizes estabelecidas
pela Organização Mundial de Saúde (OMS), comparativamente aos resultados apre-
sentados na análise da variação da concentração para os poluentes analisados (SO 2,
CO, O3, MP, NO2), durante o período de estudo, concluiu-se que:
• o poluente material particulado (MP10) ultrapassou o valor de referência estabe-
lecida na primeira etapa da meta progressiva a ser atingida (PI-1 – Padrão de
Qualidade do Ar intermediária), que corresponde a 120 µg/m³ e o valor de refe-
rência estabelecido pela OMS que é de 45 µg/m³;
• o poluente ozônio (O3) ultrapassou apenas o limite máximo estabelecido nas
diretrizes da OMS que é de 60 µg/m³;
• o poluente dióxido de nitrogênio (NO2) ultrapassou o limite máximo estabelecido
pelas diretrizes da OMS que é de 25 µg/m³;
• os poluentes dióxido de enxofre (SO2) e monóxido de carbono (CO) não ultra-
passaram os limites máximos estabelecidos tanto pela OMS como pelo CONA-
MA.
Com relação aos resultados observados após o ajuste do modelo de regressão
de Poisson aos dados do estudo, concluiu-se que:
• os poluentes monóxido de carbono (CO) e material particulado (MP 10) estão as-
 93

sociados ao aumento de hospitalizações por asma em crianças (0 a 9 anos);

• os poluentes monóxido de carbono (CO), material particulado (MP 10) e dióxido
de nitrogênio (NO2) estão associados ao aumento de hospitalizações por asma
entre adolescentes (10 a 19 anos);
• para os casos de asma em adultos (20 a 59 anos), não foi observado associação
entre a poluição atmosférica com o aumento de internações neste grupo;
• para os casos de internações por asma em idosos (≥ 60 anos), o monóxido de
carbono (CO) foi o único poluente associado ao aumento de internações por
asma.
Embora alguns estudos tenham evidenciados associação entre a exposição a
risco ambientais, como parâmetros climáticas, com o aumento de risco de exacerbação
por asma em diferentes faixas etárias, neste estudo, para o modelo de regressão de
Poisson ajustado aos dados de internações por asma, observou-se que os parâmetros
climáticos temperatura e umidade estiveram associados apenas ao aumento risco por
hospitalização por asma em crianças (0 a 9 anos).
Através da análise do ajuste e adequabilidade do modelo, observou-se que o
modelo de regressão de Poisson apresentou-se muito satisfatório na investigação da
exposição aos poluentes atmosféricos e parâmetros climáticos aos casos de interna-
ções por asma, auxiliando, desta forma, a tomada de decisão. Vale ressaltar que na
literatura também contém estudos que utilizam modelo de regressão de Poisson como
método para mensurar associações entre exposição à poluição do ar e dados relacio-
nados à saúde (CÉSAR, et al., 2016; DING; et al. 2017; KUO et al.; 2018; HU, et al.,
2020, ALBALAWI et al.; 2021; HU et al. 2022).
Apesar da cidade de Salvador ocupar uma posição de destaque na região
Nordeste, no interesse de minimizar a poluição atmosférica e seus impactos
multifacetados, de acordo com os resultados deste estudo, observou-se que os atuais
níveis de contaminação do ar, mesmo em níveis de concentrações abaixo dos limites
máximos previstos pelas agências regulamentadoras, causam risco para a saúde.
Deste modo, propomos intensificar os esforços na busca de implementação de
campanhas destinadas a estabelecer medidas para a redução da poluição atmosférica,
que tem ocasionado profundos prejuízos à saúde da população residente na área
urbana da cidade de Salvador.
Por fim, espera-se que os resultados alcançados neste estudo contribuam para
subsidiar políticas públicas voltadas ao planejamento de ações, no domínio ambiental,
 94

para o controle da poluição do ar e dos agravos à saúde dela decorrentes.

 95

PUBLICAÇÕES

Este trabalho de tese gerou as seguintes publicações científicos:

• Artigos completos submetidos em revistas científicas:

1. NÓBREGA, L. A. et al. Associação da exposição ao material particulado (MP 10) e

parâmetros climáticos na incidência de asma em crianças, em Salvador, Brasil.
Caderno de Saúde Pública, 2022.

2. NÓBREGA, L. A. et al. Poisson regression model as a methodology to measure the

impact of air pollution on human health. Anais da Academia Brasileira de
Ciências, 2022.

• Trabalhos apresentados e publicados como capítulo de livro – Congresso

Internacional de Saúde e Meio Ambiente (CINASAMA 2021)

3. NÓBREGA, L. A.; ARAUJO, M. P. Modelagem da influência da poluição atmosférica

no número de internações hospitalares por asma. Meio Ambiente: os desafios do
novo cenário. 1ª ed. João Pessoa: Instituto Medeiros de Educação Avançada –
IMEA, 2022, cap. 16, p. 329-346.

4. ARAUJO, M. P.; NÓBREGA, L. A. Análise dos serviços de esgotamento sanitário e

ocorrência de doenças diarreicas no município de Bayeux-PB. Meio Ambiente: os
desafios do novo cenário. 1ª ed. João Pessoa: Instituto Medeiros de Educação
Avançada – IMEA, 2022, cap. 18, p. 366-383.

• Capítulo de livros:

5. NÓBREGA, L. A. et al. Poluição do ar e transtornos respiratórios em crianças.

Poluição do ar e transtornos respiratórios em crianças. 1ªed. João Pessoa:
UNIPÊ/BC, 2018, v. III, p. 102-118.

6. NÓBREGA, L. A. et al. Modelagem da influência de poluentes atmosféricos e fatores

meteorológicos em afecções respiratórias em idosos. 1ªed. João Pessoa:
UNIPÊ/BC, 2018, v. III, p. 363-380.

7. NÓBREGA, L. A. et al. Emissões veiculares e biocombustíveis sustentáveis. Meio

Ambiente: os desafios do novo cenário. 1ª ed. João Pessoa: editora UFPB, 2019, p.
89-98.
 96

REFERÊNCIAS

ABNT – Associação Brasileira de Normas Técnicas. Norma Brasileira de

Regulamentação n. 8969. ABNT, 1985.

ACHAKULWISUT, P. et al. Global, national, and urban burdens of paediatric asthma

incidence attributable to ambient NO2 pollution: estimates from global datasets. The
Lancet Planetary Health, v. 3, n. 4, p. e166-e178, 2019.

AKAIKE, H. Information theory and an extension of the maximum likelihood principle.

In: Selected papers of hirotugu akaike. Springer, New York, NY, 1998. p. 199-213.

ALBALAWI, S. M. et al. Short-term effects of air pollution on daily asthma-related

emergency department visits in an industrial city. Journal of Public Health, v. 43, n.
1, p. e45-e53, 2021.

ARANGO, H. G. Bioestatística teórica e computacional. In: Bioestatística teórica e

computacional. 3ª Ed. 2009. p. 235-235.

ASHBY, M. F. Engenharia Ambiental. Rio de Janeiro: Elsevier, 2013.

BALMES, John R. Household air pollution from domestic combustion of solid fuels and
health. Journal of Allergy and Clinical Immunology, v. 143, n. 6, p. 1979-1987, 2019.

BARSANO, P. R.; BARBOSA, R. P. Gestão Ambiental. 1. ed. São Paulo: Editora

Érica, 2014. v. 1. 128p

BAXTER, L. A. et al. Comparing estimates of the effects of air pollution on human

mortality obtained using different regression methodologies. Risk analysis, v. 17, n. 3,
p. 273-278, 1997.

BLACK, R. E. et al. Global, regional, and national causes of child mortality in 2008: a
systematic analysis. The lancet, v. 375, n. 9730, p. 1969-1987, 2010.

BOUAZZA, N. et al. Fine particulate pollution and asthma exacerbations. Archives of

disease in childhood, v. 103, n. 9, p. 828-831, 2018.

BRAGA, A. L. F.; PEREIRA, L. A. A.; SALDIVA, P. H. N. Poluição Atmosférica e seus

Efeitos na Saúde Humana. Faculdade de Medicina da USP, São Paulo. 2002.

BRUNEKREEF, B.; HOLGATE S.T. Air pollution and health. The Lancet, v. 360,
p.1233-1242, 2002.
 97

BRASIL. Conselho Nacional do Meio Ambiente. Resolução n.º 18, de 06 de maio de

1986. Dispõe sobre a criação do Programa de Controle de Poluição do Ar por veículos
Automotores – PROCONVE. Publicado no Diário Oficial da União, de 17/06/86.

BRASIL. Conselho Nacional do Meio Ambiente. Resolução n.º 05, de 15 de junho de

1989. Dispõe sobre o Programa Nacional de Controle da Poluição do Ar - PRONAR.
Publicado no Diário Oficial da União, de 25/08/89, Seção I, p. 14.713-14.714.

BRASIL. Conselho Nacional do Meio Ambiente. Resolução n.º 491, de 19 de

novembro de 2018. Dispõe sobre padrões de qualidade do ar, previstos no PRONAR.
Publicado no Diário Oficial da União, de 21/11/2018, Edição 223, Seção:1, p. 155.

BOWATTE, G. et al. Traffic-related air pollution exposure over a 5-year period is asso-
ciated with increased risk of asthma and poor lung function in middle age. European
Respiratory Journal, v. 50, n. 4, 2017.

BUCHMANN, B. et al. 18 Reactive gases, ozone depleting substances and greenhouse

gases. From weather observations to atmospheric and climate sciences in Swit-
zerland: Celebrating 100 years of the Swiss Society for Meteorology, 2016.

BUTEAU, S. et al. Air pollution from industries and asthma onset in childhood: a popula-
tion-based birth cohort study using dispersion modeling. Environmental research, v.
185, p. 109180, 2020.

BYRWA-HILL, B. M. et al. Lagged association of ambient outdoor air pollutants with

asthma-related emergency department visits within the Pittsburgh region. International
journal of environmental research and public health, v. 17, n. 22, p. 8619, 2020.

ÇAPRAZ, Ö.; DENIZ, A. Assessment of hospitalizations from asthma, chronic obstructi-

ve pulmonary disease and acute bronchitis in relation to air pollution in İstanbul, Tur-
key. Sustainable Cities and Society, v. 72, p. 103040, 2021.

CARDOSO, T. A. et al. Impacto da asma no Brasil: análise longitudinal de dados extra-

ídos de um banco de dados governamental brasileiro. Jornal Brasileiro de Pneumo-
logia, v. 43, p. 163-168, 2017.

CASELLA, G.; BERGER, R. L. Statistical inference. Cengage Learning, 2021.

CASTRO, H. A.; GOUVEIA, N.; ESCAMILLA-CEJUDO, J. A. Questões metodológicas

para a investigação dos efeitos da poluição do ar na saúde. Rev. Bras. Epidemiol.,
v.6, n.2, 2003.

CAVALCANTI, P. M. P. S. Modelo de gestão da qualidade do ar: abordagem preventiva

e corretiva. 2010; 269 f. Tese (Doutorado em Planejamento Energético) – Programa
de Pós-Graduação em Planejamento Energético, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, 2010.

CÉSAR, A. C. G. et al. Material particulado fino estimado por modelo matemático e in-
ternações por pneumonia e asma em crianças. Revista Paulista de Pediatria, v. 34, p.
18-23, 2016.
 98

CETESB. Companhia Ambiental do Estado de São Paulo. 2019. Relatório de Qualida-

de do ar no estado de São Paulo 2020 (recurso eletrônico). Disponível em:
https://cetesb.sp.gov.br/ar/wp-content/uploads/sites/28/2021/05/Relatorio-de-
Qualidade-do-Ar-no-Estado-de-Sao-Paulo-2020.pdf . Acesso em: jan. 2022.

CHEN, K. et al. The effects of air pollution on asthma hospital admissions in Adelaide,
South Australia, 2003–2013: time‐series and case–crossover analyses. Clinical & Ex-
perimental Allergy, v. 46, n. 11, p. 1416-1430, 2016.

CLIFFORD, R. L. et al. Inhalation of diesel exhaust and allergen alters human bronchial
epithelium DNA methylation. Journal of Allergy and Clinical Immunology, v. 139, n.
1, p. 112-121, 2017.

CHANG, Q. et al. Association between air pollutants and outpatient and emergency
hospital visits for childhood asthma in Shenyang city of China. International Journal of
Biometeorology, v. 64, n. 9, p. 1539-1548, 2020.

CHEN, T. et al. Outdoor air pollution: nitrogen dioxide, sulfur dioxide, and carbon mono-
xide health effects. The American journal of the medical sciences, v. 333, n. 4, p.
249-256, 2007.

CISNEROS, C. Epidemiología. Impacto sanitario del asma. Ancochea Bermúdez J,

Ricote Belinchón M, coordinadores. Procedimientos en enfermedades respirato-
rias. PROCEDER. Barcelona: Grupo Ars XXI de Comunicación SL, 2007.

CORDEIRO, G. M.; NETO, E. A. L. Modelos paramétricos. Pernambuco: UFRPE,

2006.

CORDEIRO, G. M.; DEMÉTRIO, C. G. Modelos lineares generalizados e

extensões. Piracicaba: USP, 2010.

CRUZ, D. D. da et al. Meio ambiente e desenvolvimento: os desafios da

sustentabilidade ambiental. 1. ed. João Pessoa: Editora UFPB, 2019. v. 1. 182 p.

D'AMATO, G. et al. Climate change and air pollution: effects on respiratory al-
lergy. Allergy, asthma & immunology research, v. 8, n. 5, p. 391-395, 2016.

DĄBROWIECKI, P. et al. Ambient Air Pollution and Risk of Admission Due to Asthma in
the Three Largest Urban Agglomerations in Poland: A Time-Stratified, Case-Crossover
Study. International Journal of Environmental Research and Public Health, v. 19,
n. 10, p. 5988, 2022.

DADVAND, P. et al. Maternal exposure to particulate air pollution and term birth weight:
a multicountry evaluation of effect and heterogeneity. Environ. Health Perspect. v. 121,
p. 267-373, 2013.

DAMILANO, D. C. R.; JORGE, M. P. P. Estudo da influência da poluição

atmosférica e das condições meteorológicas na saúde em São José dos Campos.
São José dos Campos: INPE, 2006. In: SICINPE. 44.
 99

DARROW, L. A. et al. Air Pollution and Acute Respiratory Infections Among Children 0–
4 Years of Age: An 18-Year Time-Series Study. American Journal of Epidemiology.
v. 180, n. 10, Oct. 2014.

DE ALFAIA, V. M. et al. Estudo da ocorrência de internações por Asma via variáveis

climáticas na Região Norte (PA). Revista Ibero-Americana de Ciências Ambientais,
v. 9, n. 6, p. 147-158, 2018.

DEARBORN, L. C. Role of air pollution in development of asthma among children

with a history of bronchiolitis in infancy. 2022. Tese de Doutorado.

DE MELO CUNHA, J. et al. Associação entre poluição do ar e fenótipos da asma em

Salvador, Brasil, uma cidade com níveis de poluentes dentro dos limites recomendá-
veis. Interfaces Científicas-Saúde e Ambiente, v. 9, n. 1, p. 13-27, 2022.

DENATRAN - Departamento Nacional de Trânsito. Disponível em:

<http://www.denatran.gov.br/>. Acesso em: 30 Jan. 2021.

DENG, Q. et al. Exposure to outdoor air pollution during trimesters of pregnancy and
childhood asthma, allergic rhinitis, and eczema. Environmental research, v. 150, p.
119-127, 2016.

DHARMAGE, Shyamali C.; PERRET, Jennifer L.; CUSTOVIC, Adnan. Epidemiology of

asthma in children and adults. Frontiers in pediatrics, v. 7, p. 246, 2019.

DIAS, C. S. et al. Temporal and spatial trends in childhood asthma-related hospitalizati-

ons in Belo Horizonte, Minas Gerais, Brazil and their association with social vulnerabi-
lity. International Journal of Environmental Research and Public Health, v. 13, n. 7,
p. 704, 2016.

DIAS, R. Gestão ambiental: responsabilidade social e sustentabilidade. 3. ed. São

Paulo: Atlas, 2019.

DIAS, C. S. et al. Influência do clima nas hospitalizações por asma em crianças e ado-
lescentes residentes em Belo Horizonte, Minas Gerais, Brasil. Ciência & Saúde Cole-
tiva, v. 25, p. 1979-1990, 2020.

DING, L. et al. Air pollution and asthma attacks in children: A case–crossover analysis
in the city of Chongqing, China. Environmental pollution, v. 220, p. 348-353, 2017.

EDER, W.; EGE, M. J.; VON MUTIUS, E. The asthma epidemic. New England Journal
of Medicine, v. 355, n. 21, p. 2226-2235, 2006.

EMBERSON, L. D. et al. Ozone effects on crops and consideration in crop mo-

dels. European Journal of Agronomy, v. 100, p. 19-34, 2018.

EVERITT, B. S. Modern medical statistics. New York, USA: Oxford University Press
Inc. 2003. 235p.
 100

FAJERSZTAJN, L. et al. Short-term effects of fine particulate matter pollution on daily

health events in Latin America: a systematic review and meta-analysis. International
Journal of Public Health, v. 62, n. 7, p. 729-738, 2017.

FALCON-RODRIGUEZ, C. I. et al. Aeroparticles, composition, and lung disea-

ses. Frontiers in immunology, v. 7, p. 3, 2016.

FARINHA, S. et al. Impact of air pollution on daily asthma symptoms. Acta Médica Por-
tuguesa, v. 35, n. 2, p. 119-126, 2022.

FAVARO, A. et al. Influence of urban forest on traffic air pollution and children
respiratory health. Environmental monitoring and assessment, v. 192, n. 3, p. 1-9,
2020.

FERRANTE, G.; LA GRUTTA, Stefania. The burden of pediatric asthma. Frontiers in

pediatrics, v. 6, p. 186, 2018.
FREITAS, Clarice et al. Internações e óbitos e sua relação com a poluição atmosférica
em São Paulo, 1993 a 1997. Revista de Saúde Pública, v. 38, p. 751-757, 2004.

GBD 2015 CHRONIC RESPIRATORY DISEASE COLLABORATORS et al. Global,

regional, and national deaths, prevalence, disability-adjusted life years, and years lived
with disability for chronic obstructive pulmonary disease and asthma, 1990–2015: a
systematic analysis for the Global Burden of Disease Study 2015. The Lancet.
Respiratory Medicine, v. 5, n. 9, p. 691, 2017.

GINA Reports. Global Initiative for Asthma-GINA. Available online:

https://ginasthma.org/gina-reports/ (accessed on 13 June 2022).

GIODA, A.; GIODA, F. R. A influência da qualidade do ar nas doenças

respiratórias. Revista Saúde e Ambiente, v. 7, n. 1, p. 15-23, 2009.

GOUVEIA, N. et al. Hospitalizações por causas respiratórias e cardiovasculares

associadas à contaminação atmosférica no Município de São Paulo, Brasil. Cadernos
de Saúde Pública, v. 22, p. 2669-2677, 2006.

GOZUBUYUK, A. A. et al. Epidemiology, pathophysiology, clinical evaluation, and trea-

tment of carbon monoxide poisoning in child, infant, and fetus. Northern clinics of Is-
tanbul, v. 4, n. 1, p. 100, 2017.

GREENBERG, N. et al. Different effects of long-term exposures to SO2 and NO2 air
pollutants on asthma severity in young adults. Journal of toxicology and environmen-
tal health, Part A, v. 79, n. 8, p. 342-351, 2016.

GUIMARÃES, C. Controle e monitoramento de poluentes atmosféricos. Elsevier

Brasil, 2017.

GUO, H.; CHEN, M. Short-term effect of air pollution on asthma patient visits in Shan-
ghai area and assessment of economic costs. Ecotoxicology and Environmental Sa-
fety, v. 161, p. 184-189, 2018.
 101

HADLEY, M. B.; VEDANTHAN, R.; FUSTER, V. Air pollution and cardiovascular

disease: a window of opportunity. Nature Reviews Cardiology, v. 15, n. 4, p. 193-194,
2018.

HAJAT, S. et al. Outdoor air pollution and infant mortality: analysis of daily time-series
data in 10 English cities. Journal of Epidemiology & Community Health, v. 61, n. 8,
p. 719-722, 2007.

HAN, C. H.; PAK, H.; CHUNG, J. H. Short-term effects of exposure to particulate matter
and air pollution on hospital admissions for asthma and chronic obstructive pulmonary
disease in Gyeonggi-do, S. K. 2007–2018. Journal of Environmental Health Science
and Engineering, v. 19, n. 2, p. 1535-1541, 2021.

HALPIN, D. M. G. et al. Peak expiratory flow as an endpoint for clinical trials in asthma:
a comparison with FEV1. Respiratory research, v. 20, n. 1, p. 1-9, 2019.
HASTIE, Trevor J. Generalized additive models. In: Statistical models in S. Routledge,
2017. p. 249-307.

HAZLEHURST, M.F. et al. Maternal exposure to PM2. 5 during pregnancy and asthma
risk in early childhood: consideration of phases of fetal lung deve-
lopment. Environmental Epidemiology, v. 5, n. 2, 2021.

HILBE, J. M. Negative Binomial Regression. Second edition. UK: Cambridge Univer-

sity Press, 2011.

HOOPER, L. G. et al. Ambient air pollution and chronic bronchitis in a cohort of US

women. Environmental health perspectives, v. 126, n. 2, p. 027005, 2018.

HU, Y. et al. Relative impact of meteorological factors and air pollutants on childhood
allergic diseases in Shanghai, China. Science of the Total Environment, v. 706, p.
135975, 2020.

HU, Y. et al. Association of childhood asthma with intra-day and inter-day temperature
variability in Shanghai, China. Environmental Research, v. 204, p. 112350, 2022.

HUANG, S. et al. Mechanistic impact of outdoor air pollution on asthma and allergic di-
seases. Journal of thoracic disease, v. 7, n. 1, p. 23, 2015.

HUANG, J. et al. Outdoor air pollution and the risk of asthma exacerbations in single
lag0 and lag1 exposure patterns: A systematic review and meta-analysis. Journal of
Asthma, p. 1-18, 2021.

INEA. Instituto Estadual do Ambiente. Relatório da Qualidade do Ar, ano base 2018.
2020. Disponível em: http://www.inea.rj.gov.br/wp-content/uploads/2020/11/relatorio-
qualidade-ar-2018.pdf. Acesso em: dez. 2021.

IBGE, Brasil. Pesquisa nacional de saúde: 2019; informações sobre domicílios, acesso
e utilização dos serviços de saúde: Brasil, grandes regiões e unidades da
federação/IBGE, Coordenação de Trabalho e Rendimento. Rio de Janeiro: IBGE,
2020.
 102

IBGE - Instituto Brasileiro de Geografia e Estatística. Disponível em:

http://www.ibge.gov.br/home/. Acesso em: 16 out. 2017.

ISLAM, M. S.; CHAUSSALET, T. J.; KOIZUMI, N. Towards a threshold climate for

emergency lower respiratory hospital admissions. Environmental research, v. 153, p.
41-47, 2017.

JANG, A.; JUN, Y. J.; PARK, M. K. Effects of air pollutants on upper airway di-
sease. Current Opinion in Allergy and Clinical Immunology, v. 16, n. 1, p. 13-17,
2016.

JÚNIOR, Ê. V. Sistema integrado de gestão ambiental: como implementar um

sistema de gestão que atenda à Norma ISO 14001, a partir de um sistema
baseada na Norma ISO 9000. Editora Ground, 1998.

KAMPA, M.; CASTANAS, E. Human health effects of air pollution. Environmental

pollution, v. 151, n. 2, p. 362-367, 2008.

KARIMI, B. et al. Mortality and hospitalizations due to cardiovascular and respiratory

diseases associated with air pollution in Iran: A systematic review and meta-
analysis. Atmospheric environment, v. 198, p. 438-447, 2019.

KHREIS, H. et al. Traffic-related air pollution and the local burden of childhood asthma
in Bradford, UK. International Journal of Transportation Science and Technology,
v. 8, n. 2, p. 116-128, 2019.

KULHANOVA, I. et al. The fraction of lung cancer incidence attributable to fine particula-
te air pollution in France: impact of spatial resolution of air pollution mo-
dels. Environment international, v. 121, p. 1079-1086, 2018.

KUO, C. et al. Application of a time-stratified case-crossover design to explore the ef-

fects of air pollution and season on childhood asthma hospitalization in cities of differing
urban patterns: Big data analytics of government open data. International Journal of
Environmental Research and Public Health, v. 15, n. 4, p. 647, 2018.

KUO, C. et al. The short-term effects of ambient air pollutants on childhood asthma
hospitalization in Taiwan: a national study. International Journal of Environmental
Research and Public Health, v. 16, n. 2, p. 203, 2019.

LAM, H. C. et al. The short-term association between asthma hospitalisations, ambient

temperature, other meteorological factors and air pollutants in Hong Kong: a time-series
study. Thorax, v. 71, n. 12, p. 1097-1109, 2016.

LANDRIGAN, P. J. Air pollution and health. The Lancet Public Health, v. 2, n. 1, p. e4-
e5, 2017.

LAU, N. et al. Effects of low exposure to traffic related air pollution on childhood asthma
onset by age 10 years. Environmental Research, v. 191, p. 110174, 2020.
 103

LEE, H. J.; JIN, M. H.; LEE, J. H. The association of weather on pediatric emergency
department visits in Changwon, Korea (2005–2014). Science of The Total Environ-
ment, v. 551, p. 699-705, 2016.

LEAL, G. C. G.; DE FARIAS, M. S. S.; ARAUJO, A. F. O processo de industrialização e

seus impactos no meio ambiente urbano. Qualitas revista eletrônica, v. 7, n. 1, 2008.

LELIEVELD, J. et al. The contribution of outdoor air pollution sources to premature

mortality on a global scale. Nature, v. 525, n. 7569, p. 367-371, 2015.

LI, K. et al. Effects of temperature variation between neighbouring days on daily hospital
visits for childhood asthma: a time-series analysis. Public Health, v. 136, p. 133-140,
2016.

LIU, J. et al. Association between ambient PM2.5 and children’s hospital admissions for
respiratory diseases in Jinan, China. Environmental Science and Pollution
Research, v. 26, n. 23, p. 24112-24120, 2019.

LIU, L. et al. Associations of short-term exposure to air pollution and emergency de-
partment visits for pediatric asthma in Shanghai, China. Chemosphere, v. 263, p.
127856, 2021.

LYRA, D. G. P. Modelo integrado de gestão da qualidade do ar da Região

Metropolitana de Salvador. Campinas–SP: UniversidadeEstadual de Campinas,
2008.

LOOMIS, D. et al. The carcinogenicity of outdoor air pollution. Lancet Oncology, v. 14,
n. 13, p. 1262, 2013.

MA, Y. et al. Effect of ambient air pollution on emergency room admissions for respira-
tory diseases in Beijing, China. Atmospheric Environment, v. 191, p. 320-327, 2018.

MACHIN, A. B.; NASCIMENTO, L. F. C. Efeitos da exposição a poluentes do ar na sa-

úde das crianças de Cuiabá, Mato Grosso, Brasil. Cadernos de saúde Pública, v. 34,
2018.

MACHIN, A. B. et al. Effects of exposure to fine particulate matter in elderly

hospitalizations due to respiratory diseases in the South of the Brazilian
Amazon. Brazilian Journal of Medical and Biological Research, v. 52, 2019.

MANISALIDIS, I. et al. Environmental and health impacts of air pollution: a revi-

ew. Frontiers in public health, p. 14, 2020.

MAPS, Goolge. Google maps. Dipetik Desember, 2022.

MARTÍNEZ-RIVERA, C. et al. Association between air pollution and asthma exacerba-

tions in Badalona, Barcelona (Spain), 2008–2016. Medicina Clínica (English Edition),
v. 152, n. 9, p. 333-338, 2019.
 104

MARQUES, C. P. C. et al. Epidemiologia da Asma no Brasil, no período de 2016 a

2020. Research, Society and Development, v. 11, n. 8, p. e5211828825-
e5211828825, 2022.

MARSCHALL, S. R.; GREGANTI, M. A. Netter medicina interna. 2. ed. São Paulo:

Elsevier, 2010.

MENEZES, R. A. M.; PAVANITTO, D. R.; NASCIMENTO, L. F. C. Exposição a poluen-

tes do ar e doença respiratória em meninos e meninas. Revista Paulista de Pediatria,
v. 37, p. 166-172, 2019.

MORAES, S. L. et al. Variáveis meteorológicas e poluição do ar e sua associação com

internações respiratórias em crianças: estudo de caso em São Paulo, Brasil. Cadernos
de Saúde Pública, v. 35, 2019.

NAMVAR, Z. et al. Cross-sectional associations between ambient air pollution and res-
piratory signs and symptoms among young children in Tehran. Atmospheric Environ-
ment, v. 223, p. 117268, 2020.

NETWORK, G. A. The Global Asthma Report, Auckland, New Zealand. (2018).

NIU, Y. et al. Personal Ozone Exposure and Respiratory Inflammatory Response: The
Role of DNA Methylation in the Arginase–Nitric Oxide Synthase
Pathway. Environmental science & technology, v. 52, n. 15, p. 8785-8791, 2018.

SONG, J. et al. Acute effects of ambient air pollution on outpatient children with
respiratory diseases in Shijiazhuang, China. BMC pulmonary medicine, v. 18, n. 1, p.
1-10, 2018.

MIHĂLŢAN, F. et al. Air pollution and respiratory diseases–a problematic risk

factor. Pneumologia (Bucharest, Romania), v. 65, n. 3, p. 122-125, 2016.

MORPHEW, T. et al. Association Between Exposure to Outdoor Air Pollution and Scho-
ol Absenteeism Among Asthmatic Children. Journal of Allergy and Clinical Immuno-
logy, v. 147, n. 2, p. AB42, 2021.

MURRAY, C. J. L. et al. Five insights from the global burden of disease study 2019. The
Lancet, v. 396, n. 10258, p. 1135-1159, 2020.

NADALI, A. et al. The short-term association between air pollution and asthma hospita-
lization: a time-series analysis. Air Quality, Atmosphere & Health, p. 1-15, 2021.

NASCIMENTO, A. P. et al. Associação entre concentração de partículas finas na at-

mosfera e doenças respiratórias agudas em crianças. Revista de Saúde Pública, v.
51, 2017.

NEGRETE, B. R. et al. Poluição atmosférica e internações por insuficiência cardíaca

congestiva em adultos e idosos em Santo André (SP). Arquivos Brasileiros de
Ciências da Saúde, v. 35, n. 3, 2010.
 105

NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models. Journal of the

Royal Statistical Society: Series A (General), v. 135, n. 3, p. 370-384, 1972.

OBEIDAT, M. et al. Surfactant protein D is a causal risk factor for COPD: results of
Mendelian randomisation. European Respiratory Journal, v. 50, n. 5, 2017.

O’LENICK, C. R. et al. Ozone and childhood respiratory disease in three US cities: eva-
luation of effect measure modification by neighborhood socioeconomic status using a
Bayesian hierarchical approach. Environmental Health, v. 16, n. 1, p. 1-15, 2017.

OLIVEIRA, M. A. Epidemiologia da asma: é necessário ampliar nossos concei-

tos. Jornal brasileiro de pneumologia, v. 44, p. 341-342, 2018.

ORELLANO, P. et al. Effect of outdoor air pollution on asthma exacerbations in children

and adults: systematic review and multilevel meta-analysis. PloS one, v. 12, n. 3, p.
e0174050, 2017.

PAN, R. et al. Impacts of exposure to humidex on the risk of childhood asthma hospita-
lizations in Hefei, China: Effect modification by gender and age. Science of the Total
Environment, v. 691, p. 296-305, 2019.

PAN, R. et al. Interactions between climate factors and air quality index for improved
childhood asthma self-management. Science of The Total Environment, v. 723, p.
137804, 2020.

PAULA, G.A. Modelos de regressão: com apoio computacional. São Paulo: IME-
USP, 2013. Disponível em: https://www.ime.unicamp.br/~cnaber/Livro_MLG.pdf.
Acessado em: 21 Jan. 2021.

PEDRAZA, D. F.; ARAUJO, E. M. N. Internações das crianças brasileiras menores de

cinco anos: revisão sistemática da literatura. Epidemiologia e servicos de saude, v.
26, p. 169-182, 2017.

PEREIRA, F. D. Modelos lineares generalizados com distribuições de Poisson e bino-

mial negativa para avaliar a relação entre poluentes atmosféricos e internações men-
sais por doenças respiratórias. 2022.

PHOSRI, A. et al. Effects of ambient air pollution on daily hospital admissions for respi-
ratory and cardiovascular diseases in Bangkok, Thailand. Science of the total envi-
ronment, v. 651, p. 1144-1153, 2019.

PINI, L. et al. Effects of short-term exposure to particulate matter on emergency de-

partment admission and hospitalization for asthma exacerbations in Brescia dis-
trict. Journal of Asthma, v. 59, n. 7, p. 1290-1297, 2022.

POWELL, H. et al. Ambient coarse particulate matter and hospital admissions in the
Medicare Cohort Air Pollution Study, 1999–2010. Environmental health perspectives,
v. 123, n. 11, p. 1152-1158, 2015.
 106

R Core Team (2022). R: A Language and Environment for Statistical Computing. R

Foundation for Statistical Computing. Vienna, Austria. URL https://www.R-project. org/.

RAJAK, R.; CHATTOPADHYAY, A. Short and long term exposure to ambient air
pollution and impact on health in India: a systematic review. International journal of
environmental health research, v. 30, n. 6, p. 593-617, 2020.

REQUIA, W. J. et al. Global association of air pollution and cardiorespiratory diseases:

a systematic review, meta-analysis, and investigation of modifier variables. American
journal of public health, v. 108, n. S2, p. S123-S130, 2018.

RIBEIRO, A. J. F. Um estudo sobre mortalidade dos aposentados por invalidez do

regime geral da previdência social (RGPS). Belo Horizonte, 2006. 191 f. Tese
(Doutorado em Demografia) - Centro de Desenvolvimento e Planejamento Regional,
Faculdade de Ciências Econômicas, Universidade Federal de Minas Gerais.

RODRIGUEZ-VILLAMIZAR, L. A. et al. The effects of outdoor air pollution on the

respiratory health of Canadian children: A systematic review of epidemiological
studies. Canadian respiratory journal, v. 22, n. 5, p. 282-292, 2015.

RODRIGUES, M.; NATÁRIO, I.; DO ROSÁRIO DE OLIVEIRA MARTINS, Maria. Esti-

mate the effects of environmental determining factors on childhood asthma hospital
admissions in Lisbon, Portugal: a time series modelling study. Theoretical and Applied
Climatology, v. 143, n. 1, p. 809-821, 2021.

RUDAN, I. et al. Epidemiology and etiology of childhood pneumonia. Bulletin of the

world health organization, v. 86, p. 408-416B, 2008.

SAGGIN, J.; DE ANDRADE, V. L.; DAGOSTINI, F. M. EXPOSIÇÃO MATERNA À

POLUIÇÃO ATMOSFÉRICA E CONSEQUÊNCIAS NA GESTAÇÃO. Seminário de
Iniciação Científica e Seminário Integrado de Ensino, Pesquisa e Extensão, p.
e28812-e28812, 2021.

SANTANA, F. O. et al. Formaldehyde and acetaldehyde in the atmosphere of Salvador-

Ba, Brazil, using passive sampling. Microchemical Journal, v. 134, p. 78-86, 2017.

SANTOS, U. P. et al. Poluição do ar ambiental: efeitos respiratórios. Jornal Brasileiro

de Pneumologia, v. 47, 2021.

SHAHADIN, M. S. et al. Challenges and future direction of molecular research in air

pollution-related lung cancers. Lung Cancer, v. 118, p. 69-75, 2018.

SHI, L. et al. A national cohort study (2000–2018) of long-term air pollution exposure
and incident dementia in older adults in the United States. Nature communications, v.
12, n. 1, p. 1-9, 2021.

SILVA, L. C. M. Diagnóstico em modelos de regressão simplex. 2019.

SHER, E. Handbook of air pollution from internal combustion engines: pollutant

formation and control. Academic Press, 1998.
 107

SILVA, L. V. Avaliação de impacto do material particulado na saúde da população

de Ponta Grossa. 2019. Trabalho de Conclusão de Curso. Universidade Tecnológica
Federal do Paraná.

SOLEIMANI, Z. et al. Air pollution and respiratory hospital admissions in Shiraz, Iran,
2009 to 2015. Atmospheric Environment, v. 209, p. 233-239, 2019.

SOMPORNRATTANAPHAN, M. et al. The contribution of particulate matter to respira-

tory allergy. Asian Pacific journal of allergy and immunology, v. 38, n. 1, p. 19-28,
2020.

SOUZA, N. Bahia de Valor. 2021. Disponível em:

https://www.bahiadevalor.com.br/2019/06/polo-industrial-de-camacari-completa-41-
anos-e-foca-na-competitividade/ . Acessado em: 03 Abr. 2021

STANAWAY, J. D. et al. Global, regional, and national comparative risk assessment of

84 behavioural, environmental and occupational, and metabolic risks or clusters of risks
for 195 countries and territories, 1990–2017: a systematic analysis for the Global Bur-
den of Disease Study 2017. The Lancet, v. 392, n. 10159, p. 1923-1994, 2018.

STEIN, R. T. et al. Avaliação de impactos ambientais. Porto Alegre: Sagah, 2018. p.

25. v. 1. 275p.

TADANO, Y. S.; UGAYA, C. M. L.; FRANCO, A. T. Método de regressão de Poisson:

metodologia para avaliação do impacto da poluição atmosférica na saúde populacio-
nal. Ambiente & Sociedade, v. 12, p. 241-255, 2009.

TAJUDIN, M. A. B A. et al. Risk of concentrations of major air pollutants on the preva-

lence of cardiovascular and respiratory diseases in urbanized area of Kuala Lumpur,
Malaysia. Ecotoxicology and environmental safety, v. 171, p. 290-300, 2019.

THAM, R. et al. The role of outdoor fungi on asthma hospital admissions in children and
adolescents: A 5-year time stratified case-crossover analysis. Environmental rese-
arch, v. 154, p. 42-49, 2017.

THURSTON, G. D. et al. A joint ERS/ATS policy statement: what constitutes an adverse

health effect of air pollution? An analytical framework. European Respiratory Journal,
v. 49, n. 1, 2017.

TIAN, C. Y. et al. A follow-up study of six years' outcome of children with asthma in ur-
ban area of Beijing. Zhonghua er ke za zhi= Chinese Journal of Pediatrics, v. 56, n.
3, p. 200-205, 2018.

TIOTIU, A. I. et al. Impact of air pollution on asthma outcomes. International journal of

environmental research and public health, v. 17, n. 17, p. 6212, 2020.
 108

ÜNAL, E. et al. Air pollution and pediatric respiratory hospital admissions in Bursa, Tur-
key: A time series study. International Journal of Environmental Health Research, p.
1-14, 2021.

VIDALE, S.; CAMPANA, C. Ambient air pollution and cardiovascular diseases: from
bench to bedside. European Journal of preventive cardiology, v. 25, n. 8, p. 818-
825, 2018.

WAGNER, M. B.; CALLEGARI-JACQUES, S. M. Medidas de associação em estudos

epidemiológicos: risco relativo e odds ratio. Jornal de pediatria. Rio de Janeiro. Vol.
74, no. 3 (1998), p. 247-251., 1998.

WANG, N. et al. Short-term association between ambient air pollution and lung cancer
mortality. Environmental research, v. 179, p. 108748, 2019.

WEI, Q. et al. Diurnal temperature range and childhood asthma in Hefei, China: Does
temperature modify the association?. Science of The Total Environment, v. 724, p.
138206, 2020.

WHO. World-Health-Organization. WHO Air Quality Guidelines for particular matter,

ozone, dioxide and sulfur dioxide. Global update 2005. Summary of risk asses-
sment. WHO Publications, Germany, v. 74, p. 75, 2005.

WHO. World-Health-Organization et al. WHO Global Ambient Air Quality Database

2018. 2019.

WHO - World Health Organization Chronic Respiratory Diseases: Asthma. [updated 15

May 2020; cited 23 December 2020].

WHO. World Health Organization. Ambient (Outdoor) Air Pollution. Disponívem em:
https://www.who.int/newsroom/fact-sheets/detail/ambient-(outdoor)-air-quality-and-
health (Acessado: 10 Julho 2022).

WISNIEWSKI, J. A. et al. A comparison of seasonal trends in asthma exacerbations

among children from geographic regions with different climates. In: Allergy and asthma
proceedings. OceanSide Publications, 2016. p. 475.

YADAV, R. et al. Effects of ambient air pollution on emergency room visits of children
for acute respiratory symptoms in Delhi, India. Environmental Science and Pollution
Research, v. 28, n. 33, p. 45853-45866, 2021.

ZHANG, S. et al. Short-term exposure to air pollution and morbidity of COPD and asth-
ma in East Asian area: A systematic review and meta-analysis. Environmental rese-
arch, v. 148, p. 15-23, 2016.

ZHANG, L. et al. Short-term and long-term effects of PM2.5 on acute nasopharyngitis in

10 communities of Guangdong, China. Science of the Total Environment, v. 688, p.
136-142, 2019.
 109

ZHANG, Y. et al. The short-term association between air pollution and childhood asth-
ma hospital admissions in urban areas of Hefei City in China: a time-series stu-
dy. Environmental research, v. 169, p. 510-516, 2019.

ZHANG, H. et al. Effects of variations in meteorological factors on daily hospital visits

for asthma: A time-series study. Environmental research, v. 182, p. 109115, 2020.

ZHANG, Y. et al. Early-life exposure to submicron particulate air pollution in relation to

asthma development in Chinese preschool children. Journal of Allergy and Clinical
Immunology, v. 148, n. 3, p. 771-782. e12, 2021.

ZHAO, Y. et al. Increased risk of hospital admission for asthma in children from short-
term exposure to air pollution: case-crossover evidence from Northern China. Frontiers
in public health, v. 9, 2021.

ZHU, F. et al. The short-term effects of air pollution on respiratory diseases and lung
cancer mortality in Hefei: A time-series analysis. Respiratory medicine, v. 146, p. 57-
65, 2019.

ZILLMER, L. R. et al. Diferenças entre os sexos na percepção de asma e sintomas res-

piratórios em uma amostra populacional em quatro cidades brasileiras. Jornal brasilei-
ro de pneumologia, v. 40, p. 591-598, 2014.
 110

Apêndice A – Carta de solicitação de dados para pesquisa

111
 112

Apêndice B – Script operado no software RStudio

#----------------------------------------------------------------
# Pacotes
#----------------------------------------------------------------
library(readxl)
library(corrplot)
library(ggplot2)
library(rsq)
library(MASS)
library(hnp)
#----------------------------------------------------------------
# Dados
#----------------------------------------------------------------
banco= read.table("banco_tese.txt", header=T)
attach(banco)
names(banco)
str(banco)
#----------------------------------------------------------------
# Análise Descritiva
#----------------------------------------------------------------
summary(banco)
#Histograma
hist (A_1)
hist (A_2)
hist (A_3)
hist (A_4)
# Matriz de correlação
?corrplot
dados<-cor(banco)
corrplot(dados, method="number")
#posição
corrplot(dados,type="upper")
#Boxplot
#Casos de Asmas por faixa etária
ggplot(data = bd_, aes (y = ASMA, x =
factor(ETARIA)))+geom_errorbar(stat = "boxplot", width = 0.2)
 113

+geom_boxplot(width = 0.4, fill = "gray")+geom_point (stat =

"summary", fun = "mean", size = 2, color = "red")+ labs(y =
"Internações por asma", x = " Faixas Etárias")+theme_bw()

#Casos de Asmas por faixa etária (período chuvoso e não chuvoso)

ggplot(data = bd, aes (y = ASMA, x = ETARIA,fill = factor(CHUVA)))+
geom_errorbar(stat = "boxplot", width = 0.2, position =
position_dodge(width = 0.4)) + geom_boxplot(width = 0.4) + labs(y =
"Internações por Asma", x = "Faixa Etária")+theme_bw()

#Gráficos de séries temporais

# Crescimento da frota veicular de Salvador
attach(veiculos)
base <- data.frame(Data, Carro)
ggplot(base)
ggplot(base, mapping = aes(x = Data, y = Carro)) +
geom_line(lwd = 1.5) +
geom_point(lwd = 3.0) +
labs(y = "Nº de Veículos", x = "Ano (2006 - 2018)") +
theme_bw()

# Internações por asma no período de estudo

base <- data.frame(Data, A)
ggplot(base, mapping = aes(x = Data, y =
A))+geom_smooth()+geom_line()+geom_point()+ labs(y = "Nº de
internações por asma", x = "Período de estudo")+theme_bw()

# Material Particulado (MP)

base1 <- data.frame(Data, MP)
ggplot(base1, mapping = aes(x = Data, y = MP)) + geom_line()+
geom_smooth() +
labs(y = "MP(µg/m³)", x = "Período da investigação") +
theme_bw()

# Monóxido de Carbono (CO)

base2 <- data.frame(Data, CO)
ggplot(base2, mapping = aes(x = Data, y = CO)) + geom_line()+
 114

geom_smooth() +
labs(y = "CO (ppm)", x = "Período da investigação") +
theme_bw()

# Dióxido de nitrogênio (NO2)

base3 <- data.frame(Data, NO2)
ggplot(base3, mapping = aes(x = Data, y = NO2)) + geom_line()+
geom_smooth() +
labs(y = "NO2(µg/m³)", x = "Período da investigação") +
theme_bw()

# Dióxido de enxofre (SO2)

base4 <- data.frame(Data, SO2)
ggplot(base4, mapping = aes(x = Data, y = SO2)) + geom_line()+
geom_smooth() +
labs(y = "SO2(µg/m³)", x = "Período da investigação") +
theme_bw()

#Ozônio (O3)
base5 <- data.frame(Data, O3)
ggplot(base5, mapping = aes(x = Data, y = O3)) + geom_line()+
geom_smooth() +
labs(y = "O3(µg/m³)", x = "Período da investigação") +
theme_bw()

#Temperatura (TEMP)

base6 <- data.frame(Data, TEMP)

ggplot(base6, mapping = aes(x = Data, y = TEMP)) + geom_line()+
geom_smooth() +
labs(y = "Temperatura (ºC)", x = "Período da investigação") +
theme_bw()

# Umidade relativa do ar (UMID)

base7 <- data.frame(Data, UMID)
ggplot(base7, mapping = aes(x = Data, y = Umidade relativa (%)) +
geom_line()+
 115

geom_smooth() +
labs(y = "Concentração de UMID", x = "Período da investigação") +
theme_bw()

#----------------------------------------------------------------
# Ajuste do Modelo – Modelo de Regressão de Poisson
#----------------------------------------------------------------

#Modelo 01 (Casos de internações por asma em crianças)

modelo1 = glm(formula = A_1 ~ SO2 + CO + O3 + MP + NO2 + TEMP + UMID,
family = poisson (link = "log"), data= banco)
summary(modelo1)
modelo1 = glm(formula = A_1 ~ SO2 + CO + O3 + MP + TEMP + UMID, family
= poisson (link = "log"), data= banco)
summary(modelo1)
modelo1 = glm(formula = A_1 ~ CO + O3 + MP + TEMP + UMID, family =
poisson (link = "log"), data= banco)
summary(modelo1)
modelo1 = glm(formula = A_1 ~ CO + MP + TEMP + UMID, family = poisson
(link = "log"), data= banco)
summary(modelo1)

#Modelo 02 (Casos de internações por asma em adolescentes)

modelo2 = glm(formula = A_2 ~ SO2 + CO + O3 + MP + NO2 + TEMP + UMID,

family = poisson (link = "log"), data= banco)
summary(modelo2)
modelo2 = glm(formula = A_2 ~ SO2 + CO + O3 + MP + NO2 + TEMP, family
= poisson (link = "log"), data= banco)
mo summary(modelo2)
modelo2 = glm(formula = A_2 ~ CO + O3 + MP + NO2 + TEMP, family =
poisson (link = "log"), data= banco)
summary(modelo2)
modelo2 = glm(formula = A_2 ~ CO + MP + NO2 + TEMP, family = poisson
(link = "log"), data= banco)
summary(modelo2)
 116

modelo2 = glm(formula = A_2 ~ CO + MP + NO2, family = poisson (link =

"log"), data= banco)
summary(modelo2)

#Modelo 03(Casos de internações por asma em adultos)

modelo3 = glm(formula = A_3 ~ SO2 + CO + O3 + MP + NO2 + TEMP + UMID,
family = poisson (link = "log"), data= banco)
summary(modelo3)

#Modelo 04(Casos de internações por asma em idosos)

modelo4 = glm(formula = A_4 ~ SO2 + CO + O3 + MP + NO2 + TEMP + UMID,
family = poisson (link = "log"), data= banco)
summary(modelo4)
modelo4 = glm(formula = A_4 ~ SO2 + CO + MP + NO2 + TEMP + UMID,
family = poisson (link = "log"), data= banco)
summary(modelo4)
modelo4 = glm(formula = A_4 ~ SO2 + CO + MP + TEMP + UMID, family =
poisson (link = "log"), data= banco)
summary(modelo4)
modelo4 = glm(formula = A_4 ~ SO2 + CO + MP + UMID, family = poisson
(link = "log"), data= banco)
summary(modelo4)
modelo4 = glm(formula = A_4 ~ CO + MP + UMID, family = poisson (link =
"log"), data= banco)
summary(modelo4)
modelo4 = glm(formula = A_4 ~ CO + UMID, family = poisson (link =
"log"), data= banco)
summary(modelo4)
modelo4 = glm(formula = A_4 ~ CO, family = poisson (link = "log"),
data= banco)
summary(modelo4)

#Pseudo-R²
rsq(modelo1)
rsr(modelo2)
rsr(modelo4)
 117

#----------------------------------------------------------------
# Análise Diagnóstica
#----------------------------------------------------------------

#Gráfico de probabilidade normal com envelope simulado

#Crianças
hnp(modelo1$residuals, sim = 99,resid.type='deviance',how.many.out=T
,conf = 0.95,scale = T,main = "Crianças (a)",las = 0.5, xlab =
"Quantis", ylab = "Resíduos", cex = 1.3)

#Adolescentes
hnp(modelo2$residuals, sim = 99,resid.type='deviance',how.many.out=T
,conf = 0.95,scale = T,main = "Adolescentes (b)",las = 0.5, xlab =
"Quantis", ylab = "Resíduos", cex = 1.3)

#Idosos
hnp(modelo4$residuals, sim = 99,resid.type='deviance',how.many.out=T
,conf = 0.95,scale = T,main = "Idosos (c)",las = 0.5, xlab =
"Quantis", ylab = "Resíduos", cex = 1.3)

#normalidade dos resíduos

shapiro.test(residuals(modelo1))
shapiro.test(residuals(modelo2))
shapiro.test(residuals(modelo4))

#Crianças
qqnorm(residuals(modelo1), ylab="Resíduos padronizados", xlab="Quantis
teóricos", main="Crianças (a)", font.main = 2)
qqline(residuals(modelo1))

#Adolescentes

qqnorm(residuals(modelo2), ylab="Resíduos padronizados", xlab="Quantis

teóricos", main="Adolescentes (b)", font.main = 2)
qqline(residuals(modelo2))
 118

#Idosos

qqnorm(residuals(modelo4), ylab="Resíduos padronizados", xlab="Quantis

teóricos", main="Idosos (c)", font.main = 2)
qqline(residuals(modelo4))

#Aleatoriedade dos resíduos

#Crianças
resid<-residuals(modelo1)
plot(resid,main="Crianças (a)", ylab = "Resíduos ponderados
padronizados", xlab = "Índice das observações", ylim=c(-4,4))
abline(h=0,lty=2)
abline(-3,0,lty=2);abline(3,0,lty=2)

#Adolescentes
resid<-residuals(modelo2)
plot(resid,main="Adolescentes (b)", ylab = "Resíduos ponderados
padronizados", xlab = "Índice das observações", ylim=c(-4,4))
abline(h=0,lty=2)
abline(-3,0,lty=2);abline(3,0,lty=2)

#Idosos
resid<-residuals(modelo4)
plot(resid,main="Idosos (c)", ylab = "Resíduos ponderados
padronizados", xlab = "Índice das observações", ylim=c(-4,4))
abline(h=0,lty=2)
abline(-3,0,lty=2);abline(3,0,lty=2)

#Distância de Cook
#Crianças

plot(cooks.distance(modelo1), xlab="Número da observação",

ylab="Distância de Cook",ylim=c(0,1.2))+abline(h=1, col="red",
lty=2)+abline(h=0.5, col="gray2", lty=2, title(main = "Crianças (a)",
font.main = 2))
 119

#Adolescentes

plot(cooks.distance(modelo1), xlab="Número da observação",

ylab="Distância de Cook",ylim=c(0,1.2))+abline(h=1, col="red",
lty=2)+abline(h=0.5, col="gray2", lty=2, title(main = "Adolescentes
(b)", font.main = 2))

#Idosos

plot(cooks.distance(modelo1), xlab="Número da observação",

ylab="Distância de Cook",ylim=c(0,1.2))+abline(h=1, col="red",
lty=2)+abline(h=0.5, col="gray2", lty=2, title(main = "Idosos (c)",
font.main = 2))
 120

Apêndice C – Registro fotográfico da visita técnica à estação de monitoramento da

qualidade do ar da Av. Paralela, Salvador - BA
 121

Apêndice D – Registro fotográfico da participação do evento SOPRAR Salvador: Poluição

do ar e saúde, inovação em busca de uma Salvador resiliente (2018)
 122

Apêndice E – Registro fotográfico da participação do workshop poluição atmosférica e

saúde humana (Salvador – BA)
 123

Anexo A – Obtenção dos dados da saúde no sistema do DATASUS

As informações utilizadas neste estudo foram obtidas no site DATASUS

(https://datasus.saude.gov.br/) pelo TabWin.
 124

Neste estudo foi utilizado a base de dados do Sistema de Informações Hospitalares do

SUS (SIHSUS)
 125

Anexo B – Resolução CONAMA n.º 491/2018 que dispõe sobre os padrões de qualidade
do ar
126
127
128
129