Blog

TerraCluster Versão 0. 1 M ANUAL DO U SUÁRIO Novembro de 2007 2 Tiragem: Edição preliminar, distribuição eletrônica Elaboração, distribuiç Secretaria de Vigilânc 2 Situação em Saúde E ar:,. , Swipe p Sede, 1. 0 andar, sala svs@saude. gov. br H ÉRIO DA SAÚDE nto de Análise de , bloco G Edifício sília – DF E-mail: ude. gov. br/svs UNIVERSIDADE FEDERAL DE MINAS GERAIS Laboratório de Estatística Espacial Av. Pres. Antônio Carlos, 6627 Belo Horizonte – MG / Brasil CEP: 31270-901 E-mail: grupoleste@est. ufmg. br Home page: httpwwww. est. ufrng. br,’leste/ INSTITUTO NACIONAL

DE PESQUISAS ESPACIAIS Departamento de Processamento de Imagens Av. dos Astronautas, 1758 CEP: 1 2227-010 São José dos Campos(SP) Home Page: http://www. dpi. inpe. br/ Coordenação Executiva do projeto Walter Massa Ramalho Renato Martins Assunção 3 AUTORES: -lal Studia Valentim Fogliene Graduando em Ciências Atuariais, UFMG Thais Rotsen Correa Doutorando em Estatística, CJFMG Thais Viana Paiva Graduando em Ciências Atuariais, UFMG 4 TerraCluster Manual do Usuário 8 de novembro de 2007 Descrição: Plugins para implementar testes de detecção de conglomerados espaciais e espaço temporais usando o software

Terraview. versao: 0. 1 Data: 2007-11-07 Autor: Laboratório de Estatistica Espacial (LESTE) / UFMG Contato: grupoleste@est. ufmg IJRL: http://www. est. ufmg. br/leste/terracluster/ Sumário Introdução . no espaço Scan . Grimson . em espaço e tempo . Knox .. Testes para conglomerados . Spatial Moran . Shiryayev- Sistemas de Vigilância Roberts . ndex . 6 Glossário 2 42 68812 19 23 28 28 32 32 39 40 5 Introdução A base de muitos estudos epidemiológicos é a descrição e explicação da distribuição de doenças em espaço e tempo.

Neste contexto, o uso de sistemas de informação geográfica (GIS) ara visualizar e analisar grandes conjuntos de dados oferece grandes vantagens. No entanto, uma das principais barreiras para potenciais usuários de GIS na área epidemiológica é a carência de métodos para análise estatística espacial acoplados a estes sistemas, principalmente métodos voltados para a detecção de conglomerados de doenças.

TerraCluster fornece um conjunto de ferramentas estatísticas para implementar métodos de detecção de conglomerados de doenças no espaço elou no tempo usando o software Terraview, um aplicativo para a visualização de dados geograficamente referenciados desenvolvido pelo Instituto de Pesquisas Espaciais (INPE). Estes métodos oferecem critérios para determinar quando os padrões observados de uma doença se afastam significativamente dos padrões esperados. Os estudos de aglomeração de doenças freqüentemente ocorrem com um conhecimento incompleto dos dados.

A localização espacial dos casos de uma doença frequentemente serve como um “proxy’ ou uma estimação indireta para a exposição a um fator de risco. As causas para a aglomeração de uma doença podem não ter sido identificadas ou completamente entendidas. Adicionalmente, a data precisa de inicio de uma doença, frequentemente não está isponível e costuma ser est 3 42 Adicionalmente, a data precisa de inicio de uma doença, frequentemente não está disponível e costuma ser estimada com a data de diagnóstico ou a data de início dos sintomas.

Os métodos de detecção de conglomerados podem ajudar na melhor identificação do padrão de uma doença quando existe conhecimento incompleto dos dados e gerar hipóteses que poderão depois ser testadas formalmente com dados independentes adicionais. Assim, a detecção de conglomerados deve ser vista como um primeiro passo para o entendimento dos padrões espaciais elou temporais em dados de saúde, ao nvés de um ponto final nesse processo. Eles podem ser usados no planejamento de estudos subsequentes tais como esquemas de monitoramento ambiental e estudos de casos e controles.

As ferramentas estatísticas do TerraCluster foram implementadas em forma de plugins e posteriormente inseridas no software Terraview. Esta primeira versão do TerraCIuster inclui seis plugins, quatro deles para a detecção de conglomerados no espaço, um para a detecção de conglomerados em espaço e tempo e um para a detecção prospectiva de conglomerados. Novos métodos estão atualmente sendo implementados pela equipe do LESTE e erão disponibilizados em próximas versões do Terracluster.

Instalação dos plugins Foi criada uma versão do Terraview especificamente para a ExpoEpi, que contém os plugins dos métodos Implementados até o momento e os bancos de dados usados nos exemplos deste manual. Esta versão do Terraview, denominada TERRAVIEW 3. 2. 0 RC 1 EXPOEPI, se encontra no mesmo CD deste manual, distribuido durante a ExpoEpi. Para 4 42 se encontra no mesmo CD deste manual, distribuido durante a ExpoEpi. para instalar esta versão do Terraview, basta abrir a pasta “TERRACLUSTER” do CD, clicar no arquivo executável Setup Terracluster. e e seguir os passos de instalação. INTRODUÇÃO 7 Após o lançamento oficial da versão 3. 2. 0 do Terraview pelo NPE, prevista para Janeiro de 2008, ficará disponível para download na página do INPE ( http://www. dpi. inpe. br/terraview/ index. php ) uma versão definitiva dos plugins nessa nova versão do Terraview. Os bancos de dados usados nos exemplos deste manual encontram-se na pasta “Banco de Dados” localizada no mesmo diretório onde o Terraview foi instalado. Por exemplo, se o Terrawew foi instalado em C:/Arquivos de programas/ Terraview 3. 2. RC 1 EXPOEPI/, os bancos de dados ficarão na asta C:/Arquivos de Programas/Terraview 3. 2. 0 RC 1 EXPOEPI/ Bancos de Dados’. A seguir são documentados os métodos para detecção de conglomerados disponiVeis nesta versão do TerraCluster, organizados por seções segundo o tipo de conglomerado a ser detectado. Todos os métodos incluem exemplos aplicados na área epidemiológica. Um glossário dos principais termos técnicos também é incluído ao final deste manual. Este manual do usuário está em constante desenvolvimento. Para obter a versão mais recente procure a página: http://vwm. st. ufmg. br/leste/terracluster/. 8 Grimson Testes para a detecção de conglomerados no espaço s 2 (1989) é um teste versátil para detectar se objetos de alto risco tendem a ter relações de adjacência no espaço elou no tempo. Os objetos podem ser pontos no espaço identificando os casos de uma determinada doença, áreas de alto risco numa região, tempos de ocorrência de um determinado evento, etc. Hipótese a ser testada HO : Os objetos de alto risco são distribuídos aleatoriamente, ou seja, não há relação de adjacência entre objetos indexados como de alto risco.

Hl : Os objetos de alto risco não são distribuídos aleatoriamente, ou seja, há elação de adjacência entre objetos indexados como de alto risco. Estatística de teste A estatística de teste do método de Grimson, A, é a contagem do número de objetos adjacentes que são considerados de alto risco no espaço elou no tempo. Sob a hipótese nula, o número esperado de objetos de alto risco adjacentes é: E(A) = onde: • n é o número de objetos indexados como de alto risco • x é o número total de objetos (indexados e não indexados) • y é o número médio de vizinhos (objetos adjacentes) por objeto.

A variância da estatística A é dada por: V ar(A) RC + VC onde RC E(A) 1 +26, – – 2) (xy -4Y+ – 3) +- E(A) x-2 – – 3) ri(n – – 2) ntn – I – – 3) -cx- – 2) cx- DCX – – 3) . yncn- 1) , ux- 1) V C V ar(y) RC e V C são chamados de componente de regularidade e componente de variação respectivamente. Teste de significância 9 Para avaliar a significância da estatística A. o plugin Grimson assume que, sob a hipótese nula a distribuição de A é Poisson ou 6 42 estatística A. o plugin Grimson assume que, sob a hipótese nula a distribuição de A é Poisson ou normal.

No primeiro caso, A segue uma distribuição Poisson com média E(A). No segundo caso, assume-se que a estatística z-escore z: A – E(A) V ar(A) egue uma distribuição normal com média zero e variância um. Em ambos os casos, o P-valor da estatística de teste A é dado pela probabilidade de obter sob a hipótese nula um valor da estatística de teste A maior o igual ao A observado. Grimson e Rose (1991) fornecem algumas recomendações sobre qual distribuição de probabilidade deveria ser considerada de acordo com o tipo de dados a serem utilizados.

Passos para a implementação do teste O primeiro passo é abrir no Terraview o banco que contém os dados a serem analisados. Depois escolha a opção Grimson no menu Plugins como mostra a Figura 1 . Figura 1. Localização do plugin Grmson no menu Plugins do Terraview. Em seguida aparecerá uma interface como a da Figura 2, onde serão preenchidos os campos de entrada com as informações necessárias para implementar o método. No campo Theme Selecione o tema do banco de dados a ser usado.

Nos campos Population e Cases selecione as colunas da tabela associada ao tema escolhido correspondentes à população em risco e número de casos respectivamente. No campo Type Analysis deverá ser informado o tipo de análise que será feito: Spatial ou Temporal. Juntos, os campos Threshold e Comparison informam o que é considerado um objeto de alto risco. Para isto, informe no campo Threshold um valor cr[tico e no campo Companson clique em um sinal 42 informe no campo Threshold um valor crítico e no campo Comparison clique em um sinal de desigualdade para a característica de interesse em cada objeto.

Assim por exemplo, se no campo hreshold foi informado o valor 2 e no campo Companson foi selecionado o símbolo 2, um objeto será considerado de alto risco se sua característica de interesse for maior ou igual a dois. Se a opção de análise Spatial for selecionada, e o banco de dados estiver sendo analisado pela primeira vez, o plugin Grimson gerará automaticamente a atriz de proximidade, tomando como critério de vizinhança a adjacência entre os objetos no mapa.

A opção default do plugin Grimson á atribuir pesos wij = 1 se os objetos i e j são vizinhos (i = j), e wij = O em caso contrário. A matriz de proximidade gerada fica armazenada para ser usada em posteriores análises do banco de dados. Caso já exista uma matriz de proximidade proveniente de uma análise anterior, ela poderá ser usada 10 Figura 2. Interface do plugin Grimson para a entrada de parâmetros e apresentação dos resultados do método de Grimson. na análise corrente, marcando a opção Select Proximity Matrix na janela Proximity matnx e escolhendo uma das matrizes disponíveis.

Após informar todos os dados de entrada, clique no botão OK para implementar o método. Apresentação de resultados Após implementar o método de Grimson, será Impressa na janela Output uma salda com as seguintes informações: • Número total de objetos • Número de objetos indexados como de alto risco • Número médio de vizinhos por objeto • Variância do número médio de vi 8 42 de alto risco • Número médio de vizinhos por objeto • Variância do número médio de vizinhos por objeto • Componente de

Regularidade da variância da estatística A • Componente de Variação da estatística A • Estat[stica de teste A • Esperança da estatística A • Variância da estatística A • Valor da estatística z- escore • P-valor de A sob a suposição de normalidade • P-valor de A sob a suposição de uma distribuição Poisson. Ao mesmo tempo será aberta uma nova janela visualizando o gráfico da significância (P-valor) de A vs. A. para diferentes valores da estatistica A.

As curdas vermelha e preta no gráfico representam a significância de A sob a suposição de uma distribuição Poisson e normal respectivamente. Exemplo 11 Para ilustrar a utilização do método de Grimson no TerraView, foi analisado um conjunto de dados que contém o número de casos de meningite registrados em Belo Horizonte em cada região denominada unidade de planejamento (UP) entre os anos 2001 e 2005. Estes dados encontram-se no banco de dados “Meningite. mdb”, disponibilizado no arquivo de instalação dos plugins.

O interesse neste caso é testar se regiões (UP) de Belo Horizonte com número de casos de meningite maior ou igual a 25 se distribuem aleatoriamente no mapa ou se possuem uma relação de adjacência, isto é, se tendem a ser vizinhas umas das outras. Perceba que embora os dados foram coletados ao longo do tempo, estamos verificando uma relação apenas espacial, isto é, não estamos considerando o tempo nesta análise. Para implementar a análise execute os seguintes passos: • Abra no Terraview o banc nesta análise.

Para implementar a análise execute os seguintes passos: • Abra no Terraview o banco de dados “Meningite. mdb” • Abra a interface do plugin Grimson no menu Plugins • No campo Cases selecione a coluna “Meningite-COUNT-UP” • No campo Threshold digite 25 • No campo Comparison marque o operador • No campo Type Analysis marque a opção Spatial • Clique no otão OK. Nesse instante aparecerá uma nova janela, como mostra a Figura , indicando que a matriz de proximidade está sendo criada. Figura 3.

Interface do plugin Grimson indicando a criação da matriz de proximidade. Depois de criada a matriz de proximidade, o método de Grimson é implementado, e os resultados são impressos na janela Output da interface, como mostra a Figura 4. Pode-se verificar na saída da Figura 4 que o P-valor obtido considerando tanto a distribuição Poisson, quanto a Normal, ficou acima de 0,05. Conclui-se então que, com 95% de confiança não podemos rejeitar a hipótese nula, ou seja, as regiões (UP) de Belo

Horizonte com número de casos de meningite maior ou igual a 25 não possuem uma relação de adjacência, ou em outras palavras, se distribuem aleatoriamente no mapa. 12 Spatlal Scan Figura 4. Saída do plugin Grimson para a análise dos casos de meningite em Belo Horizonte. Referências Grimson, RC. (1989) Assessng patterns of epidemiologic events in space-time. In Proceedings of the 1989 Public Health Conference on Records and Statistics. Hyattsville, MD: National Center for Health Statistics. Grimson, R. C. and Rose, R. D. (1991) A versatile test for clusterng and a proximity analysis 0 DF 42