1 Introdução

Neste trabalho, realizamos uma análise abrangente dos dados de bronquiolite no Brasil entre 2012 e 2023, respondendo a quatro questões fundamentais. Primeiramente, quantificamos o total de hospitalizações por bronquiolite ao longo desse período, fornecendo uma visão geral da carga dessa condição. Em seguida, exploramos a sazonalidade da bronquiolite, identificando padrões mensais e variações sazonais que podem impactar a saúde pública. Analisamos também a diferença de gastos entre a média histórica e o mês de maior incidência, destacando períodos de maior pressão financeira sobre o sistema de saúde. Por fim, comparamos o gasto mensal médio com bronquiolite antes, durante e após a pandemia de COVID-19. Utilizamos o banco de dados de Bronquiolite (2012-2023) do DATASUS e dados populacionais do Censo de 2022 do Instituto Brasileiro de Geografia e Estatística (IBGE), além de ferramentas de análise em R/rmarkdown para conduzir esta investigação.

2 Total de hospitalizações por bronquiolite entre 2012 e 2023

df_summary <- df %>%
  group_by(year = year(date)) %>%
  summarise(total_cases = sum(cases_brazil))

ggplot(df_summary, aes(x = factor(year), y = total_cases)) +
  geom_bar(stat = "identity", fill = "skyblue") +
  geom_text(aes(label = total_cases), vjust = -0.5, color = "black", size = 3) +  # Adicionando rótulos
  labs(x = "Período", y = "Hospitalizações", title = "Hospitalizações por bronquiolite por ano no Brasil",caption = "Dados obtidos do DataSUS") +
  theme_minimal()

total_hospitalizations = sum(df$cases_brazil)

ggplot(df, aes(x = date, y = inc_br)) +
  geom_line(color="black",size=1) +
  theme_minimal() +
  geom_smooth(method = "loess", se = TRUE, color = "steelblue", linetype = "dashed",fill = "lightblue")+
  labs(x="Período", 
      y ="Hospitalizações por 100.000 habitantes", 
      title="Taxa de hospitalizações por bronquiolite no Brasil (2012-2023)",
      caption = "Dados obtidos do DataSUS") +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y")

3 Sazonalidade de bronquiolite entre 2012 e 2023

ts_br = ts(df$inc_br, start = c(2012,1), end = c(2023,12), frequency = 12)
fried_value = fried(ts_br,freq = 12)

Com o objetivo de investigar a variação sazonal na incidência de bronquiolite ao longo dos diferentes períodos analisados, utilizou-se o teste de Friedman, que revelou diferenças significativas na incidência (X² = 77.041958; p < 0.001). Esse resultado confirma que existe uma sazonalidade significativa na incidência de bronquiolite.

Nos gráficos abaixo, são apresentados os padrões sazonais de bronquiolite em séries temporais. Os resultados sugerem que há um aumento importante nos casos de bronquiolite começando em fevereiro e atingindo o pico em abril e maio. Após este pico, os casos começam a diminuir gradualmente até setembro. Dessa forma, este padrão sugere uma sazonalidade forte, com a maior incidência de casos ocorrendo na transição do verão para o outono. De setembro a janeiro, os casos de bronquiolite são significativamente menores, sugerindo que a bronquiolite é menos prevalente durante o final do ano e o começo do próximo ano, corroborando com dados de menos internações em hospitais, possivelmente devido ao clima mais quente da primavera e do verão no Brasil.

Em 2023 destaca-se como o ano com o maior pico de casos, com mais de 125 casos em abril, da mesma forma que em 2012 também mostra um aumento considerável nos casos, porém menores que em 2023. Em 2020, onde se obtém a linha mais baixa, com um número de casos consistentemente baixo durante todo o ano, possivelmente influenciado pela pandemia de COVID-19 e medidas de distanciamento social.

A variação nos picos de casos entre os anos sugere que fatores externos, como mudanças climáticas, intervenções de saúde pública, e surtos específicos podem afetar a incidência anual de bronquiolite, corroborando com a consistencia sazonal em que na primavera e verão os casos de incidência são menores. No entanto, é importante ressaltar que não há um padrão uniforme para todos os anos, mas a sazonalidade geral é notável.

# Definindo os meses em português
month_labels <- c("Jan", "Fev", "Mar", "Abr", "Mai", "Jun", "Jul", "Ago", "Set", "Out", "Nov", "Dez")


# Plotando a sazonalidade com ggseasonplot
ggseasonplot(ts_br, season.labels = month_labels) +
  geom_line(size = 1.0) +
  theme_minimal() +
  labs(title = "Sazonalidade dos casos de bronquiolite",
       x = "Mês",
       y = "Casos") +
  scale_color_discrete(name = "Ano")

# Plotando a sazonalidade com ggsubseriesplot
ggsubseriesplot(ts_br) +
  theme_minimal() +
  labs(x = "Mês", 
       y = "Casos",
       title = "Sazonalidade dos casos de bronquiolite (2012-2023)") +
  scale_x_continuous(breaks = 1:12, labels = month_labels)

4 Diferença de Gastos entre a Média Histórica e o Mês de Maior Incidência

# Tabela dos gastos médios mensais
tabela_gastos_media <- data.frame(Month = names(gastos_media), Mean_Spending = round(gastos_media, 2))
DT::datatable(tabela_gastos_media, rownames = FALSE, 
              options = list(pageLength = 12, autoWidth = TRUE), 
              colnames = c("Mês", "Gastos Médios"))

# Criando o boxplot
ggplot(df, aes(x = month, y = gastos_brazil)) +
  geom_boxplot() +
  geom_point(data = subset(df, month == "Mai"), aes(x = month, y = gastos_brazil), color = "red", size = 3) +
  labs(title = "Gastos Mensais",
       x = "Meses",
       y = "Gastos (R$)") +
  theme_minimal()

# Criando um gráfico de linha dos gastos totais no Brasil
ggplot(df, aes(x = date, y = gastos_brazil)) +
  geom_line(color = "black", size = 1) +
  geom_text(data = data.frame(x = as.Date(max_date), y = max_spending, label = paste("Máximo:", max_spending)), aes(x = x, y = y, label = label), vjust = -0.5) +
  geom_text(data = data.frame(x = as.Date(mean(df$date)), y = mean_spending, label = paste("Média:", round(mean_spending, 2))), aes(x = x, y = y, label = label), vjust = -10) +
  theme_minimal() +
  labs(x = "Período", y = "Gastos (R$)", title = "Gastos Totais com Hospitalizações por Bronquiolite no Brasil (2012-2023)") +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y")

5 Gasto mensal médio com bronquiolite pré e pós pandemia de COVID-19

#Filtrando dados para o terceiro período
pre_pandemico <- df %>% filter(date >= as.Date("2012-01-01") & date <= as.Date("2020-02-01"))
pandemico <- df %>% filter(date >= as.Date("2020-03-01") & date <= as.Date("2022-03-01"))
pos_pandemico <- df %>% filter(date >= as.Date("2022-04-01") & date <= as.Date("2023-12-01"))

df <- df %>%
  mutate(covid = case_when(
    date < as.Date("2020-03-01") ~ 0,
    date >= as.Date("2020-03-01") & date <= as.Date("2022-03-01") ~ 1,
    date >= as.Date("2022-04-01") ~ 2
  ))  

# Calculando a média dos gastos para o período histórico e o terceiro período
median_spending_period1 <- round(median(pre_pandemico$gastos_brazil),2)
median_spending_period2 <- round(median(pandemico$gastos_brazil),2)
median_spending_period3 <- round(median(pos_pandemico$gastos_brazil),2)

#Criando o gráfico
ggplot(df, aes(x = factor(covid), y = gastos_brazil, fill = factor(covid)))+
  geom_boxplot() +
  scale_fill_manual(values = c("firebrick3", "dodgerblue2", "chartreuse2"),
                    labels = c("0" = "Pré-pandemia", "1" = "Pandemia", "2" = "Pós-pandemia")) +
  scale_x_discrete(labels = c("0" = "", "1" = "", "2" = "")) +
  labs(x = "", y = "Gastos", 
       title = "Comparação de gastos entre os períodos",
       fill="Período") +
  theme_minimal()

6 Conclusão

Neste trabalho, realizamos uma análise detalhada dos dados de bronquiolite no Brasil entre 2012 e 2023, abordando diversas questões cruciais. Primeiramente, quantificamos o total de hospitalizações por bronquiolite, observando uma tendência de aumento a partir de 2017, seguida por uma queda significativa em 2020 devido à pandemia de COVID-19, e um novo aumento em 2023. Em termos de taxa de hospitalizações, identificamos um crescimento consistente até 2019, uma queda abrupta em 2020, e um pico em 2023. Analisamos também a sazonalidade da bronquiolite, utilizando o teste de Friedman, que confirmou uma sazonalidade significativa com picos de incidência nos meses de abril e maio, e menor prevalência de setembro a janeiro. Avaliamos a diferença de gastos entre a média histórica e o mês de maior incidência, destacando que maio apresentou gastos significativamente mais altos. Finalmente, comparamos os gastos mensais médios pré e pós pandemia, destacando as variações significativas no impacto financeiro da bronquiolite. Esta análise fornece uma compreensão abrangente das dinâmicas de hospitalizações e gastos com bronquiolite, o que pode auxiliar na formulação de políticas de saúde pública mais eficazes para lidar com essa condição.