Introdução

O Serviço de Atendimento Móvel de Urgência (SAMU) foi instituído no Brasil em 2003, em parceria com a França, e formalizado pelo Ministério da Saúde no Decreto nº 5.055 de 2004 (OLIVEIRA; SAMPAIO, 2018). O SAMU oferece um serviço de atendimento padronizado, operado por meio de uma Central de Regulação de Urgências, com acesso gratuito pelo número 192, funcionando de maneira regionalizada, hierarquizada e descentralizada.

Com o aumento dos casos de emergência, principalmente relacionados a acidentes de trânsito e violência, surgiu a necessidade de um atendimento rápido e especializado para prestar os primeiros socorros às vítimas diretamente na cena do incidente. Para isso, são enviadas ambulâncias com suporte básico ou avançado, dependendo da gravidade da situação, o que tem contribuído para a redução de mortes e complicações associadas à falta de atendimento imediato.

O SAMU é parte integrante da Política Brasileira de Atenção às Urgências e Emergências, composta por equipes diversas, incluindo médicos reguladores, técnicos auxiliares, enfermeiros e motoristas-socorristas, além de equipes especializadas, como a do Helicóptero de Suporte Avançado em parceria com a Polícia Rodoviária Federal.Portanto, se mostra um pilar fundamental para o atendimento emergencial de saúde na cidade do Recife. Durante o ano de 2022, o SAMU recebeu e atendeu milhares de chamados, proporcionando assistência crucial a cidadãos em situações críticas. Este relatório analisa os dados coletados ao longo do ano, oferecendo uma visão detalhada sobre o desempenho do serviço, os padrões de demanda, e as características das ocorrências atendidas.

Análise Temporal: Quando o Recife mais precisou do SAMU

O ano de 2022 apresentou um fluxo constante de chamados ao SAMU, com um total de aproximadamente 189 mil ocorrências registradas. A análise temporal revelou que o mês de janeiro foi o mais movimentado, coincidindo com períodos festivos e de férias, quando o número de acidentes e emergências tende a aumentar. No geral, os meses posteriores a janeiro se mantiveram constantes enre si.

# Limpando os dados
# Removendo NAs
ocorrencias <- na.omit(ocorrencias2022)
# Removendo duplicatas
ocorrencias <- ocorrencias %>% distinct()
# Removendo colunas ou linhas vazias
ocorrencias <- ocorrencias %>% remove_empty("cols")
ocorrencias <- ocorrencias %>% remove_empty("rows")

#Distribuição temporal
distribuicao <- ocorrencias %>% select(data, hora_minuto)  %>% na.omit()

#Juntando colunas
dist_temporal <- distribuicao %>%
      mutate(datetime = paste(data, hora_minuto, sep = " "))

#Conversão para data
dist_temporal <- dist_temporal %>%
      mutate(data = as.Date(datetime, format = "%Y-%m-%d"),
             mes = floor_date(data, "month")) %>%
      group_by(mes) %>%
      summarise(quantidade_ligacoes = n())

# Criar o gráfico de barras
ggplot(dist_temporal, aes(x = mes, y = quantidade_ligacoes)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  labs(title = "Quantidade de Solicitações Mensais",
       x = "Mês",
       y = "Quantidade de Solicitações") +
  scale_x_date(date_labels = "%b %Y", date_breaks = "1 month") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        panel.background = element_rect(fill = "white"))
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).

A análise das solicitações por hora do dia destacou um pico significativo entre as 6 horas da manhã e 10 horas da manhã. Esse horário coincide com o início das atividades diárias da população, como o deslocamento para o trabalho e a escola, aumentando a exposição a acidentes de trânsito, crises de saúde súbitas, como problemas cardíacos ou acidentes domésticos, e outras emergências.

Já durante as 11 da manhã até ás 18 horas da tarde se mantém constante após a subida, indicando que a necessidade de um socorro ocorre majoritariamente durante o período diurno, onde as pessoas estão mais ativas.

E após esse período, as solicitações passam a ser menos frequentes, podendo indicar que com o término do expediente e a diminuição do trânsito, a exposição ao risco diminui, resultando em menos emergências.

library(dplyr)
library(ggplot2)
library(lubridate)

# Limpando os dados
# Removendo NAs
ocorrencias <- na.omit(ocorrencias2022)
# Removendo duplicatas
ocorrencias <- ocorrencias %>% distinct()
# Removendo colunas ou linhas vazias
ocorrencias <- ocorrencias %>% remove_empty("cols")
ocorrencias <- ocorrencias %>% remove_empty("rows")

# Distribuição temporal
distribuicao <- ocorrencias %>% select(data, hora_minuto) %>% na.omit()

# Juntando colunas
dist_temporal <- distribuicao %>%
  mutate(datetime = paste(data, hora_minuto, sep = " "))

# Conversão para data e hora
dist_temporal <- dist_temporal %>%
  mutate(datetime = as.POSIXct(datetime, format = "%Y-%m-%d %H:%M:%S"),
         hora = hour(datetime)) %>%
  group_by(hora) %>%
  summarise(quantidade_ligacoes = n())

# Definir a codificação de caracteres para UTF-8
Sys.setlocale("LC_ALL", "pt_BR.UTF-8")
## [1] "LC_COLLATE=pt_BR.UTF-8;LC_CTYPE=pt_BR.UTF-8;LC_MONETARY=pt_BR.UTF-8;LC_NUMERIC=C;LC_TIME=pt_BR.UTF-8"
# Criar o gráfico de barras para horas do dia novamente
ggplot(dist_temporal, aes(x = hora, y = quantidade_ligacoes)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  labs(title = "Quantidade de Solicitações por Hora do Dia",
       x = "Hora do Dia",
       y = "Quantidade de Solicitações") +
  scale_x_continuous(breaks = seq(0, 23, by = 1), labels = sprintf("%02d:00", 0:23)) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        panel.background = element_rect(fill = "white"))
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).

Análises Geográficas: Bairros e Municípios em Destaque

A distribuição geográfica dos atendimentos revela que o municipio de Recife ultrapassa os 60.000 em número de chamadas, reflexo este, da área com alta densidade populacional e maior movimentação urbana.

Os demais munícipos, como Jaboatão dos Gurarapes, Olinda, Paulista e Cabo de Santo Agostinho, também registraram alta demanda, reforçando a necessidade de cobertura eficiente do SAMU não apenas na capital, mas em toda a região metropolitana.

# Removendo NAs
ocorrencias <- na.omit(ocorrencias2022)
# Removendo duplicatas
ocorrencias <- ocorrencias %>% distinct()
# Removendo colunas ou linhas vazias
ocorrencias <- ocorrencias %>% remove_empty("cols")
ocorrencias <- ocorrencias %>% remove_empty("rows")

#Filtrando
localidade <- ocorrencias %>% select(municipio, bairro) %>% na.omit()

# Contando a quantidade de solicitações por município
solicitacoes_por_municipio <- localidade %>%
  group_by(municipio) %>%
  summarise(quantidade_solicitacoes = n()) %>%
  arrange(desc(quantidade_solicitacoes)) %>%
  slice(1:20)

# Plotando o gráfico para os 20 municípios com mais solicitações
ggplot(solicitacoes_por_municipio, aes(x = reorder(municipio, -quantidade_solicitacoes), y = quantidade_solicitacoes)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  labs(title = "Os 20 Municípios com Mais Solicitações do SAMU",
       x = "Município",
       y = "Quantidade de Solicitações") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        panel.background = element_rect(fill = "white"))

Perfil de quem mais solicita o serviço so SAMU

O perfil demográfico dos pacientes atendidos pelo SAMU em 2022 mostra uma maior prevalência de ocorrências envolvendo homens (55%) em comparação às mulheres (45%). A faixa etária mais atendida foi a dos 30 a 50 anos, uma parcela da população geralmente ativa e mais exposta a situações de risco, como acidentes de trânsito e problemas de saúde súbitos.

# Removendo NAs
ocorrencias <- na.omit(ocorrencias2022)
# Removendo duplicatas
ocorrencias <- ocorrencias %>% distinct()
# Removendo colunas ou linhas vazias
ocorrencias <- ocorrencias %>% remove_empty("cols")
ocorrencias <- ocorrencias %>% remove_empty("rows")

# Observando a padronização
# Verificando os fatores da coluna Sexo
fator_sexo <- unique(ocorrencias$sexo)
# Mudando os fatores que não são F nem M para NAs
ocorrencias <- ocorrencias %>% mutate(sexo = ifelse(sexo == 46, NA, sexo))
ocorrencias <- ocorrencias %>% mutate(sexo = ifelse(sexo == "", NA, sexo))
ocorrencias <- ocorrencias %>% mutate(sexo = ifelse(sexo == "sexo", NA, sexo))

# Verificando os fatores da coluna idade
fator_idade <- unique(ocorrencias$idade)
# Mudando os fatores que não fazem sentido para idade
ocorrencias <- ocorrencias %>% mutate(idade = as.numeric(idade))
## Warning: There was 1 warning in `mutate()`.
## ℹ In argument: `idade = as.numeric(idade)`.
## Caused by warning:
## ! NAs introduzidos por coerção
ocorrencias <- ocorrencias %>% mutate(idade = if_else(idade > 119, NA_real_, idade))

#Filtrando
demografia <- ocorrencias %>% select(sexo, idade) %>% na.omit()

# Analisando a distribuição por sexo
distribuicao_sexo <- demografia %>%
  group_by(sexo) %>%
  summarise(quantidade = n())

# Analisando a distribuição por idade
distribuicao_idade <- demografia %>%
  group_by(idade) %>%
  summarise(quantidade = n())

# Plotando o gráfico de distribuição por sexo
ggplot(distribuicao_sexo, aes(x = sexo, y = quantidade, fill = sexo)) +
  geom_bar(stat = "identity") +
  labs(title = "Distribuição de Chamadas por Sexo",
       x = "Sexo",
       y = "Quantidade de Chamadas") +
  theme_minimal()

# Plotando o gráfico de distribuição por idade
ggplot(distribuicao_idade, aes(x = idade, y = quantidade)) +
  geom_line() +
  labs(title = "Distribuição de Chamadas por Idade",
       x = "Idade",
       y = "Quantidade de Chamadas") +
  theme_minimal()

# Separando por sexo
demografia_feminino <- demografia %>% filter(sexo == "FEMININO")
demografia_masculino <- demografia %>% filter(sexo == "MASCULINO")

# Plotando o gráfico de distribuição de idade para mulheres
grafico_mulheres <- ggplot(demografia_feminino, aes(x = idade)) +
  geom_histogram(binwidth = 5, fill = "lightpink", color = "black") +
  labs(title = "Distribuição de Idade das Mulheres que Solicitam o SAMU",
       x = "Idade",
       y = "Quantidade de Solicitações") +
  theme_minimal()

# Plotando o gráfico de distribuição de idade para homens
grafico_homens <- ggplot(demografia_masculino, aes(x = idade)) +
  geom_histogram(binwidth = 5, fill = "lightblue", color = "black") +
  labs(title = "Distribuição de Idade dos Homens que Solicitam o SAMU",
       x = "Idade",
       y = "Quantidade de Solicitações") +
  theme_minimal()

# Exibindo os gráficos
print(grafico_mulheres)

print(grafico_homens)

Tipos de Ocorrências: Quais as Principais Emergências?

Entre os chamados registrados, os acidentes de trânsito emergiram como o tipo de ocorrência mais frequente, representando X% do total de atendimentos. Em segundo lugar, estão as emergências clínicas, como crises hipertensivas e episódios de insuficiência respiratória, refletindo um padrão comum em grandes centros urbanos.

Analisando os subtipos, os dados indicam que as colisões de veículos e os atropelamentos foram os incidentes mais comuns entre os acidentes de trânsito, demandando uma resposta rápida e eficaz do serviço de urgência.

Desfecho dos Atendimentos: Eficiência e Resultados

A maioria dos chamados resultou em atendimento no local (X%), seguido por remoções para hospitais (Y%) e, em menor escala, em óbitos (Z%). Esses desfechos destacam a eficácia do SAMU em estabilizar pacientes em situações críticas, minimizando os riscos até a chegada ao hospital.

Conclusão

Referências