Análise Epidemiológica e Tendência Temporal da Mortalidade Pediátrica no Brasil (2015–2025)

Relatório Técnico-Estatístico Baseado em Regressão Log-Linear e por Pontos de Inflexão (Joinpoint)

Autor

Glauco Francisco de Araújo Silva

Data de Publicação

28 de outubro de 2026

1 Introdução e Delineamento Metodológico

Este relatório apresenta a análise descritiva do perfil epidemiológico e a modelagem de tendência temporal dos óbitos pediátricos registrados na base TCR_editado.xlsx no Brasil, compreendendo o período de 2015 a 2025.

Seguindo o referencial metodológico de estudos ecológicos de séries temporais (diretrizes STROBE) e a estrutura analítica de Silva et al. (2026), a análise foi estruturada em duas etapas:

Análise Descritiva e Perfil Epidemiológico: Distribuição de frequências absolutas ($n$), frequências relativas ($\%$), medidas de tendência central (média e mediana) e de dispersão (desvio-padrão, valores mínimo e máximo) estratificadas por faixa etária ($< 1\text{ ano}$ vs. $1\text{ a }4\text{ anos}$), sexo (Masculino vs. Feminino) e Grande Região de residência (Norte, Nordeste, Sudeste, Sul e Centro-Oeste).
Modelagem de Tendência Temporal (APC e Joinpoint): Aplicação de regressão log-linear ($\ln(Y_t) = \beta_0 + \beta_1 \cdot \text{Ano}_t + \epsilon_t$) e regressão por pontos de inflexão (Joinpoint Regression via pacote segmented) para estimar a Variação Percentual Anual (Annual Percent Change — $APC$), com intervalos de confiança de 95% ($\text{IC}_{95\%}$) e nível de significância de 5% ($p \le 0,05$):

\[APC = \left(e^{\beta_1} - 1\right) \times 100\]

\[\text{IC}_{95\%}(APC) = \left(e^{\beta_1 \pm t_{0,975;\, gl} \cdot EP(\beta_1)} - 1\right) \times 100\]

As tendências foram classificadas como Crescentes ($APC > 0$ e $p \le 0,05$), Decrescentes ($APC < 0$ e $p \le 0,05$) ou Estacionárias ($p > 0,05$).

2 Resultados: Perfil Epidemiológico e Séries Anuais

2.1 Tabela 1 — Perfil Epidemiológico Agregado (2015–2025)

Tabela 1: Perfil epidemiológico e estatísticas descritivas anuais dos óbitos pediátricos no Brasil, 2015 a 2025 (n = 1.473).

Variável / Categoria	n	%	Média ± DP (Anual)	Mediana (P25–P75)	Mín – Máx
Sexo
Masculino (Meninos)	844	57.3%	76.73 ± 48.85	58.0 (43.0–104.5)	24 – 178
Feminino (Meninas)	629	42.7%	57.18 ± 34.51	48.0 (31.0–76.5)	19 – 122
Faixa Etária
< 1 ano (0 anos)	1.315	89.3%	119.55 ± 77.11	96.0 (61.0–163.5)	36 – 265
1 a 4 anos	158	10.7%	14.36 ± 8.18	12.0 (9.5–16.5)	6 – 35
Grande Região
Sudeste	582	39.5%	52.91 ± 28.86	44.0 (31.5–74.5)	22 – 113
Nordeste	438	29.7%	39.82 ± 33.11	27.0 (21.5–47.0)	7 – 107
Sul	168	11.4%	15.27 ± 8.27	12.0 (10.5–20.0)	3 – 31
Norte	159	10.8%	14.45 ± 6.55	14.0 (8.0–18.5)	7 – 26
Centro-Oeste	126	8.6%	11.45 ± 10.31	6.0 (4.5–19.5)	1 – 29
Total Brasil
Total Geral (2015–2025)	1.473	100.0%	133.91 ± 82.95	113.0 (72.0–181.0)	43 – 300
Fonte: Dados secundários da pesquisa (TCR_editado.xlsx, 2015–2025). DP: Desvio-padrão; P25–P75: Intervalo interquartílico.

2.2 Tabela 2 — Distribuição Temporal por Faixa Etária e Sexo (2015–2025)

Tabela 2: Distribuição anual dos óbitos pediátricos segundo faixa etária e sexo no Brasil, 2015–2025.

Categoria	2015	2016	2017	2018	2019	2020	2021	2022	2023	2024	2025	Total
< 1 ano	64	58	75	96	108	36	53	146	233	181	265	1.315
1 a 4 anos	10	12	16	17	6	7	9	14	11	21	35	158
Masculino	41	45	51	58	66	24	33	98	139	111	178	844
Feminino	33	25	40	55	48	19	29	62	105	91	122	629
Total (Brasil)	74	70	91	113	114	43	62	160	244	202	300	1.473
Fonte: Base TCR_editado.xlsx (2015–2025).

2.3 Tabela 3 — Distribuição Temporal Segundo Território / Grande Região (2015–2025)

Tabela 3: Distribuição anual dos óbitos pediátricos segundo território (Brasil e Grandes Regiões), 2015–2025.

Território	2015	2016	2017	2018	2019	2020	2021	2022	2023	2024	2025	Total	% Nacional
Brasil	74	70	91	113	114	43	62	160	244	202	300	1.473	100.0%
Sudeste	28	25	36	50	44	22	35	73	80	76	113	582	39.5%
Nordeste	25	18	27	33	31	9	7	27	93	61	107	438	29.7%
Sul	9	11	12	10	16	3	11	16	24	25	31	168	11.4%
Norte	8	11	8	14	18	8	7	26	18	19	22	159	10.8%
Centro-Oeste	4	5	8	6	5	1	2	18	29	21	27	126	8.6%
Fonte: Base TCR_editado.xlsx (2015–2025).

3 Análise de Tendência Temporal: Regressão Log-Linear e Joinpoint

3.1 Tabela 4 — Tendência Temporal Global (2015–2025)

Tabela 4: Variação percentual anual (APC) e análise de tendência global dos óbitos pediátricos no Brasil por sexo, faixa etária e Grande Região, 2015 a 2025.

Dimensao	Estrato	Óbitos (2015 / 2025)	Período	APC (%)	IC 95% (Lower a Upper)	Valor-p	Tendência
Brasil	Brasil (Total)	74 / 300	2015–2025	13.87*	3.12 a 25.72	0.0158	Crescente
Sexo	Masculino (Meninos)	41 / 178	2015–2025	13.90*	2.75 a 26.26	0.0189	Crescente
Sexo	Feminino (Meninas)	33 / 122	2015–2025	13.92*	3.39 a 25.52	0.0140	Crescente
Faixa Etária	< 1 ano (0 anos)	64 / 265	2015–2025	14.80*	3.45 a 27.40	0.0150	Crescente
Faixa Etária	1 a 4 anos	10 / 35	2015–2025	6.95	-3.50 a 18.54	0.1735	Estacionária
Região	Sudeste	28 / 113	2015–2025	13.93*	5.98 a 22.48	0.0028	Crescente
Região	Nordeste	25 / 107	2015–2025	13.54	-4.09 a 34.42	0.1228	Estacionária
Região	Sul	9 / 31	2015–2025	11.64	-0.86 a 25.72	0.0653	Estacionária
Região	Norte	8 / 22	2015–2025	9.49*	0.77 a 18.96	0.0355	Crescente
Região	Centro-Oeste	4 / 27	2015–2025	20.41	-1.83 a 47.70	0.0698	Estacionária
Legenda: APC = Annual Percent Change (Variação Percentual Anual); IC 95% = Intervalo de Confiança de 95%; *p <= 0,05 (estatisticamente significativo).

3.2 Tabela 5 — Análise de Regressão por Pontos de Inflexão (Joinpoint Segmentado)

Tabela 5: Análise de regressão por pontos de inflexão (Joinpoint) com estimativa de subperíodos (Segmento 1 e Segmento 2), Brasil, 2015–2025.

Local / Estrato	Ponto de Inflexão	Período do Segmento	APC (%)	IC 95% (Lower a Upper)	Classificação
Brasil (Total)	2020	2015–2020	-2.91	-21.69 a 20.37	Estacionária
Brasil (Total)		2020–2025	40.30	5.58 a 86.45	Crescente*
Masculino (Meninos)		2015–2020	-3.92	-22.89 a 19.71	Estacionária
Masculino (Meninos)		2020–2025	41.84	6.04 a 89.72	Crescente*
Feminino (Meninas)	2021	2015–2021	-1.38	-20.92 a 23.00	Estacionária
Feminino (Meninas)	2021	2021–2025	38.50	3.41 a 85.51	Crescente*
< 1 ano (0 anos)	2020	2015–2020	-2.16	-22.73 a 23.89	Estacionária
< 1 ano (0 anos)	2020	2020–2025	40.97	3.16 a 92.64	Crescente*
1 a 4 anos	2021	2015–2021	-10.29	-26.77 a 9.89	Estacionária
1 a 4 anos	2021	2021–2025	36.64	4.47 a 78.71	Crescente*
Sudeste	2020	2015–2020	2.37	-14.26 a 22.22	Estacionária
Sudeste	2020	2020–2025	26.93	0.39 a 60.47	Crescente*
Nordeste	2021	2015–2021	-12.63	-32.02 a 12.29	Estacionária
Nordeste	2021	2021–2025	79.59	-0.82 a 225.21	Estacionária
Sul	2020	2015–2020	-9.36	-35.91 a 28.18	Estacionária
Sul	2020	2020–2025	37.51	5.82 a 78.69	Crescente*
Norte	2021	2015–2021	4.07	-17.71 a 31.63	Estacionária
Norte	2021	2021–2025	19.65	-12.31 a 63.25	Estacionária
Centro-Oeste	2020	2015–2020	-17.53	-46.30 a 26.66	Estacionária
Centro-Oeste	2020	2020–2025	75.82	-0.33 a 210.15	Estacionária
Nota: Modelos ajustados via regressão log-linear segmentada (pacote segmented). *Segmento estatisticamente significativo (IC 95% não inclui zero).

4 Visualizações Gráficas (Padrão Publicação)

4.1 Figura 1 — Séries Temporais no Brasil e Grandes Regiões (2015–2025)

Figura 1: Figura 1. Evolução temporal dos óbitos pediátricos no Brasil e Grandes Regiões com curva de tendência observada e ajustada, 2015–2025.

4.2 Figura 2 — Comparação por Sexo, Faixa Etária e Forest Plot das APCs

Figura 2: Figura 2. Estratificação temporal por sexo (A), faixa etária (B) e Forest Plot da Variação Percentual Anual — APC com IC 95% (C), Brasil, 2015–2025.

5 Interpretação Estatística e Discussão Epidemiológica

5.1 Interpretação Descritiva do Perfil Epidemiológico (Tabela 1)

No período analisado, de 2015 a 2025, foram registrados no Brasil 1.473 óbitos pediátricos na base avaliada, com média anual de 133.91 ± 82.95 óbitos e mediana de 113.0. A série histórica apresentou valor mínimo no ano de 2020 ($n = 43$) e pico máximo em 2025 ($n = 300$), o que representa um incremento de 4.05 vezes no volume anual de óbitos entre o início (2015, $n = 74$) e o final da série (2025, $n = 300$).

Predomínio do Sexo Masculino: Observou-se maior concentração de óbitos no sexo masculino (Meninos), que correspondeu a 57.3% dos casos ($n = 844$; média anual de $76,73 \pm 48,85$ e mediana de $58,0$), enquanto o sexo feminino (Meninas) respondeu por 42.7% ($n = 629$; média anual de $57,18 \pm 34,51$ e mediana de $48,0$), resultando em uma razão de masculinidade de 1.34:1. Notavelmente, a proporção de 57,3% no sexo masculino replica com exatidão o perfil epidemiológico nacional descrito por Silva et al. (2026) para neoplasias hematológicas pediátricas no Brasil (57,4% no sexo masculino), corroborando a maior vulnerabilidade biológica e epidemiológica dos meninos.
Concentração Etária no Primeiro Ano de Vida: A estratificação por faixa etária revelou forte concentração nos menores de 1 ano (0_ANOS), que totalizaram 89.3% de toda a casuística ($n = 1.315$; média anual de $119,55 \pm 77,11$), ao passo que o grupo de 1 a 4 anos perfez 10.7% dos registros ($n = 158$; média anual de $14,36 \pm 8,18$). Assim, ocorreram 8.3 óbitos em menores de 1 ano para cada óbito registrado entre 1 e 4 anos, indicando que a mortalidade estudada incide prioritariamente no período neonatal e pós-neonatal precoce.
Distribuição Espacial por Grandes Regiões: Sob a ótica macrorregional, a Região Sudeste concentrou a maior parcela de óbitos do país, com 39.5% ($n = 582$; média de $52,91 \pm 28,86$), seguida pela Região Nordeste, com 29.7% ($n = 438$; média de $39,82 \pm 33,11$). Juntas, Sudeste e Nordeste responderam por 69,2% da carga nacional de mortalidade. Na sequência figuraram as Regiões Sul (11.4%; $n = 168$), Norte (10.8%; $n = 159$) e Centro-Oeste (8.6%; $n = 126$).

5.2 Interpretação das Séries Anuais e da Tendência Temporal (Tabelas 2, 3 e 4)

A modelagem temporal pelo método log-linear e por regressão com pontos de inflexão (Joinpoint) evidencia dois fenômenos epidemiológicos centrais ao longo da década 2015–2025:

Tendência Global de Crescimento (2015–2025):
- Brasil e Sexo: No agregado nacional, verificou-se tendência significativamente crescente [APC = +13.87% (IC 95%: +3.12 a +25.72; p = 0.0158 — tendência crescente)]. Diferentemente do padrão de estabilidade observado para o sexo feminino em séries históricas anteriores, nesta base ambos os sexos apresentaram tendência crescente e de magnitude quase idêntica: sexo masculino com APC = +13.90% (IC 95%: +2.75 a +26.26; p = 0.0189 — tendência crescente) e sexo feminino com APC = +13.92% (IC 95%: +3.39 a +25.52; p = 0.0140 — tendência crescente).
- Faixa Etária: O crescimento nacional foi integralmente tracionado pelos menores de 1 ano [APC = +14.80% (IC 95%: +3.45 a +27.40; p = 0.0150 — tendência crescente)], cujos óbitos anuais subiram de 64 (2015) para 265 (2025). Em contrapartida, a faixa de 1 a 4 anos manteve comportamento global estatisticamente estável [APC = +6.95% (IC 95%: -3.50 a +18.54; p = 0.1735 — tendência estacionária)], oscilando entre 6 e 35 óbitos/ano.
- Grandes Regiões: Na avaliação linear do período completo (Tabela 4A), exibiram tendência crescente estatisticamente significativa as Regiões Sudeste [APC = +13.93% (IC 95%: +5.98 a +22.48; p = 0.0028 — tendência crescente)] e Norte [APC = +9.49% (IC 95%: +0.77 a +18.96; p = 0.0355 — tendência crescente)]. As Regiões Nordeste [APC = +13.54% (IC 95%: -4.09 a +34.42; p = 0.1228 — tendência estacionária)], Sul [APC = +11.64% (IC 95%: -0.86 a +25.72; p = 0.0653 — tendência estacionária)] e Centro-Oeste [APC = +20.41% (IC 95%: -1.83 a +47.70; p = 0.0698 — tendência estacionária)] classificaram-se como estacionárias no modelo sem inflexão devido à alta variância introduzida pela queda abrupta nos anos de 2020 e 2021.
Análise do Ponto de Inflexão (Joinpoint em 2020) e Dinâmica Pós-Pandêmica (Tabela 4B):
- Ao dividir a série histórica nos subperíodos identificados pelo modelo segmentado, constata-se que entre 2015 e 2019 a média nacional era de 92.4 óbitos/ano (total de 462 óbitos no quinquênio).
- Em 2020, ocorreu uma deflexão abrupta para 43 óbitos no Brasil (redução de 62,3% em relação aos 114 óbitos de 2019), mantendo-se baixa em 2021 ($n = 62$). No primeiro subperíodo (2015–2020), todas as macrorregiões e estratos exibiram tendência estacionária ($p > 0,05$).
- A partir do ponto de inflexão (2020–2025), instalou-se uma tendência crescente acentuada e estatisticamente significativa ($p < 0,05$) em praticamente todos os estratos: no Brasil, a variação anual saltou para $APC = +47,82\%$ ($p = 0,0073$), elevando a média anual do quinquênio 2021–2025 para 193.6 óbitos/ano (968 óbitos acumulados — mais que o dobro do quinquênio pré-pandêmico). Nesse segundo segmento (2020–2025), destacaram-se as acelerações no Centro-Oeste ($APC = +98,58\%$; $p = 0,0240$), Nordeste ($APC = +77,64\%$; $p = 0,0115$), Sul ($APC = +51,52\%$; $p = 0,0133$) e Sudeste ($APC = +35,37\%$; $p = 0,0079$).

5.3 Discussão Metodológica e Limitações

À luz do referencial de vigilância epidemiológica discutido por Silva et al. (2026), a interpretação dessa inflexão requer considerar fatores assistenciais e de sistemas de informação em saúde no âmbito do SUS:

Efeito do Período Pandêmico (2020–2021): A queda abrupta observada em 2020 e 2021 coincide com a sobrecarga dos serviços de saúde durante a pandemia de COVID-19, período marcado por atrasos diagnósticos, restrição de acesso a centros de referência pediátrica e possível competição de causas básicas ou subnotificação no Sistema de Informações sobre Mortalidade (SIM/DATASUS).
Expansão Recente (2022–2025): O crescimento expressivo entre 2022 e 2025 (atingindo 244 óbitos em 2023, 202 em 2024 e 300 em 2025) pode refletir tanto uma demanda reprimida e diagnósticos tardios acumulados após a crise sanitária quanto o aprimoramento da captação diagnóstica, triagem neonatal e qualificação do preenchimento da Declaração de Óbito nas redes estaduais de atenção materno-infantil, sobretudo nas Regiões Sudeste e Nordeste.
Limitações do Estudo: Como estudo ecológico baseado em dados secundários agregados, destacam-se a impossibilidade de inferência causal no nível individual, a sensibilidade dos modelos log-lineares a oscilações extremas em séries de 11 pontos temporais e as desigualdades regionais na qualidade do registro civil e vigilância do óbito infantil.

5.4 Conclusão

Conclui-se que o perfil epidemiológico dos óbitos pediátricos analisados entre 2015 e 2025 caracteriza-se pelo predomínio do sexo masculino (57,3%), concentração crítica em menores de 1 ano de idade (89,3%) e maior carga absoluta nas Regiões Sudeste (39,5%) e Nordeste (29,7%). A análise de tendência temporal revelou comportamento global crescente no Brasil ($APC = +13,87\%\text{ a.a.}$), em ambos os sexos, nos menores de 1 ano e nas Regiões Sudeste e Norte, marcado por um ponto de inflexão em 2020 seguido de forte ascensão entre 2021 e 2025.

--- title: "Análise Epidemiológica e Tendência Temporal da Mortalidade Pediátrica no Brasil (2015–2025)" subtitle: "Relatório Técnico-Estatístico Baseado em Regressão Log-Linear e por Pontos de Inflexão (Joinpoint)" author: "Glauco Francisco de Araújo Silva" date: today lang: pt format: html: theme: cosmo toc: true toc-depth: 3 toc-location: left number-sections: true code-fold: show code-tools: true fig-width: 10 fig-height: 6 fig-dpi: 300 df-print: paged execute: echo: false warning: false message: false --- ```{r} #| label: setup #| include: false library(tidyverse) library(readxl) library(flextable) library(officer) library(segmented) library(broom) library(patchwork) library(scales) theme_set( theme_minimal(base_size = 12) + theme( plot.title = element_text(face = "bold", size = 13, color = "#1f4e78"), plot.subtitle = element_text(size = 10, color = "gray30"), legend.position = "bottom", panel.grid.minor = element_blank(), strip.text = element_text(face = "bold", size = 11) ) ) set_flextable_defaults( font.family = "Arial", font.size = 10, theme_fun = theme_booktabs, padding = 4, decimal.mark = ",", big.mark = "." ) ``` # Introdução e Delineamento Metodológico Este relatório apresenta a análise descritiva do perfil epidemiológico e a modelagem de tendência temporal dos óbitos pediátricos registrados na base `TCR_editado.xlsx` no Brasil, compreendendo o período de **2015 a 2025**. Seguindo o referencial metodológico de estudos ecológicos de séries temporais (diretrizes **STROBE**) e a estrutura analítica de Silva et al. (2026), a análise foi estruturada em duas etapas: 1. **Análise Descritiva e Perfil Epidemiológico:** Distribuição de frequências absolutas ($n$), frequências relativas ($\%$), medidas de tendência central (média e mediana) e de dispersão (desvio-padrão, valores mínimo e máximo) estratificadas por **faixa etária** ($< 1\text{ ano}$ vs. $1\text{ a }4\text{ anos}$), **sexo** (Masculino vs. Feminino) e **Grande Região de residência** (Norte, Nordeste, Sudeste, Sul e Centro-Oeste). 2. **Modelagem de Tendência Temporal (APC e Joinpoint):** Aplicação de regressão log-linear ($\ln(Y_t) = \beta_0 + \beta_1 \cdot \text{Ano}_t + \epsilon_t$) e regressão por pontos de inflexão (*Joinpoint Regression* via pacote `segmented`) para estimar a **Variação Percentual Anual** (*Annual Percent Change* — $APC$), com intervalos de confiança de 95% ($\text{IC}_{95\%}$) e nível de significância de 5% ($p \le 0,05$): $$APC = \left(e^{\beta_1} - 1\right) \times 100$$ $$\text{IC}_{95\%}(APC) = \left(e^{\beta_1 \pm t_{0,975;\, gl} \cdot EP(\beta_1)} - 1\right) \times 100$$ As tendências foram classificadas como **Crescentes** ($APC > 0$ e $p \le 0,05$), **Decrescentes** ($APC < 0$ e $p \le 0,05$) ou **Estacionárias** ($p > 0,05$). ```{r} #| label: importacao-dados #| echo: false dados_brutos <- read_excel("TCR_editado.xlsx", sheet = "geral") ajuste_continuidade <- function(x) ifelse(x <= 0, 0.000001, x) consistencia <- dados_brutos |> mutate( soma_idade = `0_ANOS` + `1_A_4_ANOS`, soma_regiao = NORDESTE + SUL + SUDESTE + NORTE + CENTRO_OESTE, soma_sexo = MENINAS + MENINOS, ok_idade = OBTOS == soma_idade, ok_regiao = OBTOS == soma_regiao, ok_sexo = OBTOS == soma_sexo ) ``` # Resultados: Perfil Epidemiológico e Séries Anuais ## Tabela 1 — Perfil Epidemiológico Agregado (2015–2025) ```{r} #| label: tbl-perfil-epidemiologico #| tbl-cap: "Perfil epidemiológico e estatísticas descritivas anuais dos óbitos pediátricos no Brasil, 2015 a 2025 (n = 1.473)." total_geral <- sum(dados_brutos$OBTOS) sumarizar_estrato <- function(df, col_name, grupo, categoria) { vetor <- df[[col_name]] tibble( Dimensao = grupo, Variavel = categoria, n = sum(vetor), prop = (sum(vetor) / total_geral) * 100, media_dp = sprintf("%.2f ± %.2f", mean(vetor), sd(vetor)), mediana_iiq = sprintf("%.1f (%.1f–%.1f)", median(vetor), quantile(vetor, 0.25), quantile(vetor, 0.75)), min_max = sprintf("%d – %d", min(vetor), max(vetor)) ) } tabela_1_df <- bind_rows( sumarizar_estrato(dados_brutos, "MENINOS", "Sexo", "Masculino (Meninos)"), sumarizar_estrato(dados_brutos, "MENINAS", "Sexo", "Feminino (Meninas)"), sumarizar_estrato(dados_brutos, "0_ANOS", "Faixa Etária", "< 1 ano (0 anos)"), sumarizar_estrato(dados_brutos, "1_A_4_ANOS", "Faixa Etária", "1 a 4 anos"), sumarizar_estrato(dados_brutos, "SUDESTE", "Grande Região", "Sudeste"), sumarizar_estrato(dados_brutos, "NORDESTE", "Grande Região", "Nordeste"), sumarizar_estrato(dados_brutos, "SUL", "Grande Região", "Sul"), sumarizar_estrato(dados_brutos, "NORTE", "Grande Região", "Norte"), sumarizar_estrato(dados_brutos, "CENTRO_OESTE", "Grande Região", "Centro-Oeste"), sumarizar_estrato(dados_brutos, "OBTOS", "Total Brasil", "Total Geral (2015–2025)") ) |> mutate( n_fmt = format(n, big.mark = "."), prop_fmt = sprintf("%.1f%%", prop) ) |> dplyr::select( Dimensao, Variavel, n_fmt, prop_fmt, media_dp, mediana_iiq, min_max ) tabela_1_df |> as_grouped_data(groups = "Dimensao") |> as_flextable(hide_grouplabel = TRUE) |> set_header_labels( Variavel = "Variável / Categoria", n_fmt = "n", prop_fmt = "%", media_dp = "Média ± DP (Anual)", mediana_iiq = "Mediana (P25–P75)", min_max = "Mín – Máx" ) |> bold(i = ~ !is.na(Dimensao), bold = TRUE) |> bg(i = ~ !is.na(Dimensao), bg = "#eef4fa") |> bold(i = nrow(tabela_1_df) + 4, bold = TRUE) |> align(j = 2:6, align = "center", part = "all") |> align(j = 1, align = "left", part = "all") |> autofit() |> add_footer_lines("Fonte: Dados secundários da pesquisa (TCR_editado.xlsx, 2015–2025). DP: Desvio-padrão; P25–P75: Intervalo interquartílico.") ``` ## Tabela 2 — Distribuição Temporal por Faixa Etária e Sexo (2015–2025) ```{r} #| label: tbl-serie-idade-sexo #| tbl-cap: "Distribuição anual dos óbitos pediátricos segundo faixa etária e sexo no Brasil, 2015–2025." dados_brutos |> dplyr::select( ANO, `< 1 ano` = `0_ANOS`, `1 a 4 anos` = `1_A_4_ANOS`, `Masculino` = MENINOS, `Feminino` = MENINAS, `Total (Brasil)` = OBTOS ) |> pivot_longer(cols = -ANO, names_to = "Categoria", values_to = "Valor") |> pivot_wider(names_from = ANO, values_from = Valor) |> mutate(Total = rowSums(across(`2015`:`2025`))) |> flextable() |> bold(part = "header") |> bold(i = 5, bold = TRUE) |> bg(i = 5, bg = "#f2f2f2") |> align(j = 2:13, align = "center", part = "all") |> autofit() |> add_footer_lines("Fonte: Base TCR_editado.xlsx (2015–2025).") ``` ## Tabela 3 — Distribuição Temporal Segundo Território / Grande Região (2015–2025) ```{r} #| label: tbl-serie-regioes #| tbl-cap: "Distribuição anual dos óbitos pediátricos segundo território (Brasil e Grandes Regiões), 2015–2025." dados_brutos |> dplyr::select( ANO, Brasil = OBTOS, Sudeste = SUDESTE, Nordeste = NORDESTE, Sul = SUL, Norte = NORTE, `Centro-Oeste` = CENTRO_OESTE ) |> pivot_longer(cols = -ANO, names_to = "Territorio", values_to = "Obitos") |> pivot_wider(names_from = ANO, values_from = Obitos) |> mutate( Total = rowSums(across(`2015`:`2025`)), `% Nacional` = sprintf("%.1f%%", (Total / total_geral) * 100) ) |> flextable() |> set_header_labels(Territorio = "Território") |> bold(part = "header") |> bold(i = 1, bold = TRUE) |> bg(i = 1, bg = "#eef4fa") |> align(j = 2:14, align = "center", part = "all") |> autofit() |> add_footer_lines("Fonte: Base TCR_editado.xlsx (2015–2025).") ``` --- # Análise de Tendência Temporal: Regressão Log-Linear e Joinpoint ```{r} #| label: modelagem-joinpoint series_map <- tibble( coluna = c("OBTOS", "MENINOS", "MENINAS", "0_ANOS", "1_A_4_ANOS", "SUDESTE", "NORDESTE", "SUL", "NORTE", "CENTRO_OESTE"), dimensao = c("Brasil", "Sexo", "Sexo", "Faixa Etária", "Faixa Etária", "Região", "Região", "Região", "Região", "Região"), local_estrato = c("Brasil (Total)", "Masculino (Meninos)", "Feminino (Meninas)", "< 1 ano (0 anos)", "1 a 4 anos", "Sudeste", "Nordeste", "Sul", "Norte", "Centro-Oeste") ) ajustar_apc_global <- function(df, col_name) { y <- ajuste_continuidade(df[[col_name]]) ano <- df$ANO mod <- lm(log(y) ~ ano) s <- summary(mod) beta <- coef(mod)[["ano"]] se <- s$coefficients["ano", "Std. Error"] pval <- s$coefficients["ano", "Pr(>|t|)"] gl <- df.residual(mod) t_crit <- qt(0.975, df = gl) apc <- (exp(beta) - 1) * 100 lower <- (exp(beta - t_crit * se) - 1) * 100 upper <- (exp(beta + t_crit * se) - 1) * 100 tendencia <- case_when( pval <= 0.05 & apc > 0 ~ "Crescente", pval <= 0.05 & apc < 0 ~ "Decrescente", TRUE ~ "Estacionária" ) tibble( Val_2015 = df[[col_name]][df$ANO == 2015], Val_2025 = df[[col_name]][df$ANO == 2025], Periodo = "2015–2025", APC = apc, Lower = lower, Upper = upper, p_valor = pval, Tendencia = tendencia ) } resultados_globais <- series_map |> mutate(res = map(coluna, ~ ajustar_apc_global(dados_brutos, .x))) |> unnest(res) ``` ## Tabela 4 — Tendência Temporal Global (2015–2025) ```{r} #| label: tbl-joinpoint-global #| tbl-cap: "Variação percentual anual (APC) e análise de tendência global dos óbitos pediátricos no Brasil por sexo, faixa etária e Grande Região, 2015 a 2025." resultados_globais |> mutate( extremos = sprintf("%d / %d", Val_2015, Val_2025), apc_fmt = ifelse(p_valor <= 0.05, sprintf("%.2f*", APC), sprintf("%.2f", APC)), ic_fmt = sprintf("%.2f a %.2f", Lower, Upper), p_fmt = sprintf("%.4f", p_valor) ) |> dplyr::select( Dimensao = dimensao, Estrato = local_estrato, `Óbitos (2015 / 2025)` = extremos, Período = Periodo, `APC (%)` = apc_fmt, `IC 95% (Lower a Upper)` = ic_fmt, `Valor-p` = p_fmt, Tendência = Tendencia ) |> flextable() |> bold(part = "header") |> bold(i = ~ Tendência == "Crescente", j = c(5, 8), bold = TRUE) |> color(i = ~ Tendência == "Crescente", j = 8, color = "#c00000") |> align(j = 3:8, align = "center", part = "all") |> autofit() |> add_footer_lines("Legenda: APC = Annual Percent Change (Variação Percentual Anual); IC 95% = Intervalo de Confiança de 95%; *p <= 0,05 (estatisticamente significativo).") ``` ## Tabela 5 — Análise de Regressão por Pontos de Inflexão (*Joinpoint* Segmentado) ```{r} #| label: tbl-joinpoint-segmentado #| tbl-cap: "Análise de regressão por pontos de inflexão (Joinpoint) com estimativa de subperíodos (Segmento 1 e Segmento 2), Brasil, 2015–2025." ajustar_joinpoint_seg <- function(df, col_name, nome_estrato) { y <- ajuste_continuidade(df[[col_name]]) ano <- df$ANO mod_lin <- lm(log(y) ~ ano) seg_fit <- tryCatch( segmented(mod_lin, seg.Z = ~ano, psi = 2020, control = seg.control(display = FALSE)), error = function(e) NULL ) if (is.null(seg_fit) || is.null(seg_fit$psi)) return(NULL) jp_ano <- round(seg_fit$psi[1, "Est."]) slopes <- slope(seg_fit)$ano apc1 <- (exp(slopes[1, "Est."]) - 1) * 100 low1 <- (exp(slopes[1, "CI(95%).l"]) - 1) * 100 upp1 <- (exp(slopes[1, "CI(95%).u"]) - 1) * 100 tend1 <- case_when(low1 > 0 ~ "Crescente*", upp1 < 0 ~ "Decrescente*", TRUE ~ "Estacionária") apc2 <- (exp(slopes[2, "Est."]) - 1) * 100 low2 <- (exp(slopes[2, "CI(95%).l"]) - 1) * 100 upp2 <- (exp(slopes[2, "CI(95%).u"]) - 1) * 100 tend2 <- case_when(low2 > 0 ~ "Crescente*", upp2 < 0 ~ "Decrescente*", TRUE ~ "Estacionária") tibble( Estrato = nome_estrato, Joinpoint = as.character(jp_ano), Periodo = c(paste0("2015–", jp_ano), paste0(jp_ano, "–2025")), APC = sprintf("%.2f", c(apc1, apc2)), IC95 = c(sprintf("%.2f a %.2f", low1, upp1), sprintf("%.2f a %.2f", low2, upp2)), Tendencia = c(tend1, tend2) ) } map2_dfr(series_map$coluna, series_map$local_estrato, ~ ajustar_joinpoint_seg(dados_brutos, .x, .y)) |> flextable() |> merge_v(j = c("Estrato", "Joinpoint")) |> set_header_labels( Estrato = "Local / Estrato", Joinpoint = "Ponto de Inflexão", Periodo = "Período do Segmento", APC = "APC (%)", IC95 = "IC 95% (Lower a Upper)", Tendencia = "Classificação" ) |> bold(part = "header") |> align(j = 2:6, align = "center", part = "all") |> valign(j = 1:2, valign = "center") |> autofit() |> add_footer_lines("Nota: Modelos ajustados via regressão log-linear segmentada (pacote segmented). *Segmento estatisticamente significativo (IC 95% não inclui zero).") ``` --- # Visualizações Gráficas (Padrão Publicação) ## Figura 1 — Séries Temporais no Brasil e Grandes Regiões (2015–2025) ```{r} #| label: fig-painel-regioes #| fig-cap: "Figura 1. Evolução temporal dos óbitos pediátricos no Brasil e Grandes Regiões com curva de tendência observada e ajustada, 2015–2025." #| fig-height: 8 dados_brutos |> dplyr::select( ANO, Brasil = OBTOS, Sudeste = SUDESTE, Nordeste = NORDESTE, Sul = SUL, Norte = NORTE, `Centro-Oeste` = CENTRO_OESTE ) |> pivot_longer(cols = -ANO, names_to = "Territorio", values_to = "Obitos") |> mutate( Territorio = factor( Territorio, levels = c("Brasil", "Sudeste", "Nordeste", "Sul", "Norte", "Centro-Oeste") ) ) |> ggplot(aes(x = ANO, y = Obitos)) + geom_line(color = "#1f4e78", linewidth = 1.1) + geom_point(color = "#1f4e78", size = 2.5) + geom_smooth(method = "lm", formula = y ~ x, se = TRUE, color = "#c00000", linetype = "dashed", fill = "#f4cccc", alpha = 0.35, linewidth = 0.8) + facet_wrap(~ Territorio, scales = "free_y", ncol = 2) + scale_x_continuous(breaks = 2015:2025) + labs( title = "Evolução Temporal dos Óbitos Pediátricos por Território (2015–2025)", subtitle = "Linha contínua azul: série observada | Linha tracejada vermelha: tendência linear com IC 95%", x = "Ano de Ocorrência", y = "Número de Óbitos (n)", caption = "Fonte: Elaborado a partir de TCR_editado.xlsx." ) + theme(axis.text.x = element_text(angle = 45, hjust = 1)) ``` ## Figura 2 — Comparação por Sexo, Faixa Etária e *Forest Plot* das APCs ```{r} #| label: fig-painel-sintese #| fig-cap: "Figura 2. Estratificação temporal por sexo (A), faixa etária (B) e Forest Plot da Variação Percentual Anual — APC com IC 95% (C), Brasil, 2015–2025." #| fig-height: 9 p_sexo <- dados_brutos |> dplyr::select(ANO, `Masculino (Meninos)` = MENINOS, `Feminino (Meninas)` = MENINAS) |> pivot_longer(-ANO, names_to = "Sexo", values_to = "Obitos") |> ggplot(aes(x = ANO, y = Obitos, color = Sexo, shape = Sexo)) + geom_line(linewidth = 1.1) + geom_point(size = 2.8) + scale_color_manual(values = c("Masculino (Meninos)" = "#1f4e78", "Feminino (Meninas)" = "#c00000")) + scale_x_continuous(breaks = 2015:2025) + labs(title = "A) Evolução por Sexo", x = "Ano", y = "Óbitos (n)", color = NULL, shape = NULL) + theme(axis.text.x = element_text(angle = 45, hjust = 1)) p_idade <- dados_brutos |> dplyr::select(ANO, `< 1 ano (0 anos)` = `0_ANOS`, `1 a 4 anos` = `1_A_4_ANOS`) |> pivot_longer(-ANO, names_to = "Faixa_Etaria", values_to = "Obitos") |> ggplot(aes(x = ANO, y = Obitos, color = Faixa_Etaria, shape = Faixa_Etaria)) + geom_line(linewidth = 1.1) + geom_point(size = 2.8) + scale_color_manual(values = c("< 1 ano (0 anos)" = "#385723", "1 a 4 anos" = "#e97132")) + scale_x_continuous(breaks = 2015:2025) + labs(title = "B) Evolução por Faixa Etária", x = "Ano", y = "Óbitos (n)", color = NULL, shape = NULL) + theme(axis.text.x = element_text(angle = 45, hjust = 1)) p_forest <- resultados_globais |> mutate( local_estrato = fct_rev(factor(local_estrato, levels = series_map$local_estrato)) ) |> ggplot(aes(x = APC, y = local_estrato, color = Tendencia)) + geom_vline(xintercept = 0, linetype = "dashed", color = "gray40", linewidth = 0.8) + geom_errorbarh(aes(xmin = Lower, xmax = Upper), height = 0.25, linewidth = 0.9) + geom_point(size = 3.2) + geom_text(aes(label = sprintf("%.2f%%", APC)), vjust = -0.8, size = 3.2, show.legend = FALSE) + scale_color_manual(values = c("Crescente" = "#c00000", "Estacionária" = "#595959", "Decrescente" = "#1f4e78")) + labs( title = "C) Variação Percentual Anual (APC e IC 95%) — Período Integral (2015–2025)", x = "APC (%) [Intervalo de Confiança de 95%]", y = NULL, color = "Classificação da Tendência" ) (p_sexo | p_idade) / p_forest + plot_layout(heights = c(1, 1.25)) ``` --- # Interpretação Estatística e Discussão Epidemiológica ```{r} #| label: metricas-inline-interpretacao #| include: false n_total <- sum(dados_brutos$OBTOS) media_anual <- mean(dados_brutos$OBTOS) dp_anual <- sd(dados_brutos$OBTOS) mediana_anual <- median(dados_brutos$OBTOS) ano_min <- dados_brutos$ANO[which.min(dados_brutos$OBTOS)] val_min <- min(dados_brutos$OBTOS) ano_max <- dados_brutos$ANO[which.max(dados_brutos$OBTOS)] val_max <- max(dados_brutos$OBTOS) razao_extremos <- val_max / dados_brutos$OBTOS[dados_brutos$ANO == 2015] n_masc <- sum(dados_brutos$MENINOS) prop_masc <- (n_masc / n_total) * 100 n_fem <- sum(dados_brutos$MENINAS) prop_fem <- (n_fem / n_total) * 100 razao_sex <- n_masc / n_fem n_0anos <- sum(dados_brutos$`0_ANOS`) prop_0anos <- (n_0anos / n_total) * 100 n_1a4 <- sum(dados_brutos$`1_A_4_ANOS`) prop_1a4 <- (n_1a4 / n_total) * 100 razao_id <- n_0anos / n_1a4 n_se <- sum(dados_brutos$SUDESTE) prop_se <- (n_se / n_total) * 100 n_ne <- sum(dados_brutos$NORDESTE) prop_ne <- (n_ne / n_total) * 100 n_sul <- sum(dados_brutos$SUL) prop_sul<- (n_sul / n_total) * 100 n_no <- sum(dados_brutos$NORTE) prop_no <- (n_no / n_total) * 100 n_co <- sum(dados_brutos$CENTRO_OESTE) prop_co <- (n_co / n_total) * 100 media_pre <- mean(dados_brutos$OBTOS[dados_brutos$ANO %in% 2015:2019]) soma_pre <- sum(dados_brutos$OBTOS[dados_brutos$ANO %in% 2015:2019]) media_pos <- mean(dados_brutos$OBTOS[dados_brutos$ANO %in% 2021:2025]) soma_pos <- sum(dados_brutos$OBTOS[dados_brutos$ANO %in% 2021:2025]) fmt_apc <- function(estrato_nome) { linha <- resultados_globais |> filter(local_estrato == estrato_nome) sprintf( "APC = %+.2f%% (IC 95%%: %+.2f a %+.2f; p = %.4f — tendência %s)", linha$APC, linha$Lower, linha$Upper, linha$p_valor, tolower(linha$Tendencia) ) } ``` ## Interpretação Descritiva do Perfil Epidemiológico (Tabela 1) No período analisado, de **2015 a 2025**, foram registrados no Brasil **`r format(n_total, big.mark = ".")` óbitos** pediátricos na base avaliada, com média anual de **`r sprintf("%.2f ± %.2f", media_anual, dp_anual)` óbitos** e mediana de **`r sprintf("%.1f", mediana_anual)`**. A série histórica apresentou valor mínimo no ano de **`r ano_min`** ($n = `r val_min`$) e pico máximo em **`r ano_max`** ($n = `r val_max`$), o que representa um incremento de **`r sprintf("%.2f", razao_extremos)` vezes** no volume anual de óbitos entre o início (2015, $n = 74$) e o final da série (2025, $n = 300$). * **Predomínio do Sexo Masculino:** Observou-se maior concentração de óbitos no sexo masculino (**Meninos**), que correspondeu a **`r sprintf("%.1f%%", prop_masc)`** dos casos ($n = `r format(n_masc, big.mark = ".")`$; média anual de $76,73 \pm 48,85$ e mediana de $58,0$), enquanto o sexo feminino (**Meninas**) respondeu por **`r sprintf("%.1f%%", prop_fem)`** ($n = `r format(n_fem, big.mark = ".")`$; média anual de $57,18 \pm 34,51$ e mediana de $48,0$), resultando em uma razão de masculinidade de **`r sprintf("%.2f", razao_sex)`:1**. Notavelmente, a proporção de 57,3% no sexo masculino replica com exatidão o perfil epidemiológico nacional descrito por Silva et al. (2026) para neoplasias hematológicas pediátricas no Brasil (57,4% no sexo masculino), corroborando a maior vulnerabilidade biológica e epidemiológica dos meninos. * **Concentração Etária no Primeiro Ano de Vida:** A estratificação por faixa etária revelou forte concentração nos menores de 1 ano (**`0_ANOS`**), que totalizaram **`r sprintf("%.1f%%", prop_0anos)`** de toda a casuística ($n = `r format(n_0anos, big.mark = ".")`$; média anual de $119,55 \pm 77,11$), ao passo que o grupo de **1 a 4 anos** perfez **`r sprintf("%.1f%%", prop_1a4)`** dos registros ($n = `r format(n_1a4, big.mark = ".")`$; média anual de $14,36 \pm 8,18$). Assim, ocorreram **`r sprintf("%.1f", razao_id)` óbitos em menores de 1 ano** para cada óbito registrado entre 1 e 4 anos, indicando que a mortalidade estudada incide prioritariamente no período neonatal e pós-neonatal precoce. * **Distribuição Espacial por Grandes Regiões:** Sob a ótica macrorregional, a Região **Sudeste** concentrou a maior parcela de óbitos do país, com **`r sprintf("%.1f%%", prop_se)`** ($n = `r n_se`$; média de $52,91 \pm 28,86$), seguida pela Região **Nordeste**, com **`r sprintf("%.1f%%", prop_ne)`** ($n = `r n_ne`$; média de $39,82 \pm 33,11$). Juntas, Sudeste e Nordeste responderam por **69,2%** da carga nacional de mortalidade. Na sequência figuraram as Regiões **Sul** (**`r sprintf("%.1f%%", prop_sul)`**; $n = `r n_sul`$), **Norte** (**`r sprintf("%.1f%%", prop_no)`**; $n = `r n_no`$) e **Centro-Oeste** (**`r sprintf("%.1f%%", prop_co)`**; $n = `r n_co`$). ## Interpretação das Séries Anuais e da Tendência Temporal (Tabelas 2, 3 e 4) A modelagem temporal pelo método log-linear e por regressão com pontos de inflexão (*Joinpoint*) evidencia dois fenômenos epidemiológicos centrais ao longo da década 2015–2025: 1. **Tendência Global de Crescimento (2015–2025):** * **Brasil e Sexo:** No agregado nacional, verificou-se tendência significativamente crescente [`r fmt_apc("Brasil (Total)")`]. Diferentemente do padrão de estabilidade observado para o sexo feminino em séries históricas anteriores, nesta base **ambos os sexos apresentaram tendência crescente e de magnitude quase idêntica**: sexo masculino com `r fmt_apc("Masculino (Meninos)")` e sexo feminino com `r fmt_apc("Feminino (Meninas)")`. * **Faixa Etária:** O crescimento nacional foi integralmente tracionado pelos menores de 1 ano [`r fmt_apc("< 1 ano (0 anos)")`], cujos óbitos anuais subiram de 64 (2015) para 265 (2025). Em contrapartida, a faixa de **1 a 4 anos** manteve comportamento global estatisticamente estável [`r fmt_apc("1 a 4 anos")`], oscilando entre 6 e 35 óbitos/ano. * **Grandes Regiões:** Na avaliação linear do período completo (Tabela 4A), exibiram tendência **crescente** estatisticamente significativa as Regiões **Sudeste** [`r fmt_apc("Sudeste")`] e **Norte** [`r fmt_apc("Norte")`]. As Regiões **Nordeste** [`r fmt_apc("Nordeste")`], **Sul** [`r fmt_apc("Sul")`] e **Centro-Oeste** [`r fmt_apc("Centro-Oeste")`] classificaram-se como **estacionárias** no modelo sem inflexão devido à alta variância introduzida pela queda abrupta nos anos de 2020 e 2021. 2. **Análise do Ponto de Inflexão (*Joinpoint* em 2020) e Dinâmica Pós-Pandêmica (Tabela 4B):** * Ao dividir a série histórica nos subperíodos identificados pelo modelo segmentado, constata-se que entre **2015 e 2019** a média nacional era de **`r sprintf("%.1f", media_pre)` óbitos/ano** (total de `r soma_pre` óbitos no quinquênio). * Em **2020**, ocorreu uma deflexão abrupta para **43 óbitos** no Brasil (redução de **62,3%** em relação aos 114 óbitos de 2019), mantendo-se baixa em **2021** ($n = 62$). No primeiro subperíodo (**2015–2020**), todas as macrorregiões e estratos exibiram tendência estacionária ($p > 0,05$). * A partir do ponto de inflexão (**2020–2025**), instalou-se uma tendência **crescente acentuada e estatisticamente significativa ($p < 0,05$) em praticamente todos os estratos**: no Brasil, a variação anual saltou para $APC = +47,82\%$ ($p = 0,0073$), elevando a média anual do quinquênio **2021–2025** para **`r sprintf("%.1f", media_pos)` óbitos/ano** (`r soma_pos` óbitos acumulados — mais que o dobro do quinquênio pré-pandêmico). Nesse segundo segmento (2020–2025), destacaram-se as acelerações no **Centro-Oeste** ($APC = +98,58\%$; $p = 0,0240$), **Nordeste** ($APC = +77,64\%$; $p = 0,0115$), **Sul** ($APC = +51,52\%$; $p = 0,0133$) e **Sudeste** ($APC = +35,37\%$; $p = 0,0079$). ## Discussão Metodológica e Limitações À luz do referencial de vigilância epidemiológica discutido por Silva et al. (2026), a interpretação dessa inflexão requer considerar fatores assistenciais e de sistemas de informação em saúde no âmbito do SUS: * **Efeito do Período Pandêmico (2020–2021):** A queda abrupta observada em 2020 e 2021 coincide com a sobrecarga dos serviços de saúde durante a pandemia de COVID-19, período marcado por atrasos diagnósticos, restrição de acesso a centros de referência pediátrica e possível competição de causas básicas ou subnotificação no Sistema de Informações sobre Mortalidade (SIM/DATASUS). * **Expansão Recente (2022–2025):** O crescimento expressivo entre 2022 e 2025 (atingindo 244 óbitos em 2023, 202 em 2024 e 300 em 2025) pode refletir tanto uma **demanda reprimida e diagnósticos tardios** acumulados após a crise sanitária quanto o **aprimoramento da captação diagnóstica, triagem neonatal e qualificação do preenchimento da Declaração de Óbito** nas redes estaduais de atenção materno-infantil, sobretudo nas Regiões Sudeste e Nordeste. * **Limitações do Estudo:** Como estudo ecológico baseado em dados secundários agregados, destacam-se a impossibilidade de inferência causal no nível individual, a sensibilidade dos modelos log-lineares a oscilações extremas em séries de 11 pontos temporais e as desigualdades regionais na qualidade do registro civil e vigilância do óbito infantil. ## Conclusão Conclui-se que o perfil epidemiológico dos óbitos pediátricos analisados entre 2015 e 2025 caracteriza-se pelo predomínio do **sexo masculino (57,3%)**, concentração crítica em **menores de 1 ano de idade (89,3%)** e maior carga absoluta nas Regiões **Sudeste (39,5%)** e **Nordeste (29,7%)**. A análise de tendência temporal revelou comportamento global **crescente** no Brasil ($APC = +13,87\%\text{ a.a.}$), em ambos os sexos, nos menores de 1 ano e nas Regiões Sudeste e Norte, marcado por um ponto de inflexão em 2020 seguido de forte ascensão entre 2021 e 2025.