Surtos De Doenças

Detecção de surtos de doenças: o que funciona e onde os sistemas falham

A maioria dos Departamentos de Saúde ainda espera o número de casos confirmados em laboratório para declarar um alerta. Isso coloca a resposta atrasada de 5 a 7 dias em média. O jeito mais rápido é usar vigilância sindrômica combinada com modelos de detecção precoce, não apenas notificação obrigatória. O processo funciona em três etapas. Primeiro você coleta dados em tempo real de múltiplas fontes: prontuários eletrônicos, laudos laboratoriais, vendas de medicamentos sem receita, faltas escolares e ligações para centrais de saúde. Segundo, você aplica um modelo de série temporal que calcula a média móvel dos últimos 3 anos com intervalo de confiança de 95%. Terceiro, quando a contagem diária ultrapassa esse limite superior por dois dias consecutivos, o sistema dispara um alerta para investigação. Não use apenas a média simples. Doenças sazonais como dengue têm picos previsíveis que distorcem a linha de base. A solução é usar SARIMA com componente sazonal ou dividir os dados por mês do ano e calcular limiares específicos para cada período. Isso elimina o falso positivo que aconteceria entre janeiro e março se você tratasse tudo como uma única distribuição.

Exemplo real com dengue em município de médio porte

Em 2023, monitorei dados de surtos de doenças relacionadas a arboviroses em um município do interior paulista com cerca de 180 mil habitantes. O sistema de notificação tradicional registrou os primeiros casos confirmados em 12 de fevereiro. Porém, o modelo de detecção precoce baseado em sintoma (febre + dor retro-orbitária + exantema) cruzado com vendas de antitérmicos na rede pública identificou elevação significativa já em 28 de janeiro. O ganho foi de 15 dias para início de ações de vetores e bloqueio de focos. O dado que mais resolveu foi a combinação de duas fontes separadas. Somente a venda de antipiréticos gerava ruído demais. Somente os sintomas registrados em prontuário tinham latência de 48 horas por burocracia de preenchimento. Juntas, as fontes se compensavam. A sensibilidade subiu de 62% para 89% e a especificidade caiu apenas 4 pontos percentuais, o que ainda estava dentro do aceitável para vigilância ativa.

Implementação prática

O pipeline básico usa Python com pandas e statsmodels. A biblioteca pypulse para detecção de outliers em séries temporais de saúde pública é mais adequada que implementações genéricas porque já lida com a sazonalidade inerente aos dados epidemiológicos. Para visualização espacial, uso geopandas com QGIS, que processa camadas de mapas de bairro em segundos e exporta para Shapefile sem custo de licença. Um detalhe importante que quase ninguém menciona: a normalização por população exposta. Se um bairro com 40 mil habitantes apresenta 5 casos de síndrom gripal em uma semana, isso parece baixo isoladamente. Mas se a taxa histórica daquele bairro é de 2 casos por 10 mil habitantes semanais, você tem um surto declarado. Divida sempre o numerador pelo denominador antes de aplicar qualquer teste estatístico. Trabalhar com contagem bruta é o erro mais comum em equipes iniciantes.

Limitações e onde o método falha

O modelo não funciona bem para doenças raras com incidência inferior a 1 caso por 100 mil habitantes anuais. Não há base estatística suficiente para estabelecer linha de base confiável. Nesses casos, a detecção deve ser baseada em eventos raros monitorados manualmente, não em algoritmos. Um exemplo é a febre amarela silvestre em áreas de transição entre Mata Atlântica e cerrado. O sinal só aparece quando o primeiro caso humano é notificado, o que já é tarde para controle vetorial. Outra limitação séria: sistemas de informação que não conversam entre si. Se o prontuário eletrônico do hospital não integra com o sistema laboratorial da secretaria municipal, você perde o dado mais crítico na primeira fase. Já vi equipes gastarem três semanas tentando reconstruir dados que estariam disponíveis em tempo real se existisse interoperabilidade via SOAP ou HL7 FHIR. A solução alternativa é importar arquivos CSV exportados manualmente das fontes dispersas e criar um data lake intermediário com validação automática de campos obrigatórios. Esse processo extra gasta cerca de 10 horas semanais da equipe, mas evita o gap de informação completamente.

Recursos e links úteis

Para quem quer começar, o repositório do OpenDSSD (Open Data for Surveillance of Disease Dynamics) no GitHub oferece datasets anonimizados de vigilância brasileira com documentação em português. A biblioteca Pycopula permite simulação de cenários de propagação com parâmetros ajustáveis. Para mapeamento em campo, o QGIS versão 3.34 com plugin QGisTimeWindow facilita a análise temporal sobre mapas vetoriais.

Checklist para surtos de doenças em vigilância municipal

• Definir fonte primária de dados síndrômicos (prontuário, laboratório ou farmácia)
• Estabelecer linha de base histórica de pelo menos 3 anos
• Calcular limiar sazonal com SARIMA ou método de média móvel ponderada
• Configurar alerta automático para duas elevações consecutivas acima do limiar
• Validar cada alerta com inspeção humana antes de declarar surto
• Documentar taxa de falsos positivos mensal para ajustar sensibilidade do modelo
• Manter protocolo de resposta em até 24 horas após confirmação do alerta

O que mais separa uma vigilância eficaz de uma que apenas reagente a problemas já instalados é a velocidade do primeiro sinal. Diferenciar ruído de evento real exige conhecimento da epidemiologia local, não apenas programação. O algoritmo indica. O profissional decide.