1 Indicadores de Mortalidade

1.1 Por que não basta contar mortes?

Um erro frequente é confundir o número absoluto de óbitos com o risco de morte. Os números absolutos são influenciados diretamente pelo tamanho da população — populações maiores terão mais mortes, mesmo que o risco individual seja idêntico (Gordis, 2017).

Mostrar código R

# Valores ilustrativos baseados no exemplo didático de Gordis, Epidemiologia, 5ª ed., 2017
# Os valores são aproximados e servem para demonstrar o conceito — consulte a fonte original
eua_cancer <- tibble::tribble(
  ~ano, ~obitos_mil, ~pop_milhoes, ~taxa_100mil,
  1920,  100,  106, 94.3,
  1940,  160,  132, 121.2,
  1960,  280,  179, 156.4,
  1980,  400,  226, 177.0,
  2000,  550,  281, 195.7,
  2011,  580,  311, 186.5
)

p1 <- ggplot(eua_cancer, aes(x = ano, y = obitos_mil)) +
  geom_col(fill = cores_indicadores["alerta"], alpha = 0.8, width = 12) +
  scale_y_continuous(labels = label_number(big.mark = ".")) +
  labs(title = "Óbitos absolutos (milhares)", x = "Ano", y = "Óbitos (milhares)") +
  tema_indicadores(base_size = 10)

p2 <- ggplot(eua_cancer, aes(x = ano, y = taxa_100mil)) +
  geom_line(color = cores_indicadores["destaque"], linewidth = 1.2) +
  geom_point(color = cores_indicadores["destaque"], size = 2.5) +
  labs(title = "Taxa por 100 mil hab.", x = "Ano", y = "Taxa") +
  tema_indicadores(base_size = 10)

p1 + p2 +
  plot_annotation(
    title = "Números absolutos exageram a tendência",
    subtitle = "EUA — mortes por câncer: aumento de 5× nos absolutos, mas ~2× na taxa",
    caption = "Fonte: Baseado em Gordis, Epidemiologia, 5ª ed., 2017 (valores ilustrativos aproximados)"
  )

Figura 1: Números absolutos vs. taxas: o caso do câncer nos EUA

Conclusão

Precisamos sempre trabalhar com taxas (mortes por unidade de população exposta), e não apenas com contagens absolutas.

1.2 Taxa Bruta de Mortalidade (TBM)

TBM = (Total de óbitos no ano / População no meio do ano) × 1.000

Caracteriza o risco médio de morte por qualquer causa. Contudo, a TBM não controla a estrutura etária — populações mais envelhecidas apresentam TBM mais elevada, mesmo com riscos etários idênticos (ver capítulo sobre padronização).

Mostrar código R

# Fonte: IBGE — SIDRA 7360
tbm_brasil <- carregar_dados("tbm_brasil") |>
  filter(ano >= 2010, ano <= 2040)

ggplot(tbm_brasil, aes(x = ano, y = valor)) +
  geom_line(color = cores_indicadores["destaque"], linewidth = 1) +
  geom_point(color = cores_indicadores["destaque"], size = 2.5) +
  scale_x_continuous(breaks = seq(2010, 2040, 5)) +
  labs(
    title = "TBM projetada: tendência de aumento pelo envelhecimento",
    subtitle = "A TBM sobe não por piora da saúde, mas pela mudança na estrutura etária",
    x = "Ano", y = "TBM (por 1.000 hab.)",
    caption = fonte_dados("tbm_brasil")
  ) +
  tema_indicadores()

Figura 2: Evolução da Taxa Bruta de Mortalidade no Brasil — projeções IBGE

Atenção

As projeções do IBGE não capturam choques como a pandemia de COVID-19 (2020-2021), que elevou a TBM observada acima de 8,0 por mil hab. Os dados acima são projeções demográficas em cenário base.

1.3 Taxas de Mortalidade Específicas

Mostrar código R

mort_esp <- tibble::tribble(
  ~Indicador, ~Fórmula, ~`Referência/Meta`,
  "Mortalidade Infantil",  "Óbitos < 1 ano / NV × 1.000",          "Brasil 2022: ~10,9 (IBGE Projeções)",
  "Mortalidade Materna",   "Óbitos maternos / NV × 100.000",       "ODS: < 70 por 100.000 NV",
  "Mortalidade Neonatal",  "Óbitos 0-27 dias / NV × 1.000",        "Precoce (<7d) e Tardia (7-27d)",
  "Mortalidade Perinatal", "Óbitos fetais + neonatais precoces / Nascimentos", "Qualidade obstétrica",
  "Por causa específica",  "Óbitos por causa X / Pop × 100.000",   "Avalia eficácia de programas"
)

tabela_indicador(mort_esp)

Tabela 1: Principais indicadores de mortalidade específica

Indicador	Fórmula	Referência/Meta
Mortalidade Infantil	Óbitos < 1 ano / NV × 1.000	Brasil 2022: ~10,9 (IBGE Projeções)
Mortalidade Materna	Óbitos maternos / NV × 100.000	ODS: < 70 por 100.000 NV
Mortalidade Neonatal	Óbitos 0-27 dias / NV × 1.000	Precoce (<7d) e Tardia (7-27d)
Mortalidade Perinatal	Óbitos fetais + neonatais precoces / Nascimentos	Qualidade obstétrica
Por causa específica	Óbitos por causa X / Pop × 100.000	Avalia eficácia de programas

1.4 Mortalidade Infantil — Componentes

A mortalidade infantil (MI) é considerada o indicador mais sensível do nível de desenvolvimento de uma sociedade (Rouquayrol; Gurgel, 2017).

Mostrar código R

mi_comp <- tibble::tribble(
  ~Componente, ~Período, ~`Principais causas`,
  "Neonatal Precoce", "0 a 6 dias",       "Asfixia perinatal, prematuridade, infecções, malformações",
  "Neonatal Tardio",  "7 a 27 dias",      "Infecções, condições congênitas, prematuridade tardia",
  "Pós-Neonatal",     "28 dias a < 1 ano", "Diarreia, pneumonia, desnutrição, causas externas"
)

tabela_indicador(mi_comp)

Tabela 2: Componentes da mortalidade infantil e suas causas predominantes

Componente	Período	Principais causas
Neonatal Precoce	0 a 6 dias	Asfixia perinatal, prematuridade, infecções, malformações
Neonatal Tardio	7 a 27 dias	Infecções, condições congênitas, prematuridade tardia
Pós-Neonatal	28 dias a < 1 ano	Diarreia, pneumonia, desnutrição, causas externas

Mostrar código R

# Fonte: IBGE — SIDRA 7362
mi_brasil <- carregar_dados("mi_brasil") |>
  filter(ano >= 2000, ano <= 2030)

ggplot(mi_brasil, aes(x = ano, y = valor)) +
  geom_area(fill = cores_indicadores["destaque"], alpha = 0.15) +
  geom_line(color = cores_indicadores["destaque"], linewidth = 1.2) +
  geom_point(color = cores_indicadores["destaque"], size = 2) +
  scale_x_continuous(breaks = seq(2000, 2030, 5)) +
  labs(
    title = "Queda consistente da mortalidade infantil no Brasil",
    subtitle = glue("De {fmt_br(mi_brasil$valor[mi_brasil$ano == 2000])} (2000) para {fmt_br(mi_brasil$valor[mi_brasil$ano == 2024])} (2024) por mil NV"),
    x = "Ano", y = "MI (por 1.000 NV)",
    caption = fonte_dados("mi_brasil")
  ) +
  tema_indicadores()

Figura 3: Evolução da mortalidade infantil no Brasil — projeções IBGE

1.4.1 Mortalidade Infantil por Região

Mostrar código R

# Fonte: IBGE — SIDRA 7362 por região
mi_regiao <- carregar_dados("mi_regiao") |>
  filter(ano %in% c(2000, 2010, 2020))

ggplot(mi_regiao, aes(x = factor(ano), y = valor, fill = regiao)) +
  geom_col(position = "dodge", width = 0.7) +
  geom_text(aes(label = fmt_br(valor)), position = position_dodge(0.7),
            vjust = -0.5, size = 2.8) +
  scale_fill_manual(values = cores_regioes) +
  labs(
    title = "Persistência das desigualdades regionais na MI",
    subtitle = "Norte e Nordeste mantêm taxas acima do dobro do Sul",
    x = "Ano", y = "MI (por 1.000 NV)", fill = "Região",
    caption = fonte_dados("mi_regiao")
  ) +
  tema_indicadores()

Figura 4: Mortalidade Infantil por Grande Região — projeções IBGE

1.5 Esperança de Vida ao Nascer

Mostrar código R

# Fonte: IBGE — SIDRA 7362
ev_brasil <- carregar_dados("ev_brasil") |>
  filter(ano >= 2000, ano <= 2040)

ev_long <- ev_brasil |>
  pivot_longer(c(total, masculino, feminino), names_to = "sexo", values_to = "ev") |>
  mutate(sexo = case_match(sexo,
    "total" ~ "Total",
    "masculino" ~ "Masculino",
    "feminino" ~ "Feminino"
  ))

ggplot(ev_long, aes(x = ano, y = ev, color = sexo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 1.5) +
  scale_color_manual(values = c("Total" = "#333", "Masculino" = "#2c7fb8", "Feminino" = "#e7298a")) +
  scale_x_continuous(breaks = seq(2000, 2040, 5)) +
  labs(
    title = "Esperança de vida ao nascer: mulheres vivem ~7 anos a mais",
    subtitle = "Tendência de aumento para ambos os sexos, com diferença persistente",
    x = "Ano", y = "Esperança de vida (anos)", color = "Sexo",
    caption = fonte_dados("ev_brasil")
  ) +
  tema_indicadores()

Figura 5: Esperança de vida ao nascer por sexo — projeções IBGE

1.6 Mortalidade Proporcional

Indica a participação percentual de uma causa no total de óbitos.

MP (%) = (Óbitos por causa X / Total de óbitos) × 100

Mostrar código R

# Valores aproximados baseados em SIM/DATASUS — TabNet > Mortalidade 2022
# Consulte http://tabnet.datasus.gov.br/cgi/tabcgi.exe?sim/cnv/obt10uf.def para dados exatos
mp_brasil <- tibble::tribble(
  ~causa, ~proporcao,
  "Doenças do aparelho circulatório",   26.6,
  "Neoplasias (cânceres)",              17.4,
  "Doenças do aparelho respiratório",   11.8,
  "Causas externas",                    10.8,
  "Doenças endócrinas/metabólicas",      7.6,
  "Doenças do aparelho digestivo",       5.6,
  "Doenças infecciosas e parasitárias",  4.1,
  "Outras causas",                      16.1
)

ggplot(mp_brasil, aes(x = reorder(causa, proporcao), y = proporcao)) +
  geom_col(fill = cores_indicadores["destaque"], width = 0.7) +
  geom_text(aes(label = paste0(fmt_br(proporcao), "%")), hjust = -0.1, size = 3.5) +
  coord_flip() +
  scale_y_continuous(limits = c(0, 32)) +
  labs(
    title = "Perfil de mortalidade do Brasil em 2022",
    subtitle = "DCNT dominam o perfil de mortalidade",
    x = NULL, y = "Proporção (%)",
    caption = "Fonte: SIM/DATASUS — TabNet, Mortalidade por capítulo CID-10, 2022 (valores aproximados — não usar como estatística oficial)"
  ) +
  tema_indicadores()

Figura 6: Mortalidade proporcional por grupo de causas — Brasil (2022)

Armadilha interpretativa

Uma queda na proporção de óbitos por doença infecciosa pode indicar tanto melhora do controle da infecção quanto aumento da mortalidade por doenças crônicas — sem alterar o risco absoluto.

1.7 Letalidade: CFR e IFR

Mostrar código R

cfr_ifr <- tibble::tribble(
  ~Medida, ~Fórmula, ~`Denominador`,
  "CFR (Case Fatality Rate)",      "Óbitos / Casos confirmados × 100", "Casos diagnosticados",
  "IFR (Infection Fatality Rate)", "Óbitos / Casos estimados × 100",   "Inclui não diagnosticados"
)

tabela_indicador(cfr_ifr)

Tabela 3: Comparação entre CFR e IFR

Medida	Fórmula	Denominador
CFR (Case Fatality Rate)	Óbitos / Casos confirmados × 100	Casos diagnosticados
IFR (Infection Fatality Rate)	Óbitos / Casos estimados × 100	Inclui não diagnosticados

1.8 DALY — Disability-Adjusted Life Year

O DALY captura mortalidade prematura e morbidade. Amplamente utilizado pela OMS (World Health Organization, 2022).

DALY = YLL + YLD

YLL (Years of Life Lost): anos perdidos por morte prematura
YLD (Years Lived with Disability): anos vividos com incapacidade

Mostrar código R

# Valores ilustrativos baseados em GBD 2019 — IHME (https://vizhub.healthdata.org/gbd-compare/)
# Ordem de magnitude aproximada — consulte o GBD Results Tool para dados exatos
daly_brasil <- tibble::tribble(
  ~causa, ~daly_mil, ~tipo,
  "Doenças cardiovasculares",    12500, "DCNT",
  "Violência interpessoal",       7800, "Causas externas",
  "Dor lombar/cervical",          6200, "DCNT",
  "Transtornos depressivos",      5100, "Saúde mental",
  "Diabetes mellitus",            4800, "DCNT",
  "Acidentes de trânsito",        4200, "Causas externas",
  "DPOC",                         3800, "DCNT",
  "Neonatal",                     3500, "Materno-infantil",
  "Neoplasias (cânceres)",        3200, "DCNT",
  "Ansiedade",                    2800, "Saúde mental"
)

ggplot(daly_brasil, aes(x = reorder(causa, daly_mil), y = daly_mil / 1000, fill = tipo)) +
  geom_col(width = 0.7) +
  coord_flip() +
  scale_fill_manual(values = c(
    "DCNT" = "#2c7fb8", "Causas externas" = "#d95f02",
    "Saúde mental" = "#7570b3", "Materno-infantil" = "#1b9e77"
  )) +
  labs(
    title = "Carga de doença no Brasil (DALYs)",
    subtitle = "DCNT e violência dominam; saúde mental é subestimada nas políticas",
    x = NULL, y = "DALYs (milhões)", fill = "Grupo",
    caption = "Fonte: Baseado em GBD 2019 — IHME (valores ilustrativos aproximados)"
  ) +
  tema_indicadores()

Figura 7: Principais causas de DALYs no Brasil (GBD 2019)

1.9 Declaração de Óbito e Qualidade dos Dados

A DO é o documento legal e epidemiológico que registra cada morte no Brasil. Problemas:

Causas mal definidas: “parada cardiorrespiratória” como causa básica é clinicamente incorreto
Subregistro: até 20-30% dos óbitos em regiões mais pobres não são registrados
Erros de preenchimento: campos como raça/cor e escolaridade ficam em branco

Responsabilidade médica

A DO possui campo específico para raça/cor — seu preenchimento correto é obrigação ética e epidemiológica do médico.

De volta ao topo

Referências

GORDIS, Leon. Epidemiologia. 5. ed. Rio de Janeiro: Thieme Revinter, 2017.

ROUQUAYROL, Maria Zélia; GURGEL, Marcelo. Epidemiologia & Saúde. 8. ed. Rio de Janeiro: MedBook, 2017.

WORLD HEALTH ORGANIZATION. Health Statistics and Information Systems: Metrics — Disability-Adjusted Life Year (DALY). GenevaWHO, 2022.