1 Padronização de Indicadores

A padronização é a técnica epidemiológica utilizada para eliminar o efeito de variáveis de confusão — especialmente a estrutura etária — ao comparar taxas entre populações diferentes. Sem padronização, comparações diretas de taxas brutas podem ser completamente enganosas (Gordis, 2017).

1.1 O problema da estrutura etária

Mostrar código R 
# Exemplo didático: duas cidades
cidades <- tibble::tribble(
  ~faixa_etaria, ~pop_A, ~obitos_A, ~taxa_A, ~pop_B, ~obitos_B, ~taxa_B,
  "0–14 anos",    5000,    5,      1.0,    1500,    2,      1.3,
  "15–49 anos",   3500,    7,      2.0,    2000,    4,      2.0,
  "50–64 anos",    800,    8,     10.0,    3000,   30,     10.0,
  "65+ anos",      700,   14,     20.0,    3500,   70,     20.0
)

# TBM calculada
tbm_a <- sum(cidades$obitos_A) / sum(cidades$pop_A) * 1000  # ~3.4
tbm_b <- sum(cidades$obitos_B) / sum(cidades$pop_B) * 1000  # ~10.6

tab_display <- cidades |>
  mutate(
    `Taxa A (‰)` = fmt_br(taxa_A),
    `Taxa B (‰)` = fmt_br(taxa_B)
  ) |>
  select(faixa_etaria, pop_A, obitos_A, `Taxa A (‰)`, pop_B, obitos_B, `Taxa B (‰)`)

names(tab_display) <- c("Faixa etária", "Pop A", "Óbitos A", "Taxa A (‰)",
                         "Pop B", "Óbitos B", "Taxa B (‰)")

tabela_indicador(tab_display, caption = glue(
  "Cidade A: TBM = {fmt_br(tbm_a)}‰ | Cidade B: TBM = {fmt_br(tbm_b)}‰ — mas as taxas por faixa etária são praticamente iguais!"
))
Cidade A: TBM = 3,4‰ | Cidade B: TBM = 10,6‰ — mas as taxas por faixa etária são praticamente iguais!
Faixa etária Pop A Óbitos A Taxa A (‰) Pop B Óbitos B Taxa B (‰)
0–14 anos 5000 5 1,0 1500 2 1,3
15–49 anos 3500 7 2,0 2000 4 2,0
50–64 anos 800 8 10,0 3000 30 10,0
65+ anos 700 14 20,0 3500 70 20,0
Figura 1: Por que taxas brutas enganam: o efeito da estrutura etária
DicaConclusão do exemplo

A Cidade A parece muito mais “saudável” (TBM = 3,4‰ vs. 10,6‰), mas isso ocorre porque é uma cidade jovem. As taxas por faixa etária são praticamente idênticas! A diferença observada é um artefato da composição etária.

1.2 Padronização Direta

Aplica as taxas específicas por faixa etária da população estudada a uma população-padrão (referência).

1.2.1 Passo a passo

  1. Calcular as taxas específicas por faixa etária em cada população
  2. Escolher uma população-padrão (ex.: população brasileira, população OMS)
  3. Multiplicar cada taxa pela população-padrão da faixa correspondente
  4. Somar os óbitos esperados → dividir pela população-padrão total

Taxa Padronizada = Σ (Taxa específica_i × Pop-padrão_i) / Pop-padrão total

Mostrar código R 
# Usando população-padrão hipotética
pop_padrao <- c(3000, 3000, 2500, 1500)  # distribuição padrão
taxas_A <- cidades$taxa_A / 1000
taxas_B <- cidades$taxa_B / 1000

esperados_A <- taxas_A * pop_padrao
esperados_B <- taxas_B * pop_padrao

taxa_pad_A <- sum(esperados_A) / sum(pop_padrao) * 1000
taxa_pad_B <- sum(esperados_B) / sum(pop_padrao) * 1000

pad_result <- tibble(
  Cidade = c("A", "B"),
  `TBM bruta (‰)` = c(fmt_br(tbm_a), fmt_br(tbm_b)),
  `Taxa padronizada (‰)` = c(fmt_br(taxa_pad_A), fmt_br(taxa_pad_B)),
  Interpretação = c("Antes parecia melhor", "Antes parecia pior")
)

tabela_indicador(pad_result, caption = "Após padronização, as taxas se equiparam")
Após padronização, as taxas se equiparam
Cidade TBM bruta (‰) Taxa padronizada (‰) Interpretação
A 3,4 6,4 Antes parecia melhor
B 10,6 6,5 Antes parecia pior
Figura 2: Exemplo prático de padronização direta

1.2.2 Aplicação: natalidade por região do Brasil

Mostrar código R 
# Valores aproximados baseados em IBGE/DATASUS e OPAS, 2008
# Servem para demonstrar o conceito de padronização — consulte fontes originais para dados exatos
tbn_pad <- tibble::tribble(
  ~regiao, ~bruta, ~padronizada,
  "Norte",        25.5, 22.1,
  "Nordeste",     22.8, 21.4,
  "Sudeste",      16.2, 18.3,
  "Sul",          15.4, 17.8,
  "Centro-Oeste", 19.8, 19.2
)

tbn_pad_long <- tbn_pad |>
  pivot_longer(-regiao, names_to = "tipo", values_to = "taxa") |>
  mutate(tipo = ifelse(tipo == "bruta", "Taxa Bruta", "Taxa Padronizada"))

ggplot(tbn_pad_long, aes(x = regiao, y = taxa, fill = tipo)) +
  geom_col(position = "dodge", width = 0.7) +
  geom_text(aes(label = fmt_br(taxa)), position = position_dodge(0.7),
            vjust = -0.5, size = 3) +
  scale_fill_manual(values = c("Taxa Bruta" = cores_indicadores["alerta"],
                                "Taxa Padronizada" = cores_indicadores["destaque"])) +
  scale_y_continuous(limits = c(0, 30)) +
  labs(
    title = "Padronização reduz diferenças regionais de natalidade",
    subtitle = "Sudeste e Sul 'sobem' após padronização; Norte e Nordeste 'descem'",
    x = NULL, y = "TBN (por 1.000 hab.)", fill = NULL,
    caption = "Fonte: IBGE/DATASUS; OPAS, 2008 (valores aproximados — não usar como estatística oficial)"
  ) +
  tema_indicadores()
Figura 3: TBN bruta vs. padronizada por região — Brasil 2004

1.3 Padronização Indireta — SMR

Usada quando não se conhecem as taxas específicas da população estudada, mas apenas o total de óbitos observados.

SMR = (Óbitos Observados / Óbitos Esperados) × 100

Mostrar código R 
smr_interp <- tibble::tribble(
  ~SMR, ~Interpretação, ~Exemplo,
  "< 100", "Mortalidade menor que a esperada", "SMR = 80 → 20% menos óbitos que o esperado",
  "= 100", "Mortalidade igual à esperada",     "Sem diferença em relação à referência",
  "> 100", "Mortalidade maior que a esperada",  "SMR = 145 → 45% mais óbitos que o esperado"
)

tabela_indicador(smr_interp)
Tabela 1: Interpretação do SMR (Standardized Mortality Ratio)
SMR Interpretação Exemplo
< 100 Mortalidade menor que a esperada SMR = 80 → 20% menos óbitos que o esperado
= 100 Mortalidade igual à esperada Sem diferença em relação à referência
> 100 Mortalidade maior que a esperada SMR = 145 → 45% mais óbitos que o esperado
NotaExemplo prático

Trabalhadores rurais expostos a agrotóxicos com SMR = 145 para câncer de pulmão indicam mortalidade por câncer 45% superior à da população geral, sugerindo risco ocupacional.

De volta ao topo

Referências

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