1 Limitações dos Indicadores de Saúde

Indicadores são simplificações da realidade. Toda medida carrega imprecisões, contextos ignorados e riscos de interpretação equivocada. Conhecer as limitações dos indicadores é parte fundamental da formação do profissional de saúde crítico e responsável (Rouquayrol; Gurgel, 2017).

1.1 Qualidade do dado: subregistro e erros

ImportantePrincípio fundamental

Um indicador é tão bom quanto a qualidade dos dados que o compõem. Dados ruins produzem indicadores ruins — independentemente da sofisticação do método.

1.1.1 Subregistro de óbitos

Regiões remotas ou com baixa cobertura de saúde sub-notificam mortes. A mortalidade real pode ser subestimada em até 40% em alguns municípios brasileiros, especialmente em comunidades indígenas, quilombolas e zonas rurais do Norte e Nordeste.

Mostrar código R 
# Valores aproximados baseados em estimativas de Busca Ativa / SVS
# Consulte relatórios do MS/SVS para dados exatos
subreg <- tibble::tribble(
  ~regiao, ~subregistro,
  "Norte",        25.0,
  "Nordeste",     18.0,
  "Centro-Oeste",  8.0,
  "Sudeste",       3.5,
  "Sul",           2.5
)

ggplot(subreg, aes(x = reorder(regiao, subregistro), y = subregistro, fill = regiao)) +
  geom_col(width = 0.6) +
  geom_text(aes(label = paste0(fmt_br(subregistro), "%")), hjust = -0.2, size = 4) +
  coord_flip() +
  scale_fill_manual(values = cores_regioes) +
  scale_y_continuous(limits = c(0, 32)) +
  labs(
    title = "Subregistro de óbitos: problema concentrado no Norte e Nordeste",
    subtitle = "Estimativas de subregistro do SIM por região",
    x = NULL, y = "Subregistro estimado (%)",
    caption = "Fonte: Estimativas baseadas em Busca Ativa / SVS (valores aproximados — não usar como estatística oficial)"
  ) +
  tema_indicadores() +
  theme(legend.position = "none")
Figura 1: Estimativa de subregistro de óbitos por região — Brasil

1.1.2 Declaração de Óbito mal preenchida

O preenchimento inadequado da DO é um problema epidemiológico grave:

  • “Parada cardiorrespiratória” como causa básica é clinicamente incorreto — toda morte resulta em parada cardiorrespiratória
  • O médico deve identificar e registrar a causa primária da morte
  • Campos como raça/cor, escolaridade e ocupação frequentemente ficam em branco

1.2 Comparabilidade entre populações

Taxas brutas não são diretamente comparáveis entre populações com estruturas etárias, sociais ou culturais distintas.

  • Diferenças nas definições de caso entre países (ex.: critérios para morte materna)
  • Sistemas de informação heterogêneos (SIM, SINASC, SINAN) com critérios e coberturas diferentes
  • Variações culturais na autopercepção de saúde
  • Solução: padronização e harmonização metodológica (ver capítulo sobre padronização)

1.3 Falácia ecológica

A falácia ecológica ocorre quando se inferem características individuais a partir de dados agregados populacionais.

Mostrar código R 
# Dados hipotéticos de bairros de uma cidade
falacia <- tibble::tribble(
  ~bairro, ~renda_media, ~taxa_homicidio, ~gini,
  "Bairro A",  2500,  45.0, 0.55,
  "Bairro B",  4000,  32.0, 0.48,
  "Bairro C",  6500,  18.0, 0.42,
  "Bairro D",  9000,  12.0, 0.35,
  "Bairro E", 15000,   5.0, 0.28,
  "Bairro F", 12000,  28.0, 0.62
)

ggplot(falacia, aes(x = renda_media, y = taxa_homicidio)) +
  geom_point(aes(size = gini), color = cores_indicadores["perigo"], alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE, color = cores_indicadores["destaque"],
              linetype = "dashed") +
  geom_text(aes(label = bairro), vjust = -1, size = 3) +
  scale_x_continuous(labels = label_dollar(prefix = "R$ ", big.mark = ".")) +
  labs(
    title = "Cuidado com a falácia ecológica!",
    subtitle = "A tendência geral esconde que o Bairro F tem alta renda E alta violência (desigualdade interna)",
    x = "Renda média do bairro (R$)", y = "Taxa de homicídios (por 100 mil)",
    size = "Índice de Gini",
    caption = "Dados hipotéticos para fins ilustrativos"
  ) +
  tema_indicadores()
Figura 2: Ilustração da falácia ecológica
AvisoLição

Uma região com alta renda per capita E alta taxa de homicídios pode ter extrema desigualdade interna. Indicadores ecológicos descrevem populações, não indivíduos.

1.4 Correlação não é causalidade

A associação estatística entre dois indicadores não implica relação causal.

Mostrar código R 
espuria <- tibble::tribble(
  ~pais, ~tvs_por_100, ~mi,
  "País A",   5,  85,
  "País B",  15,  60,
  "País C",  35,  35,
  "País D",  55,  22,
  "País E",  75,  12,
  "País F",  90,   6
)

ggplot(espuria, aes(x = tvs_por_100, y = mi)) +
  geom_point(size = 4, color = cores_indicadores["destaque"]) +
  geom_smooth(method = "lm", se = TRUE, alpha = 0.15, color = cores_indicadores["alerta"]) +
  geom_text(aes(label = pais), vjust = -1, size = 3) +
  labs(
    title = "Correlação ≠ Causalidade",
    subtitle = "TVs não protegem crianças — ambos refletem desenvolvimento socioeconômico",
    x = "Televisores por 100 domicílios", y = "Mortalidade Infantil (por 1.000 NV)",
    caption = "Dados hipotéticos — variável de confusão: renda/desenvolvimento"
  ) +
  tema_indicadores()
Figura 3: Exemplo de correlação espúria: TVs e mortalidade infantil

A explicação causal exige desenhos de estudo adequados (ensaios clínicos, coortes bem controlados) e análise criteriosa de variáveis de confusão.

1.5 Defasagem temporal

Há sempre um intervalo entre o evento real e a consolidação dos dados:

  • No Brasil, óbitos podem levar meses para entrar no SIM com causa corretamente classificada
  • Durante epidemias, dados em tempo real subestimam a magnitude do problema
  • Dados do “último ano disponível” frequentemente refletem a situação de 12 a 24 meses antes

1.6 Uso político seletivo

Gestores podem selecionar indicadores favoráveis e omitir os desfavoráveis. Melhorias aparentes podem resultar de:

  • Mudanças metodológicas
  • Ampliação da cobertura do sistema de informação
  • Redefinição dos critérios diagnósticos
DicaProteção contra manipulação
  • Exigir séries históricas longas e múltiplos indicadores complementares
  • Questionar sempre: o que não está sendo medido? Quem está fora do denominador?
  • Preferir fontes independentes com metodologia transparente e auditável
De volta ao topo

Referências

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