Skip to main content
NCBI home page
Arquivos Brasileiros de Cardiologia logoLink to Arquivos Brasileiros de Cardiologia
. 2023 Nov 23;120(11):e20220844. [Article in Portuguese] doi: 10.36660/abc.20220844
View full-text in English

Associação de Nível de Renda e Doença Isquêmica do Coração: Papel Potencial da Caminhabilidade

Rodrigo Julio Cerci 1,2, Miguel Morita Fernandes-Silva 1,2, João Vicente Vitola 1, Juliano Julio Cerci 1, Carlos Cunha Pereira Neto 1, Margaret Masukawa 1, Ana Paula Weller Gracia 2, Lara Luiza Silvello 2, Pedro Prado 1, Murilo Guedes 2, Adriano Akira Ferreira Hino 2, Cristina Pellegrino Baena 2
PMCID: PMC10697676  PMID: 38055417

Resumo

Fundamento

O nível socioeconômico tem sido associado à doença isquêmica do coração (DIC). Bairros de alta renda podem expor os indivíduos a um ambiente construído que promova caminhadas para atividades diárias (caminhabilidade). Faltam dados sobre a associação entre renda e DIC em países de renda média. Também é incerto se a caminhabilidade medeia essa associação.

Objetivos

Investigar se a renda está associada à DIC em um país de renda média e se a caminhabilidade dos bairros medeia a associação entre renda e DIC.

Métodos

O presente estudo transversal avaliou 44.589 pacientes encaminhados para imagem de perfusão miocárdica (SPECT-MPI). A renda e a caminhabilidade foram derivadas do setor censitário residencial dos participantes. A pontuação quantitativa da caminhabilidade combinou as seguintes 4 variáveis: conectividade viária, densidade residencial, densidade comercial e uso misto do solo. A DIC foi definida pela presença de perfusão miocárdica anormal durante um estudo SPECT-MPI. Utilizamos modelos ajustados com efeitos mistos para avaliar a associação entre nível de renda e DIC e realizamos uma análise de mediação para medir o percentual da associação entre renda e DIC mediada pela caminhabilidade. Consideramos valores de p abaixo de 0,01 como estatisticamente significativos.

Resultados

Dos 26.415 participantes, aqueles que residiam no setor censitário do tercil de menor renda eram mais fisicamente inativos (79,1% versus 75,8% versus 72,7%) quando comparados aos setores censitários do tercil de maior renda (p < 0,001). A renda foi associada à DIC ( odds ratio : 0,91 [intervalo de confiança de 95%: 0,87 a 0,96] para cada aumento de 1000,00 dólares internacionais na renda), para homens e mulheres igualmente (p para interação = 0,47). Os setores censitários com maior renda estiveram associados a uma melhor caminhabilidade (p < 0,001); no entanto, a caminhabilidade não mediou a associação entre renda e DIC (porcentagem mediada = −0,3%).

Conclusões

A renda foi independentemente associada a maior prevalência de DIC em um país de renda média, independentemente de gênero. Embora a caminhabilidade tenha sido associada à renda do setor censitário, ela não mediou a associação entre renda e DIC.

Keywords: Doença Isquêmica do Coração, Renda, Imagem de Perfusão do Miocárdio

Introdução

A doença isquêmica do coração (DIC) é responsável por 7,4 milhões de óbitos por ano ao redor do mundo, com um custo estimado de 2,1 bilhões de dólares apenas para tratamento agudo de complicações no Brasil. 1 , 2 O diagnóstico de DIC está bem estabelecido, validado e disponível, usando imagem de perfusão miocárdica com tomografia computadorizada por emissão de fóton único (SPECT-MPI). 3 - 5 Vários estudos determinaram o valor diagnóstico e prognóstico da perfusão miocárdica e da fração de ejeção do ventrículo esquerdo avaliadas por SPECT, para prever desfechos cardiovasculares adversos em vários subgrupos. 6 , 7

O nível socioeconômico tem sido associado ao desenvolvimento de doenças cardiovasculares. 8 Vários estudos demonstraram que o nível socioeconômico indiretamente influencia a DIC, impactando fatores de risco cardiovasculares comportamentais e metabólicos, fatores psicossociais e as condições ambientais de vida. 9 - 11 A teoria da causação social e a teoria do conflito sugerem que problemas de saúde e comportamentais surgem quando recursos e recompensas são oferecidos de forma diferente para populações diferentes causando níveis diferentes de estresse. Tem sido verificada uma associação entre renda e DIC em países de alta renda, mas variáveis socioeconômicas como nível educacional, emprego, acesso à saúde e fatores psicossociais são frequentemente testadas em combinação, onde ainda faltam análise de mediação e dados sobre a causalidade direta de cada um destes fatores. 9 , 12 Por exemplo, a desigualdade de renda tem sido associada ao aumento da criminalidade, o que também tem sido associado à redução da coesão social. A falta de segurança resultante da elevada criminalidade e da baixa coesão pode reduzir a atividade física ao ar livre, levando ao aumento da pressão arterial, do índice de massa corporal e de outros fatores de risco cardiovascular. 13 Por outro lado, a atividade física regular está associada a melhor perfil de risco cardiometabólico e menor risco de eventos cardiovasculares maiores. 14 , 15 Um ambiente construído que promova caminhadas para atividades diárias, também conhecido como melhor caminhabilidade, tem sido positivamente associado à atividade física geral. 16 Alguns estudos demonstraram que pessoas que vivem em bairros com menor caminhabilidade têm taxas mais altas de fatores de risco cardiometabólicos, como diabetes, obesidade, hipertensão e estilo de vida sedentário, bem como um maior risco previsto de doença cardiovascular em 10 anos. 17 - 22 Todos estes são fatores de risco bem conhecidos para DIC, mas ainda é incerto se a caminhabilidade pode mediar uma associação entre renda e DIC.

Finalmente, os dados da associação entre renda e DIC são inconsistentes nos países de renda baixa e média, que suportam a carga mais elevada de doenças cardiovasculares e têm estruturas sociais, ambientais e urbanas mais diversificadas quando comparados com países de renda alta. 23 - 25 A magnitude diversa e a interpolação dessas variáveis socioeconómicas mensuráveis em países de renda mais baixa podem resultar em diferentes correlações com a DIC, e essas informações podem mudar expressivamente a alocação de recursos já escassos pelos formuladores de políticas públicas, que precisam se concentrar em políticas de alto impacto para reduzir a prevalência e a mortalidade da DIC.

Os objetivos do presente estudo foram: (1) investigar se o nível de renda está associado à DIC em um grande centro urbano de um país de renda média (PRM) e (2) testar se a caminhabilidade do bairro medeia a associação entre renda e DIC.

Métodos

População

Realizamos um estudo transversal que avaliou pacientes submetidos ao primeiro estudo SPECT-MPI clinicamente encaminhado, de fevereiro de 2010 a agosto de 2017, em um centro de imagem cardiovascular de alto volume localizado em Curitiba, Paraná, Brasil. Cada paciente consecutivo submetido a SPECT-MPI foi elegível para análise, a menos que algum dos seguintes critérios de exclusão fosse atendido: participantes não residentes em Curitiba, idade inferior a 18 anos, falta de dados de renda ou resultados inconclusivos do estudo SPECT-MPI. Curitiba é um grande centro urbano da Região Sul do Brasil, com 1.751.907 habitantes, onde 14,7% da população recebia menos que um salário mínimo de acordo com o censo populacional brasileiro mais atualizado (2010). 26 De acordo com o mesmo censo, o Índice de Desenvolvimento Humano municipal foi de 0,823 e o índice de Gini, que representa a desigualdade de renda e varia de 0% a 100%, foi de 56%. 26 O estudo foi aprovado pelo Comitê de Ética da Pontifícia Universidade Católica do Paraná (CAAE: 71331517.4.0000.00020) seguindo as normas internacionais e locais. Todos os dados individuais foram coletados e incluídos no registro da instituição durante o estudo SPECT-MPI, quando todos os indivíduos forneceram consentimento esclarecido para o uso dos seus dados para fins científicos.

Coleta de dados para fatores tradicionais de risco cardiovascular

Uma enfermeira treinada entrevistou cada participante antes da aquisição das imagens. Foram coletados dados sobre idade, gênero, sintomas, histórico médico passado, fatores de risco cardiovascular e uso de medicamentos. Hipertensão, dislipidemia e diabetes mellitus foram definidos com base em diagnóstico prévio autorreferido ou uso de medicamentos anti-hipertensivos, hipolipemiantes ou antidiabéticos. Histórico familiar positivo de DIC prematura foi definido como parentes de primeiro grau com DIC de início precoce (homens ≤ 55 anos, mulheres ≤ 65 anos). A atividade física foi autorreferida e considerada como qualquer exercício aeróbico de pelo menos 30 minutos, 3 vezes por semana, para promoção da saúde, prevenção ou tratamento de doenças cardiovasculares. Os participantes foram considerados fisicamente inativos se não atenderam aos critérios acima. Também foram autorrelatados tabagismo, histórico prévio de DIC conhecida (infarto do miocárdio prévio, revascularização percutânea, cirurgia de revascularização do miocárdio ou DIC confirmada por angiografia coronária), altura e peso.

Variáveis socioeconômicas e de caminhabilidade

As variáveis socioeconômicas foram coletadas do censo populacional brasileiro mais atualizado (2010) e os dados de homicídios foram obtidos da Secretaria de Segurança Pública do Estado do Paraná. 26 O endereço de cada participante foi geocodificado usando uma plataforma on-line específica (Google Geocoding API Maps, Alphabet Inc, Estados Unidos), e variáveis individuais foram derivadas do setor censitário residencial do participante, incluindo: a renda média em moeda brasileira (real) por mês, nível de escolaridade definido pela alfabetização (analfabeto ou alfabetizado em qualquer nível) e nível de criminalidade estratificado pelo número de homicídios por 100 mil habitantes por ano. A renda foi posteriormente convertida para dólares internacionais (Int$), multiplicando-se a renda média em reais pela taxa unitária de paridade de poder de compra do Brasil do ano de 2010 (1,388).

A caminhabilidade foi medida para cada setor censitário por uma pontuação quantitativa que combina conectividade viária, densidade residencial, densidade comercial e uso misto do solo, obtidos por meio de camadas de dados, conforme descrito anteriormente. 16 Os valores brutos de cada indicador foram então normalizados usando escores z. Finalmente, um escore z de caminhabilidade foi obtido pela média de cada indicador de escore z e usado como uma variável contínua, conforme descrito em outra publicação. 27

Aquisição e análise de SPECT-MPI

A variável de desfecho foi a presença de DIC no nível do participante, definida por perfusão miocárdica anormal durante o estudo SPECT-MPI. Todos os participantes foram submetidos a aquisições de imagens de estresse e repouso após injeção intravenosa de 99mTc-sestamibi de 20 a 25 mCi ajustado ao peso. As imagens começaram 30 a 60 minutos após a injeção em repouso e 15 a 30 minutos após a injeção no pico de estresse. Foi realizada aquisição com protocolo de imagem convencional usando janelas de energia padrão para 99mTc em câmeras gama de cabeça dupla com um colimador multifuncional de baixa energia. 6 Nenhuma correção de atenuação foi usada.

Foi realizada a interpretação visual semiquantitativa do SPECT-MPI por consenso de 2 observadores experientes e certificados pelo conselho, usando cortes de eixo curto e eixo longo vertical, divididos em 17 segmentos padrão para cada paciente usando software específico (QPS, Cedars-Sinal, Los Angeles, Califórnia, Estados Unidos). 28 Cada segmento foi pontuado com base na captação do traçador da maneira seguinte: 0, normal; 1, levemente reduzida; 2, moderadamente reduzida; 3, severamente reduzida; e 4, captação ausente do traçador em imagens de repouso e estresse. Um escore de estresse somado (SSS) foi obtido pela soma dos escores dos 17 segmentos das imagens de estresse. Os estudos foram classificados como normais (SSS < 4) ou anormais (SSS ≥ 4).

Análise estatística

Os participantes foram divididos de acordo com tercis de renda por setor censitário, apenas para comparações de variáveis entre grupos. As variáveis contínuas foram testadas quanto à normalidade usando estatísticas de assimetria e curtose e apresentadas como média com desvio padrão, se distribuídas normalmente, ou mediana com intervalo interquartil, se não distribuídas normalmente. As variáveis categóricas foram apresentadas como proporções. Utilizamos ANOVA unidirecional com os tercis de renda como variável ordinal. Para variáveis binárias, utilizamos o teste qui-quadrado estendido de Mantel Haenszel para tendências lineares entre os tercis. Elaboramos um gráfico acíclico direcionado e o utilizamos como representação visual de suposições causais (Material Suplementar) para selecionar as variáveis para os modelos. Também utilizamos ponderação de probabilidade inversa em todos os modelos, contabilizando a distância entre o endereço dos participantes e o centro de imagem cardiovascular. Para considerar a correlação entre indivíduos que vivem no mesmo setor censitário, construímos modelos multiníveis (2 níveis) a partir de modelos de efeitos mistos para ajustar possíveis variáveis de confusão para avaliar a associação entre nível de renda (como variável contínua) e DIC e realizamos uma análise de mediação para medir o percentual da associação entre renda e DIC mediado pela caminhabilidade. No primeiro nível, foram incluídas as variáveis individuais (idade, gênero e fatores de risco cardiovascular). No segundo nível, foram incluídas variáveis derivadas do setor censitário (renda, caminhabilidade e alfabetização). Para análise foi utilizado o software Stata versão 15 (Stata Corp, College Station, Texas, Estados Unidos), e consideramos valores de p abaixo de 0,01 como estatisticamente significativos.

Resultados

Características da população

Avaliamos 44.589 pacientes que foram submetidos ao primeiro estudo SPECT-MPI clinicamente encaminhado. Após aplicação dos critérios de exclusão, a amostra final foi composta por 26.415 pacientes que foram incluídos na análise ( Figura 1 ), sendo residentes em 2168 dos 2193 setores censitários de Curitiba ( Figura 2 ). A maioria dos endereços dos participantes ficava a 10 km do centro de imagem (46,4% dentro de 5 km, 39,0% entre 5 e 10 km, 12,6% entre 10 e 15 km e 2% acima de 15 km). Os participantes estavam cobertos por planos de saúde privados (n = 25.623; 96,5%) e públicos (n = 792; 3,5%). As características clínicas da população estratificada pelos tercis de renda são apresentadas na Tabela 1 .

Figura 1. – Fluxograma dos critérios de exclusão.

Figura 1

Open in a new tab

Figura 2. – Endereços geocodificados dos 26.415 participantes de Curitiba.

Figura 2

Open in a new tab

Tabela 1. – Características populacionais e resultados do SPECT-MPI por renda.

Renda mensal Primeiro tercil (Int$) (230,5 - 1010,7) Segundo tercil (Int$) (1010,7 - 1791,9) Terceiro tercil (Int$) (1791,9 - 5743,3)  
Variáveis socioeconômicas por setor censitário n=1299 n=531 n=338 Valor p
Escore z de caminhabilidade, média ± DP –0,52 ± 1,51 0,64 ± 3,01 1,79 ± 2,75 < 0,001
Proporção média de alfabetização, média ± DP 0,96 ± 0,02 0,99 ± 0,01 0,99 ± 0,01 < 0,001
Taxa de homicídios por 100 mil habitantes, mediana (IIQ) 81,9 (0,0, 180,5) 0,0 (0,0, 89,8) 0,0 (0,0, 0,0) < 0,001
Fatores de risco tradicionais por paciente n=8806 n=8809 n=8800  
Idade, anos, média ± DP 60,82 ± 12,36 63,08 ± 12,63 64,74 ± 12,26 < 0,001
Gênero feminino, n (%) 4586 (52,1%) 4283 (48,6%) 4103 (46,6%) < 0,001
IMC, médio kg/m2 ± DP 28,38 ± 5,22 27,69 ± 4,74 27,43 ± 4,51 < 0,001
Hipertensão, n (%) 5752 (65,3%) 5463 (62,0%) 5241 (59,6%) < 0,001
Diabetes, n (%) 2362 (26,8%) 2070 (23,5%) 2003 (22,8%) < 0,001
Dislipidemia, n (%) 4629 (52,6%) 4660 (52,9%) 4724 (53,7%) 0,130
Histórico familiar de DIC prematura, n (%) 1610 (18,3%) 1572 (17,8%) 1459 (16,6%) 0,003
Tabagismo, n (%) 894 (10,2%) 797 (9,0%) 754 (8,6%) < 0,001
Inatividade física, n (%) 6962 (79,1%) 6675 (75,8%) 6393 (72,7%) < 0,001
Histórico anterior de DIC conhecida        
Revascularização percutânea prévia, n (%) 1302 (14,8%) 1297 (14,7%) 1256 (14,3%) 0,340
CRM prévia, n (%) 600 (6,8%) 519 (5,9%) 529 (6,0%) 0,028
IM prévio, n (%) 1053 (12,0%) 900 (10,2%) 784 (8,9%) < 0,001
Sintomas        
Dor torácica atípica, n (%) 2561 (29,2%) 1996 (22,8%) 1686 (19,3%) < 0,001
Dor torácica típica, n (%) 658 (7,5%) 513 (5,9%) 395 (4,5%) < 0,001
SPECT-MPI        
Perfusão miocárdica anormal, n (%) 2771 (31,5%) 2682 (30,4%) 2564 (29,1%) < 0,001
Open in a new tab

CRM: cirurgia de revascularização do miocárdio; DIC: doença isquêmica do coração; DP: desvio padrão; IIQ: intervalo interquartil; IM: infarto do miocárdio; IMC: índice de massa corporal; Int$: dólares internacionais; SPECT-MPI: imagem de perfusão miocárdica com tomografia computadorizada por emissão de fóton único.

Associação entre nível de renda e doença isquêmica do coração

Após ajuste para possíveis fatores de confusão, o nível de renda foi inversamente associado à DIC ( Figura Central A), com odds ratio (OR) de 0,91 (intervalo de confiança [IC] de 95%: 0,87 a 0,96) para cada aumento de Int$ 1.000,00 na renda. Por outro lado, a caminhabilidade não foi associada à DIC (OR 1,00; IC 95%: 0,99 a 1,02), conforme mostrado na Figura Central B. Outros fatores de risco tradicionais, como diabetes, tabagismo, histórico familiar de DIC prematura e inatividade física, também foram associados à DIC. Diabetes teve a associação mais forte, com OR de 1,57 (IC 95%: 1,44 a 1,72), conforme Tabela 2 . Embora a DIC tenha sido mais prevalente em homens do que em mulheres (31,2% versus 29,5%, p = 0,002), a associação com nível de renda foi semelhante em ambos os sexos (p para interação = 0,47).

Visual Abstract. : Associação de Nível de Renda e Doença Isquêmica do Coração: Papel Potencial da Caminhabilidade.

Visual Abstract

Open in a new tab

Associação entre doença isquêmica do coração (ajustada por fatores de risco tradicionais e variáveis socioeconômicas) e nível de renda (A), e escore z de caminhabilidade (B), e associação de escore z de caminhabilidade e nível de renda (C).

Tabela 2. – Modelo multinível de efeitos mistos tendo DIC como desfecho.

Variável OR IC de 95% Valor p
Renda por Int$1000 0,91 0,87 - 0,96 < 0,001
Caminhabilidade, escore z 1,00 0,99 - 1,02 0,720
Idade, anos 1,04 1,03 - 1,04 < 0,001
Gênero feminino 1,02 0,94 - 1,10 0,680
IMC, kg/m2 1,02 1,01 - 1,03 < 0,001
Hipertensão 1,09 1,00 - 1,19 0,050
Diabetes 1,57 1,44 - 1,72 < 0,001
Dislipidemia 0,96 0,89 - 1,04 0,350
Histórico familiar de DIC prematura 1,01 0,91 - 1,12 0,840
Tabagismo 1,32 1,16 - 1,51 < 0,001
Inatividade física 1,41 1,28 - 1,55 < 0,001
IM prévio 3,58 3,09 - 4,14 < 0,001
Analfabetismo por setor censitário 4,97 0,81 - 30,40 0,080
Open in a new tab

DIC: doença isquêmica do coração; IC: intervalo de confiança; IM: infarto do miocárdio; IMC: índice de massa corporal; Int$: dólares internacionais; OR: odds ratio.

Efeito mediador da caminhabilidade na associação entre nível de renda e doença isquêmica do coração

Os setores censitários com níveis de renda mais baixos foram associados a escores z de caminhabilidade mais baixos (−0,52 [IC 95%: −0,60 a 0,44] versus 0,64 [IC 95%: 0,38 a 0,89] versus 1,79 [IC 95%: 1,49 a 2,08]) do tercil de renda inferior para o superior, respectivamente (βeta: 0,115 ± 0,002, p < 0,001), conforme mostrado na Figura Central C, mas a caminhabilidade não mediou significativamente a associação entre nível de renda e DIC (porcentagem mediada = −0,3%). Também testamos a influência da criminalidade nessa mediação e descobrimos que a caminhabilidade mediou 0% (IC 95%: 0% a 28%) da associação entre renda e DIC em setores censitários sem homicídios por 100 mil habitantes; e mediou 3% (IC 95%: 0% a 18%) em setores censitários com pelo menos 1 homicídio por 100 mil habitantes.

Discussão

As principais conclusões da presente investigação podem ser resumidas da maneira seguinte: (1) o nível de renda está independente e inversamente associado à DIC em um grande centro urbano de um país de renda média; e (2) embora bairros com níveis de renda mais baixos estivessem associados a escores mais baixos de caminhabilidade, a caminhabilidade não explicou a associação entre nível de renda e DIC.

Associação entre nível de renda e doença isquêmica do coração

As chances de um estudo SPECT-MPI anormal diminuíram em 9% para cada aumento de Int$ 1.000,00 na renda do setor censitário dos participantes. Tem sido verificado uma associação entre renda e DIC em países de renda alta, mas os dados têm sido inconsistentes em países de renda média. 9 , 12 23 , 24 Dados de países de renda média vizinhos, Bósnia-Herzegovina e Sérvia, mostraram resultados opostos. 29 , 30 Janković et al. 29 não encontraram nenhuma associação entre renda e saúde cardiovascular global em Bósnia-Herzegovina, enquanto Vuković et al. 30 encontraram uma associação direta entre renda e fatores de risco cardiovascular tradicionais na Sérvia, onde os participantes mais ricos apresentavam o maior risco de hipertensão e dislipidemia (OR: 1,32 [IC 95%: 1,08 a 1,62] e OR 2,71 [IC 95%: 2,05 a 3,59], respectivamente). Uma revisão sistemática de 53 estudos concluiu que a mortalidade por DIC é mais elevada entre a população mais rica da Índia, um país de renda baixa-média. 31 Os nossos dados corroboram o conhecimento de que a associação entre renda e DIC pode estar presente nos países de renda média, independentemente dos fatores de risco tradicionais.

A razão pela qual não podemos extrapolar associações de países de renda alta para países de renda baixa e média é a estrutura social, ambiental e urbana diversa entre países e regiões que vai além do nível de renda de forma isolada. Um exemplo dessa diversidade é a distribuição da obesidade na população de diferentes países. 32 A obesidade é um fator de risco cardiovascular bem conhecido, que se tornou epidémico entre a população pobre em países de renda alta como os Estados Unidos da América, mas ainda é uma doença da população rica em países de renda baixa, onde apenas a população com renda mais elevada tem acesso à dieta ocidental propensa à obesidade. 32

O Brasil tem passado por uma transição epidemiológica nos últimos 30 anos, com um declínio geral nas doenças transmissíveis e uma carga crescente das doenças não transmissíveis, onde a DIC se tornou a principal causa de morte. 33 No entanto, mesmo dentro do Brasil, diferentes estados enfrentaram essa transição em tempos diferentes. Embora os estados de renda mais alta das Regiões Sul e Sudeste tenham iniciado a transição mais cedo, os estados de renda mais baixa das Regiões Norte e Nordeste ainda estão em movimento, enfrentando um aumento na mortalidade por DIC. 33 , 34 Curitiba está localizada na Região Sul do Brasil onde a transição epidemiológica está mais avançada, o que pode explicar uma associação entre renda e DIC mais semelhante àquela encontrada em países desenvolvidos.

Efeito mediador da caminhabilidade na associação entre nível de renda e doença isquêmica do coração

O aumento do estresse individual é a explicação mais amplamente descrita para a disparidade de saúde por nível socioeconômico. Os indivíduos com renda mais baixa sofrem mais stress, incluindo insegurança na habitação, salário, acesso aos alimentos e segurança, ao mesmo tempo que têm menos recursos para lidar com esses desafios, o que leva ao aumento de comportamentos de risco, como tabagismo, abuso de álcool e inatividade física. Tal comportamento se traduz em maior prevalência de fatores de risco tradicionais e doenças cardiovasculares. 11

Vários estudos também verificaram uma associação entre caminhabilidade e fatores de risco cardiovasculares, notadamente em países desenvolvidos e de alta renda, onde a inatividade física foi apontada como principal mediadora dessa associação. 17 - 20 , 35 - 38 Visto que a população que reside em setores censitários de Curitiba com baixa caminhabilidade é menos fisicamente ativa, 16 , 21 e visto que demonstramos no presente estudo que setores censitários com baixa caminhabilidade estão associados a uma população de baixa renda na mesma cidade, encontramos equilíbrio para testar se a caminhabilidade poderia mediar parte da associação entre renda e DIC. Até onde sabemos, este é o primeiro estudo a testar a possível mediação da caminhabilidade na associação entre nível de renda e DIC, que geralmente representa um desfecho patológico avançado da exposição de um paciente a uma combinação de muitos desses fatores de risco tradicionais, socioeconômicos e ambientais durante um longo período. 39 Não encontramos uma mediação significativa da caminhabilidade na associação entre nível de renda e DIC.

Limitações

As limitações principais do presente estudo estão relacionadas ao desenho transversal e ao viés inerente a tal análise, que pode ser mitigado pelo grande tamanho da amostra e pelo uso de um termo de ponderação de probabilidade inversa para considerar a distância entre

o endereço dos participantes e o centro de imagem cardiovascular (viés de seleção). Calculamos a variável de exposição de renda com base no endereço dos participantes no momento do estudo SPECT-MPI, não considerando há quanto tempo estavam expostos a essa renda. Por fim, pode haver algum viés de encaminhamento, uma vez que todos os pacientes foram clinicamente encaminhados para o SPECT-MPI e não foram amostrados aleatoriamente em cada setor censitário da cidade de Curitiba.

Conclusões

Neste grande registro, em um grande centro urbano de um país de renda média, residir em um setor censitário de baixa renda foi independentemente associado a maior prevalência de DIC, independentemente de gênero. Embora a caminhabilidade estivesse diretamente associada à renda do setor censitário, ela não mediou a associação entre nível de renda e DIC.

Footnotes

Vinculação acadêmica

Este artigo é parte de tese de doutorado de Rodrigo Julio Cerci pela Pontifícia Universidade Católica do Paraná.

Aprovação ética e consentimento informado

Este estudo foi aprovado pelo Comitê de Ética da Pontifícia Universidade Católica do Paraná sob o número de protocolo CAAE: 71331517.4.0000.00020. Todos os procedimentos envolvidos nesse estudo estão de acordo com a Declaração de Helsinki de 1975, atualizada em 2013. O consentimento informado foi obtido de todos os participantes incluídos no estudo.

Fontes de financiamento

O presente estudo foi financiado pela CAPES.

Referências

  • 1.Teich V, Piha T, Fahham L, Squiassi HB, Paloni EM, Miranda P, et al. Acute Coronary Syndrome Treatment Costs from the Perspective of the Supplementary Health System. Arq Bras Cardiol . 2015;105(4):339–344. doi: 10.5935/abc.20150129. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 2.WHO . Disease Burden and Mortality Estimates 2020 . Geneva: WHO; 2023. [cited Oct 2023]. Internet. https://www.who.int/healthinfo/global_burden_disease/estimates/en/ [Google Scholar]
  • 3.Cerqueira MD, Harp GD, Ritchie JL. Evaluation of Myocardial Perfusion and Function by Single Photon Emission Computed Tomography. Semin Nucl Med . 1987;17(3):200–213. doi: 10.1016/s0001-2998(87)80034-x. [DOI] [PubMed] [Google Scholar]
  • 4.Germano G, Kiat H, Kavanagh PB, Moriel M, Mazzanti M, Su HT, et al. Automatic Quantification of Ejection Fraction from Gated Myocardial Perfusion SPECT. J Nucl Med . 1995;36(11):2138–2147. [PubMed] [Google Scholar]
  • 5.Einstein AJ, Pascual TN, Mercuri M, Karthikeyan G, Vitola JV, Mahmarian JJ, et al. Current Worldwide Nuclear Cardiology Practices and Radiation Exposure: Results from the 65 Country IAEA Nuclear Cardiology Protocols Cross-Sectional Study (INCAPS) Eur Heart J . 2015;36(26):1689–1696. doi: 10.1093/eurheartj/ehv117. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 6.Cerci MS, Cerci JJ, Cerci RJ, Pereira CC, Neto, Trindade E, Delbeke D, et al. Myocardial Perfusion Imaging is a Strong Predictor of Death in Women. JACC Cardiovasc Imaging . 2011;4(8):880–888. doi: 10.1016/j.jcmg.2011.06.009. [DOI] [PubMed] [Google Scholar]
  • 7.Shaw L, Chaitman BR, Hilton TC, Stocke K, Younis LT, Caralis DG, et al. Prognostic Value of Dipyridamole Thallium-201 Imaging in Elderly Patients. J Am Coll Cardiol . 1992;19(7):1390–1398. doi: 10.1016/0735-1097(92)90592-b. [DOI] [PubMed] [Google Scholar]
  • 8.Schultz WM, Kelli HM, Lisko JC, Varghese T, Shen J, Sandesara P, et al. Socioeconomic Status and Cardiovascular Outcomes: Challenges and Interventions. Circulation . 2018;137(20):2166–2178. doi: 10.1161/CIRCULATIONAHA.117.029652. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 9.Khaing W, Vallibhakara SA, Attia J, McEvoy M, Thakkinstian A. Effects of Education and Income on Cardiovascular Outcomes: a Systematic Review and Meta-Analysis. Eur J Prev Cardiol . 2017;24(10):1032–1042. doi: 10.1177/2047487317705916. [DOI] [PubMed] [Google Scholar]
  • 10.Nieuwenhuijsen MJ. Influence of Urban and Transport Planning and the City Environment on Cardiovascular Disease. Nat Rev Cardiol . 2018;15(7):432–438. doi: 10.1038/s41569-018-0003-2. [DOI] [PubMed] [Google Scholar]
  • 11.Lemstra M, Rogers M, Moraros J. Income and Heart Disease: Neglected Risk Factor. Can Fam Physician . 2015;61(8):698–704. [PMC free article] [PubMed] [Google Scholar]
  • 12.Havranek EP, Mujahid MS, Barr DA, Blair IV, Cohen MS, Cruz-Flores S, et al. Social Determinants of Risk and Outcomes for Cardiovascular Disease: a Scientific Statement From the American Heart Association. Circulation . 2015;132(9):873–898. doi: 10.1161/CIR.0000000000000228. [DOI] [PubMed] [Google Scholar]
  • 13.Roux AVD. Residential Environments and Cardiovascular Risk. J Urban Health . 2003;80(4):569–589. doi: 10.1093/jurban/jtg065. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 14.Lear SA, Hu W, Rangarajan S, Gasevic D, Leong D, Iqbal R, et al. The Effect of Physical Activity on Mortality and Cardiovascular Disease in 130 000 People from 17 High-Income, Middle-Income, and Low-Income Countries: the PURE Study. Lancet . 2017;390(10113):2643–2654. doi: 10.1016/S0140-6736(17)31634-3. [DOI] [PubMed] [Google Scholar]
  • 15.Wahid A, Manek N, Nichols M, Kelly P, Foster C, Webster P, et al. Quantifying the Association between Physical Activity and Cardiovascular Disease and Diabetes: a Systematic Review and Meta-Analysis. J Am Heart Assoc . 2016;5(9):e002495. doi: 10.1161/JAHA.115.002495. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 16.Reis RS, Hino AA, Rech CR, Kerr J, Hallal PC. Walkability and Physical Activity: Findings from Curitiba, Brazil. Am J Prev Med . 2013;45(3):269–275. doi: 10.1016/j.amepre.2013.04.020. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 17.Müller-Riemenschneider F, Pereira G, Villanueva K, Christian H, Knuiman M, Giles-Corti B, et al. Neighborhood Walkability and Cardiometabolic Risk Factors in Australian Adults: an Observational Study. 755 BMC Public Health . 2013;13 doi: 10.1186/1471-2458-13-755. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 18.Sarkar C, Webster C, Gallacher J. Neighbourhood Walkability and Incidence of Hypertension: Findings from the Study of 429,334 UK Biobank Participants. Int J Hyg Environ Health . 2018;221(3):458–468. doi: 10.1016/j.ijheh.2018.01.009. [DOI] [PubMed] [Google Scholar]
  • 19.den Braver NR, Lakerveld J, Rutters F, Schoonmade LJ, Brug J, Beulens JWJ. Built Environmental Characteristics and Diabetes: a Systematic Review and Meta-Analysis. 12 BMC Med . 2018;16(1) doi: 10.1186/s12916-017-0997-z. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 20.Méline J, Chaix B, Pannier B, Ogedegbe G, Trasande L, Athens J, et al. Neighborhood Walk Score and Selected Cardiometabolic Factors in the French RECORD Cohort Study. 960 BMC Public Health . 2017;17(1) doi: 10.1186/s12889-017-4962-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 21.Hino AA, Reis RS, Sarmiento OL, Parra DC, Brownson RC. Built Environment and Physical Activity for Transportation in Adults from Curitiba, Brazil. J Urban Health . 2014;91(3):446–462. doi: 10.1007/s11524-013-9831-x. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 22.Howell NA, Tu JV, Moineddin R, Chu A, Booth GL. Association between Neighborhood Walkability and Predicted 10-Year Cardiovascular Disease Risk: the CANHEART (Cardiovascular Health in Ambulatory Care Research Team) Cohort. J Am Heart Assoc . 2019;8(21):e013146. doi: 10.1161/JAHA.119.013146. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 23.Roth GA, Huffman MD, Moran AE, Feigin V, Mensah GA, Naghavi M, et al. Global and Regional Patterns in Cardiovascular Mortality from 1990 to 2013. Circulation . 2015;132(17):1667–1678. doi: 10.1161/CIRCULATIONAHA.114.008720. [DOI] [PubMed] [Google Scholar]
  • 24.Rosengren A, Smyth A, Rangarajan S, Ramasundarahettige C, Bangdiwala SI, AlHabib KF, et al. Socioeconomic Status and Risk of Cardiovascular Disease in 20 Low-Income, Middle-Income, and High-Income Countries: the Prospective Urban Rural Epidemiologic (PURE) Study. Lancet Glob Health . 2019;7(6):e748–e760. doi: 10.1016/S2214-109X(19)30045-2. [DOI] [PubMed] [Google Scholar]
  • 25.Adjaye-Gbewonyo K, Kawachi I, Subramanian SV, Avendano M. Income Inequality and Cardiovascular Disease Risk Factors in a Highly Unequal Country: a Fixed-Effects Analysis from South Africa. 31 Int J Equity Health . 2018;17(1) doi: 10.1186/s12939-018-0741-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 26.Instituto Brasileiro de Geografia e Estatística . Censo 2010 . Rio de Janeiro: IBGE; 2011. [cited Oct 2023]. Internet. https://censo2010.ibge.gov.br/ [Google Scholar]
  • 27.Leslie E, Coffee N, Frank L, Owen N, Bauman A, Hugo G. Walkability of Local Communities: using Geographic Information Systems to Objectively Assess Relevant Environmental Attributes. Health Place . 2007;13(1):111–122. doi: 10.1016/j.healthplace.2005.11.001. [DOI] [PubMed] [Google Scholar]
  • 28.Cerqueira MD, Weissman NJ, Dilsizian V, Jacobs AK, Kaul S, Laskey WK, et al. Standardized Myocardial Segmentation and Nomenclature for Tomographic Imaging of the Heart. A Statement for Healthcare Professionals from the Cardiac Imaging Committee of the Council on Clinical Cardiology of the American Heart Association. Circulation . 2002;105(4):539–542. doi: 10.1161/hc0402.102975. [DOI] [PubMed] [Google Scholar]
  • 29.Janković J, Erić M, Stojisavljević D, Marinković J, Janković S. Socio-Economic Differences in Cardiovascular Health: Findings from a Cross-Sectional Study in a Middle-Income Country. PLoS One . 2015;10(10):e0141731. doi: 10.1371/journal.pone.0141731. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 30.Vuković D, Bjegović V, Vuković G. Prevalence of Chronic Diseases According to Socioeconomic Status Measured by Wealth Index: Health Survey in Serbia. Croat Med J . 2008;49(6):832–841. doi: 10.3325/cmj.2008.49.832. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 31.Subramanian SV, Corsi DJ, Subramanyam MA, Smith GD. Jumping the Gun: the Problematic Discourse on Socioeconomic Status and Cardiovascular Health in India. Int J Epidemiol . 2013;42(5):1410–1426. doi: 10.1093/ije/dyt017. [DOI] [PubMed] [Google Scholar]
  • 32.Dinsa GD, Goryakin Y, Fumagalli E, Suhrcke M. Obesity and Socioeconomic Status in Developing Countries: a Systematic Review. Obes Rev . 2012;13(11):1067–1079. doi: 10.1111/j.1467-789X.2012.01017.x. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 33.GBD 2016 Brazil Collaborators Burden of Disease in Brazil, 1990-2016: a Systematic Subnational Analysis for the Global Burden of Disease Study 2016. Lancet . 2018;392(10149):760–775. doi: 10.1016/S0140-6736(18)31221-2. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 34.Baena CP, Chowdhury R, Schio NA, Sabbag AE, Jr, Guarita-Souza LC, Olandoski M, et al. Ischaemic Heart Disease Deaths in Brazil: Current Trends, Regional Disparities and Future Projections. Heart . 2013;99(18):1359–1364. doi: 10.1136/heartjnl-2013-303617. [DOI] [PubMed] [Google Scholar]
  • 35.Coffee NT, Howard N, Paquet C, Hugo G, Daniel M. Is Walkability Associated with a Lower Cardiometabolic Risk? Health Place . 2013;21:163–169. doi: 10.1016/j.healthplace.2013.01.009. [DOI] [PubMed] [Google Scholar]
  • 36.Mason KE, Pearce N, Cummins S. Associations between Fast Food and Physical Activity Environments and Adiposity in Mid-Life: Cross-Sectional, Observational Evidence from UK Biobank. Lancet Public Health . 2018;3(1):e24–e33. doi: 10.1016/S2468-2667(17)30212-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 37.Paquet C, Coffee NT, Haren MT, Howard NJ, Adams RJ, Taylor AW, et al. Food Environment, Walkability, and Public Open Spaces are Associated with Incident Development of Cardio-Metabolic Risk Factors in a Biomedical Cohort. Health Place . 2014;28:173–176. doi: 10.1016/j.healthplace.2014.05.001. [DOI] [PubMed] [Google Scholar]
  • 38.Sallis JF, Cerin E, Conway TL, Adams MA, Frank LD, Pratt M, et al. Physical Activity in Relation to Urban Environments in 14 Cities Worldwide: a Cross-Sectional Study. Lancet . 2016;387(10034):2207–2217. doi: 10.1016/S0140-6736(15)01284-2. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 39.Bhatnagar A. Environmental Determinants of Cardiovascular Disease. Circ Res . 2017;121(2):162–180. doi: 10.1161/CIRCRESAHA.117.306458. [DOI] [PMC free article] [PubMed] [Google Scholar]
Arq Bras Cardiol. 2023 Nov 23;120(11):e20220844. [Article in English]

Association of Income Level and Ischemic Heart Disease: Potential Role of Walkability

Rodrigo Julio Cerci 1,2, Miguel Morita Fernandes-Silva 1,2, João Vicente Vitola 1, Juliano Julio Cerci 1, Carlos Cunha Pereira Neto 1, Margaret Masukawa 1, Ana Paula Weller Gracia 2, Lara Luiza Silvello 2, Pedro Prado 1, Murilo Guedes 2, Adriano Akira Ferreira Hino 2, Cristina Pellegrino Baena 2

Abstract

Background

Socioeconomic status has been linked to ischemic heart disease (IHD). High-income neighborhoods may expose individuals to a walking-promoting built environment for daily activities (walkability). Data from the association between income and IHD is lacking in middle-income countries. It is also uncertain whether walkability mediates this association.

Objectives

To investigate whether income is associated with IHD in a middle-income country and whether neighborhood walkability mediates the income-IHD association.

Methods

This cross-sectional study evaluated 44,589 patients referred for myocardial perfusion imaging (SPECT-MPI). Income and walkability were derived from participants’ residential census tract. Walkability quantitative score combined 4 variables: street connectivity, residential density, commercial density, and mixed land use. IHD was defined by abnormal myocardial perfusion during a SPECT-MPI study. We used adjusted mixed effects models to evaluate the association between income level and IHD, and we performed a mediation analysis to measure the percentage of the income-IHD association mediated by walkability. We considered p values below 0.01 as statistically significant.

Results

From 26,415 participants, those living in the lowest-income tertile census tract were more physically inactive (79.1% versus 75.8% versus 72.7%) when compared to higher-income tertile census tracts (p < 0.001). Income was associated with IHD (odds ratio: 0.91 [95% confidence interval: 0.87 to 0.96] for each 1,000.00 international dollars increase in income) for both men and women equally (p for interaction = 0.47). Census tracts with a higher income were associated with better walkability (p < 0.001); however, walkability did not mediate the income-IHD association (percent mediated = −0.3%).

Conclusions

Income was independently associated with higher prevalence of IHD in a middle-income country irrespective of gender. Although walkability was associated with census tract income, it did not mediate the income-IHD association.

Keywords: Myocardial Ischemia, Income, Myocardial Perfusion Imaging

Introduction

Ischemic heart disease (IHD) accounts for 7.4 million deaths per year worldwide, with an estimated cost of 2.1 billion dollars solely for acute treatment of complications in Brazil. 1 , 2 The diagnosis of IHD is well-established, validated, and available, using single-photon emission computed tomography myocardial perfusion imaging (SPECT-MPI). 3 - 5 Several studies have determined the diagnostic and prognostic value of myocardial perfusion and left ventricular ejection fraction evaluated by SPECT, to predict adverse cardiovascular outcomes in several subgroups. 6 , 7

Socioeconomic status has been associated with the development of cardiovascular disease. 8 Several studies have shown that socioeconomic status indirectly influences IHD by impacting behavioral and metabolic cardiovascular risk factors, psychosocial factors, and environmental living conditions. 9 - 11 Social causation theory and conflict theory suggest health and behavioral problems arise when resources and rewards are offered differently to different populations causing different levels of stress. Association between income and IHD has been found in high-income countries, but socioeconomic variables such as educational status, employment, health access, and psychosocial factors are often tested in combination, where mediation analysis and direct causality data for each of these factors are still lacking. 9 , 12 For instance, income inequality has been linked to higher criminality, which has also been tied to reduced social cohesion. The lack of safety resulting from high crime and low cohesion may reduce outdoor physical activity, leading to increased blood pressure, body mass index, and other cardiovascular risk factors. 13 On the other hand, regular physical activity is associated with a better cardiometabolic risk profile and a lower risk of major cardiovascular events. 14 , 15 A walking-promoting built environment for daily activities, also known as better walkability, has been positively associated with overall physical activity. 16 Some studies have shown that people living in neighborhoods with lower walkability have higher rates of cardiometabolic risk factors, such as diabetes, obesity, hypertension, and sedentary lifestyle, as well as a higher predicted 10-year cardiovascular disease risk. 17 - 22 These are all well-known risk factors for IHD, but it is still uncertain whether walkability can mediate an income-IHD association.

Finally, data from the income-IHD association is inconsistent in low- and middle-income countries (MIC), which carry the highest burden of cardiovascular disease and have more diverse social, environmental, and urban structures when compared to high-income countries. 23 - 25 The diverse magnitude and interpolation of these measurable socioeconomic variables in lower-income countries may result in different correlations with IHD, and this information can dramatically shift the allocation of already scarce resources by policymakers, who need to focus on high-impact policies to reduce IHD prevalence and mortality.

The objectives of this study were: (1) to investigate whether income level is associated with IHD in a large urban center of a MIC and (2) to test whether neighborhood walkability mediates the income-IHD association.

Methods

Population

We conducted a cross-sectional study that evaluated patients who underwent a first clinically referred SPECT-MPI, from February 2010 to August 2017, at a high-volume cardiovascular imaging center living in Curitiba, Paraná, Brazil. Every consecutive patient submitted to SPECT-MPI was eligible for the analysis unless any of the following exclusion criteria were met: participants not residing in Curitiba, less than 18 years of age, missing income data, or inconclusive SPECT-MPI results. Curitiba is a large urban center in the South Region of Brazil, with 1,751,907 inhabitants, where 14.7% of the population received less than the minimum wage according to the most updated Brazilian population census (2010). 26 According to the same census, the municipal Human Development Index was 0.823 and the Gini index, a ratio that represents income inequality and varies from 0% to 100%, was 56%. 26 The study was approved by the Pontifícia Universidade Católica do Paraná Ethics Committee (CAAE: 71331517.4.0000.00020) following international and local regulations. All individual data were collected and included in the institution registry during the SPECT-MPI, when all the individuals provided informed consent to use their data for scientific purposes.

Data collection for traditional cardiovascular risk factors

A trained nurse interviewed each participant before imaging acquisition. Data regarding age, gender, symptoms, past medical history, cardiovascular risk factors, and use of medications were collected. Hypertension, dyslipidemia, and diabetes mellitus were defined based on self-reported previous diagnosis or use of anti-hypertensive, lipid-lowering, or antidiabetic medications. Positive family history of premature IHD was defined as first-degree relatives with early onset IHD (men ≤ 55 years, women ≤ 65 years). Physical activity was self-reported and considered as any at least 30 minutes of aerobic exercise 3 times per week, for health promotion, prevention, or treatment of cardiovascular disease. Participants were considered physically inactive if they did not meet the criteria above. Smoking status, prior history of known IHD (prior myocardial infarction, percutaneous revascularization, coronary bypass graft surgery, or IHD confirmed by coronary angiography), height, and weight were also self-reported.

Socioeconomic and walkability variables

Socioeconomic variables were collected from the most updated Brazilian population census (2010), and homicide data were obtained from the Department of Public Safety of the State of Paraná. 26 Each participant’s address was geocoded using a specific online platform (Google Geocoding API Maps, Alphabet Inc, United States), and individual variables were derived from the participant’s residential census tract including the following: the average income in Brazilian currency (real) per month, education level defined by literacy (illiterate or literate in any level), and criminality level stratified by the number of homicides per 100,000 inhabitants per year. The income was further converted to international dollars (Int$), by multiplying the average income in Brazilian reais by the purchasing power parity unit rate for Brazil from the year 2010 (1.388).

Walkability was measured for each census tract by a quantitative score combining street connectivity, residential density, commercial density, and mixed land use, obtained through data layers, as previously described. 16 Raw values for each indicator were then normalized using z-scores. Finally, a walkability z-score was obtained by averaging each z-score indicator and used as a continuous variable, as described elsewhere. 27

SPECT-MPI acquisition and analysis

The outcome variable was the presence of IHD at the participant level, defined by abnormal myocardial perfusion during the SPECT-MPI study. All participants were submitted to stress and rest imaging acquisitions after intravenous injection of weight-adjusted 20 to 25 mCi of99mTc-sestamibi. Images started 30 to 60 minutes after injection at rest and 15 to 30 minutes after injection at peak stress. Conventional image protocol acquisition using standard energy windows for99mTc in dual-head gamma cameras with a low-energy all-purpose collimator was performed. 6 No attenuation correction was used.

Semi-quantitative visual interpretation of SPECT-MPI was performed by consensus of 2 experienced, board-certified observers using short-axis and vertical long-axis slices, divided into 17 standard segments for each patient using specific software (QPS, Cedars-Sinal, Los Angeles, California, United States). 28 Each segment was scored based on the tracer uptake as follows: 0, normal; 1, mildly reduced; 2, moderately reduced; 3, severely reduced; and 4, absent tracer uptake in rest and stress images. A summed stress score (SSS) was obtained by adding the scores of the 17 segments of the stress images. Studies were classified as normal (SSS < 4) or abnormal (SSS ≥ 4).

Statistical analysis

Participants were divided by income tertiles per census tract, only for variable comparisons between groups. Continuous variables were tested for normality using skewness and kurtosis statistics and presented as means with standard deviations if normally distributed or medians with interquartile ranges if not normally distributed. Categorical variables were presented as proportions. We used one-way ANOVA with the income tertiles as an ordinal variable. For binary variables, we used the extended Mantel Haenszel chi-square test for linear tendencies between the tertiles. We drafted a directed acyclic graph and used it as a visual representation of causal assumptions (Supplemental Material) to select the variables for the models. We also used inverse probability weighting in all models, accounting for the distance between the participant address and the cardiovascular imaging center. To account for the correlation between individuals living in the same census tract, we built multilevel (2 levels) models from mixed-effects models to adjust for potential confounding variables to evaluate the association between income level (as a continuous variable) and IHD, and we performed a mediation analysis to measure the percentage of the income-IHD association mediated by walkability. In the first level, the individual variables were included (age, gender, and cardiovascular risk factors). In the second level, variables derived from the census tract were included (income, walkability, and literacy). The software Stata version 15 (Stata Corp, College Station, Texas, United States) was used for analysis, and we considered p values below 0.01 as statistically significant.

Results

Population characteristics

We evaluated 44,589 patients who underwent a first clinically referred SPECT-MPI. After applying the exclusion criteria, the final sample consisted of 26,415 patients who were included in the analysis ( Figure 1 ), living in 2168 out of the 2193 census tracts of Curitiba ( Figure 2 ). Most participants’ addresses were within 10 km from the imaging center (46.4% within 5 km, 39.0% between 5 and 10 km, 12.6% between 10 and 15 km, and 2% more than 15 km). Participants were covered by both private (n = 25,623; 96.5%) and public health insurance (n = 792; 3.5%). The clinical characteristics of the population stratified by the income tertiles are presented in Table 1 .

Figure 1. – Exclusion criteria flowchart.

Figure 1

Open in a new tab

Figure 2. – Geocoded addresses of the 26,415 participants in Curitiba.

Figure 2

Open in a new tab

Table 1. – Population characteristics and SPECT-MPI results by income.

Monthly income First tertile (Int$) (230.5 - 1010.7) Second tertile (Int$)(1010.7 - 1791.9) Third tertile (Int$) (1791.9 - 5743.3)  
Socioeconomic variables by census tract n=1299 n=531 n=338 Valor p
Walkability z-score, mean ± SD –0.52 ± 1.51 0.64 ± 3.01 1.79 ± 2.75 < 0.001
Mean proportion of literacy, mean ± SD 0.96 ± 0.02 0.99 ± 0.01 0.99 ± 0.01 < 0.001
Homicide rate per 100,000 inhabitants, median (IQR) 81.9 (0.0. 180.5) 0.0 (0.0. 89.8) 0.0 (0.0. 0.0) < 0.001
Traditional risk factors by patient n=8806 n=8809 n=8800  
Age, years, mean ± SD 60.82 ± 12.36 63.08 ± 12.63 64.74 ± 12.26 < 0.001
Female gender, n (%) 4586 (52.1%) 4283 (48.6%) 4103 (46.6%) < 0.001
BMI, kg/m2, mean ± SD 28.38 ± 5.22 27.69 ± 4.74 27.43 ± 4.51 < 0.001
Hypertension, n (%) 5752 (65.3%) 5463 (62.0%) 5241 (59.6%) < 0.001
Diabetes, n (%) 2362 (26.8%) 2070 (23.5%) 2003 (22.8%) < 0.001
Dyslipidemia, n (%) 4629 (52.6%) 4660 (52.9%) 4724 (53.7%) 0.130
Family history of premature IHD, n (%) 1610 (18.3%) 1572 (17.8%) 1459 (16.6%) 0.003
Smoking, n (%) 894 (10.2%) 797 (9.0%) 754 (8.6%) < 0.001
Physical inactivity, n (%) 6962 (79.1%) 6675 (75.8%) 6393 (72.7%) < 0.001
Prior history of known IHD        
Prior percutaneous revascularization, n (%) 1302 (14.8%) 1297 (14.7%) 1256 (14.3%) 0.340
Prior CABG, n (%) 600 (6.8%) 519 (5.9%) 529 (6.0%) 0.028
Previous MI, n (%) 1053 (12.0%) 900 (10.2%) 784 (8.9%) < 0.001
Symptoms        
Atypical chest pain, n (%) 2561 (29.2%) 1996 (22.8%) 1686 (19.3%) < 0.001
Typical chest pain, n (%) 658 (7.5%) 513 (5.9%) 395 (4.5%) < 0.001
SPECT-MPI        
Abnormal myocardial perfusion, n (%) 2771 (31.5%) 2682 (30.4%) 2564 (29.1%) < 0.001
Open in a new tab

BMI: body mass index; CABG: coronary artery bypass graft; IHD: ischemic heart disease; Int$: international dollars; IQR: interquartile range; MI: myocardial infarction: SD: standard deviation; SPECT-MPI: single-photon emission computed tomography myocardial perfusion imaging.

Association of income level with ischemic heart disease

After adjusting for potential confounders, income level was inversely associated with IHD ( Central Illustration A), with an odds ratio (OR) of 0.91 (95% confidence interval [CI]: 0.87 to 0.96) for each Int$ 1,000.00 increase in income. On the other hand, walkability was not associated with IHD (OR: 1.00; 95% CI: 0.99 to 1.02), as shown in Central Illustration B. Other traditional risk factors, such as diabetes, smoking, family history of premature IHD, and physical inactivity, were also associated with IHD. Diabetes had the strongest association, with an OR of 1.57 (95% CI: 1.44 to 1.72), as shown in Table 2 . Although IHD was more prevalent in men than women (31.2% versus 29.5%, p = 0.002), the association with income level was similar in both genders (p for interaction = 0.47).

Central Illustration. Association of Income Level and Ischemic Heart Disease: Potential Role of Walkability.

Central Illustration

Open in a new tab

Association of ischemic heart disease (adjusted for traditional risk factors and socioeconomics variables) and income level (A), and walkability z-score (B), and association of walkability z-score and income level (C).

Table 2. – Multilevel mixed effects model having IHD as outcome.

Variable OR 95% CI p value
Income per Int$1000 0.91 0.87 - 0.96 < 0.001
Walkability, z-score 1.00 0.99 - 1.02 0.720
Age, years 1.04 1.03 - 1.04 < 0.001
Female gender 1.02 0.94 - 1.10 0.680
BMI, kg/m2 1.02 1.01 - 1.03 < 0.001
Hypertension 1.09 1.00 - 1.19 0.050
Diabetes 1.57 1.44 - 1.72 < 0.001
Dyslipidemia 0.96 0.89 - 1.04 0.350
Family history of premature IHD 1.01 0.91 - 1.12 0.840
Smoking 1.32 1.16 - 1.51 < 0.001
Physical inactivity 1.41 1.28 - 1.55 < 0.001
Previous MI 3.58 3.09 - 4.14 < 0.001
Illiteracy by census tract 4.97 0.81 - 30.40 0.080
Open in a new tab

BMI: body mass index; CI: confidence interval; IHD: ischemic heart disease; Int$: international dollars; MI: myocardial infarction; OR: odds ratio.

Mediation effect of walkability on the association of income level and ischemic heart disease

Census tracts with lower income levels were associated with lower walkability z-scores (−0.52 [95% CI: −0.60 to 0.44] versus 0.64 [95% CI: 0.38 to 0.89] versus 1.79 [95% CI: 1.49 to 2.08]) from the lower to the higher income tertile respectively (βeta: 0.115 ± 0.002, p < 0.001), as shown in Central Illustration C, but walkability did not significantly mediate the association between income level and IHD (percent mediated = −0.3%). We also tested the influence of criminality on this mediation and found that walkability mediated 0% (95% CI: 0% to 28%) of the income-IHD association in census tracts with no homicides per 100,000 inhabitants; and mediated 3% (95% CI: 0% to 18%) in census tracts with at least 1 homicide per 100,000 inhabitants.

Discussion

The key findings of this investigation can be summarized as follows: (1) income level is independently and inversely associated with IHD in a large urban center in a MIC; and (2) although neighborhoods with lower income levels were associated with lower walkability scores, walkability did not explain the association between income level and IHD.

Association of income level and ischemic heart disease

The odds of an abnormal SPECT-MPI decreased by 9% for each Int$ 1,000.00 increase in participant census tract income. Income-IHD association has been found in high-income countries, but data have been inconsistent in MICs. 9 , 12 , 23 , 24 Data from neighboring middle-income countries Bosnia-Herzegovina and Serbia showed opposite results. 29 , 30 Jankovic et al. 29 did not find any association between income and global cardiovascular health in Bosnia-Herzegovina, while Vukovic et al. 30 found a direct association between income and traditional cardiovascular risk factors in Serbia, where the richest participants had the highest risk of hypertension and dyslipidemia (OR: 1.32 [95% CI: 1.08 to 1.62] and OR: 2.71 [95% CI: 2.05 to 3.59], respectively). A systematic review of 53 studies concluded that IHD mortality is higher among the richest population in India, a low-middle-income country. 31 Our data build on the knowledge that income and IHD association may be present in MIC, regardless of traditional risk factors.

The reason why we cannot extrapolate associations from high-income countries to low- and middle-income countries is the diverse social, environmental, and urban structure between countries and regions that goes beyond income level alone. One example of this diversity is the distribution of obesity within the population of different countries. 32 Obesity is a well-known cardiovascular risk factor, which became epidemic among the poor in high-income countries like the United States of America, but it is still a disease of the rich in low-income countries where only the higher-income population has access to the obesity-prone western diet. 32

Brazil has been undergoing an epidemiological transition over the past 30 years, with an overall decline in communicable diseases and an increasing non-communicable disease burden, where IHD became the leading cause of death. 33 Nevertheless, even within Brazil, different states have faced different timing in this transition. While the higher-income states in the South and Southeast Regions started the transition earlier, the lower-income states of the North and Northeast Regions are still on the move and facing an increase in IHD mortality. 33 , 34 Curitiba is located in the South Region of Brazil, where the epidemiological transition is more advanced, which may explain an income-IHD association more similar to the one found in developed countries.

Mediation effect of walkability on the association of income level and ischemic heart disease

Increased individual stress is the most widely described explanation for health disparity by socioeconomic status. Lower-income individuals have more stress, including insecurity in housing, income, food access, and safety, while also having fewer resources to deal with these challenges, which leads to increased risky behavior, such as smoking, alcohol abuse, and physical inactivity. Such behavior translates into a higher prevalence of traditional risk factors and cardiovascular disease. 11

Several studies also found an association between walkability and cardiovascular risk factors, notably in developed and high-income countries, where physical inactivity was pointed out as the main mediator of this association. 17 - 20 , 35 - 38 Since the population living in low walkability census tracts in Curitiba is less physically active 16 , 21 and since we demonstrated in this study that low walkability census tracts are associated with a lower-income population in the same city, we found equipoise to test whether walkability could mediate some of the income-IHD association. To the best of our knowledge, this is the first study to test the possible mediation of walkability on the income level-IHD association, which usually represents an advanced pathological endpoint of a patient’s exposure to a combination of many of these traditional, socioeconomic, and environmental risk factors over a long period. 39 We did not find a significant mediation of walkability on the income level-IHD association.

Limitations

The main limitations of this study are related to the cross-sectional design and the inherent bias of such analysis, which may be mitigated by our large sample size and by the use of an inverse probability weighting term to account for the distance between the participant’s address and the cardiovascular imaging center (selection bias). We calculated the exposition variable income based on the address of the participants at the time of the SPECT-MPI study, not considering how long they had been exposed to that income. Finally, there may be some referral bias, since all patients were clinically referred for the SPECT-MPI and not randomly sampled from each census tract of the city of Curitiba.

Conclusions

In this large registry, in a large urban center of a MIC, living in a low-income census tract was independently associated with a higher prevalence of IHD, irrespective of gender. Although walkability was directly associated with census tract income, it did not mediate the association between income level and IHD.

Study association

This article is part of the thesis of doctoral submitted by Rodrigo Julio Cerci, from Pontifícia Universidade Católica do Paraná.

Ethics approval and consent to participate

This study was approved by the Ethics Committee of the Pontifícia Universidade Católica do Paraná under the protocol number CAAE: 71331517.4.0000.00020. All the procedures in this study were in accordance with the 1975 Helsinki Declaration, updated in 2013. Informed consent was obtained from all participants included in the study.

Sources of funding

This study was partially funded by CAPES.

Articles from Arquivos Brasileiros de Cardiologia are provided here courtesy of Sociedade Brasileira de Cardiologia

RESOURCES