Skip to main content
NCBI home page
Epidemiologia e Serviços de Saúde : Revista do Sistema Unico de Saúde do Brasil logoLink to Epidemiologia e Serviços de Saúde : Revista do Sistema Unico de Saúde do Brasil
. 2026 Jun 22;35:e20251137. doi: 10.1590/S2237-96222026v35e20251137.en
View full-text in Portuguese

Garbage codes as the underlying cause of death: a cross-sectional study, state of Rio de Janeiro, 1998–2023

Códigos basura como causa básica de defunción: estudio transversal, estado de Río de Janeiro, 1998–2023

Luciana Freire de Carvalho 1,2
PMCID: PMC13686309  PMID: 42922795

Abstract

Objectives

To describe the temporal evolution and geographic distribution of deaths due to garbage codes, as well as to analyze the prevalence and characteristics associated with the occurrence of garbage codes as the underlying cause of death in the state of Rio de Janeiro between 1998 and 2023.

Methods

Cross-sectional study of deaths among residents of the state obtained from the Brazilian Mortality Information System (Sistema de Informações sobre Mortalidade, SIM). Garbage codes were classified according to the methodology of the Global Burden of Disease Study. Descriptive analyses of temporal evolution and distribution by municipalities were conducted. The associations with sociodemographic variables, place of occurrence, and health region were analyzed using Poisson regression with robust variance and described using prevalence ratios (PR) and their respective 95% confidence intervals (95%CI).

Results

Of the 3,399,380 deaths, 1,510,135 (44.4%) were classified as garbage codes. The proportion remained high, ranging from 48.0% (1998) to 46.3% (2023), with a transient reduction to 38.1% in 2021. Level 1 (worst quality) accounted for the highest proportion (22.9%). Higher prevalences were associated with unknown sex (PR 1.18; 95%CI 1.11; 1.23), Black (PR 1.17; 95%CI 1.16; 1.17) and Indigenous race/skin color (PR 1.16; 95%CI 1.10; 1.22), age group ≥80 years (PR 1.74; 95%CI 1.71; 1.75), and deaths with unknown place of occurrence (PR 1.30; 95%CI 1.25; 1.34).

Conclusion

Half of the deaths had the underlying cause recorded as a garbage code, with higher prevalence among unknown sex and place of occurrence, older adults, and Black and Indigenous race/skin color. Active investigation, algorithm-based redistribution, and database integration are promising for improving data quality.

Keywords: Underlying Cause of Death, Vital Statistics, Data Accuracy, Health Information Systems, International Classification of Diseases

Ethical aspects

This research used public domain anonymized databases.

Introducion

Mortality statistics are valuable sources of information for assessing population health status [1]. The usefulness of these data for public management depends on the correct identification of the underlying cause of death, defined as “the disease or injury that initiated the chain of pathological events leading to death or the circumstances of the accident or violence that produced the fatal injury” [2]. However, the quality of this information is often compromised by the use of garbage codes or ill-defined causes of death, which consist of undefined, incomplete, or insufficiently specific diagnoses that hinder the proper identification of priority public health actions [3].

To improve the response to this problem, the Global Burden of Disease Study (GBD) proposed a taxonomy that hierarchizes garbage codes into four levels, based on the degree of nonspecificity and the impact on the distortion of mortality statistics, with level 1 representing a very high impact and level 4 a low impact. This classification makes it possible to identify causes that prevent recognition of the disease group, as well as diagnoses that lack further detail. The adoption of this typology supports processes of death redistribution and guides managers in prioritizing interventions [4].

Although cause-specific mortality statistics are important for characterizing the epidemiological profile of the population and for prioritizing health actions and policies [5], the low quality of databases limits such analyses, especially in developing countries [5–7]. A high proportion of garbage codes compromises the quality of information on causes of death. It has been used as an indicator for assessing quality of care, since inequalities in access to and quality of medical care are related to the frequency of deaths from ill-defined causes [7,8]. It is estimated that when the proportion of garbage codes exceeds 10% of total deaths, mortality data become compromised, making it difficult to obtain reliable statistics [9].

In Brazil, proportions of garbage codes above 30% persist [3,9–11]. Yet, the literature on the subject still lacks localized studies, which justifies this analysis’s contribution to the territory of the state of Rio de Janeiro.

The objectives of this study were to describe the temporal evolution and geographic distribution of deaths due to garbage codes, and to analyze the prevalence and characteristics associated with garbage codes as the underlying cause of death in the state of Rio de Janeiro between 1998 and 2023.

Methods

Study design, setting, period, and population

This is a cross-sectional study based on individual-level data from all deaths of residents in the state of Rio de Janeiro recorded in the Brazilian Mortality Information System (Sistema de Informação sobre Mortalidade, SIM) between January 1, 1998, and December 31, 2023. This state comprises 92 municipalities distributed across nine health regions, with an estimated population of 16,054,524 inhabitants in 2022 [12].

Descriptive analyses aggregated by underlying cause, year, and municipality were conducted to characterize the spatial and temporal context of deaths, and individual-level analyses were conducted to estimate prevalence and identify factors associated with the recording of garbage codes.

Variables

The classification of the dependent variable in this study was defined by the presence of any underlying cause of death classified as a garbage code at levels 1–4, following the GBD methodology. The underlying cause of death was coded according to the International Statistical Classification of Diseases and Related Health Problems, 10th Revision (ICD-10), using four-digit codes.

The methodology followed the classification of garbage codes proposed by the GBD 2017, which categorized ICD-10 codes into four levels of quality (Supplementary Table 1):

Table 1. Five most frequent underlying causes of death at each level of garbage codes, according to the Global Burden of Disease Study (GBD), with absolute frequencies and proportions for each level. State of Rio de Janeiro, 1998–2023 (n=1,510,135).

ICD-10 codea Description of the underlying cause n (%)b
Level 1 – Worst quality
R99 Other ill-defined and unspecified causes of mortality 232,787 (32.5)
E149 Unspecified Diabetes mellitus 87,567 (12.2)
A419 Unspecified septicemia 77,872 (10.9)
I500 Congestive heart failure 36,632 (5.1)
I509 Unspecified heart failure 27,350 (3.8)
Level 2 – Low quality
I10 Essential (primary) hypertension 88,799 (39.4)
Y349 Events of undetermined intent 31,023 (13.8)
R092 Respiratory arrest 19,104 (8.5)
J81 Pulmonary edema 14,281 (6.3)
K920 Hematemesis 11,862 (5.3)
Level 3 – Intermediate quality
J984 Other pulmonary disorders 20,360 (17.4)
C80 Malignant neoplasm without specification of site 16,706 (14.3)
I499 Unspecified cardiac arrhythmia 9,653 (8.2)
J988 Other specified respiratory disorders 9,245 (7.9)
C260 Malignant neoplasm of unspecified part of the intestinal tract 7,928 (6.8)
Level 4 – Best quality
J189 Unspecified pneumonia 150,091 (33.2)
I64 Stroke, not specified as hemorrhagic or ischemic 120,713 (26.7)
I678 Other specified cerebrovascular diseases 47,548 (10.5)
I694 Sequelae of stroke, not specified as hemorrhagic or ischemic 28,541 (6.3)
I420 Dilated cardiomyopathy 24,126 (5.3)
Open in a new tab

aInternational Classification of Diseases – 10th Revision (ICD-10); bProportions were calculated based on the total number of deaths in each GBD level, considering only the five most frequent causes per level.

  • level 1 (worst quality) – includes codes with serious implications for public policy, such as septicemia, which can be redistributed to any major group;

  • level 2 (low quality) – includes codes with substantial implications for causes that can be redistributed into one or two major groups, such as essential hypertension;

  • level 3 (intermediate quality) – includes codes with important implications for causes that are likely within the same ICD-10 chapter, such as cancer without specification of site; and

  • level 4 (best quality) – includes causes that refer to a single disease but could be further specified, such as stroke not specified.

These codes are subsequently reassigned to probable underlying causes using redistribution algorithms based on proportions of high-quality records from the same population (15).

The independent variables selected for the analysis were: sex (male, female, unknown), race/skin color (White, Black, Yellow, Brown [Brazilian mixed race], Indigenous, Unknown), age group (<1, 1–9, 10–19, 20–39, 40–59, 60–79, and ≥80 years), place of occurrence of death (hospital, home, public road, other health facilities, other, unknown), health region (Baía da Ilha Grande, Baixada Litorânea, Centro-Sul, Médio Paraíba, Metropolitana I, Metropolitana II, Noroeste, Norte, and Serrana), and year of death (1998–2023).

Years of death were analyzed as continuous (1998–2023) in the descriptive analysis and as categorical in the multivariable analysis. For presentation in the regression table, the following were selected: 1998 (beginning of the historical series with ICD-10 showing stability); 2011 (midpoint of the series, with intermediate quality after national investments in surveillance); 2021 (most critical moment of the COVID-19 pandemic); and 2023 (most recent available year).

Data sources and measurement

The data source was the SIM, made available by the Brazilian Unified Health System Information Technology Department (Departamento de Informática do Sistema Único de Saúde, DATASUS), whose database with unidentified information is publicly available in the OpenDATASUS repository [13].

The processing of mortality data in the state of Rio de Janeiro follows a decentralized flow. The cycle begins with physicians in reporting units issuing death certificates, with municipal health departments responsible for data collection, entry, and processing. The coding of causes and the selection of the underlying cause are performed by trained coders linked to municipal and state levels, with the aid of the Underlying Cause Selection software to apply ICD-10 rules. The state level monitors quality, corrects inconsistencies, and validates the data before final processing by DATASUS [14].

For the analysis, the original database provided by the Ministry of Health was used, without excluding records due to incomplete sociodemographic variables. Categories classified as “unknown” were maintained and analyzed as such, reflecting the real scenario of death certificate completion during the period.

Statistical methods

Initially, descriptive analyses were performed of the distribution of the total number of deaths (n) and the proportions (%) of garbage codes for each category of the study variables. The proportion of total garbage codes and by levels over the years was presented in a graph.

The geographic distribution of the proportion of garbage codes by municipality was visualized in maps, using the municipality as the unit of analysis and the equal interval classification method, with the definition of five fixed ranges of 10 percentage points each (20%–30%, 31%–40%, 41%–50%, 51%–60%, and >60%). Additionally, the results were stratified by the state’s nine health regions, allowing comparison of information quality performance across these regional aggregates.

A ranking of the five most frequent underlying causes of death was performed for each of the four quality levels proposed by the GBD, using absolute frequency (N) and the proportion of each cause within its level. Proportions were calculated using the total number of deaths classified at each GBD level as the denominator, and the five most frequent causes were presented for each level.

Due to the high prevalence of the outcome, the association between dependent and independent variables was modeled using Poisson regression with robust variance, an appropriate approach for obtaining an adjusted prevalence ratio (PR) in cross-sectional studies with common outcomes, avoiding overestimation of the magnitude of association resulting from the use of the odds ratio (OR).

Associations were initially investigated through univariate analyses to obtain unadjusted PR. Subsequently, multivariable modeling was performed, in which the final model was adjusted simultaneously for sex, race/skin color, age group, place of occurrence, health region, and year of death. This approach was adopted because it is a long historical series in which adjustments are necessary to control for confounding factors arising from changes in the demographic and spatial composition of the population. This ensures that the PR reflects associations adjusted for each variable analyzed.

Estimates of association were expressed as PR, accompanied by their respective 95% confidence intervals (95%CI). Statistical significance was assessed using the Wald test with robust standard errors, at a 5% significance level.

Analyses were performed using Stata 14.2 and R Studio 4.0.2.

Results

In the period 1998–2023, 3,399,380 deaths of residents in the state of Rio de Janeiro were analyzed, of which 1,510,135 (44.4%) were classified as garbage codes.

The proportion of deaths due to garbage codes in the state remained high over the years (Figure 1A), ranging from 48.0% in 1998 to 46.3% in 2023. The lowest proportions were observed in 2021 (38.1%) and 2020 (38.8%), while the highest were in 1998 (48.0%) and 2019 (47.4%).

Figure 1. Temporal trend (A) and distribution by levels (B) of the proportion (%) of deaths due to garbage codes (GC). State of Rio de Janeiro, 1998–2023 (n=1,510,135).

Figure 1

Open in a new tab

The proportion of deaths attributable to garbage codes by GBD quality level, relative to total deaths, was detailed (Figure 1B). Level 1 encompassed the most nonspecific and lowest-quality causes. This level accounted for the highest proportion, remaining at 22.9% at the beginning (1998) and at the end of the series (2023), with its lowest point in 2016 (18.8%). This was followed by level 4, with variation from 14.0% in 1998 to 13.4% in 2023, with a minimum of 9.6% in 2021. Level 2 varied from 6.8% in 1998 to 7.3% in 2023, and level 3 from 4.3% in 1998 to 3.1% in 2023, reaching its minimum of 2.4% in 2021. A decline in the proportions of garbage codes was observed across all levels in 2020 and 2021. This decline was followed by a substantial increase in 2022 and 2023, with proportions returning to levels close to the pre–COVID-19 pandemic period.

A ranking of the five most frequent causes of garbage code at each GBD quality level was presented (Table 1). At level 1, cause R99 (other ill-defined and unspecified causes of death) was the most frequent and corresponded to 32.5% of deaths at this level (n=232,787). At level 2, essential (primary) hypertension (I10) accounted for the highest proportion of deaths, 39.4% (n=88,799). Level 3 highlighted other pulmonary disorders (J98.4, 17.4%) and malignant neoplasm without specification of site (C80, 14.3%). At level 4, unspecified pneumonia (J18.9, 33.2%) and unspecified stroke (I64, 26.7%) were the most common causes.

The geographic distribution of the proportion of deaths due to garbage codes by municipality was illustrated for 1998, 2011, 2021, and 2023 (Figure 2). In 1998 (Figure 2A), the highest proportions were observed in municipalities in the Noroeste Region of Rio de Janeiro, such as Varre-Sai (68.4%), and in the Metropolitana I Region, in Queimados (68.1%). General variation toward darker tones (higher proportions) was observed across much of the state.

Figure 2. Proportion of deaths due to garbage codes by municipality: (A) 1998, (B) 2011, (C) 2021, and (D) 2023. State of Rio de Janeiro (n=1,510,135).

Figure 2

Open in a new tab

In 2011 (Figure 2B), most municipalities showed a reduction in the proportion of deaths due to garbage codes, as indicated by the lightening of the maps. Regions such as Metropolitana I, Metropolitana II, and Centro-Sul exhibited the lowest proportions, with Areal (34.44%) in Centro-Sul and Niterói (37.5%) in Metropolitana II among the municipalities with the lowest proportions. Municipalities in the Noroeste Region, such as Varre-Sai (47.5%), still accounted for a high proportion.

In 2021 (Figure 2C), the proportion of deaths due to garbage codes declined across much of the state compared to previous years, reflecting the COVID-19 pandemic period. Municipalities in the Serrana Region, such as Petrópolis (27.9%), São José do Vale do Rio Preto (29.5%), and São Sebastião do Alto (38.0%), presented the lowest proportions.

In 2023 (Figure 2D), the proportion of deaths due to garbage codes increased substantially in several regions, with the map darkening again compared to 2021. The highest proportions were recorded in municipalities in the Baixada Litorânea Region, such as Rio das Ostras (59.48%), and in the Metropolitana I Region, such as Belford Roxo (50.3%).

Adjusted PR for the proportion of deaths due to garbage codes were presented, along with their respective 95%CI (Table 2). All categories showed statistical significance (p-value<0.001). The prevalence of deaths due to garbage codes was 6.0% higher in females compared to males (PR 1.06; 95%CI 1.06; 1.06). For race/skin color, the highest adjusted PR were observed in Black (PR 1.17; 95%CI 1.16; 1.17) and Indigenous populations (PR 1.16; 95%CI 1.10; 1.22) compared to the White population.

Table 2. Unadjusted and adjusted prevalence ratios (PR) and 95% confidence intervals (95%CI) for deaths due to garbage codes by sociodemographic characteristics. State of Rio de Janeiro, 1998–2023 (n=3,399,380) .

Variables Total deaths Deaths classified as garbage codes – n (%) Unadjusted PR (95%CI) p-value Adjusted PR (95%CI)a,d p-value
Sex <0.001 <0.001
Male 1,837,839 770,190 (41.9) 1 1
Female 1,558,618 738,311 (47.4) 1.13 (1.12; 1.13) 1.06 (1.06; 1.06)
Unknown 2,923 1,634 (55.9) 1.33 (1.29; 1.38) 1.18 (1.11; 1.23)
Race/skin color <0.001 <0.001
White 1,827,802 789,877 (43.2) 1 1
Black 489,258 233,242 (47.7) 1.10 (1.10; 1.11) 1.17 (1.16; 1.17)
Asian 5,822 2,671 (45.8) 1.06 (1.03; 1.09) 1.06 (1.03; 1.09)
Brown [Brazilian mixed race] 961,009 428,903 (44.6) 1.03 (1.03; 1.04) 1.13 (1.12; 1.13)
Indigenous 1,713 834 (48.7) 1.13 (1.07; 1.18) 1.16 (1.10; 1.22)
Unknown 113,776 54,608 (48.0) 1.11 (1.10; 1.12) 1.15 (1.13; 1.15)
Age group (years)b <0.001 <0.001
<1 88,298 14,671 (16.6) 0.56 (0.55; 0.57) 0.52 (0.51; 0.53)
1–9 21,756 9,005 (41.4) 1.40 (1.37; 1.43) 1.30 (1.27; 1.32)
10–19 60,090 17,799 (29.6) 1 1
20–39 292,051 91,843 (31.4) 1.06 (1.05; 1.08) 1.04 (1.02; 1.05)
40–59 679,181 272,006 (40.0) 1.35 (1.34; 1.37) 1.28 (1.26; 1.29)
60–79 1,341,140 617,182 (46.0) 1.55 (1.53; 1.57) 1.49 (1.46; 1.50)
≥80 916,864 487,629 (53.2) 1.80 (1.77; 1.82) 1.74 (1.71; 1.75)
Place of occurrence <0.001 <0.001
Hospital 2,441,787 1,062,323 (43.5) 1 1
Unknown 3,269 1,759 (53.8) 1.24 (1.20; 1.28) 1.30 (1.25; 1.34)
Other health facilities 255,956 139,001 (54.3) 1.25 (1.24; 1.25) 1.26 (1.25; 1.26)
At home 468,159 227,807 (48.7) 1.12 (1.11; 1.12) 1.08 (1.07; 1.08)
Public road 129,966 37,181 (28.6) 0.66 (0.65; 0.66) 0.74 (0.72; 0.74)
Other 100,243 42,064 (42.0) 0.96 (0.96; 0.97) 1.01 (1.00; 1.02)
Health region <0.001 <0.001
Baía da Ilha Grande 36,804 14,269 (38.8) 0.86 (0.85; 0.87) 0.92 (0.90; 0.92)
Baixada Litorânea 137,815 62,673 (45.5) 1.00 (1.00; 1.01) 1.04 (1.03; 1.04)
Centro-Sul 70,304 30,957 (44.0) 0.97 (0.96; 0.98) 0.98 (0.97; 0.99)
Médio Paraíba 168,556 66,614 (39.5) 0.87 (0.87; 0.88) 0.90 (0.89; 0.90)
Metropolitana I 2,111,347 955,390 (45.2) 1 1
Metropolitana II 403,987 175,141 (43.3) 0.96 (0.95; 0.96) 0.97 (0.97; 0.98)
Noroeste 72,405 31,117 (43.0) 0.95 (0.94; 0.96) 0.95 (0.94; 0.96)
Norte 159,752 72,305 (45.3) 1.00 (0.99; 1.01) 1.04 (1.03; 1.04)
Serrana 195,953 79,614 (40.6) 0.90 (0.89; 0.90) 0.92 (0.91; 0.92)
Unknown 42,457 22,055 (51.9) 1.15 (1.14; 1.16) 1.08 (1.07; 1.09)
Year of deathc bold> 0.001 0.001
1998 115,382 55,383 (48.1) 1 1
2011 127,095 55,718 (43.8) 0.91 (0.90; 0.92) 0.85 (0.84; 0.86)
2021 189,232 72,165 (38.1) 0.79 (0.79; 0.80) 0.71 (0.70; 0.71)
2023 145,148 67,133 (46.3) 0.96 (0.96; 0.97) 0.85 (0.84; 0.86)
Open in a new tab

aAdjusted for all independent variables; bThe 10–19 age group was selected as the reference category because it presented the second lowest prevalence of garbage codes, immediately after those under 1 year of age, whose deaths are legally required to be investigated; cDeath years were analyzed without temporal stratification; however, for presentation, specific years were selected corresponding to: 1998 (beginning of the historical series with stable ICD-10 implementation); 2011 (midpoint of the study period, with intermediate quality following national investments in surveillance); 2021 (critical moment of the COVID-19 pandemic); and 2023 (most recent available year, prioritizing visual clarity at key points); dThe overlap of the 95%CI limits with the point estimate is due to the high statistical precision resulting from the large sample size, while maintaining standardization to two decimal places.

The prevalence of deaths due to garbage codes was lower among children under 1 year of age (PR 0.52; 95%CI 0.51; 0.53) and increased with age, being 74.0% higher for those aged 80 years or older compared to the 10–19 age group (PR 1.74; 95%CI 1.71; 1.75).

Prevalence was higher in the categories unknown (PR 1.30; 95%CI 1.25; 1.34) and other health facilities (PR 1.26; 95%CI 1.25; 1.26) compared to deaths occurring in hospitals, and was 26.0% lower for deaths on public roads (PR 0.74; 95%CI 0.72; 0.74). The health regions of Baixada Litorânea (PR 1.04; 95%CI 1.03; 1.04) and Norte (PR 1.04; 95%CI 1.03; 1.04) presented higher PR than Metropolitana I, whereas Médio Paraíba (PR 0.90; 95%CI 0.89; 0.90), Serrana (PR 0.92; 95%CI 0.91; 0.92), and Baía da Ilha Grande (PR 0.92; 95%CI 0.90; 0.92) had the lowest.

A reduction in the prevalence of deaths due to garbage codes was observed over the time series. Compared with 1998, the PR was lower in all subsequent years evaluated, reaching its lowest point in 2021 (PR 0.71; 95%CI 0.70; 0.71). In 2023, the adjusted prevalence remained 15.0% below that observed in 1998 (PR 0.85; 95%CI 0.84; 0.86).

Discussion

The results of this study stood out for the magnitude and persistence of deaths classified as garbage codes, indicating historical challenges in improving the quality of mortality information in the state of Rio de Janeiro. Despite advances, their occurrence remained consistently above levels considered acceptable to ensure reliable mortality statistics [9], and this was corroborated by findings in other Brazilian territories, which showed that 19 states had a proportion of garbage codes above 30% in 2016 and none below 10% [3,6,9,11,15].

The reduction in the proportion of garbage codes between 2020 and 2021 may be attributed to stricter death investigation procedures, the specificity of COVID-19 as a well-defined underlying cause of death, and the mobilization of surveillance systems in the state of Rio de Janeiro. This hypothesis differs from other studies conducted during the pandemic, which observed an increase in this period. However, caution is warranted when interpreting this reduction as a structural improvement in quality, since prioritization may have occurred in selecting COVID-19 as the cause at the expense of underlying chronic conditions. [10,16,17].

The subsequent increase in the proportions of garbage codes in 2022 and 2023 suggested that the improvement in data quality was not sustained, with levels of non-specificity returning to high levels in the post–COVID-19 pandemic period.

The concentration of garbage codes at level 1 represented the most severe impairment in information accuracy. The predominance of codes such as R99 (other ill-defined causes) limited the use of statistics, as the complete absence of etiological detail made it impossible to identify the true cause of death and to define priorities for public health planning. This reinforces the need for investments in death investigation and improved training of professionals responsible for completing death certificates [4,18].

Codes classified in levels 2 and 3, such as essential hypertension and malignant neoplasm without defined anatomical location, respectively, had the potential for greater refinement than level 1 codes, as they at least clarified the organ system or group of causes involved. However, they still represented a missed opportunity to deepen knowledge about morbidity and mortality due to noncommunicable chronic diseases in the state of Rio de Janeiro [19,20].

Disparities in the proportion of garbage codes across health regions and municipalities reflected the heterogeneity of health conditions and recording capacity in the state. These findings indicated possible inequalities in the accuracy of information, local capacity for death investigation, and, ultimately, in the provision of and access to health services [5].

The results reinforced the role of garbage codes as an indirect indicator of weaknesses in health care, especially in inland municipalities or in vulnerable metropolitan areas, where high concentrations may signal problems in coverage, quality of care, and technical training [16]. Municipalities with lower proportions of garbage codes may indicate better local practices in the completion or investigation of deaths. In contrast, those with higher proportions indicate the need for targeted interventions [21], especially when prevalence exceeds 50% over 25 years.

The differences observed in the prevalence of garbage codes stratified by sociodemographic variables underscored the influence of social determinants of health and inequities in access to and quality of care among population subgroups [7]. The highest PR associated with Black and Indigenous race/skin color reinforces the correlation between information quality and health inequities. This suggests barriers to access to diagnostic investigation, which may extend to the death certification process, resulting in less accurate data [22].

Regarding sex, a higher prevalence was observed in female deaths. This may be associated with the higher occurrence of deaths from external causes among men, which are generally certified by forensic physicians after autopsies, leading to a more specific diagnosis of causes of death for males [17].

The lower PR among children under 1 year of age suggested greater rigor in the investigation of infant deaths. In contrast, the progressive increase in older age groups pointed to diagnostic complexity and the prevalence of comorbidities in older adults as factors contributing to the nonspecificity of causes of death in this group. This fact could also explain the higher frequency among women, given their longer life expectancy than men [17,23].

The association of higher prevalences of garbage codes in deaths occurring at home, on public roads, or in other health facilities, compared to hospital deaths, is a pattern consistent with the literature. Deaths outside the hospital setting generally lack more detailed clinical information, making it more challenging to determine the underlying cause. Conversely, the lower proportion on public roads may be related to better investigation of deaths from external causes, since these are legally required to be investigated by forensic physicians through autopsies, which results in specific underlying causes [3,8,9].

Although the proportion of garbage codes remained high over time, the PR analysis revealed a trajectory of gradual improvement in information quality across the historical series. This decreasing trend, although insufficient, suggested that investments in surveillance and in improving the completion of death certificates may have had a positive effect over the years.

The findings reinforced the need for continued investment in training health professionals who certify and investigate causes of death, especially physicians and surveillance teams. The urgency of strengthening the death surveillance network in the state was highlighted, with special attention to municipalities with higher proportions of ill-defined causes of death.

Death investigation is an essential strategy for improving the quality of information and should be integrated into the workflows of local surveillance teams. By actively investigating deaths of nonspecific cause, surveillance services correct data distortions and identify weaknesses in care and barriers to access, enabling targeted interventions for territories and population groups most affected.

Another strategy is to reclassify deaths coded as garbage codes using standardized redistribution algorithms. Studies applying this correction have shown that the mortality profile is substantially altered, revealing the true burden of specific causes [20,28,29].

The integration of information systems through data linkage techniques serves as a tool to improve the investigation of deaths from ill-defined causes. The relationship between SIM records and care bases enables the recovery of care trajectories and clinical data that are absent from the death certificate. This strategy, by enriching the context of death, can support the reclassification of these codes into specific causes, providing greater reliability to mortality statistics [30].

Among the limitations, the use of secondary data from the SIM is subject to information bias related to underreporting, as well as incompleteness and inconsistencies in the completion of death certificates. Although the GBD methodology is widely accepted, it may not translate the particularities of the Brazilian context. As this is a cross-sectional study, the associations did not allow causal inferences. The presence of unknown information may have influenced the estimates of adjusted PR. However, the large volume of data and the use of a validated methodology strengthened the robustness of the results.

In conclusion, the state of Rio de Janeiro faces challenges in the quality of mortality data, characterized by a high magnitude and persistence of garbage codes, with marked temporal and territorial heterogeneity associated with sociodemographic inequalities. The results of this study enable prioritization of the most vulnerable municipalities, regions, and subgroups to implement continuous strategies to improve the completion of death certificates and the investigation of causes of death, thereby strengthening vital statistics for the planning and evaluation of health policies.

Funding Statement

Programa Pesquisa, Produtividade, Desenvolvimento Tecnológico e Extensão Inovadora da Universidade Estácio de Sá (UNESA).

Footnotes

Peer Review Administrator: Izabela Fulone (https://orcid.org/0000-0002-3211-6951)

Peer Reviewer: Érika Carvalho de Aquino (https://orcid.org/0000-0002-5659-0308)

Use of generative artificial intelligence: Not used.

Funding: Programa Pesquisa, Produtividade, Desenvolvimento Tecnológico e Extensão Inovadora da Universidade Estácio de Sá (UNESA).

Data Availability

Derived datasets and analysis codes are available upon request from the author.

References

  • 1.Laurenti R. Análise da informação em saúde: 1893-1993, cem anos da Classificação Internacional de Doenças. Rev Saude Publica. 1991;25(6):407-17. [DOI] [PubMed]; Laurenti R. Análise da informação em saúde: 1893-1993, cem anos da Classificação Internacional de Doenças. Rev Saude Publica. 199;25(6) doi: 10.1590/s0034-89101991000600001. [DOI] [PubMed] [Google Scholar]
  • 2.Organização Mundial da Saúde. CID-10: Classificação Estatística Internacional de Doenças. vol. 1. São Paulo: Edusp; 1994. ; Organização Mundial da Saúde. CID-10: Classificação Estatística Internacional de Doenças. Edusp; São Paulo: 1994. [Google Scholar]
  • 3.Ishitani LH, Teixeira RA, Abreu DMX, Paixão LMMM, França EB. Qualidade da informação das estatísticas de mortalidade: códigos garbage declarados como causas de morte em Belo Horizonte, 2011-2013. Rev Bras Epidemiol. 2017;20(Suppl 1):34-45. [DOI] [PubMed]; Ishitani LH, Teixeira RA, Abreu DMX, Paixão LMMM, França EB. Qualidade da informação das estatísticas de mortalidade: códigos garbage declarados como causas de morte em Belo Horizonte, 2011-2013. Rev Bras Epidemiol. 201;20(Suppl 1) doi: 10.1590/1980-5497201700050004. [DOI] [PubMed] [Google Scholar]
  • 4.Roth GA, Abate D, Abate KH, Abay SM, Abbafati C, Abbasi N, et al. Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2018;392(10159):1736-88. [DOI] [PMC free article] [PubMed]; Roth GA, Abate D, Abate KH, Abay SM, Abbafati C, Abbasi N. Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2017;392(10159) doi: 10.1016/S0140-6736(18)32203-7. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 5.Teixeira RA, Ishitani LH, França E, Pinheiro PC, Lobato MM, Malta DC. Mortality due to garbage codes in Brazilian municipalities: differences in rate estimates by the direct and Bayesian methods from 2015 to 2017. Rev Bras Epidemiol. 2021;24(Suppl 1):e210003. [DOI] [PubMed]; Teixeira RA, Ishitani LH, França E, Pinheiro PC, Lobato MM, Malta DC. Mortality due to garbage codes in Brazilian municipalities: differences in rate estimates by the direct and Bayesian methods from 2015 to 2017. Rev Bras Epidemiol. 2015;24(1) doi: 10.1590/1980-549720210003.supl.1. [DOI] [PubMed] [Google Scholar]
  • 6.Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CCD, Santos MRD, et al. Dados para a saúde: impacto na melhoria da qualidade da informação sobre causas de óbito no Brasil. Rev Bras Epidemiol. 2019;22(Suppl 3):e19005. 7. [DOI] [PubMed]; Marinho MF, França EB, Teixeira RA, Ishitani LH, Cunha CCD, Santos MRD. Dados para a saúde: impacto na melhoria da qualidade da informação sobre causas de óbito no Brasil. Rev Bras Epidemiol. 201;22(3) doi: 10.1590/1980-549720190005.supl.3. [DOI] [PubMed] [Google Scholar]
  • 7.França EB. Códigos garbage declarados como causas de morte nas estatísticas de saúde. Rev Bras Epidemiol. 2019;22(Suppl 3):e19001. [DOI] [PubMed]; França EB. Códigos garbage declarados como causas de morte nas estatísticas de saúde. Rev Bras Epidemiol. 201;22(3) doi: 10.1590/1980-549720190001.supl.3. [DOI] [PubMed] [Google Scholar]
  • 8.Soares Filho AM, Bermudez XP, Merchan-Hamann E. Frequência e fatores associados ao registro inespecífico de óbitos por causas externas no Brasil: estudo transversal, 2017. Epidemiol Serv Saude. 2021;30(2):e2020452. [DOI] [PubMed]; Soares AM, Filho, Bermudez XP, Merchan-Hamann E. Frequência e fatores associados ao registro inespecífico de óbitos por causas externas no Brasil: estudo transversal, 2017. Epidemiol Serv Saude. 2017;30(2) doi: 10.1590/S1679-49742021000200020. [DOI] [PubMed] [Google Scholar]
  • 9.Vidor AC, Conceição MBM, Luhm KR, Alves MDFT, Arceno A, França EB, et al. Qualidade dos dados de causas de morte no Sul do Brasil: a importância das causas garbage. Rev Bras Epidemiol. 2019;22(Suppl 3):e19003. [DOI] [PubMed]; Vidor AC, Conceição MBM, Luhm KR, Alves MDFT, Arceno A, França EB. Qualidade dos dados de causas de morte no Sul do Brasil: a importância das causas garbage. Rev Bras Epidemiol. 201;22(3) doi: 10.1590/1980-549720190003.supl.3. [DOI] [PubMed] [Google Scholar]
  • 10.Silva ESA, Araujo MAA. Excesso de óbitos classificados com códigos garbage na pandemia de covid-19, no estado da Paraíba. Rev Bras Estud Popul. 2023;40:1-17. ; Silva ESA, Araujo MAA. Excesso de óbitos classificados com códigos garbage na pandemia de covid-19, no estado da Paraíba. Rev Bras Estud Popul. 202;40 [Google Scholar]
  • 11.Teixeira RA, Naghavi M, Guimarães MDC, Ishitani LH, França EB. Quality of cause-of-death data in Brazil: garbage codes among registered deaths in 2000 and 2015. Rev Bras Epidemiol. 2019;22(Suppl 3):e19002. [DOI] [PubMed]; Teixeira RA, Naghavi M, Guimarães MDC, Ishitani LH, França EB. Quality of cause-of-death data in Brazil: garbage codes among registered deaths in 2000 and 2015. Rev Bras Epidemiol. 2000;22(3) doi: 10.1590/1980-549720190002.supl.3. [DOI] [PubMed] [Google Scholar]
  • 12.Instituto Brasileiro de Geografia e Estatística. Censo Demográfico 2022 [Internet]. Rio de Janeiro: IBGE; 2022 [cited 2025 Oct 10]. Available from: https://www.ibge.gov.br. ; Instituto Brasileiro de Geografia e Estatística Censo Demográfico 2022 [Internet] 2022. [[cited 2025 Oct 10]]. https://www.ibge.gov.br .
  • 13.Brasil. Ministério da Saúde. OpenDATASUS: portal de dados abertos do SUS [Internet]. Brasília: Ministério da Saúde; 2025 [cited 2025 Oct 12]. Available from: https://opendatasus.saude.gov.br/; Brasil Ministério da Saúde. 2025. [[cited 2025 Oct 12]]. https://opendatasus.saude.gov.br/
  • 14.Estado do Rio de Janeiro. Secretaria de Estado de Saúde do Rio de Janeiro. Manual de Gestão do Sistema de Informação Sobre Mortalidade – SIM-RJ. Rio de Janeiro: SES-RJ; 2025 [cited 2026 Jan 15]. Available from: https://www.saude.rj.gov.br/comum/code/MostrarArquivo.php?C=NzI0OTU%2C; Estado do Rio de Janeiro. Secretaria de Estado de Saúde do Rio de Janeiro. 2025. [[cited 2026 Jan 15]]. https://www.saude.rj.gov.br/comum/code/MostrarArquivo.php?C=NzI0OTU%2C .
  • 15.Brasil. Ministério da Saúde. Saúde Brasil 2018: uma análise de situação e das doenças e agravos crônicos: desafios e perspectivas. Brasília: Ministério da Saúde; 2018 [cited 2026 Jan 15]. 416 p. Available from: https://bvsms.saude.gov.br/bvs/publicacoes/saude_brasil_2018_analise_situacao_saude_doencas_agravos_cronicos_desafios_perspectivas.pdf; Brasil Ministério da Saúde. 2018. [[cited 2026 Jan 15]]. https://bvsms.saude.gov.br/bvs/publicacoes/saude_brasil_2018_analise_situacao_saude_doencas_agravos_cronicos_desafios_perspectivas.pdf .
  • 16.França EB, Ishitani LH, Abreu DMX, Teixeira RA, Corrêa PRL, Jesus EDS, et al. Measuring misclassification of COVID-19 as garbage codes: results of investigating 1,365 deaths and implications for vital statistics in Brazil. PLOS Glob Public Health. 2022;2(5):e0000199. [DOI] [PMC free article] [PubMed]; França EB, Ishitani LH, Abreu DMX, Teixeira RA, Corrêa PRL, Jesus EDS. Measuring misclassification of COVID-19 as garbage codes: results of investigating 1,365 deaths and implications for vital statistics in Brazil. PLOS Glob Public Health. 202;2(5) doi: 10.1371/journal.pgph.0000199. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 17.Aquino ECD, Borowicc SL, Alves-Souza SN, Teixeira RA, Ishitani LH, Malta DC, et al. Distribution of garbage codes in the Mortality Information System, Brazil, 2000 to 2020. Cienc Saude Colet. 2025;30(3):e09442023. [DOI] [PubMed]; Aquino ECD, Borowicc SL, Alves-Souza SN, Teixeira RA, Ishitani LH, Malta DC. Distribution of garbage codes in the Mortality Information System, Brazil, 2000 to 2020. Cienc Saude Colet. 2000;30(3) doi: 10.1590/1413-81232025303.09442023. [DOI] [PubMed] [Google Scholar]
  • 18.Naghavi M, Richards N, Chowdhury H, Eynstone-Hinkins J, Franca E, Hegnauer M, et al. Improving the quality of cause of death data for public health policy: are all ‘garbage’ codes equally problematic? BMC Med. 2020;18(1):55. [DOI] [PMC free article] [PubMed]; Naghavi M, Richards N, Chowdhury H, Eynstone-Hinkins J, Franca E, Hegnauer M. Improving the quality of cause of death data for public health policy: are all ‘garbage’ codes equally problematic? BMC Med. 202;18(1) doi: 10.1186/s12916-020-01525-w. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 19.Malta DC, Teixeira RA, Cardoso LSDM, Souza JBD, Bernal RTI, Pinheiro PC, et al. Mortalidade prematura por doenças crônicas não transmissíveis em capitais brasileiras: redistribuição de causas garbage e evolução por estratos de privação social. Rev Bras Epidemiol. 2023;26(Suppl 1):e230002. ; Malta DC, Teixeira RA, Cardoso LSDM, Souza JBD, Bernal RTI, Pinheiro PC. Mortalidade prematura por doenças crônicas não transmissíveis em capitais brasileiras: redistribuição de causas garbage e evolução por estratos de privação social. Rev Bras Epidemiol. 202;26(1) [Google Scholar]
  • 20.Malta DC, Teixeira RA, Souza JBD, Aquino ECD, Dantas Júnior AB, Soares Filho AM, et al. O efeito das redistribuições dos códigos garbage na evolução da mortalidade por doenças crônicas no Brasil, 2010 a 2019. Cienc Saude Colet. 2025;30(3):e00492024. [DOI] [PubMed]; Malta DC, Teixeira RA, Souza JBD, Aquino ECD, Dantas AB, Júnior, Soares AM., Filho O efeito das redistribuições dos códigos garbage na evolução da mortalidade por doenças crônicas no Brasil, 2010 a 2019. Cienc Saude Colet. 2010;30(3) doi: 10.1590/1413-81232025303.00492024. [DOI] [PubMed] [Google Scholar]
  • 21.Rebouças P, Alves FJ, Ferreira A, Marques L, Guimarães NS, Souza GRD, et al. Avaliação da qualidade do Sistema Brasileiro de Informações sobre Mortalidade (SIM): uma scoping review. Cienc Saude Colet. 2025;30(1):e08462023. [DOI] [PubMed]; Rebouças P, Alves FJ, Ferreira A, Marques L, Guimarães NS, Souza GRD. Avaliação da qualidade do Sistema Brasileiro de Informações sobre Mortalidade (SIM): uma scoping review. Cienc Saude Colet. 202;30(1) doi: 10.1590/1413-81232025301.08462023. [DOI] [PubMed] [Google Scholar]
  • 22.Ferreira GAT, Cherchiglia ML, Valk M, Pilecco FB. Mortality trends among Indigenous women of reproductive age in Brazil: a time series analysis. Lancet Reg Health Am. 2025;48:101183. [DOI] [PMC free article] [PubMed]; Ferreira GAT, Cherchiglia ML, Valk M, Pilecco FB. Mortality trends among Indigenous women of reproductive age in Brazil: a time series analysis. Lancet Reg Health Am. 202;48 doi: 10.1016/j.lana.2025.101183. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 23.França E, Ishitani LH, Teixeira R, Duncan BB, Marinho F, Naghavi M. Changes in the quality of cause-of-death statistics in Brazil: garbage codes among registered deaths in 1996–2016. Popul Health Metr. 2020;18(S1):20. [DOI] [PMC free article] [PubMed]; França E, Ishitani LH, Teixeira R, Duncan BB, Marinho F, Naghavi M. Changes in the quality of cause-of-death statistics in Brazil: garbage codes among registered deaths in 1996–2016. Popul Health Metr. 202;18(S1) doi: 10.1186/s12963-020-00221-4. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 24.Minto CM, Cascão AM, Lima S, Kuyumjian FG, Godoy L, Souza MDFMD. Estudo avaliativo da melhoria da qualidade da informação de morte em hospitais dos estados do Rio de Janeiro e de São Paulo, 2017. Rev Bras Epidemiol. 2019;22(Suppl 3):e19008. [DOI] [PubMed]; Minto CM, Cascão AM, Lima S, Kuyumjian FG, Godoy L, Souza MDFMD. Estudo avaliativo da melhoria da qualidade da informação de morte em hospitais dos estados do Rio de Janeiro e de São Paulo, 2017. Rev Bras Epidemiol. 2017;22(3) doi: 10.1590/1980-549720190008.supl.3. [DOI] [PubMed] [Google Scholar]
  • 25.Lima RBD, Frederes A, Marinho MF, Cunha CCD, Adair T, França EB. Investigation of garbage code deaths to improve the quality of cause-of-death in Brazil: results from a pilot study. Rev Bras Epidemiol. 2019;22(Suppl 3):e19004. [DOI] [PubMed]; Lima RBD, Frederes A, Marinho MF, Cunha CCD, Adair T, França EB. Investigation of garbage code deaths to improve the quality of cause-of-death in Brazil: results from a pilot study. Rev Bras Epidemiol. 201;22(Suppl 3) doi: 10.1590/1980-549720190004.supl.3. [DOI] [PubMed] [Google Scholar]
  • 26.Oliveira CMD, Ciríaco DL, Silva CFD, Barros HCS, Cunha CCD, França EB. Avaliação do impacto da investigação dos óbitos com códigos garbage na qualidade da informação sobre causas de morte no nordeste do Brasil. Rev Bras Epidemiol. 2019;22(Suppl 3):e19007. [DOI] [PubMed]; Oliveira CMD, Ciríaco DL, Silva CFD, Barros HCS, Cunha CCD, França EB. Avaliação do impacto da investigação dos óbitos com códigos garbage na qualidade da informação sobre causas de morte no nordeste do Brasil. Rev Bras Epidemiol. 201;22(Suppl 3) doi: 10.1590/1980-549720190007.supl.3. [DOI] [PubMed] [Google Scholar]
  • 27.Benedetti MSG, Saraty SB, Martins AG, Miranda MJD, Abreu DMXD. Estudo avaliativo do projeto de investigação de óbitos por códigos garbage na região Norte do Brasil. Rev Bras Epidemiol. 2019;22(Suppl 3):e19006. [DOI] [PubMed]; Benedetti MSG, Saraty SB, Martins AG, Miranda MJD, Abreu DMXD. Estudo avaliativo do projeto de investigação de óbitos por códigos garbage na região Norte do Brasil. Rev Bras Epidemiol. 201;22(3) doi: 10.1590/1980-549720190006.supl.3. [DOI] [PubMed] [Google Scholar]
  • 28.Teixeira RA, Ishitani LH, Marinho F, Pinto Junior EP, Katikireddi SV, Malta DC. Methodological proposal for the redistribution of deaths due to garbage codes in mortality estimates for Noncommunicable Chronic Diseases. Rev Bras Epidemiol. 2021;24(Suppl 1):e210004. [DOI] [PubMed]; Teixeira RA, Ishitani LH, Marinho F, Pinto EP, Junior, Katikireddi SV, Malta DC. Methodological proposal for the redistribution of deaths due to garbage codes in mortality estimates for Noncommunicable Chronic Diseases. Rev Bras Epidemiol. 202;24(1) doi: 10.1590/1980-549720210004.supl.1. [DOI] [PubMed] [Google Scholar]
  • 29.Soares Filho AM, Teixeira RA, Dantas Júnior AB, Souza JBD, Montenegro MDMS, Vasconcelos AMN, et al. Estimativas de mortalidade por causas externas no Brasil, 2010-2019: metodologia de redistribuição de causas garbage. Cad Saude Publica. 2024;40(10):e00056424. [DOI] [PMC free article] [PubMed]; Soares AM, Filho, Teixeira RA, Dantas AB, Júnior, Souza JBD, Montenegro MDMS, Vasconcelos AMN. Estimativas de mortalidade por causas externas no Brasil, 2010-2019: metodologia de redistribuição de causas garbage. Cad Saude Publica. 202;40(10) doi: 10.1590/0102-311XPT056424. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 30.Lopes AS, Passos VMDA, Souza MDFMD, Cascão AM. Melhoria da qualidade do registro da causa básica de morte por causas externas a partir do relacionamento de dados dos setores Saúde, Segurança Pública e imprensa, no estado do Rio de Janeiro, 2014. Epidemiol Serv Saude. 2018;27(4):e2017551. [DOI] [PubMed]; Lopes AS, Passos VMDA, Souza MDFMD, Cascão AM. Melhoria da qualidade do registro da causa básica de morte por causas externas a partir do relacionamento de dados dos setores Saúde, Segurança Pública e imprensa, no estado do Rio de Janeiro, 2014. Epidemiol Serv Saude. 2014;27(4) doi: 10.5123/S1679-49742018000400011. [DOI] [PubMed] [Google Scholar]
Epidemiol Serv Saude. 2026 Jun 22;35:e20251137. [Article in Portuguese] doi: 10.1590/S2237-96222026v35e20251137.pt

Códigos garbage como causa básica de óbito: estudo transversal, estado do Rio de Janeiro, 1998-2023

Luciana Freire de Carvalho 1,2

Resumo

Objetivos

Descrever evolução temporal e distribuição geográfica dos óbitos por códigos garbage, além de analisar a prevalência e as características associadas à ocorrência de códigos garbage como causa básica de óbito no estado do Rio de Janeiro entre 1998 e 2023.

Métodos

Estudo transversal dos óbitos de residentes do estado obtidos do Sistema de Informações sobre Mortalidade. Os códigos garbage foram classificados segundo metodologia do Global Burden of Disease Study. Realizaram-se análises descritivas da evolução temporal e distribuição por municípios. A associação com variáveis sociodemográficas, local de ocorrência e região de saúde foi analisada por regressão de Poisson com variância robusta e descrita a partir da razão de prevalência (RP) e dos respectivos intervalos de confiança de 95% (IC95%).

Resultados

Dos 3.399.380 óbitos, 1.510.135 (44,4%) foram classificados como códigos garbage. A proporção permaneceu elevada, variando de 48,0% (1998) a 46,3% (2023), com redução transitória para 38,1% em 2021. O nível 1 (pior qualidade) concentrou maior proporção (22,9%). Maiores prevalências associaram-se ao sexo ignorado (RP 1,18; IC95% 1,11; 1,23), raça/cor da pele preta (RP 1,17; IC95% 1,16; 1,17) e indígena (RP 1,16; IC95% 1,10; 1,22), faixa etária ≥80 anos (RP 1,74; IC95% 1,71; 1,75) e óbitos em local ignorado (RP 1,30; IC95% 1,25; 1,34).

Conclusão

Metade dos óbitos apresentou causa básica registrada como código garbage, com maior prevalência entre sexo e local de ocorrência ignorados, idosos e raça/cor da pele preta e indígena. Investigação ativa, redistribuição por algoritmos e integração de bancos de dados mostram-se promissores para qualificar a informação.

Palavras-chave: Causa Básica de Morte, Estatísticas Vitais, Qualidade dos Dados, Sistemas de Informação em Saúde, Classificação Internacional de Doenças

Aspectos éticos

Esta pesquisa utilizou bancos de dados de domínio público e anonimizados

Introdução

As estatísticas de mortalidade são fontes valiosas de informação em saúde para a avaliação do estado de saúde das populações [1]. A utilidade desses dados para a gestão pública depende da correta identificação da causa básica do óbito, definida como “a doença ou lesão que iniciou a cadeia de eventos patológicos que conduziram à morte ou as circunstâncias do acidente ou violência que produziram a lesão fatal” [2]. Contudo, a qualidade dessa informação é frequentemente comprometida pela utilização dos códigos garbage ou por causas inespecíficas de óbito, as quais consistem em diagnósticos indefinidos, incompletos ou pouco específicos que impedem a identificação adequada de ações prioritárias em saúde pública [3].

Para qualificar o enfrentamento desse problema, o Global Burden of Disease Study (GBD) propôs uma taxonomia que hierarquiza os códigos garbage em quatro níveis, baseando-se no grau de inespecificidade e no impacto na distorção das estatísticas de mortalidade, sendo o nível 1 de muito alto impacto e o nível 4 de baixo impacto. Essa classificação permite identificar causas que impedem o reconhecimento do grupo da doença até diagnósticos que carecem de maior detalhamento. A adoção dessa tipologia subsidia processos de redistribuição de óbitos e orienta gestores na priorização de intervenções [4].

Embora as estatísticas de mortalidade segundo causa sejam importantes para caracterização do perfil epidemiológico da população e de priorização de ações e políticas de saúde [5], a baixa qualidade das bases de dados limita tais análises, especialmente nos países em desenvolvimento [5-7]. Uma alta proporção de códigos garbage compromete a qualidade da informação sobre causas de morte e tem sido usada como indicador para avaliação da qualidade da assistência, visto que a desigualdade no acesso e na qualidade da atenção médica são relacionados à frequência de óbitos por causas inespecíficas [7,8]. Estima-se que, quando a proporção de códigos garbage ultrapassa 10% do total de mortes, os dados de mortalidade ficam comprometidos, o que dificulta a obtenção de estatísticas confiáveis [9].

No Brasil, proporções de códigos garbage acima de 30% persistem [3,9-11], porém a literatura sobre o tema ainda carece de estudos localizados, o que justifica a contribuição desta análise para o território do estado do Rio de Janeiro.

Os objetivos deste estudo foram descrever a evolução temporal e a distribuição geográfica dos óbitos por códigos garbage, além de analisar a prevalência e as características associadas à ocorrência de códigos garbage como causa básica de óbito no estado do Rio de Janeiro entre 1998 e 2023.

Métodos

Delineamento, local, período e população do estudo

Trata-se de estudo transversal com base em dados individuais de todos os óbitos de residentes no estado do Rio de Janeiro registrados no Sistema de Informação sobre Mortalidade (SIM) entre 1º de janeiro de 1998 e 31 de dezembro de 2023. Esse estado compreende 92 municípios distribuídos em nove regiões de saúde com população estimada, em 2022, de 16.054.524 habitantes [12].

Foram realizadas análises descritivas agregadas por causa básica, ano e município, para caracterizar o contexto espacial e temporal dos óbitos, bem como análises ao nível individual para estimar a prevalência e identificar fatores associados ao registro de códigos garbage.

Variáveis

A classificação da variável dependente deste estudo foi definida pela presença de qualquer causa básica de óbito classificada como código garbage nos níveis 1 a 4, seguindo a metodologia do GBD. Utilizou-se a causa básica do óbito codificada conforme a 10ª revisão da Classificação Internacional de Doenças (CID-10), incluindo os códigos de quatro dígitos.

A metodologia seguiu a classificação dos códigos garbage proposta pelo GBD de 2017, que categorizou os códigos da CID-10 em quatro níveis de qualidade (Tabela Suplementar 1):

  • nível 1 (pior qualidade) – inclui os códigos com sérias implicações para políticas públicas, como septicemia, que podem ser redistribuídos para qualquer grande grupo;

  • nível 2 (baixa qualidade) – inclui os códigos com implicações substanciais para causas que podem ser redistribuídas em um ou dois grandes grupos, a exemplo da hipertensão essencial;

  • nível 3 (média qualidade) – inclui os códigos com implicações importantes para causas que provavelmente estão no mesmo capítulo da CID-10, como o câncer de localização não especificada; e

  • nível 4 (melhor qualidade) – para causas que se referem a uma única doença, mas que poderiam ser mais especificadas, como o AVC não especificado.

Tais códigos são posteriormente realocados para causas básicas prováveis por algoritmos de redistribuição baseados em proporções de registros de alta qualidade da mesma população (15).

As variáveis independentes selecionadas para a análise foram: sexo (masculino, feminino, ignorado), raça/cor da pele (branca, preta, amarela, parda, indígena, ignorado), faixa etária (<1, 1-9, 10-19, 20-39, 40-59, 60-79 e ≥80 anos), local de ocorrência do óbito (hospital, domicílio, via pública, outros estabelecimentos de saúde, outros, ignorado), região de saúde (Baía da Ilha Grande, Baixada Litorânea, Centro-Sul, Médio Paraíba, Metropolitana I, Metropolitana II, Noroeste, Norte e Serrana) e ano do óbito (1998-2023).

Os anos do óbito foram analisados de forma contínua (1998-2023) na análise descritiva e como categóricos para a análise multivariada. Para apresentação na tabela de regressão, foram selecionados: 1998 (início da série histórica com CID-10 performando estabilidade); 2011 (ano central da série, com qualidade intermediária após investimentos nacionais em vigilância); 2021 (momento mais crítico da pandemia de covid-19); e 2023 (último ano disponível).

Fontes de dados e mensuração

A fonte para obtenção dos dados foi o SIM, disponibilizado pelo Departamento de Informática do Sistema Único de Saúde (DATASUS), cujo banco de dados com informações não identificadas encontra-se publicamente disponível no repositório de dados OpenDATASUS [13].

O processamento dos dados de mortalidade no estado do Rio de Janeiro apresenta fluxo descentralizado. O ciclo inicia-se com a emissão da declaração de óbito por médicos das unidades notificadoras, cabendo às secretarias municipais de Saúde coleta, digitação e processamento dos dados. A codificação das causas e a seleção da causa básica são realizadas por codificadores capacitados vinculados às esferas municipal e estadual, com auxílio do software Seletor de Causa Básica para aplicação das regras da CID-10. O nível estadual monitora qualidade, corrige inconsistências e valida os dados antes do processamento final pelo DATASUS [14].

Para a análise, utilizou-se a base de dados original conforme disponibilizada pelo Ministério da Saúde, sem a exclusão de registros por incompletude de variáveis sociodemográficas. As categorias classificadas como “ignorado” foram mantidas e analisadas como tal, refletindo o cenário real do preenchimento das declarações de óbito no período.

Métodos estatísticos

Inicialmente, foram realizadas análises descritivas da distribuição do número total de óbitos (n) e das proporções (%) de códigos garbage para cada categoria das variáveis de estudo. A proporção de códigos garbage total e pelos níveis ao longo dos anos foi apresentada em forma de gráfico.

A distribuição geográfica da proporção de códigos garbage por município foi visualizada em mapas, utilizando a unidade territorial municipal e o método de classificação por intervalos iguais, com a definição de cinco faixas fixas de 10 pontos percentuais cada (20%-30%, 31%-40%, 41%-50%, 51%-60% e >60%). Adicionalmente, os resultados foram estratificados pelas nove regiões de saúde do estado, o que permitiu a comparação do desempenho da qualidade da informação entre tais agregados regionais.

Foi realizado um ranqueamento das cinco causas básicas de óbito mais frequentes em cada um dos quatro níveis de qualidade propostos pelo GBD, utilizando a frequência absoluta (N), a proporção de cada causa no seu nível. As proporções foram calculadas utilizando como denominador o total de óbitos classificados em cada nível do GBD, apresentando-se as cinco causas de maior frequência por nível.

Devido à alta prevalência do evento, a associação entre as variáveis dependentes e independentes foi modelada por regressão de Poisson com variância robusta, abordagem adequada para obtenção da razão de prevalência (RP) ajustada em estudos transversais com desfechos comuns, evitando a superestimação da magnitude da associação decorrente do uso da razão de chances (odds ratio, OR).

As associações foram inicialmente investigadas por análises univariadas para a obtenção das RPs brutas. Em seguida, procedeu-se à modelagem multivariável, na qual o modelo final foi ajustado simultaneamente pelas variáveis sexo, raça/cor da pele, faixa etária, local de ocorrência, região de saúde e ano do óbito. Essa abordagem foi adotada por tratar-se de uma série histórica longa, na qual o ajuste se faz necessário para o controle de fatores de confusão decorrentes de mudanças na composição demográfica e espacial da população. Isso garante que as RPs reflitam as associações ajustadas para cada variável analisada.

As estimativas de associação foram expressas como RP, acompanhadas dos respectivos intervalos de confiança de 95% (IC95%). A significância estatística foi avaliada pelo teste de Wald com erro-padrão robusto, adotando-se o nível de significância de 5%.

As análises foram realizadas com auxílio dos programas Stata 14.2 e R Studio 4.0.2.

Resultados

No período 1998-2023, foram analisados 3.399.380 óbitos de residentes no estado do Rio de Janeiro, sendo 1.510.135 (44,4%) classificados como códigos garbage.

A proporção de óbitos por códigos garbage no estado permaneceu elevada ao longo dos anos (Figura 1A), variando de 48,0% em 1998 para 46,3% em 2023. As menores proporções foram observadas em 2021 (38,1%) e 2020 (38,8%), enquanto as maiores foram em 1998 (48,0%) e 2019 (47,4%).

Figura 1. Evolução temporal (A) e distribuição por níveis (B) da proporção (%) de óbitos por códigos garbage (CG). Estado do Rio de Janeiro, 1998-2023 (n=1.510.135).

Figura 1

Open in a new tab

Detalhou-se a proporção de óbitos por códigos garbage por nível de qualidade do GBD em relação ao total de óbitos (Figura 1B). O nível 1 abrangeu as causas mais inespecíficas e de pior qualidade. Esse nível concentrou a maior proporção, mantendo-se em 22,9% no início (1998) e no final da série (2023), com ponto mais baixo em 2016 (18,8%). Seguiu-se o nível 4, com variação de 14,0% em 1998 para 13,4% em 2023, com o mínimo em 9,6% em 2021. O nível 2 variou de 6,8% em 1998 para 7,3% em 2023, e o nível 3 de 4,3% em 1998 para 3,1% em 2023, tendo seu mínimo em 2,4% em 2021. Observou-se queda nas proporções de códigos garbage em todos os níveis em 2020 e 2021. Esse declínio foi seguido por importante aumento em 2022 e 2023, com as proporções retornando a patamares próximos à pré-pandemia da covid-19.

Foi apresentado o ranqueamento das cinco causas de códigos garbage mais frequentes em cada nível de qualidade do GBD (Tabela 1). No nível 1, a causa R99 (outras causas mal definidas e as não especificadas de mortalidade) foi a mais frequente e correspondeu a 32,5% dos óbitos nesse nível (n=232.787). No nível 2, a hipertensão essencial (primária) (I10) respondeu pela maior proporção dos óbitos, 39,4% (n=88.799). O nível 3 destacou outros transtornos pulmonares (J98.4, 17,4%) e neoplasia maligna sem especificação de localização (C80, 14,3%). No nível 4, a pneumonia não especificada (J18.9, 33,2%) e o acidente vascular cerebral não especificado (I64, 26,7%) foram as causas mais comuns.

Tabela 1. Cinco causas básicas de óbito mais frequentes de cada nível de códigos garbage segundo Global Burden of Disease Study (GBD), frequência absoluta e proporção em cada nível. Estado do Rio de Janeiro, 1998-2023 (n=1.510.135).

Código CID-10a Descrição da causa básica n (%)b
Nível 1 – Pior qualidade
R99 Outras causas mal definidas e as não especificadas de mortalidade 232.787 (32,5)
E149 Diabetes mellitus não especificado 87.567 (12,2)
A419 Septicemia não especificada 77.872 (10,9)
I500 Insuficiência cardíaca congestiva 36.632 (5,1)
I509 Insuficiência cardíaca não especificada 27.350 (3,8)
Nível 2 – Qualidade baixa
I10 Hipertensão essencial (primária) 88.799 (39,4)
Y349 Eventos não especificados e intenção não determinada 31.023 (13,8)
R092 Parada respiratória 19.104 (8,5)
J81 Edema pulmonar 14.281 (6,3)
K920 Hematêmese 11.862 (5,3)
Nível 3 – Qualidade média
J984 Outros transtornos pulmonares 20.360 (17,4)
C80 Neoplasia maligna sem especificação de localização 16.706 (14,3)
I499 Arritmia cardíaca não especificada 9.653 (8,2)
J988 Outros transtornos respiratórios especificados 9.245 (7,9)
C260 Neoplasia maligna do trato intestinal, parte não especificada 7.928 (6,8)
Nível 4 – Melhor qualidade
J189 Pneumonia não especificada 150.091 (33,2)
I64 Acidente vascular cerebral, não especificado como hemorrágico ou isquêmico 120.713 (26,7)
I678 Outras doenças cerebrovasculares especificadas 47.548 (10,5)
I694 Sequelas de acidente vascular cerebral, não especificado como hemorrágico ou isquêmico 28.541 (6,3)
I420 Cardiomiopatia dilatada 24.126 (5,3)
Open in a new tab

aClassificação Internacional de Doenças – 10ª revisão (CID-10); bAs proporções foram calculadas sobre o total de óbitos de cada nível do GBD, considerando-se apenas as cinco causas de maior frequência por nível.

A distribuição geográfica da proporção de óbitos por códigos garbage por município foi ilustrada para 1998, 2011, 2021 e 2023 (Figura 2). Em 1998 (Figura 2A), as maiores proporções estavam em municípios do Noroeste fluminense, como Varre-Sai (68,4%), e na Região Metropolitana I, em Queimados (68,1%). Observou-se variação geral de tons mais escuros (altas proporções) em grande parte do estado.

Figura 2. Proporção de óbitos por códigos garbage por município: (A) 1998, (B) 2011, (C) 2021 e (D) 2023. Estado do Rio de Janeiro (n=1.510.135).

Figura 2

Open in a new tab

Em 2011 (Figura 2B), a maioria dos municípios apresentou redução nas proporções de óbitos por códigos garbage, visível pelo clareamento nos mapas. Regiões como Metropolitana I, Metropolitana II e Centro-Sul exibiram as menores proporções, com Areal (34,44%) na Centro-Sul e Niterói (37,5%) na Metropolitana II entre os municípios com menores proporções. Municípios do Noroeste, como Varre-Sai (47,5%), ainda mantinham proporções elevadas.

Em 2021 (Figura 2C), a proporção de óbitos por códigos garbage apresentou redução observada em grande parte do estado em comparação aos anos anteriores, refletindo o período da pandemia de covid-19. Municípios da Região Serrana, como Petrópolis (27,9%), São José do Vale do Rio Preto (29,5%) e São Sebastião do Alto (38,0%), apresentaram as menores proporções.

Em 2023 (Figura 2D), a proporção de óbitos por códigos garbage aumentou de forma importante em diversas regiões, com o mapa escurecendo novamente em comparação a 2021. As maiores proporções foram registradas em municípios da Baixada Litorânea, como Rio das Ostras (59,48%), e da Região Metropolitana I, como Belford Roxo (50,3%).

Foram apresentadas RPs ajustadas para a proporção de óbitos por códigos garbage, com seus respectivos IC95% (Tabela 2). Todas as categorias apresentaram significância estatística (p-valor<0,001). A prevalência de óbitos por códigos garbage foi 6,0% superior no sexo feminino em comparação ao masculino (RP 1,06; IC95% 1,06; 1,06). Para a raça/cor da pele, as maiores RPs ajustadas foram observadas nas populações preta (RP 1,17; IC95% 1,16; 1,17) e indígena (RP 1,16; IC95% 1,10; 1,22) em comparação à população branca.

Tabela 2. Razão de prevalência (RP) bruta e ajustada e intervalo de confiança de 95% (IC95%) de óbitos por códigos garbage segundo características sociodemográficas. Estado do Rio de Janeiro, 1998-2023 (n=3.399.380) .

Variáveis Total de óbitos Óbitos classificados como códigos garbage – n (%) RP bruta (IC95%) p-valor RP ajustada (IC95%)a,d p-valor
Sexo <0,001 <0,001
Masculino 1.837.839 770.190 (41,9) 1 1
Feminino 1.558.618 738.311 (47,4) 1,13 (1,12; 1,13) 1,06 (1,06; 1,06)
Ignorado 2.923 1.634 (55,9) 1,33 (1,29; 1,38) 1,18 (1,11; 1,23)
Raça/cor da pele <0,001 <0,001
Branca 1.827.802 789.877 (43,2) 1 1
Preta 489.258 233.242 (47,7) 1,10 (1,10; 1,11) 1,17 (1,16; 1,17)
Amarela 5.822 2.671 (45,8) 1,06 (1,03; 1,09) 1,06 (1,03; 1,09)
Parda 961.009 428.903 (44,6) 1,03 (1,03; 1,04) 1,13 (1,12; 1,13)
Indígena 1.713 834 (48,7) 1,13 (1,07; 1,18) 1,16 (1,10; 1,22)
Ignorado 113.776 54.608 (48,0) 1,11 (1,10; 1,12) 1,15 (1,13; 1,15)
Faixa etária (anos)b <0,001 <0,001
<1 88.298 14.671 (16,6) 0,56 (0,55; 0,57) 0,52 (0,51; 0,53)
1- 9 21.756 9.005 (41,4) 1,40 (1,37; 1,43) 1,30 (1,27; 1,32)
10-19 60.090 17.799 (29,6) 1 1
20-39 292.051 91.843 (31,4) 1,06 (1,05; 1,08) 1,04 (1,02; 1,05)
40-59 679.181 272.006 (40,0) 1,35 (1,34; 1,37) 1,28 (1,26; 1,29)
60-79 1.341.140 617.182 (46,0) 1,55 (1,53; 1,57) 1,49 (1,46; 1,50)
≥80 916.864 487.629 (53,2) 1,80 (1,77; 1,82) 1,74 (1,71; 1,75)
Local de ocorrência <0,001 <0,001
Hospital 2.441.787 1.062.323 (43,5) 1 1
Ignorado 3.269 1.759 (53,8) 1,24 (1,20; 1,28) 1,30 (1,25; 1,34)
Outros estabelecimentos de saúde 255.956 139.001 (54,3) 1,25 (1,24; 1,25) 1,26 (1,25; 1,26)
Domicílio 468.159 227.807 (48,7) 1,12 (1,11; 1,12) 1,08 (1,07; 1,08)
Via pública 129.966 37.181 (28,6) 0,66 (0,65; 0,66) 0,74 (0,72; 0,74)
Outros 100.243 42.064 (42,0) 0,96 (0,96; 0,97) 1,01 (1,00; 1,02)
Região de saúde <0,001 <0,001
Baía da Ilha Grande 36.804 14.269 (38,8) 0,86 (0,85; 0,87) 0,92 (0,90; 0,92)
Baixada Litorânea 137.815 62.673 (45,5) 1,00 (1,00; 1,01) 1,04 (1,03; 1,04)
Centro-Sul 70.304 30.957 (44,0) 0,97 (0,96; 0,98) 0,98 (0,97; 0,99)
Médio Paraíba 168.556 66.614 (39,5) 0,87 (0,87; 0,88) 0,90 (0,89; 0,90)
Metropolitana I 2.111.347 955.390 (45,2) 1 1
Metropolitana II 403.987 175.141 (43,3) 0,96 (0,95; 0,96) 0,97 (0,97; 0,98)
Noroeste 72.405 31.117 (43,0) 0,95 (0,94; 0,96) 0,95 (0,94; 0,96)
Norte 159.752 72.305 (45,3) 1,00 (0,99; 1,01) 1,04 (1,03; 1,04)
Serrana 195.953 79.614 (40,6) 0,90 (0,89; 0,90) 0,92 (0,91; 0,92)
Ignorado 42.457 22.055 (51,9) 1,15 (1,14; 1,16) 1,08 (1,07; 1,09)
Ano do óbitoc <0,001 <0,001
1998 115.382 55.383 (48,1) 1 1
2011 127.095 55.718 (43,8) 0,91 (0,90; 0,92) 0,85 (0,84; 0,86)
2021 189.232 72.165 (38,1) 0,79 (0,79; 0,80) 0,71 (0,70; 0,71)
2023 145.148 67.133 (46,3) 0,96 (0,96; 0,97) 0,85 (0,84; 0,86)
Open in a new tab

aModelo ajustado por todas as variáveis independentes; bA faixa etária 10-19 anos foi selecionada como categoria de referência por apresentar a segunda menor prevalência de códigos garbage, imediatamente após os menores de 1 ano, cujos óbitos são obrigatoriamente investigados; cOs anos do óbito foram analisados sem estratificação temporal, no entanto, para apresentação, foram escolhidos anos específicos que correspondem a: 1998 (início da série histórica com CID-10 estável); 2011 (ano central da série história estudada, com qualidade intermediária após investimentos nacionais em vigilância); 2021 (momento crítico da pandemia de covid-19); e 2023 (último ano disponível priorizando clareza visual em momentos-chave); dA sobreposição dos limites do IC95% à estimativa pontual deve-se à elevada precisão estatística decorrente da magnitude da amostra, mantendo-se a padronização de duas casas decimais.

A prevalência de óbitos por códigos garbage foi menor em crianças menores de 1 ano (RP 0,52; IC95% 0,51; 0,53) e aumentou com o envelhecimento, sendo 74,0% superior para 80 anos ou mais em comparação à faixa de 10-19 anos (RP 1,74; IC95% 1,71; 1,75).

A prevalência foi maior nas categorias ignorado (RP 1,30; IC95% 1,25; 1,34) e outros estabelecimentos de saúde (RP 1,26; IC95% 1,25; 1,26) em comparação a óbitos ocorridos em hospitais e 26,0% menor para óbitos em Via Pública (RP 0,74; IC95% 0,72; 0,74). As regiões de saúde Baixada Litorânea (RP 1,04; IC95% 1,03; 1,04) e Norte (RP 1,04; IC95% 1,03;1,04) apresentaram RPs maiores que a Metropolitana I, enquanto Médio Paraíba (RP 0,90; IC95% 0,89; 0,90), Serrana (RP 0,92; IC95% 0,91; 0,92) e Baía da Ilha Grande (RP 0,92; IC95% 0,90; 0,92) tiveram as menores.

Observou-se redução na prevalência de óbitos por códigos garbage ao longo da série histórica. Comparado a 1998, a RP foi menor em todos os anos subsequentemente avaliados, atingindo o ponto mais baixo em 2021 (RP 0,71; IC95% 0,70; 0,71). Em 2023, a prevalência ajustada permaneceu 15,0% abaixo daquela observada em 1998 (RP 0,85; IC95% 0,84; 0,86).

Discussão

Os resultados deste estudo destacaram-se pela magnitude e persistência dos óbitos classificados como códigos garbage, o que indicou desafios históricos na qualificação da informação sobre mortalidade no estado do Rio de Janeiro. Apesar dos avanços, sua ocorrência permaneceu sistematicamente acima dos parâmetros considerados aceitáveis para garantir estatísticas de mortalidade confiáveis [9] e foram corroborados por achados em outros territórios brasileiros, que mostraram que 19 estados apresentaram a proporção de códigos garbage superior a 30% em 2016 e nenhum inferior a 10% [3,6,9,11,15].

A redução na proporção de códigos garbage entre 2020 e 2021 pode ser atribuída ao maior rigor na investigação de óbitos, à especificidade da covid-19 como causa básica de morte bem-definida e à mobilização dos sistemas de vigilância no estado do Rio de Janeiro, hipótese que diverge de outros estudos realizados na pandemia, que observaram aumento nesse período. Todavia, é necessário cautela ao interpretar essa redução como melhora estrutural na qualidade, visto que é possível que tenha ocorrido priorização na escolha da causa covid-19 em detrimento de causas crônicas subjacentes [10,16,17].

O subsequente aumento das proporções de códigos garbage, em 2022 e 2023, sugeriu que a melhora na qualidade dos dados não se sustentou, com os níveis de inespecificidade retornando a patamares elevados no período pós-pandemia da covid-19.

A concentração de códigos garbage no nível 1 representou o comprometimento mais severo na qualidade da informação. A predominância de códigos como R99 (outras causas mal definidas) limitou o uso das estatísticas, pois a ausência total de detalhamento etiológico impossibilitou a identificação da real causa de óbito e a definição de prioridades no planejamento de ações de saúde pública. Isso reforçou a necessidade de investimentos em investigação de óbitos e melhor capacitação dos profissionais responsáveis pelo preenchimento das declarações de óbito [4,18].

Os códigos classificados nos níveis 2 e 3, como a hipertensão essencial e a neoplasia maligna sem localização anatômica definida, respectivamente, guardaram potencial de qualificação superior aos códigos de nível 1, pois esclareceram, ao menos, o sistema orgânico ou o grupo de causas envolvido. No entanto, ainda denotaram uma oportunidade perdida para aprofundar o conhecimento sobre a morbimortalidade por doenças crônicas não transmissíveis no estado do Rio de Janeiro [19,20].

As disparidades na proporção de códigos garbage entre as regiões de saúde e os municípios refletiram a heterogeneidade das condições de saúde e da capacidade de registro no estado. Estes achados indicaram possíveis desigualdades na qualidade da informação, na capacidade local de investigação de óbitos e, em última instância, na oferta e no acesso aos serviços de saúde [5].

Os resultados reforçaram o papel dos códigos garbage como indicador indireto de fragilidades na atenção à saúde, especialmente em municípios do interior ou em áreas metropolitanas vulneráveis, onde concentrações elevadas podem sinalizar problemas de cobertura e de qualidade assistencial e capacitação técnica [16]. Municípios com menores proporções de códigos garbage podem indicar melhores práticas locais de preenchimento ou investigação de óbitos, enquanto aqueles com maiores proporções sugerem a necessidade de intervenções direcionadas [21], especialmente onde há prevalência superior a 50% ao longo de 25 anos.

As diferenças observadas nas prevalências de códigos garbage estratificadas por variáveis sociodemográficas sublinharam a influência dos determinantes sociais da saúde e das iniquidades no acesso e na qualidade da atenção entre os subgrupos populacionais [7]. As maiores RPs associadas à raça/cor da pele preta e indígena reforçaram a interface entre qualidade da informação e iniquidades em saúde. Isso sugeriu barreiras de acesso à investigação diagnóstica, que podem se estender ao processo de certificação do óbito, resultando em dados menos precisos [22].

Em relação ao sexo, observou-se maior prevalência em óbitos do sexo feminino. Isso pode estar associado à maior ocorrência de óbitos por causas externas em homens, que são, em geral, certificados por legistas após necropsias, o que levaria ao diagnóstico específico das causas da morte para o sexo masculino [17].

A menor RP em crianças menores de 1 ano sugeriu maior rigor na investigação de óbitos infantis, enquanto o aumento progressivo em faixas etárias avançadas apontou para a complexidade diagnóstica e a prevalência de comorbidades em idosos como fatores que contribuem para a inespecificidade das causas de morte nesse grupo. Tal fato poderia explicar, também, a maior frequência entre mulheres, dado à maior expectativa de vida em comparação aos homens [17,23].

A associação de maiores prevalências de códigos garbage em óbitos ocorridos em domicílio, via pública ou em outros estabelecimentos de saúde, em comparação a óbitos hospitalares, é um padrão consistente com a literatura. Óbitos fora do ambiente hospitalar geralmente carecem de informações clínicas mais detalhadas, o que torna a determinação da causa básica mais desafiadora. Já a menor proporção em vias públicas pode estar relacionada à melhor investigação de óbitos por causas externas, visto que estes são obrigatoriamente investigados por médicos legistas a partir de necropsias, o que culmina em causas básicas específicas [3,8,9].

Embora a proporção de códigos garbage tenha se mantido elevada ao longo do tempo, a análise das RPs revelou uma trajetória de melhora gradual na qualidade da informação ao longo da série histórica. Essa tendência de declínio, ainda que insuficiente, sugeriu que investimentos em vigilância e qualificação do preenchimento das declarações de óbito podem ter tido efeito positivo ao longo dos anos.

Os achados reforçaram a necessidade de investimentos contínuos em qualificação dos profissionais de saúde que atestam, certificam e investigam as causas de óbito, especialmente médicos e equipes de vigilância. Destacou-se a urgência de fortalecer a rede de vigilância de óbitos no estado, com especial atenção aos municípios com maiores proporções de causas de óbito inespecíficas.

A investigação dos óbitos é estratégia indispensável para qualificar a informação e deve integrar o processo de trabalho das equipes de vigilância locais. Ao investigar ativamente óbitos por causas inespecíficas, os serviços de vigilância corrigem distorções nos dados e identificam fragilidades na assistência e barreiras de acesso, o que permite intervenções direcionadas aos territórios e aos grupos populacionais mais afetados [24-27].

Outra estratégia é a reclassificação de óbitos por códigos garbage utilizando algoritmos padronizados de redistribuição. Estudos que aplicaram essa correção demonstraram que o perfil de mortalidade é substancialmente alterado, revelando o verdadeiro peso de causas específicas [20,28,29].

A integração entre sistemas de informação por técnicas de relacionamento de bancos de dados apresenta-se como ferramenta para qualificar a investigação de óbitos por causas inespecíficas. O relacionamento de registros do SIM com bases assistenciais permite recuperar trajetórias de cuidado e dados clínicos ausentes na declaração de óbito. Essa estratégia, ao enriquecer o contexto do óbito, pode subsidiar a reclassificação desses códigos para causas específicas, o que confere maior fidedignidade às estatísticas de mortalidade [30].

Entre as limitações, a utilização de dados secundários do SIM é sujeita a vieses de informação relacionados a sub-registro, bem como a incompletude e inconsistências no preenchimento das declarações de óbito. Embora a metodologia do GBD seja amplamente aceita, pode não captar particularidades do contexto brasileiro. Por tratar-se de estudo transversal, as associações não permitiram inferências causais. A presença de informação ignorada pode ter influenciado as estimativas das RPs ajustadas. Contudo, o grande volume de dados e o uso de metodologia validada fortaleceram a robustez dos resultados.

Em conclusão, o estado do Rio de Janeiro enfrenta desafios na qualidade dos dados de mortalidade, caracterizados por elevada magnitude e persistência dos códigos garbage, com marcada heterogeneidade temporal e territorial, associada a desigualdades sociodemográficas. Os resultados deste estudo permitem orientar a priorização de municípios, regiões e subgrupos mais vulneráveis para implementar estratégias contínuas de aprimoramento do preenchimento das declarações de óbito e da investigação das causas de morte, visando fortalecer as estatísticas vitais para o planejamento e a avaliação das políticas de saúde.

Footnotes

Gestora de pareceristas: Izabela Fulone (https://orcid.org/0000-0002-3211-6951)

Parecerista: Érika Carvalho de Aquino (https://orcid.org/0000-0002-5659-0308)

Uso de inteligência artificial generativa: Não empregada.

Financiamento: Programa Pesquisa, Produtividade, Desenvolvimento Tecnológico e Extensão Inovadora da Universidade Estácio de Sá.

Disponibilidade de dados

Os bancos de dados derivados e os códigos de análise estão disponíveis mediante solicitação à autora.

Associated Data

    This section collects any data citations, data availability statements, or supplementary materials included in this article.

    Data Availability Statement

    Derived datasets and analysis codes are available upon request from the author.

    Os bancos de dados derivados e os códigos de análise estão disponíveis mediante solicitação à autora.

    Articles from Epidemiologia e Serviços de Saúde : Revista do Sistema Unico de Saúde do Brasil are provided here courtesy of Secretaria de Vigilância em Saúde e Ambiente - Ministério da Saúde do Brasil

    RESOURCES