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 May 18;35:e20250812. doi: 10.1590/S2237-96222026v35e20250812.en
View full-text in Portuguese

Schistosomiasis mansoni distribution: a spatial analysis, state of Rio de Janeiro, Brazil, 2011-2023

Distribución de la esquistosomiasis mansoni: análisis espacial, estado de Río de Janeiro, Brasil, 2011-2023

Brenno Mathias Corrêa 1, Alice Nardoni Marteli 2, Cleber Nascimento do Carmo 1, Daniel Savignon Marinho 1, Clélia Christina Mello-Silva 3
PMCID: PMC13686313  PMID: 42922979

Abstract

Objective:

To analyze the spatial distribution of schistosomiasis mansoni in the municipalities of the state of Rio de Janeiro between 2011 and 2023.

Methods:

Exploratory spatial analysis of confirmed schistosomiasis cases recorded on the Notifiable Health Conditions Information System. Incidence rates were calculated based on annual population estimates. Correlated variables included Brazilian Institute of Geography and Statistics data on the Municipal Human Development Index, the Gini Index, and occupied households with access to piped water and sanitation, as well as the Institute for Applied Economic Research Social Vulnerability Index. Spatial dependence was assessed using Global Moran's I (I) and Local Moran's I (I i ).

Results:

Between 2011 and 2023, 1,008 cases of schistosomiasis were confirmed in the state of Rio de Janeiro. The highest number of cases was recorded in 2022, with 136 confirmations. In 2023, 97 cases were confirmed. Spatial autocorrelations were found between the Social Vulnerability Index for urban infrastructure (I=-0.10; p-value 0.018), the composite Municipal Human Development Index (MHDI) (I=-0.07; p-value 0.089), and the MHDI for education (I=-0.07; p-value 0.076). I i revealed relevant clusters in the immediate geographic region of Itaperuna, especially in Varre-Sai.

Conclusion:

Persistence of schistosomiasis mansoni was observed in historically endemic municipalities, covered by the Schistosomiasis Control Program, with higher incidence rates in Porciúncula, Duas Barras and Sumidouro, these being priority areas for intervention. The set of findings showed association with socioeconomic and housing indicators and indicated active surveillance and case tracing as the main control strategies.

Keywords: Schistosomiasis Mansoni, Schistosoma Mansoni, Epidemiology, Spatial Analysis, Ecological Studies.

Ethical aspects

EThis research used public domain anonymized databases.

Introduction

Schistosomiasis mansoni is recognized by the United Nations as a neglected tropical disease, making it a target of global efforts for its elimination by 20301. It is an acute and chronic parasitic disease caused by the Schistosoma mansoni trematode and involves intermediate host snails of the Biomphalaria genus, which makes its control complex and multifactorial2. The disease remains a significant challenge for Brazilian public health, especially in endemic regions, where asymptomatic individuals play a relevant role in its continued presence over time1,2.

Schistosomiasis is strongly associated with socioeconomic inequalities and inadequate sanitation conditions, reflecting structural vulnerabilities1,2,3,4. Its dynamics are influenced by multiple environmental and social factors, such as climate change, land use and occupation, agricultural practices, disordered urban expansion and degradation of water bodies, which directly affect the distribution of intermediate hosts and human exposure3,4,5. Interaction between the environment, parasite, snails and humans is continuously shaped by changing socio-environmental processes.

Although it has low a low case fatality ratio, length of time of infection, reinfections and absence of timely diagnosis can result in significant morbidity and mortality2,3,5. In Brazil, the disease occurs in 19 of the country's states, nine of which are considered endemic, with a strong concentration of the disease in rural and riverside areas, where repeated exposure to contaminated water is frequent, which favors intensification of the parasitic load, the main element for the evolution of severe forms of schistosomiasis mansoni1,2,3,6,7.

The Schistosomiasis Control Program decentralization process in 1993 expanded municipal responsibility, but its implementation was marked by strong heterogeneity. In the state of Rio de Janeiro, many municipalities discontinued the Program's activities over the years, often prioritizing other epidemiological demands, such as arboviruses8,9,10. Such discontinuity reduces case detection and compromises effective health responses6,8,9,10.

Despite having important urban centers and relatively high socioeconomic indicators, the state of Rio de Janeiro includes regions that still face conditions marked by socio-environmental determinants, especially in the Northwest and South-Central regions of the state2,12,13,14. Given a scenario of predominantly passive surveillance, it becomes essential to understand the spatial patterns of schistosomiasis in order to support targeted actions contextualized to local characteristics.

Spatial analysis is a fundamental tool for investigating schistosomiasis distribution and identifying critical areas for intervention. By integrating social, environmental and epidemiological indicators, it is possible to recognize spatial clusters, risk areas and autocorrelation patterns that would not be evidenced by traditional analyses. This study aimed to analyze the spatial distribution of schistosomiasis mansoni in the state of Rio de Janeiro between 2011 and 2023, in order to contribute to the improvement of municipal surveillance and control strategies.

Methods

Design

This is a spatial analysis with an exploratory approach, carried out based on secondary data for each municipality in the state of Rio de Janeiro, from 2011 to 2023. This design was chosen to enable analysis of spatial distribution and its correlation with socioeconomic and housing variables.

Setting

Historically, the state of Rio de Janeiro has endemic schistosomiasis mansoni areas2,14. This study is situated within the context of the transformations that have occurred in surveillance policies as well as the interruption of the Schistosomiasis Control Program in the state of Rio de Janeiro since 2011, which has generated the need to understand the spatial behavior of the disease since then.

Participants

The study target population consisted of residents of municipalities in the state of Rio de Janeiro. All confirmed schistosomiasis mansoni cases recorded on the Notifiable Health Conditions Information System (Sistema de Informação de Agravos de Notificação, SINAN) between 2011 and 2023 were included.

Data sources

The schistosomiasis mansoni cases analyzed relate to the period from 2011 to 2023 and were obtained from SINAN, having been made available by the Brazilian Health System Department of Information Technology (Departamento de Informação e Informática do Sistema Único de Saúde, DATASUS), via the Ministry of Health, whereby the data were extracted on November 18, 202515.

The municipal population estimates and the Gini Index were obtained via DATASUS, from official databases derived from the Brazilian Institute of Geography and Statistics (IBGE) 2010 demographic census16,17.

The Municipal Human Development Index (MHDI) and its sub-indices were obtained from the publication entitled Atlas do Desenvolvimento Humano do Brasil13. The Social Vulnerability Index (SVI) and its sub-indices were obtained from the publication entitled Atlas da Vulnerabilidade Social, produced by the Institute for Applied Economic Research (Instituto de Pesquisa Econômica Aplicada)18, all of which were also derived from the IBGE 2010 demographic census. Housing variables (Table 6803 - Permanent occupied private dwellings, according to connection to the mains water distribution network and main form of water supply; and Table 6805 - Permanent occupied private dwellings according type of sewage disposal) were obtained directly from the IBGE automatic retrieval system, based on its 2022 demographic census19.

Variables

The dependent variable or outcome was the unadjusted schistosomiasis mansoni incidence rate.

The independent or explanatory variables were: a) socioeconomic: composite MHDI, MHDI Education, MHDI Longevity, MHDI Income, Gini Index, composite SVI, SVI Urban Infrastructure, SVI Human Capital, SVI Income and Work; b) housing-related: percentage of households with piped mains water and connected to the sewerage network.

Bias

Using secondary data may involve underreporting, inconsistencies in data completion and variations in case detection capacity between municipalities, which can result in underestimation and overestimation of incidence. Efforts were made to minimize these biases through the use of multiple official sources and geographic standardization of the data. Ecological fallacy, inherent to the design used, was recognized and discussed as a limitation of the study.

Study size

The study area comprised the 92 municipalities of the state of Rio de Janeiro, organized into 14 immediate geographic regions, with an approximate area of ​​43,750 km² and an estimated population of 16,055,174 inhabitants. The state of Rio de Janeiro is located in the Southeast region of Brazil and borders with the states of Espírito Santo, Minas Gerais and São Paulo12. Each municipality was taken as a spatial unit of analysis.

Statistical methods

The identifiers were linked to the vector file of the municipalities based on the IBGE municipal codes, using the SIRGAS 2000 geodetic reference. Schistosomiasis incidence rates were calculated taking the sum of confirmed cases over the period as the numerator and the sum of the resident populations each year as the denominator. The scale factor adopted was 100,000 inhabitants, and the legends were defined using the Jenks natural breaks method. These processes were performed using QGIS 3.34.13.

In order to reduce rate instability in municipalities with small populations or low number of cases, global and local empirical Bayes smoothing was applied, adjusting them, respectively, towards the average for the state and the average for contiguous municipalities20.

The univariate and bivariate spatial autocorrelations were performed in GeoDa 1.22.0.10, using global Moran's I (I) and local Moran's I (I i ). Global Moran's I is a statistical calculation that summarizes the degree of autocorrelation of the entire study area, ranging from -1 to +1. Values ​​close to +1 indicate positive spatial autocorrelation, and neighboring areas tend to have similar values ​​of the variable (high-high or low-low clusters). Values ​​close to -1 indicate negative spatial autocorrelation, and neighboring areas tend to have different values ​​for the variable (high-low or low-high). Values ​​close to zero suggest that the values ​​of the variable are randomly distributed over the space21.

Local Moran's I provides a more detailed analysis, identifying patterns of spatial autocorrelation at the local level. Analyzing it enables areas with significant spatial dependencies to be identified. This information is fundamental for the development of public policies and interventions, as it helps to adopt models, direct resources and generate hypotheses for specific areas based on well-defined spatial patterns22.

With regard to variable autocorrelation, first of all a spatial weight matrix needs to be defined, which determines the degree of interaction between the observations (municipalities). It is based on the idea of ​​contiguity and can be established from geographic proximity, distance between areas or a combination of these factors23.

The contiguity matrix applied was a first-order queen matrix. It takes neighbors to be all polygons that share any point in common, whether a boundary or just a vertex, with only immediate neighbors being incorporated into the matrix16,17,18. In the Monte Carlo randomization tests, 999 permutations were performed, and a p-value≤0.050 significance level was adopted for detecting spatial dependence24,25,26.

Results

Between 2011 and 2023, 1,008 schistosomiasis mansoni cases were confirmed in the state of Rio de Janeiro. The highest number of cases was recorded in 2022, namely 136 confirmed cases, of which 98 (72.0%) occurred in Porciúncula. This was followed by 110 confirmed cases (10.2%) in 2014, 107 confirmed cases (9.94%) in 2015, and 106 confirmed cases (9.85%) in 2017. Ninety-seven cases were confirmed in 2023, of which 45 (46.4%) also occurred in Porciúncula15.

Figure 1 shows the schistosomiasis incidence rates during the period. Porciúncula, Duas Barras and Sumidouro were the municipalities with the highest unadjusted incidence rates: 111.90, 51.61 and 31.81 per 100,000 inhabitants, respectively. These municipalities were simultaneously characterized by a high number of cases compared to the other municipalities, as well as a large proportion of autochthonous cases (greater than 93.4%), a population below 20,000 inhabitants, and a history of endemic schistosomiasis. Varre-Sai was the fourth most incident municipality, with a rate of 5.95 per 100,000 inhabitants11,12,15.

Figure 1. Spatial distribution of the unadjusted schistosomiasis mansoni incidence rate (A), the incidence rate smoothed using the Global Empirical Bayes method (B) and the incidence rate smoothed using the Local Empirical Bayes method (C). Rio de Janeiro, 2011-2023 (n=92).

Figure 1

Open in a new tab

Global univariate Moran's I analysis showed very weak positive spatial autocorrelation (I=0.05; p-value 0.074), which was not statistically significant.

In the global bivariate analysis, the Social Vulnerability Index (SVI) urban infrastructure sub-index showed a statistically significant result (I=-0.11; p-value 0.018), which corresponds to weak negative spatial autocorrelation, whereby municipalities with better infrastructure conditions neighbor areas with high incidence rates. The opposite was also observed (Table 1).

Table 1. Correlation values ​​between socioeconomic variables and the schistosomiasis incidence rate using Global Moran's I. Rio de Janeiro, 2011-2023 (n=92).

Variables analyzed Global Moran's I p-value
Composite Municipal Human Development Index (MHDI) -0.07 0.089
MHDI Education -0.07 0.076
MHDI Longevity -0.04 0.199
MHDI Income -0.04 0.179
Gini Index -0.06 0.117
Composite Social Vulnerability Index (SVI) -0.05 0.133
SVI Urban Infrastructure -0.10 0.018
SVI Human Capital 0.05 0.128
SVI Income and Work 0.04 0.219
Households with piped water (%) -0.06 0.124
Households with sewerage network connection (%) -0.02 0.298
Open in a new tab

The remaining indicators did not show significant spatial autocorrelation. Some associations were observed when statistical significance was defined at 10%: namely the composite Municipal Human Development Index (MHDI) (I=-0.07; p-value 0.089) and the MHDI Education sub-index (I=-0.07; p-value 0.076). Both indicate very weak negative spatial autocorrelations, suggesting that municipalities with higher human and educational development neighbor municipalities with low incidence rates, and that the opposite also occurs (Table 1).

In Figure 2, Maps A, B and C show the SVI Urban Infrastructure global Moran's I together with the schistosomiasis incidence rate. The maps highlight the spatial categories of the municipalities of the state of Rio de Janeiro in quadrants, which represent different spatial patterns: (A) High-Low: Araruama, Areal, Belford Roxo, Cachoeiras de Macacu, Carapebus, Campo dos Goytacazes, Cardoso Moreira, Duque de Caxias, Guapimirim, Itaboraí, Japeri, Macaé, Magé, Maricá, Mendes, Mesquita, Nilópolis, Niterói, Nova Iguaçu, Paracambi, Paty do Alferes, Petrópolis, Queimados, Quissamã, Rio de Janeiro, São Francisco de Itabapoana, São Gonçalo, São João de Meriti, Seropédica, Silva Jardim, Tanguá and Trajano de Moraes; (B) Low-Low: Angra dos Reis, Aperibé, Armação dos Búzios, Arraial do Cabo, Barra do Piraí, Barra Mansa, Bom Jesus do Itabapoana, Cabo Frio, Cambuci, Comendador Levy Gasparian, Casemiro de Abreu, Conceição de Macabu, Engenheiro Paulo de Frontin, Iguaba Grande, Itaguaí, Italva, Itaocara, Itaperuna, Itatiaia, Laje do Muriaé, Macuco, Mangaratiba, Miguel Pereira, Miracema, Paraíba do Sul, Paraty, Pinheiral, Piraí, Porto Real, Quatis, Resende, Rio Bonito, Rio Claro, Rio das Flores, Rio das Ostras, Santa Maria Madalena, Santo Antônio de Pádua, São Fidélis, São João da Barra, São José de Ubá, São Pedro da Aldeia, São Sebastião do Alto, Saquarema, Três Rios, Valência, Vassouras and Volta Redonda; (C) Low-High: Bom Jardim, Cantagalo, Carmo, Cordeiro, Duas Barras, Natividade, Nova Friburgo, Porciúncula, São José do Vale do Rio Preto, Sapucaia, Sumidouro, Teresópolis and Varre-Sai.

Figure 2. Distribution of the municipalities according to the Global bivariate Moran's I between the Social Vulnerability Index urban infrastructure sub-index and schistosomiasis mansoni incidence into low-low (A), high-low (B) and low-high (C). Rio de Janeiro, 2011-2023 (n=92).

Figure 2

Open in a new tab

Note: aNo high-high clusters were observed in this autocorrelation.

The maps shown in Figures 3 and 4 identify the local Moran's I clusters and outliers, especially in municipalities in the immediate geographic regions of Campos dos Goytacazes, Itaperuna, Nova Friburgo, Rio de Janeiro and Santo Antônio de Pádua. The associations between socioeconomic and housing indicators and the unadjusted incidence rate are specifically shown in the municipalities of Aperibé, Natividade, São Fidélis, Santa Maria Madalena, Rio de Janeiro and Varre-Sai. The most relevant patterns were concentrated mainly in the immediate geographic region of Itaperuna.

Figure 3. Spatial autocorrelation of the Local Moran's I for incidence and socioeconomic indicators: incidence (univariate) (A), composite Municipal Human Development Index (MHDI) (B), MHDI Longevity (C), MHDI Education (D), MHDI Income (E) and Gini Index (F). Rio de Janeiro, 2011-2023 (n=92).

Figure 3

Open in a new tab

In the univariate autocorrelation (Figure 3A), Varre-Sai showed a high-high pattern, while Natividade exhibited a low-high pattern. In the bivariate autocorrelations represented in Figure 3, maps B to E, Varre-Sai showed a low-high outlier, a pattern also observed for the longevity, education and income indicators. This means that this municipality has low human development and is contiguous to municipalities with high incidence. In the Gini Index (Figure 3F), Natividade showed a greater concentration of income in a small portion of the population, adjacent to areas of high incidence.

Regarding Figure 4, maps A, C, and D, the autocorrelations applied to the composite SVI and to the SVI Human Capital and SVI Income and Work sub-indices, showed that Varre-Sai had a high-low pattern, while Natividade had a low-high pattern. With regard to the SVI Urban Infrastructure sub-index (Figure 4B), Varre-Sai and Natividade had a low-high pattern.

Figure 4. Spatial autocorrelation of Local Moran's I for socioeconomic and housing variables: composite Social Vulnerability Index (SVI) (A), SVI Urban Infrastructure (B), SVI Human Capital (C), SVI Income and Work (D), percentage households with piped mains water (E) and connected to the sewerage network (F) and schistosomiasis mansoni incidence. Rio de Janeiro, 2011-2023 (n=92).

Figure 4

Open in a new tab

Regarding the operational sanitation variables (Figures 4E and 4F), Natividade (high-high) and Varre-Sai (low-high) showed opposite behaviors. The low-low and high-low patterns were concentrated in municipalities in the immediate regions of Campos dos Goytacazes, Nova Friburgo, Rio de Janeiro and Santo Antônio de Pádua.

Discussion

The spatial analysis identified those municipalities that had the highest schistosomiasis mansoni incidence in the state of Rio de Janeiro between 2011 and 2023, highlighting Duas Barras, Porciúncula and Sumidouro as priority areas for intervention. These municipalities had already taken part in the Schistosomiasis Control Program, when positivity was 3.7% in Sumidouro (2009), 1.8% in Duas Barras (2011) and 0.9% in Porciúncula (2004), which emphasized the persistence of transmission despite the actions carried out previously11.

Finding spatial patterns by means of local autocorrelations enabled identification of secondary areas of concern, particularly Varre-Sai. These findings highlighted the need to resume active surveillance in the prioritized municipalities in order to prevent the re-emergence of the disease and its potential spread to neighboring localities.

Some methodological limitations should be considered when interpreting the results. The analysis was based exclusively on incidence, since there is no systematic prevalence and positivity data in the municipalities assessed11, which are essential for national schistosomiasis control guidelines, which use these parasitological indicators as essential parameters for stratification and definition of intervention strategies2,3,6,8. Absence of this information reduces the ability to fully characterize the epidemiological pattern of the disease in the state of Rio de Janeiro and may impact the accuracy of the estimates.

Reliance on secondary data is also limiting, as it implies risks of underreporting, inconsistent records and variation in diagnosis sensitivity between municipalities, which can compromise the accuracy of analyses and hinder the interpretation of transmission dynamics, especially in areas with low operational capacity. The relatively small number of confirmed cases over the 14 years analyzed may also favor the formation of spurious spatial patterns. Although Bayes smoothing was used to reduce this instability, the possibility of artificial parameters cannot be completely ruled out.

Another point to consider is that Moran's I, while robust in identifying spatial dependence, does not capture temporal variations in the disease. Added to this is the exclusion from the spatial weighting matrix of municipalities of the states of Minas Gerais, Espírito Santo and São Paulo that border with Rio de Janeiro. This may underestimate the epidemiological influence of these border areas. The analytical scope was restricted to intra-state policies and dynamics within the state of Rio de Janeiro.

The time lag due to using the Human Development Index (MHDI), Gini Index and Social Vulnerability Index (SVI) socioeconomic indicators derived from the 2010 IBGE demographic census is a further limitation, as it may not reflect recent transformations in the socioeconomic profile of the populations.

Finally, it is important to highlight the risk of ecological fallacy, common in studies with aggregated data, in which associations observed at the municipal level cannot be extrapolated to the individual level nor can causality be established.

The results of this study are consistent with the national literature on schistosomiasis and other neglected diseases. A similar pattern was identified in another study, highlighting Duas Barras, Sumidouro and Porciúncula as the municipalities with the highest incidence in the state of Rio de Janeiro between 2007 and 2017, showing a correlation between a higher number of cases and poorer sewage collection and treatment25. A study that investigated the persistence of schistosomiasis in the Pamparrão Valley in Sumidouro reported high sanitary vulnerability, lack of piped water and sewage treatment among the families studied, which reinforced the structuring role of socio-environmental inequalities in maintaining schistosomiasis transmission14.

Studies conducted in other endemic locations, such as Carne de Vaca (state of Pernambuco) and Ilha das Flores (state of Sergipe), have also shown association between schistosomiasis incidence and use of contaminated water in agriculture, absence of basic sanitation and routine exposure to water bodies28,29. These findings show that the behavior identified in the state of Rio de Janeiro is consistent with patterns observed in other rural and economically vulnerable areas of Brazil28,29,30.

This study found that Sumidouro had the worst housing and education indicators among the municipalities of the state, while Duas Barras and Varre-Sai were also characterized by low percentages of sanitation and unfavorable positions in the MHDI ranking12,13,17,18,19.

Porciúncula, in turn, has better housing indicators, but demonstrated high schistosomiasis incidence, which suggested that intra-municipal inequalities, spatial distribution of health services and the ecological abundance of Biomphalaria snails may favor transmission peaks2,30.

Bivariate autocorrelation of the SVI Urban Infrastructure sub-index with the state as a whole indicated that municipalities with greater infrastructural vulnerability coincided with neighbors with lower schistosomiasis incidence and vice versa. Officially, this sub-index takes three indicators into consideration: 1) percentage of people in households with water supply and sanitation, weighting 0.300; 2) percentage of the population living in households without a garbage collection service, weighting 0.300; 3) percentage of people living in households with per capita income less than half the minimum wage and who spend more than one hour commuting to work out of the total number of employed, being vulnerable people who travel daily to work, weighting 0.40018.

Conflicting associations between socioeconomic variables and neglected tropical disease rates have already been described in previous studies25. These results may be explained by the difficulty in measuring aggregated socioeconomic indicators or by factors specific to the local context, such as population density, pressure on health services and consequent underreporting in municipalities with greater infrastructural vulnerability. Proximity of the population to bodies of water contaminated by cercariae, absence of specific vector control measures in endemic areas and the weighting of the items that make up the sub-index may also influence these relationships18,25.

The extremely high incidence rates observed in the municipalities with the highest incidence rates may distort the state pattern, overlapping with the values ​​of other municipalities and producing inverse or seemingly paradoxical patterns in the overall bivariate assessment of the SVI Urban Infrastructure sub-index.

The results regarding the composite MHDI and the MHDI Education sub-index, however, kept to the expected pattern in epidemiological terms. The lower these indices, in the municipalities and their neighbors, the higher the incidence of schistosomiasis tends to be in these clusters, significant at 90% confidence. This contrast reflects regional inequalities and lack of equity in the allocation of public resources, which end up benefiting already developed areas while other regions lack specific structural aspects.

Local autocorrelations revealed significant clusters in the immediate region of Itaperuna. In the univariate autocorrelation, the high-high pattern in Varre-Sai suggested that shared environmental factors, geographic proximity and possible population flows may facilitate transmission. The low-high pattern observed in Natividade may indicate a phase of epidemiological transition, underreporting, or the impact of interventions. Spatial patterns observed in environmental diseases point to priority areas for epidemiological surveillance, which, in the context of schistosomiasis, suggests the need to intensify active tracing of cases in the most affected municipalities26.

The interpretation of the bivariate analyses in this study indicated a need for cooperation between municipalities and surveillance actions that include health education, improved living conditions, sewage collection/treatment, equitable distribution of resources, continuous monitoring of transmission hotspots and early detection of people with the disease.

Previous studies have highlighted the complexity of schistosomiasis control and the relevance of multiple simultaneous approaches that consider sociodemographic, infrastructural, behavioral, occupational factors and sensitive diagnostic methodologies14,26,25,26,27,28,29,30.

The findings of this study have direct implications for health policies in the municipalities of the state of Rio de Janeiro, highlighting the importance of geoprocessing and spatial statistics tools in understanding schistosomiasis distribution and in guiding public planning that considers the particularities of each region.

This study can contribute to improving the planning of schistosomiasis control strategies. Reallocation of resources from the Schistosomiasis Control Program to priority municipalities is recommended, according to the spatial patterns identified.

It is essential that future studies explore the effectiveness of interventions implemented and deepen the analyses at more detailed spatial scales, in order to identify intra-municipal inequalities and areas of greater vulnerability. Incorporating multivariate analytical models is also suggested, with a view to improving identification of socio-environmental factors associated with schistosomiasis incidence.

Point-by-point mapping of cases and analysis of their spatial relationships with sewage and snail breeding sites could also contribute to a deeper understanding of the local determinants of transmission.

Footnotes

Use of generative artificial intelligence : Not used.

Associate Editor: Pauliana Valéria Machado Galvão - https://orcid.org/0000-0002-4418-218X

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

Peer Reviewers: Osmar de Oliveira Cardoso - https://orcid.org/0000-0001-6093-7629, Max Moura de Oliveira - https://orcid.org/0000-0002-0804-5145, Ana Elisa Madalena Rinaldi - https://orcid.org/0000-0003-0154-554X

Data Availability

The database and analysis codes used in this research are available at: https://doi.org/10.48331/SCIE­LODATA.F81L1F.

References

  • 1.World Health Organization. Ending the neglect to attain the Sustainable Development Goals: a Road Map for Neglected Tropical Diseases 2021-2030 [Internet]. Geneva: World Health Organization; 2021 [cited 2025 Nov 18]. Available from: https://www.who.int/publications/i/item/9789240010352.; World Health Organization . Ending the neglect to attain the Sustainable Development Goals: a Road Map for Neglected Tropical Diseases 2021-2030. Geneva: World Health Organization; 2021. [2025 Nov 18]. Available from: https://www.who.int/publications/i/item/9789240010352. [Google Scholar]
  • 2.2. Brasil. Ministério da Saúde. Vigilância da esquistossomose mansoni: diretrizes técnicas [Internet]. Brasília: Ministério da Saúde; 2024 [cited 2025 Nov 18]. Available from: Available from: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/e/esquistossomose/publicacoes/vigilancia-da-esquistossomose-mansoni-2024.pdf ; Brasil. Ministério da Saúde . Vigilância da esquistossomose mansoni: diretrizes técnicas. Brasília: Ministério da Saúde; 2024. [2025 Nov 18]. Available from: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/e/esquistossomose/publicacoes/vigilancia-da-esquistossomose-mansoni-2024.pdf . [Google Scholar]
  • 3.3. Brasil. Ministério da Saúde. Guia de vigilância epidemiológica [Internet]. 7ª ed. Brasília: Ministério da Saúde ; 2009 [cited 2025 Nov 18]. Available from: Available from: https://bvsms.saude.gov.br/bvs/publicacoes/guia_vigilancia_epidemiologica_7ed.pdf ; Brasil. Ministério da Saúde . Guia de vigilância epidemiológica. Brasília: Ministério da Saúde; 2009. [2025 Nov 18]. Available from: https://bvsms.saude.gov.br/bvs/publicacoes/guia_vigilancia_epidemiologica_7ed.pdf . [Google Scholar]
  • 4.4. Pan American Health Organization. Control and elimination of five neglected diseases in Latin America and the Caribbean, 2010-2015 [Internet]. Washington (DC): PAHO/WHO; 2011 [cited 2025 Nov 18]. Available from: Available from: https://www.paho.org/en/documents/control-and-elimination-five-neglected-diseases-latin-america-and-caribbean-2010-2015 ; Pan American Health Organization . Control and elimination of five neglected diseases in Latin America and the Caribbean, 2010-2015. Washington (DC): PAHO/WHO; 2011. [2025 Nov 18]. Available from: https://www.paho.org/en/documents/control-and-elimination-five-neglected-diseases-latin-america-and-caribbean-2010-2015 . [Google Scholar]
  • 5.5. Santos MCS, Heller L. Esquistossomose, geo-helmintíases e condições sanitárias na América Latina e Caribe: uma revisão sistemática. Rev Panam Salud Publica. 2023;47:e111. 10.26633/RPSP.2023.111 [DOI] [PMC free article] [PubMed]; Santos MCS, Heller L. Esquistossomose, geo-helmintíases e condições sanitárias na América Latina e Caribe: uma revisão sistemática. Rev Panam Salud Publica. 2023;47:e111. doi: 10.26633/RPSP.2023.111. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 6.6. Silva LEDO, Wanderley FS. Análise do Programa de Controle da Esquistossomose na redução dos indicadores epidemiológicos da doença no Brasil, de 1995 a 2017. Rev Pan Amaz Saude. 2022;13:e202200956. 10.5123/S2176-6223202200956 [DOI]; Silva LEDO, Wanderley FS. Análise do Programa de Controle da Esquistossomose na redução dos indicadores epidemiológicos da doença no Brasil, de 1995 a 2017. Rev Pan Amaz Saude. 2022;13:e202200956. doi: 10.5123/S2176-6223202200956. [DOI] [Google Scholar]
  • 7.7. Jordão MCC, Macêdo VKB, Lima AF de, Junior AFSX. Caracterização do perfil epidemiológico da esquistossomose no estado de Alagoas. Cad Grad Cienc Biol Saude UNIT Alagoas. Available from: https://periodicos.set.edu.br/cdgsaude/article/view/1785 ; Jordão MCC, Macêdo VKB, Lima AF de, Junior AFSX. Caracterização do perfil epidemiológico da esquistossomose no estado de Alagoas. Cad Grad Cienc Biol Saude UNIT Alagoas. https://periodicos.set.edu.br/cdgsaude/article/view/1785
  • 8.8. Brasil. Ministério da Saúde. Portaria no 1.399, de 15 de dezembro de 1999 [Internet]. Brasília: Ministério da Saúde ; 1999 [cited 2025 Nov 18]. Available from: Available from: https://anmlegis.datalegis.net/action/ActionDatalegis.php?acao=abrirTextoAto&link=S&tipo=POR&numeroAto=00001399&seqAto=000&valorAno=1999&orgao=MS&cod_modulo=351&cod_menu=6676 ; Brasil. Ministério da Saúde . Portaria no 1.399, de 15 de dezembro de 1999. Brasília: Ministério da Saúde; 1999. [2025 Nov 18]. Available from: https://anmlegis.datalegis.net/action/ActionDatalegis.php?acao=abrirTextoAto&link=S&tipo=POR&numeroAto=00001399&seqAto=000&valorAno=1999&orgao=MS&cod_modulo=351&cod_menu=6676 . [Google Scholar]
  • 9.9. Cohen MM, Moura MDLDO, Tomazelli JG. Descentralização das ações de Vigilância Sanitária nos municípios em Gestão Plena, Estado do Rio de Janeiro. Rev Bras Epidemiol. 2004;7(3):290-301. 10.1590/S1415-790X2004000300007 [DOI]; Cohen MM, Moura MDLDO, Tomazelli JG. Descentralização das ações de Vigilância Sanitária nos municípios em Gestão Plena, Estado do Rio de Janeiro. Rev Bras Epidemiol. 2004;7(3):290–301. doi: 10.1590/S1415-790X2004000300007. [DOI] [Google Scholar]
  • 10.10. Quites HF de O, Abreu MNS, Matoso LF, Gazzinelli A. Avaliação das ações de controle da esquistossomose na Estratégia de Saúde da Família em municípios do Vale do Jequitinhonha em Minas Gerais. Rev Bras Epidemiol. 2016;19:375-89. 10.1590/1980-5497201600020014 [DOI] [PubMed]; Quites HF de O, Abreu MNS, Matoso LF, Gazzinelli A. Avaliação das ações de controle da esquistossomose na Estratégia de Saúde da Família em municípios do Vale do Jequitinhonha em Minas Gerais. Rev Bras Epidemiol. 2016;19:375–389. doi: 10.1590/1980-5497201600020014. [DOI] [PubMed] [Google Scholar]
  • 11.11. Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde. TabNet Win32 3.3: PCE - Programa de Controle da Esquistossomose - Brasil [Internet]. Brasília: Ministério da Saúde ; 2023 [cited 2025 Nov 18]. Available from: Available from: http://tabnet.datasus.gov.br/cgi/deftohtm.exe?sinan/pce/cnv/pcebr.def ; Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde . TabNet Win32 3.3: PCE - Programa de Controle da Esquistossomose - Brasil. Brasília: Ministério da Saúde; 2023. [2025 Nov 18]. Available from: http://tabnet.datasus.gov.br/cgi/deftohtm.exe?sinan/pce/cnv/pcebr.def . [Google Scholar]
  • 12.12. Instituto Brasileiro de Geografia e Estatística - IBGE. Cidades e Estados: Rio de Janeiro [Internet]. Rio de Janeiro: IBGE; 2025 [cited 2025 Nov 18]. Available from: Available from: https://www.ibge.gov.br/cidades-e-estados/rj ; Instituto Brasileiro de Geografia e Estatística - IBGE . Cidades e Estados: Rio de Janeiro. Rio de Janeiro: IBGE; 2025. [2025 Nov 18]. Available from: https://www.ibge.gov.br/cidades-e-estados/rj . [Google Scholar]
  • 13.13. Programa das Nações Unidas para o Desenvolvimento; Instituto de Pesquisa Econômica Aplicada; Fundação João Pinheiro. Atlas do Desenvolvimento Humano no Brasil [Internet]. Brasília: PNUD; 2013 [cited 2025 Nov 18]. Available from: Available from: http://www.atlasbrasil.org.br/consulta/planilha ; Programa das Nações Unidas para o Desenvolvimento. Instituto de Pesquisa Econômica Aplicada. Fundação João Pinheiro . Atlas do Desenvolvimento Humano no Brasil. Brasília: PNUD; 2013. [2025 Nov 18]. Available from: http://www.atlasbrasil.org.br/consulta/planilha . [Google Scholar]
  • 14.14. Brito NMG de. Avaliação da persistência da esquistossomose mansoni e outras parasitoses intestinais no Vale do Pamparrão, foco endêmico do município de Sumidouro, Rio de Janeiro [dissertation on the Internet]. Rio de Janeiro: Escola Nacional de Saúde Pública Sergio Arouca, Fundação Oswaldo Cruz; 2021 [cited 2025 Nov 18]. Available from: Available from: https://www.arca.fiocruz.br/handle/icict/51539 ; Brito NMG de. Avaliação da persistência da esquistossomose mansoni e outras parasitoses intestinais no Vale do Pamparrão, foco endêmico do município de Sumidouro, Rio de Janeiro. Rio de Janeiro: Escola Nacional de Saúde Pública Sergio Arouca, Fundação Oswaldo Cruz; 2021. [2025 Nov 18]. Available from: https://www.arca.fiocruz.br/handle/icict/51539 . [Google Scholar]
  • 15.Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde. Doenças e Agravos de Notificação - 2007 em diante (SINAN) [Internet]. Brasília: Ministério da Saúde; 2025 [cited 2025 Nov 18]. Available from: https://datasus.saude.gov.br/acesso-a-informacao/doencas-e-agravos-de-notificacao-de-2007-em-diante-sinan.; Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde . Doenças e Agravos de Notificação - 2007 em diante (SINAN) Brasília: Ministério da Saúde; 2025. [2025 Nov 18]. Available from: https://datasus.saude.gov.br/acesso-a-informacao/doencas-e-agravos-de-notificacao-de-2007-em-diante-sinan. [Google Scholar]
  • 16.16. Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde. TabNet Win32 3.2: População Residente - Estudo de Estimativas Populacionais por Município, Idade e Sexo 2000-2025 - Brasil [Internet]. Brasília: Ministério da Saúde ; 2025 [cited 2025 Nov 18]. Available from: Available from: http://tabnet.datasus.gov.br/cgi/deftohtm.exe?ibge/cnv/popsvs2024br.def ; Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde . TabNet Win32 3.2: População Residente - Estudo de Estimativas Populacionais por Município, Idade e Sexo 2000-2025 - Brasil. Brasília: Ministério da Saúde; 2025. [2025 Nov 18]. Available from: http://tabnet.datasus.gov.br/cgi/deftohtm.exe?ibge/cnv/popsvs2024br.def . [Google Scholar]
  • 17.17. Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde. Índice de Gini da renda domiciliar per capita - Rio de Janeiro [Internet]. Brasília: Ministério da Saúde ; 2010 [cited 2025 Nov 18]. Available from: Available from: http://tabnet.datasus.gov.br/cgi/ibge/censo/cnv/ginirj.def ; Brasil. Ministério da Saúde. Departamento de Informática do Sistema Único de Saúde . Índice de Gini da renda domiciliar per capita - Rio de Janeiro. Brasília: Ministério da Saúde; 2010. [2025 Nov 18]. Available from: http://tabnet.datasus.gov.br/cgi/ibge/censo/cnv/ginirj.def . [Google Scholar]
  • 18.18. Instituto de Pesquisa Econômica Aplicada. Atlas da vulnerabilidade social nos municípios brasileiros [Internet]. Brasília: Ipea; 2010 [cited 2025 Nov 18]. Available from: Available from: https://ivs.ipea.gov.br/#/consulta-tabela ; Instituto de Pesquisa Econômica Aplicada . Atlas da vulnerabilidade social nos municípios brasileiros. Brasília: Ipea; 2010. [2025 Nov 18]. Available from: https://ivs.ipea.gov.br/#/consulta-tabela . [Google Scholar]
  • 19.19. Instituto Brasileiro de Geografia e Estatística. Sistema IBGE de Recuperação Automática: Censo Demográfico 2022 [Internet]. Rio de Janeiro: IBGE ; 2022 [cited 2025 Nov 18]. Available from: Available from: https://sidra.ibge.gov.br/pesquisa/censo-demografico/demografico-2022/inicial ; Instituto Brasileiro de Geografia e Estatística . Sistema IBGE de Recuperação Automática: Censo Demográfico 2022. Rio de Janeiro: IBGE; 2022. [2025 Nov 18]. Available from: https://sidra.ibge.gov.br/pesquisa/censo-demografico/demografico-2022/inicial . [Google Scholar]
  • 20.20. Anselin L, Syabri I, Kho Y. GeoDa: An introduction to spatial data analysis. Geogr Anal. 2006;38(1):5-22. 10.1111/j.0016-7363.2005.00671.x [DOI]; Anselin L, Syabri I, Kho Y. GeoDa: An introduction to spatial data analysis. Geogr Anal. 2006;38(1):5–22. doi: 10.1111/j.0016-7363.2005.00671.x. [DOI] [Google Scholar]
  • 21.21. Moran PAP. Notes on continuous stochastic phenomena. Biometrika. 1950;37(1-2):17-23. 10.1093/biomet/37.1-2.17 [DOI] [PubMed]; Moran PAP. Notes on continuous stochastic phenomena. Biometrika. 1950;37(1-2):17–23. doi: 10.1093/biomet/37.1-2.17. [DOI] [PubMed] [Google Scholar]
  • 22.22. Anselin L. Local Indicators of Spatial Association-LISA. Geogr Anal. 1995;27(2):93-115. 10.1111/j.1538-4632.1995.tb00338.x [DOI]; Anselin L. Local Indicators of Spatial Association-LISA. Geogr Anal. 1995;27(2):93–115. doi: 10.1111/j.1538-4632.1995.tb00338.x. [DOI] [Google Scholar]
  • 23.23. Luzardo AJR, Filho RMC, Rubim IB. Análise espacial exploratória com o emprego do índice de Moran. Geographia. 2017;19(40):161-79. 10.22409/GEOgraphia2017.v19i40.a13807 [DOI]; Luzardo AJR, Filho RMC, Rubim IB. Análise espacial exploratória com o emprego do índice de Moran. Geographia. 2017;19(40):161–179. doi: 10.22409/GEOgraphia2017.v19i40.a13807. [DOI] [Google Scholar]
  • 24.24. Marconato M, Brambilla MA, Rodrigues KCTT, Nascimento SP. Análise espacial da taxa de pobreza e da população rural da região sul do país. Textos Econ. 2015;18(2):16-40. 10.5007/2175-8085.2015v18n2p16 [DOI]; Marconato M, Brambilla MA, Rodrigues KCTT, Nascimento SP. Análise espacial da taxa de pobreza e da população rural da região sul do país. Textos Econ. 2015;18(2):16–40. doi: 10.5007/2175-8085.2015v18n2p16. [DOI] [Google Scholar]
  • 25.25. Aguiar-Santos M, Mendes LGDC, Passos DFD, Santos TGDS, Lins RHFB, Monte ACPD. Spatial analysis of Chikungunya fever incidence and the associated socioeconomic, demographic, and vector infestation factors in municipalities of Pernambuco, Brazil, 2015-2021. Rev Bras Epidemiol. 2023;26:e230018. 10.1590/1980-549720230018 [DOI] [PMC free article] [PubMed]; Aguiar-Santos M, Mendes LGDC, Passos DFD, Santos TGDS, Lins RHFB, Monte ACPD. Spatial analysis of Chikungunya fever incidence and the associated socioeconomic, demographic, and vector infestation factors in municipalities of Pernambuco, Brazil, 2015-2021. Rev Bras Epidemiol. 2023;26:e230018. doi: 10.1590/1980-549720230018. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 26.26. Marteli AN, Guasselli LA, Diament D, Wink GO, Vasconcelos VV. Spatio-temporal analysis of leptospirosis in Brazil and its relationship with flooding. Geospatial Health. 2022;17(2):1128. 10.4081/gh.2022.1128 [DOI] [PubMed]; Marteli AN, Guasselli LA, Diament D, Wink GO, Vasconcelos VV. Spatio-temporal analysis of leptospirosis in Brazil and its relationship with flooding. Geospatial Health. 2022;17(2):1128–1128. doi: 10.4081/gh.2022.1128. [DOI] [PubMed] [Google Scholar]
  • 27.27. Barreto C, Ferreira BC. Distribuição espacial da esquistossomose no estado do Rio de Janeiro: um estudo sobre as relações socioambientais no processo de saúde-doença. Geoambiente On-line. 2022;(44):1-14. Available from: https://revistas.ufj.edu.br/geoambiente/article/view/69929/39092 ; Barreto C, Ferreira BC. Distribuição espacial da esquistossomose no estado do Rio de Janeiro: um estudo sobre as relações socioambientais no processo de saúde-doença. Geoambiente On-line. 2022;44:1–14. https://revistas.ufj.edu.br/geoambiente/article/view/69929/39092 [Google Scholar]
  • 28.28. Paredes H. Indicadores de risco para esquistossomose mansoni na localidade de Carne de Vaca, Goiana, Pernambuco; análise do padrão espacial [dissertation on the Internet]. Rio de Janeiro: Escola Nacional de Saúde Pública Sergio Arouca, Fundação Oswaldo Cruz ; 2008 [cited 2025 Nov 18]. Available from: Available from: https://api.arca.fiocruz.br/api/core/bitstreams/aa3725f4-3e6d-478a-b402-d84c24876d3a/content ; Paredes H. Indicadores de risco para esquistossomose mansoni na localidade de Carne de Vaca, Goiana, Pernambuco; análise do padrão espacial. Rio de Janeiro: Escola Nacional de Saúde Pública Sergio Arouca, Fundação Oswaldo Cruz; 2008. [2025 Nov 18]. Available from: https://api.arca.fiocruz.br/api/core/bitstreams/aa3725f4-3e6d-478a-b402-d84c24876d3a/content . [Google Scholar]
  • 29.29. Silva MMBL. Geografia e saúde: análise espacial da ocorrência da esquistossomose na área de rizicultura do município de Ilha das Flores-SE/BR [dissertation on the Internet]. São Cristóvão: Universidade Federal de Sergipe; 2012 [cited 2025 Nov 18]. Available from: Available from: https://ri.ufs.br/jspui/handle/riufs/5636 ; Silva MMBL. Geografia e saúde: análise espacial da ocorrência da esquistossomose na área de rizicultura do município de Ilha das Flores-SE/BR. São Cristóvão: Universidade Federal de Sergipe; 2012. [2025 Nov 18]. Available from: https://ri.ufs.br/jspui/handle/riufs/5636 . [Google Scholar]
  • 30.30. Ferreira JL, Chaves LC, Jarek M, Manoera RAC, Carvalho CA de, Costa FM, et al. Análise epidemiológica dos casos confirmados de esquistossomose mansoni na região nordeste entre os anos de 2017 e 2022. Contrib Cienc Soc. 2024;17(3):e5564. 10.55905/revconv.17n.3-193 [DOI]; Ferreira JL, Chaves LC, Jarek M, Manoera RAC, Carvalho CA de, Costa FM, et al. Análise epidemiológica dos casos confirmados de esquistossomose mansoni na região nordeste entre os anos de 2017 e 2022. Contrib Cienc Soc. 2024;17(3):e5564. doi: 10.55905/revconv.17n.3-193. [DOI] [Google Scholar]
Epidemiol Serv Saude. 2026 May 18;35:e20250812. [Article in Portuguese]

Distribuição da esquistossomose mansoni: análise espacial, estado do Rio de Janeiro, 2011-2023

Brenno Mathias Corrêa 1, Alice Nardoni Marteli 2, Cleber Nascimento do Carmo 1, Daniel Savignon Marinho 1, Clélia Christina Mello-Silva 3

Resumo

Objetivo:

Analisar a distribuição espacial da esquistossomose mansoni nos municípios do estado do Rio de Janeiro entre 2011-2023.

Métodos:

Análise espacial exploratória dos casos confirmados de esquistossomose registrados no Sistema de Informação de Agravos de Notificação. As incidências foram calculadas com base nas estimativas populacionais anuais. As variáveis correlacionadas incluíram o índice de desenvolvimento humano municipal, o índice de Gini e os domicílios ocupados com acesso a água encanada e esgotamento sanitário do Instituto Brasileiro de Geografia e Estatística, e o índice de vulnerabilidade social do Instituto de Pesquisa Econômica Aplicada. A dependência espacial foi avaliada através do índice de Moran global (I) e do índice de Moran local (I i ).

Resultados:

Entre 2011 e 2023 houve a confirmação de 1.008 casos de esquistossomose no estado do Rio de Janeiro. Em 2022, foi registrado o maior número de casos, com 136 confirmações. Em 2023, foram confirmados 97 casos. Encontraram-se autocorrelações espaciais entre o índice de vulnerabilidade social infraestrutura urbana(I=-0,10; p-valor 0,018), o índice de desenvolvimento humano municipal composto (I=-0,07; p-valor 0,089) e o educação (I=-0,07; p-valor 0,076). O I i revelou agrupamentos relevantes na região geográfica imediata de Itaperuna, especialmente em Varre-Sai. '

Conclusão:

Observou-se persistência da esquistossomose mansoni em municípios historicamente endêmicos, integrantes do Programa de Controle da Esquistossomose, com maiores incidências em Porciúncula, Duas Barras e Sumidouro, áreas prioritárias de intervenção. O conjunto dos achados evidenciou associação com indicadores socioeconômicos e habitacionais e indicou vigilância ativa e busca de casos como principais estratégias de enfrentamento.

Palavras-chave: Esquistossomose Mansoni, Schistosoma Mansoni, Epidemiologia, Análise Espacial, Estudos Ecológicos

Aspectos éticos

Esta pesquisa utilizou bancos de dados de domínio público e anonimizados.

Introdução

A esquistossomose mansoni é reconhecida pela Organização das Nações Unidas como uma das doenças tropicais negligenciadas, o que a tornou alvo de esforços globais para sua eliminação até 20301. Ela é uma parasitose aguda e crônica causada pelo trematódeo Schistosoma mansoni e envolve os hospedeiros intermediários caramujos do gênero Biomphalaria, o que torna o controle complexo e multicausal2. A doença permanece como um desafio significativo para a saúde pública brasileira, especialmente em regiões endêmicas, nas quais indivíduos assintomáticos desempenham papel relevante na sua manutenção ao longo do tempo1,2.

A esquistossomose apresenta forte relação com desigualdades socioeconômicas e condições inadequadas de saneamento, o que reflete vulnerabilidades estruturais1,2,3,4. Sua dinâmica é influenciada por múltiplos fatores ambientais e sociais, como mudanças climáticas, uso e ocupação do solo, práticas agrícolas, expansão urbana desordenada e degradação de corpos hídricos, que afetam diretamente a distribuição dos hospedeiros intermediários e a exposição humana3,4,5. A interação entre ambiente, parasita, caramujos e seres humanos é continuamente moldada por processos socioambientais em transformação.

Embora apresente baixa letalidade, o tempo de infecção, as reinfecções e a ausência de diagnóstico oportuno podem resultar em morbimortalidade acentuada2,3,5. No Brasil, a doença ocorre em 19 estados, dos quais nove são considerados endêmicos, com forte concentração da doença em áreas rurais e ribeirinhas, onde a exposição repetida a águas contaminadas é frequente, o que favorece a intensificação da carga parasitária, principal elemento para a evolução de formas graves da esquistossomose mansoni1,2,3,6,7.

O processo de descentralização do Programa de Controle da Esquistossomose, em 1993, ampliou a responsabilidade municipal, mas sua implementação foi marcada por forte heterogeneidade. No estado do Rio de Janeiro, muitos municípios descontinuaram as atividades do programa ao longo dos anos, frequentemente com priorização de outras demandas epidemiológicas, como as arboviroses8,9,10. Essa descontinuidade reduz a detecção de casos e compromete respostas sanitárias resolutivas6,8,9,10.

Apesar de apresentar importantes centros urbanos e indicadores socioeconômicos relativamente elevados, o estado do Rio de Janeiro inclui regiões que ainda enfrentam condições marcadas por determinantes socioambientais, especialmente no Noroeste e no Centro-Sul do estado2,12,13,14. Diante de um cenário de vigilância predominantemente passiva, torna-se essencial compreender os padrões espaciais da esquistossomose para subsidiar ações direcionadas e contextualizadas às características locais.

A análise espacial constitui uma ferramenta fundamental para investigar a distribuição da esquistossomose e identificar áreas críticas para intervenção. Ao integrar indicadores sociais, ambientais e epidemiológicos, foi possível reconhecer agrupamentos espaciais, áreas de risco e padrões de autocorrelação que não seriam evidenciados pelas análises tradicionais. Este estudo teve por objetivo analisar a distribuição espacial da esquistossomose mansoni no estado do Rio de Janeiro entre 2011 e 2023, de forma a contribuir para o aprimoramento das estratégias municipais de vigilância e de controle.

Métodos

Delineamento do estudo

Trata-se de análise espacial com abordagem exploratória, realizada com base em dados secundários por município do estado do Rio de Janeiro, no período de 2011 a 2023. Esse delineamento foi escolhido para permitir analisar a distribuição espacial e correlacioná-la às variáveis socioeconômicas e habitacionais.

Contexto

Historicamente, o estado do Rio de Janeiro possui áreas endêmicas para esquistossomose mansoni2,14. Este estudo insere-se no contexto das transformações ocorridas nas políticas de vigilância e da interrupção do Programa de Controle da Esquistossomose no território fluminense desde 2011, o que gerou a necessidade de compreender o comportamento espacial da doença nesse período recente.

Participantes

A população-alvo do estudo foi composta pelos residentes dos municípios do estado do Rio de Janeiro. Incluíram-se todos os casos confirmados de esquistossomose mansoni registrados no Sistema de Informação de Agravos de Notificação (Sinan) entre 2011 e 2023.

Fontes de dados

Os casos de esquistossomose mansoni analisados foram referentes ao período de 2011 a 2023 e foram obtidos do Sinan, disponibilizado pelo Departamento de Informação e Informática do Sistema Único de Saúde (DATASUS), do Ministério da Saúde, com dados extraídos em 18 de novembro de 202515.

As estimativas populacionais municipais e o índice de Gini foram obtidos por meio do DATASUS, a partir de bases oficiais derivadas do censo demográfico de 2010 do Instituto Brasileiro de Geografia e Estatística (IBGE)16,17.

O índice de desenvolvimento humano municipal (IDHM) e seus subíndices foram obtidos do Atlas do Desenvolvimento Humano do Brasil13. O índice de vulnerabilidade social (IVS) e seus subíndices foram obtidos do Atlas da Vulnerabilidade Social do Instituto de Pesquisa Econômica Aplicada18. Todos também derivados do censo demográfico de 2010 do IBGE. As variáveis habitacionais (Tabela 6803 - Domicílios particulares permanentes ocupados por existência de ligação à rede geral de distribuição de água e principal forma de abastecimento de água; e Tabela 6805 - Domicílios particulares permanentes ocupados por tipo de esgotamento sanitário) foram obtidas diretamente do sistema IBGE de recuperação automática, referente ao censo demográfico de 202219.

Variáveis

A variável dependente ou desfecho foi a taxa bruta de incidência de esquistossomose mansoni.

As variáveis independentes ou explicativas foram: socioeconômicas: IDHM composto, IDHM educação, IDHM longevidade, IDHM renda, índice de Gini, IVS composto, IVS infraestrutura urbana, IVS capital humano, IVS renda e trabalho; habitacionais: percentual de domicílios com acesso à rede geral de água encanada e de esgotamento sanitário.

Viés

O uso de dados secundários pode envolver subnotificação, inconsistências de preenchimento e variações na capacidade de detecção de casos entre os municípios, o que pode resultar em subestimação e em superestimação da incidência. Buscou-se minimizar esses vieses por meio da utilização de múltiplas fontes oficiais e da padronização geográfica dos dados. A falácia ecológica, inerente ao delineamento adotado, foi reconhecida e discutida como limitação do estudo.

Tamanho do estudo

A área de estudo compreende os 92 municípios do estado do Rio de Janeiro, organizados em 14 regiões geográficas imediatas, com área aproximada de 43.750 km² e população estimada em 16.055.174 habitantes. O estado localiza-se na região Sudeste do Brasil e faz fronteira com os estados do Espírito Santo, de Minas Gerais e de São Paulo12. Cada município foi adotado como unidade espacial de análise.

Métodos estatísticos

Os identificadores foram associados ao arquivo vetorial dos municípios com base no código municipal do IBGE, com o referencial geodésico SIRGAS 2000. As taxas de incidência da esquistossomose foram calculadas com a consideração do somatório dos casos confirmados ao longo do período como numerador e do somatório das populações residentes a cada ano como denominador. O fator de escala adotado foi de 100 mil habitantes, as legendas foram definidas pelo método de quebras naturais de Jenks. Esses processos foram realizados no programa QGIS 3.34.13.

Para reduzir a instabilidade das taxas em municípios com pequenas populações ou baixo número de casos, aplicaram-se as suavizações bayesianas empíricas global e local, ajustando-as, respectivamente, em direção à média estadual e à média dos municípios contíguos20.

No programa GeoDa 1.22.0.10, foram realizadas as autocorrelações espaciais univariada e bivariada pelo índice de Moran global (I) e local (I i ). O índice de Moran global é um cálculo estatístico que resume o grau de autocorrelação de toda a área de estudo, com variação de -1 a +1. Valores próximos a +1 indicam uma autocorrelação espacial positiva e áreas próximas tendem a ter valores similares da variável (agrupamentos de alto-alto ou baixo-baixo). Valores próximos a -1 indicam uma autocorrelação espacial negativa e áreas próximas tendem a ter valores diferentes da variável (alto-baixo ou baixo-alto). Valores próximos a zero sugerem que os valores da variável são distribuídos aleatoriamente pelo espaço21.

O índice de Moran local proporciona uma análise mais detalhada, com identificação dos padrões de autocorrelação espacial em nível local. Ao analisá-lo, identificam-se áreas com dependências espaciais significativas. São informações fundamentais para a elaboração de políticas públicas e de intervenções, pois ajudam a adotar modelos, direcionar recursos e gerar hipóteses para áreas específicas com base em padrões espaciais bem definidos22.

Para a autocorrelação das variáveis, é necessário primeiramente definir uma matriz de pesos espaciais, a qual determina o grau de interação entre as observações (municípios). Ela baseia-se na ideia de contiguidade e pode ser estabelecida a partir da vizinhança geográfica, da distância entre as áreas ou da combinação desses fatores23.

A matriz de contiguidade aplicada foi a do tipo queen de primeira ordem. Ela considera como vizinhos todos os polígonos que compartilham qualquer ponto em comum. Seja uma fronteira ou apenas um vértice, com incorporação na matriz apenas dos vizinhos imediatos16,17,18. Nos testes de randomização de Monte Carlo, foram realizadas 999 permutações e foi adotado o nível de significância de p-valor≤0,050 para detecção de dependência espacial24,25,26.

Resultados

Entre 2011 e 2023, houve a confirmação de 1.008 casos de esquistossomose mansoni no estado do Rio de Janeiro. Em 2022, foi registrado o maior número de casos, 136 confirmados, dos quais 98 (72,0%) ocorreram em Porciúncula. Seguido dos anos de 2014, com 110 casos confirmados (10,2%), 2015, com 107 casos confirmados (9,94%), e 2017, com 106 casos confirmados (9,85%). Em 2023, 97 casos foram confirmados, dos quais 45 (46,4%) ocorreram também em Porciúncula15.

A Figura 1 exibiu as taxas de incidência da esquistossomose no período. Porciúncula, Duas Barras e Sumidouro apresentaram as maiores taxas brutas de incidência: 111,90, 51,61 e 31,81 por 100 mil habitantes. Esses municípios foram caracterizados simultaneamente por elevado número de casos em relação aos outros municípios, ampla proporção de casos autóctones (acima de 93,4%), população abaixo de 20 mil habitantes e histórico endêmico. Varre-Sai foi o quarto município mais incidente, com taxa de 5,95 por 100 mil habitantes11,12,15.

Figura 1. Distribuição espacial da taxa bruta de incidência (A), da taxa suavizada pelo método bayesiano empírico global (B) e da taxa suavizada pelo método bayesiano empírico local (C) de esquistossomose mansoni. Rio de Janeiro, 2011-2023 (n=92).

Figura 1.

Open in a new tab

A análise univariada do índice de Moran global apresentou autocorrelação espacial positiva muito fraca (I= 0,05; p-valor 0,074), não estatisticamente significativa.

Na análise bivariada global, o índice de vulnerabilidade social (IVS) infraestrutura urbana foi o indicador que apresentou resultado estatisticamente significativo (I=-0,11; p-valor 0,018), o que corresponde a autocorrelação espacial negativa fraca, na qual municípios com melhores condições de infraestrutura estão próximos de áreas com altas taxas de incidência. O inverso também foi observado (Tabela 1).

Tabela 1. Valores da correlação entre variáveis socioeconômicas e a taxa de incidência de esquistossomose pelo índice de Moran global. Rio de Janeiro, 2011-2023 (n=92).

Variáveis analisadas Índice de Moran global p-valor
Índice de desenvolvimento humano municipal (IDHM) composto -0,07 0,089
IDHM educação -0,07 0,076
IDHM longevidade -0,04 0,199
IDHM renda -0,04 0,179
Índice de Gini -0,06 0,117
Índice de vulnerabilidade social (IVS) composto -0,05 0,133
IVS infraestrutura urbana -0,10 0,018
IVS capital humano 0,05 0,128
IVS renda e trabalho 0,04 0.219
Domicílios com água encanada (%) -0,06 0,124
Domicílios com esgotamento sanitário (%) -0,02 0,298
Open in a new tab

Os demais indicadores não apresentaram autocorrelação espacial significativa. Observaram-se algumas associações com significância estatística ao nível de 10%: o índice de desenvolvimento humano municipal (IDHM) composto (I=-0,07; p-valor 0,089) e o IDHM educação (I=-0,07; p-valor 0,076). Ambas indicam autocorrelações espaciais negativas muito fracas, o que sugere que municípios com maior desenvolvimento humano e educacional apresentam vizinhança com baixas taxas de incidência e que o oposto igualmente ocorre (Tabela 1).

A Figura 2, em seus mapas A, B e C, mostrou o índice de Moran global do IVS infraestrutura urbana com a taxa de incidência da esquistossomose. Os mapas destacaram as categorias espaciais dos municípios do estado Rio de Janeiro em quadrantes, que representam diferentes padrões espaciais: (A) alto-baixo: Araruama, Areal, Belford Roxo, Cachoeiras de Macacu, Carapebus, Campo dos Goytacazes, Cardoso Moreira, Duque de Caxias, Guapimirim, Itaboraí, Japeri, Macaé, Magé, Maricá, Mendes, Mesquita, Nilópolis, Niterói, Nova Iguaçu, Paracambi, Paty do Alferes, Petrópolis, Queimados, Quissamã, Rio de Janeiro, São Francisco de Itabapoana, São Gonçalo, São João de Meriti, Seropédica, Silva Jardim, Tanguá e Trajano de Moraes; (B) baixo-Baixo: Angra dos Reis, Aperibé, Armação dos Búzios, Arraial do Cabo, Barra do Piraí, Barra Mansa, Bom Jesus do Itabapoana, Cabo Frio, Cambuci, Comendador Levy Gasparian, Casemiro de Abreu, Conceição de Macabu, Engenheiro Paulo de Frontin, Iguaba Grande, Itaguaí, Italva, Itaocara, Itaperuna, Itatiaia, Laje do Muriaé, Macuco, Mangaratiba, Miguel Pereira, Miracema, Paraíba do Sul, Paraty, Pinheiral, Piraí, Porto Real, Quatis, Resende, Rio Bonito, Rio Claro, Rio das Flores, Rio das Ostras, Santa Maria Madalena, Santo Antônio de Pádua, São Fidélis, São João da Barra, São José de Ubá, São Pedro da Aldeia, São Sebastião do Alto, Saquarema, Três Rios, Valência, Vassouras e Volta Redonda; (C) baixo-alto: Bom Jardim, Cantagalo, Carmo, Cordeiro, Duas Barras, Natividade, Nova Friburgo, Porciúncula, São José do Vale do Rio Preto, Sapucaia, Sumidouro, Teresópolis e Varre-Sai.

Figura 2. Distribuição dos municípios segundo o índice Moran global bivariado entre o subíndice infraestrutura urbana do índice de vulnerabilidade social e a incidência de esquistossomose mansoni em baixo-baixo (A), alto-baixo (B) e baixo-alto (C). Rio de Janeiro, 2011-2023 (n=92).

Figura 2.

Open in a new tab

aNão foram observados agrupamentos do tipo alto-alto nessa autocorrelação.

Os mapas representados nas Figuras 3 e 4 identificam os agrupamentos e os pontos atípicos no índice de Moran local, sobretudo em municípios das regiões geográficas imediatas de Campos dos Goytacazes, Itaperuna, Nova Friburgo, Rio de Janeiro e Santo Antônio de Pádua. As associações dos indicadores socioeconômicos e habitacionais com a taxa bruta incidência são exibidas especificamente nos municípios de Aperibé, Natividade, São Fidélis, Santa Maria Madalena, Rio de Janeiro e Varre-Sai. Os padrões mais relevantes concentraram-se principalmente na região imediata de Itaperuna.

Figura 3. Autocorrelação espacial do índice de Moran local da incidência e dos indicadores socioeconômicos: incidência (univariada) (A), índice de desenvolvimento humano municipal (IDHM) composto (B), IDHM longevidade (C), IDHM educação (D), IDHM renda (E) e índice de Gini (F). Rio de Janeiro, 2011-2023 (n=92).

Figura 3

Open in a new tab

Figura 4. Autocorrelação espacial do índice de Moran local das variáveis socioeconômicas e habitacionais: índice de vulnerabilidade social (IVS) composto (A), IVS infraestrutura urbana (B), IVS capital humano (C), IVS renda e trabalho (D), percentual de domicílios com rede geral de água encanada (E) e com rede geral de esgoto (F) e a incidência de esquistossomose mansoni. Rio de Janeiro, 2011-2023 (n=92).

Figura 4

Open in a new tab

Na autocorrelação univariada (Figura 3A), Varre-Sai apresentou padrão alto-alto, enquanto Natividade exibiu baixo-alto. Nas autocorrelações bivariadas representadas nos mapas de B a E da Figura 3, Varre-Sai apresentou ponto atípico baixo-alto, padrão também observado nos indicadores de longevidade, educação e renda. Isso quer dizer que o município possui baixo desenvolvimento humano contíguo a municípios de alta incidência. No índice de Gini (Figura 3F), Natividade apontou maior concentração de renda em parcela reduzida da população, adjacente a áreas de alta incidência.

Em relação à Figura 4, mapas A, C e D, as autocorrelações aplicadas às variáveis do IVS, IVS capital humano e IVS renda e trabalho, Varre-Sai assumiu padrão alto-baixo, enquanto Natividade exibiu baixo-alto. No IVS infraestrutura urbana (Figura 4B), Varre-Sai e Natividade apresentaram formato baixo-alto.

Nas variáveis operacionais de saneamento (Figuras 4E e 4F), Natividade (alto-alto) e Varre-Sai (baixo-alto) manifestaram comportamentos opostos. Já os padrões baixo-baixo e alto-baixo ficaram concentrados em municípios das regiões imediatas de Campos dos Goytacazes, Nova Friburgo, Rio de Janeiro e Santo Antônio de Pádua.

Discussão

A análise espacial identificou os municípios com maior incidência de esquistossomose mansoni no estado do Rio de Janeiro entre 2011 e 2023, com destaque para Duas Barras, Porciúncula e Sumidouro como áreas prioritárias de intervenção. Esses municípios já haviam participado do Programa de Controle da Esquistossomose e apresentaram positividade de 3,7% em Sumidouro (2009), 1,8% em Duas Barras (2011) e 0,9% em Porciúncula (2004), o que reforçou a persistência da transmissão apesar das ações previamente realizadas11.

A constatação de padrões espaciais por meio das autocorrelações locais permitiu identificar áreas secundárias de atenção, com destaque para Varre-Sai. Esses achados evidenciaram a necessidade de retomar a vigilância ativa nos municípios priorizados, a fim de prevenir a reemergência da doença e o seu potencial espalhamento para localidades vizinhas.

Algumas limitações metodológicas devem ser consideradas na interpretação dos resultados. A análise baseou-se exclusivamente na incidência, uma vez que não há dados sistemáticos de prevalência e de positividade nos municípios avaliados11, os quais são essenciais para as diretrizes nacionais de controle da esquistossomose, que utilizam tais indicadores parasitológicos como parâmetros essenciais para estratificação e definição de estratégias de intervenção2,3,6,8. A ausência dessas informações reduz a capacidade de caracterizar plenamente o padrão epidemiológico da doença no estado e pode impactar o rigor das estimativas.

A dependência de dados secundários também é limitante, pois implica riscos de subnotificação, inconsistência de registros e variação na sensibilidade diagnóstica entre municípios, o que pode comprometer a precisão das análises e dificultar a interpretação da dinâmica de transmissão, especialmente em áreas com baixa capacidade operacional. O número relativamente reduzido de casos confirmados ao longo de 14 anos analisados também pode favorecer a formação de padrões espaciais espúrios. Embora a suavização bayesiana tenha sido utilizada para reduzir essa instabilidade, a possibilidade de parâmetros artificiais não pode ser completamente descartada.

Outro ponto a se considerar é que o índice de Moran, embora robusto para identificar dependência espacial, não capta variações temporais da doença. Soma-se a isso a não inclusão de municípios fronteiriços de Minas Gerais, do Espírito Santo e de São Paulo na matriz de pesos espaciais. Isso pode subestimar a influência epidemiológica dessas áreas limítrofes. Contudo, o escopo analítico restringiu-se às políticas e às dinâmicas intraestaduais no estado do Rio de Janeiro.

A defasagem temporal dos indicadores socioeconômicos índice de desenvolvimento humano (IDHM), índice de Gini e índice de vulnerabilidade social (IVS) do censo demográfico de 2010 do IBGE constitui mais uma limitação, pois pode não refletir transformações recentes no perfil socioeconômico das populações.

Destaca-se, por fim, o risco de falácia ecológica, comum em estudos com dados agregados, nos quais as associações observadas a nível municipal não podem ser extrapoladas ao nível individual nem estabelecer causalidade.

Os resultados deste estudo dialogam com a literatura nacional sobre esquistossomose e outros agravos negligenciados. Foi identificado padrão semelhante em outro estudo, com destaque para Duas Barras, Sumidouro e Porciúncula como os municípios mais incidentes do estado entre 2007 e 2017, com relação entre maior número de casos e pior coleta e tratamento de esgoto25. Já estudo que investigou a persistência da esquistossomose no Vale do Pamparrão em Sumidouro, relatou elevada vulnerabilidade sanitária e ausência de água encanada e de esgotamento entre as famílias estudadas, o que reforçou o papel estruturante das desigualdades socioambientais na manutenção da transmissão14.

Estudos realizados em outras localidades endêmicas, como Carne de Vaca (Pernambuco) e Ilha das Flores (Sergipe), também evidenciaram associação entre a incidência de esquistossomose e o uso de água contaminada nas práticas agrícolas, a ausência de saneamento básico e a exposição rotineira a corpos hídricos28,29. Esses achados mostram que o comportamento identificado no estado do Rio de Janeiro é consistente com padrões observados em áreas rurais e economicamente vulneráveis do país28,29,30.

Este estudo observou que Sumidouro apresentou os piores indicadores habitacionais e educacionais entre os municípios do estado, enquanto Duas Barras e Varre-Sai também se caracterizaram por baixos percentuais de esgotamento sanitário e posições desfavoráveis no ranking do IDHM12,13,17,18,19.

Porciúncula, por sua vez, tem melhores indicadores habitacionais, mas demonstrou elevada incidência da doença, o que sugeriu que desigualdades intramunicipais, a distribuição espacial dos serviços e a abundância ecológica de caramujos Biomphalaria podem favorecer picos de transmissão2,30.

A autocorrelação bivariada do IVS infraestrutura urbana com a consideração de todo o estado indicou que municípios com maior vulnerabilidade infraestrutural coincidiram com vizinhos de menor incidência da doença e vice-versa. Oficialmente, esse subíndice considera três indicadores: 1) percentual de pessoas em domicílios com abastecimento de água e esgotamento sanitário, peso 0,300; 2) percentual da população que vive em domicílios sem serviço de coleta de lixo, peso 0,300; 3) percentual de pessoas que vivem em domicílios com renda per capita inferior a meio salário-mínimo e que gastam mais de uma hora até o trabalho no total de pessoas ocupadas, vulneráveis e que retornam diariamente ao trabalho, peso 0,40018.

Associações conflitantes entre variáveis socioeconômicas e as taxas de doenças tropicais negligenciadas já foram descritas em estudos prévios25. Esses resultados podem ser explicados pela difícil mensuração de indicadores socioeconômicos agregados ou por fatores específicos ao contexto local, como a densidade populacional, a pressão sobre os serviços de saúde e a consequente subnotificação em municípios de maior vulnerabilidade infraestrutural. A proximidade da população a corpos d'água contaminados por cercárias, a ausência de medidas específicas de controle de vetores em áreas endêmicas e a própria ponderação dos pesos que compõem o subíndice também podem influenciar essas relações18,25.

As taxas de incidências extremamente elevadas observadas nos municípios mais incidentes podem distorcer o padrão estadual, com sobreposição aos valores dos demais municípios e produção de padrões inversos ou aparentemente paradoxais na avaliação bivariada global do IVS infraestrutura.

Os resultados referentes ao IDHM e ao IDHM educação, porém, mantiveram padrão esperado em termos epidemiológicos. Quanto menor esses índices, nos municípios e seus vizinhos, maior tende a ser a incidência da esquistossomose nesses agrupamentos, significativo a 90% de confiança. Esse contraste reflete as desigualdades regionais e a falta de equidade na alocação de recursos públicos, os quais acabam por beneficiar áreas já desenvolvidas enquanto outras regiões carecem de aspectos estruturais específicos.

As autocorrelações locais revelaram agrupamentos importantes na região imediata de Itaperuna. Na autocorrelação univariada, o padrão alto-alto em Varre-Sai sugeriu que fatores ambientais compartilhados, proximidade geográfica e possíveis fluxos populacionais podem facilitar a transmissão. Já o padrão baixo-alto observado em Natividade pode indicar uma fase de transição epidemiológica, subnotificação ou impacto de intervenções. Os padrões espaciais observados em doenças ambientais apontam áreas prioritárias para vigilância epidemiológica, o que, no contexto da esquistossomose, propõe a necessidade de intensificar a busca ativa de casos nos municípios mais incidentes26.

A interpretação das análises bivariadas deste estudo indicou a demanda de cooperação intermunicipal e de ações de vigilância que contemplem educação em saúde, melhoria das condições de vida, coleta/tratamento de esgoto, equidade na distribuição de recursos, monitoramento contínuo dos focos de transmissão e detecção precoce dos doentes.

Estudos prévios sublinharam a complexidade do controle da esquistossomose e a relevância de múltiplas abordagens simultâneas, que considerem fatores sociodemográficos, infraestruturais, comportamentais, ocupacionais e metodologias diagnósticas sensíveis14,26,27,28,29,30.

Os achados deste trabalho têm implicações diretas para as políticas de saúde nos municípios do estado do Rio de Janeiro, com destaque para a importância das ferramentas de geoprocessamento e estatística espacial na compreensão da distribuição da esquistossomose e na orientação de planejamento público que considere as particularidades de cada região.

Espera-se contribuir para o aprimoramento do planejamento das estratégias de controle da esquistossomose. Recomenda-se a realocação de recursos do Programa de Controle da Esquistossomose para os municípios prioritários, de acordo com os padrões espaciais identificados.

É imprescindível que estudos futuros explorem a eficácia das intervenções implementadas e aprofundem as análises em escalas espaciais mais detalhadas, de modo a identificar desigualdades intramunicipais e áreas de maior vulnerabilidade. Sugere-se ainda a incorporação de modelos analíticos multivariados, com vistas ao aprimoramento da identificação de fatores socioambientais associados à incidência da doença.

Mapeamentos pontuais dos casos e análise das suas relações espaciais com efluentes sanitários e criadouros de caramujos também poderão contribuir para uma compreensão mais aprofundada dos determinantes locais da transmissão.

Footnotes

Uso de inteligência artificial generativa: Não empregada

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

Pareceristas: Osmar de Oliveira Cardoso - https://orcid.org/0000-0001-6093-7629, Max Moura de Oliveira - https://orcid.org/0000-0002-0804-5145, Ana Elisa Madalena Rinaldi - https://orcid.org/0000-0003-0154-554X

Disponibilidade de dados

O banco de dados e os códigos de análise utilizados na pesquisa estão disponíveis em: https://doi.org/10.48331/SCIELODATA.F81L1F.

Associated Data

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

    Data Availability Statement

    The database and analysis codes used in this research are available at: https://doi.org/10.48331/SCIE­LODATA.F81L1F.

    O banco de dados e os códigos de análise utilizados na pesquisa estão disponíveis em: https://doi.org/10.48331/SCIELODATA.F81L1F.

    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