Skip to main content
NCBI home page
Arquivos Brasileiros de Cardiologia logoLink to Arquivos Brasileiros de Cardiologia
. 2021 Aug 9;117(2):319–326. [Article in Portuguese] doi: 10.36660/abc.20200043
View full-text in English

Óbitos Intra e Extra-Hospitalares por Infarto Agudo do Miocárdio nas Capitais Brasileiras

Sterffeson Lamare Lucena de Abreu 1,2,✉, Joana D’Arc Matos França de Abreu 1,2, Maria dos Remédios Freitas Carvalho Branco 2, Alcione Miranda dos Santos 2
PMCID: PMC8395787  PMID: 34495227

Resumo

Fundamento:

O infarto agudo do miocárdio (IAM) é a principal causa de óbito no Brasil e no mundo. Aproximadamente metade dos óbitos ocorrem fora do ambiente hospitalar.

Objetivos:

Analisar a distribuição, a evolução temporal e as características sociodemográficas (CSD) dos óbitos intra e extra-hospitalares por IAM nas capitais brasileiras e a sua relação com indicadores municipais de desenvolvimento (IMD).

Métodos:

Estudo ecológico com contagem anual dos óbitos por IAM nas 27 capitais brasileiras de 2007 a 2016, os quais foram divididos em dois grupos, intra-hospitalar (H) e extra-hospitalar (EH). Avaliou-se a evolução temporal das taxas de mortalidade em cada grupo e as diferenças das CSD. Modelos de regressão binominal negativa compararam temporalmente a contagem de óbitos em cada grupo com as seguintes variáveis: residir nas regiões Sul e Sudeste (S/SE), índice de desenvolvimento humano municipal (IDHM), índice de Gini e expectativa de anos de estudo (EAE). Considerou-se estatisticamente valores significativos de p < 0,05.

Resultados:

A taxa de mortalidade EH para o conjunto das capitais aumentou ao longo do tempo. Todas as CSD pesquisadas foram difententes entre os grupos (p < 0,001). No grupo EH prevaleceram os óbitos em homens, em pacientes ≥ 80 anos e em solteiros. O S/SE elevou a incidência de óbitos extra-hospitalares (IRR = 2,84; IC 95% = 1,67-4,85), enquanto o maior EAE registrou queda (IRR = 0,86; IC 95% = 0,77-0,97). Para o grupo H, o maior IDHM reduziu a incidência de óbitos (IRR = 0,44; IC 95% = 0,33-0,58), enquanto o maior EAE apresentou crescimento (IRR = 1,09; IC 95% = 1,03-1,15).

Conclusão:

Os óbitos intra e extra-hospitalares por IAM nas capitais apresentam diferenças sociodemográficas, incidência influenciada por IMD e progressivo aumento da ocorrência extra-hospitalar.

Palavras-chave: Infarto do Miocárdio, Extra-Hospitalar, Epidemiologa, Óbitos, Indicadores Demográficos, Indicadores Sociais, Mortalidade, Morte Súbita

Introdução

O infarto agudo do miocárdio (IAM) é a principal causa individual de óbito no Brasil e no mundo1,2 com taxas de mortalidade média de 30% quando não há tratamento e menor que 6% com o emprego da terapia apropriada em tempo hábil.3 Metade destes óbitos ocorrem em até duas horas do início do quadro e 80% nas primeiras 24 horas, tendo como consequência um grande número de óbitos antes de qualquer antendimento hospitalar.4

O tratamento específico e adequado para IAM é de alto custo e sua disponibilidade concentra-se nos maiores centros, principalmente nas capitais, realidade esta mais evidente nas regiões Norte, Nordeste e Centro-Oeste do Brasil.5 Ainda que estudos epidemiológicos mostrem que a mortalidade por IAM está lentamente reduzindo no mundo, esta queda é lenta em países com menor Produto Interno Bruto (PIB), entre as classes sociais mais pobres e em bairros com menores menores condições socioeconômicas.6–8

Existem poucos estudos publicados sobre os óbitos extra-hospitalares por IAM. A maioria dos trabalhos aborda a mortalidade geral, sem distingui-la entre intra e/ou extra-hospitalar. As pesquisas clínicas sobre os fatores de risco são realizadas com os pacientes que receberam tratamento hospitalar. Ainda é desconhecido se os óbitos externos apresentam diferenças sociodemográficas em relação aos que ocorrem no ambiente hospitalar, bem como ainda não está bem explicado se os fatores locais e ambientais apresentam associação à mortalidade extra-hospitalar.9,10

O objetivo deste estudo é analisar temporalmente os óbitos intra e extra-hospitalares por IAM nas capitais brasileiras, identificando as diferenças sociodemográficas e as que estão relacionadas aos índices municipais de desenvolvimento. Escolhemos analisar apenas as capitais porque todas dispõem atualmente de tratamento avançado para o IAM.11

Método

Realizou-se um estudo ecológico dos casos de óbito por IAM ocorridos nas 27 capitais brasileiras no período de 2007 a 2016. Os dados dos óbitos por capital (local de ocorrência intra ou extra hospitalar, sexo, faixa etária, escolaridade, estado civil e cor da pele) foram obtidos mediante consulta ao Sistema de Informação sobre Mortalidade (SIM), plataforma on-line criada pelo Departamento de Informática do SUS (Datasus) para a obtenção regular de dados sobre a mortalidade no Brasil. Os óbitos foram divididos em dois grupos e de acordo com o local de ocorrência: intra-hospitalar ou extra-hospitalar.

Para a seleção dos óbitos por IAM no SIM, foram considerados os registros que tiveram como causa básica IAM (CID 10: I 21). Os óbitos com local de ocorrência ignorado não foram incluídos no estudo. As taxas de mortalidade intra-hospitalar e extra-hospitalar foram obtidas pela razão do número de óbitos por IAM e a população de cada capital brasileira (a cada 100.000 habitantes). As referidas taxas são apresentadas por média, desvio-padrão (DP) e valores mínimo e máximo.

Para avaliar a evolução temporal da taxa de mortalidade nos dois grupos, foram calculadas as taxas anuais de mortalidade intra e extra-hospitalar no conjunto de todas as capitais brasileiras. A população foi corrigida por interpolação e extrapolação linear entre os dados dos censos demográficos de 2000, 2010 e da projeção da população em 2017, disponibilizados pelo Instituto Brasileiro de Geografia e Estatística (IBGE). As taxas são apresentadas por óbitos a cada 100.000 habitantes e expressas em gráfico de linhas.

A plataforma Atlas Brasil, do Programa das Nações Unidas para o Desenvolvimento (PNUD), foi utilizada para obter as variáveis independentes (IDHM, índice de Gini e expectativa de anos de estudo), além de informar o tamanho da população de cada capital.12

Análise estatística

Para comparar o número de óbitos nos dois grupos, segundo as características sociodemográficas (sexo, faixa etária, escolaridade, estado civil e cor da pele), foi utilizado o teste qui-quadrado. As características sociodemográficas foram apresentadas através de frequências absolutas e relativas. Para mostrar o impacto de cada característica, foi feita a análise dos resíduos padronizados do teste qui-quadrado, os quais estão expressos como Z na Tabela 2. Considerando um nível de significância de 5%, os valores de Z > +1,96 ou < −1,96 são estatísticamente significativos e o sinais positivo e negativo mostram as diferenças entre os grupos.

Tabela 2. Distribuição sociodemográfica dos óbitos intra e extra-hospitalares por infarto agudo do miocárdio. Capitais brasileiras, 2007-2016.

Intra-hospitalar Extra-hospitalar Valor de p*
N (110.549) % Z† N (79.085) % Z†
Sexo < 0,001
Masculino 61.304 55,45 –3,58 45.389 57,39 4,24
Feminino 49.245 44,55 4,06 33.696 42,61 –4,81
Faixa etária < 0,001
< 1 ano 50 0,05 3,43 3 0 –4,06
1 – 4 anos 3 0 0,95 0 0 –1,12
5 – 9 anos 2 0 0,19 1 0 –0,22
10 – 14 anos 14 0,01 –0,15 11 0,01 0,18
15 – 19 anos 207 0,19 3,73 67 0,08 –4,42
20 – 29 anos 685 0,62 0,97 447 0,57 –1,14
30 – 39 anos 1.877 1,7 –6,02 1.821 2,31 7,12
40 – 49 anos 6.991 6,33 –6,10 5.904 7,47 7,22
50 – 59 anos 17.580 15,91 –0,98 12.788 16,19 1,16
60 – 69 anos 25.204 22,81 4,73 16.745 21,20 –5,60
70 – 79 anos 28.847 26,10 10,22 17.729 22,45 –12,09
≥ 80 anos 29.052 26,29 –9,02 23.471 29,72 10,67
Estado civil < 0,001
Solteiro 20.517 19,73 –17,49 19.489 25,82 20,53
Casado 47.417 45,60 15,72 28.719 38,05 –18,46
Viúvo 28.478 27,39 –0,53 20.826 27,59 0,62
Separado 7.575 7,28 –6,10 6.448 8,54 7,16
Escolaridade < 0,001
Analfabeto 9.365 10,77 –1,01 7.190 11,02 1,17
1 a 3 anos 25.243 28,92 5,87 17.315 26,55 –6,78
4 – 7 anos 23.509 27,04 –1,71 18.079 27,72 1,98
8 – 11 anos 18.941 21,79 –0,34 14.275 21,89 0,39
≥ 12 anos 9.982 11,48 –4,94 8.366 12,83 5,71
Cor da pele/etnia < 0,001
Branca 64.689 61,21 0,45 46.734 60,96 –0,53
Preta 7.791 7,37 1,79 5.383 7,02 –2,10
Amarela 950 0,9 –1,98 798 1,04 2,33
Parda 32.186 30,46 –1,17 23.715 30,93 1,37
Indígena 60 0,06 0,35 39 0,05 –0,41
Open in a new tab
*

Teste qui-quadrado.

†

Resíduos padronizados do teste qui-quadrado.

Fonte: Datasus. Estatísticas vitais

Para verificar quais as variáveis independentes estavam associadas ao número de óbitos nos dois grupos, foi utilizada a metodologia de dados em painel, na qual a informação de várias unidades amostrais (cada capital) são analisadas ao longo do tempo, ou seja, as observações são consideradas em duas dimensões: a unidade amostral e o tempo.13 Desta forma, foram ajustados os modelos de regressão de Poisson e binomial negativa. Os ajustes temporal e ponderado para cada um dos grupos foram feitos pelo tamanho da população de cada capital, cuja ponderação foi utilizada para que cada unidade de amostra tivesse o mesmo peso na avaliação das associações.

Os modelos foram testados com efeitos fixos e aleatórios. Os modelos de primeiro tipo possibilitam que cada capital tenha o seu prórprio intercepto, que serve como controle e permite o ajuste para variáveis não mensuradas e que não mudam ao longo do tempo. É o caso dos dados censitários, que são atualizados apenas a cada dez anos.13

Para a escolha do modelo que melhor se ajusta aos dados foi considerado o critério de informação de Akaike (AIC);14 quanto menor o AIC, melhor o ajuste. Também foram estimados a razão de incidência (IRR) e seu respectivo intervalo de confiança, considerando como referência do intervalo de confiança o valor percentual de 95% (IC 95%). A análise estatística foi feita através do software Stata® 14.0.

Esta pesquisa utilizou apenas dados de domínio público irrestrito, prescindindo de apreciação por Comitê de Ética e Pesquisa por não se enquadrar nos termos da Resolução nº 466, de 12 de dezembro de 2012.15

Resultados

Ocorreram 189.634 óbitos por IAM nas capitais brasileiras de 2007 a 2016, 41,7% destes foram de caráter extra-hospitalar. A taxa média de mortalidade a cada 100.000 habitantes nas capitais brasileiras foi de 25,2 ± 1,3 para o intra-hospitalar e de 18 ± 1,2 para o extra-hospitalar. A evolução temporal da taxa anual para o conjunto de todas as capitais em ambos os grupos está demonstrada na Figura 1.

Figura 1. Evolução temporal das taxas de mortalidade intra e extra-hospitalar por infarto agudo do miocáridio por 100.000 habitantes. Capitais brasileiras, 2007-2016.

Figura 1

Open in a new tab

Fonte: Datasus. Estatísticas vitais.

As maiores e menores taxas médias de óbitos foram registradas, respectivamente, em Recife (43,2%) e em Palmas (8,7%) para o grupo intra-hospitalar, e no Rio de Janeiro (33,8%) e em Macapá (4,7%) para o grupo extra-hospitalar (Tabela 1). Em várias capitais os óbitos extra-hospitalares foram mais prevalentes que os intra-hospitalares: Palmas, São Luís, Rio de Janeiro, Curitiba, Florianópolis, Porto Alegre e Campo Grande.

Tabela 1. Taxas de mortalidade por infarto agudo do miocárdio nas capitais brasileiras de 2007 a 2016 (óbitos/100.000 habitantes). Média, desvio padrão (DP) e valores mínimos e máximos registrados.

Intra-hospitalar (H) Extra-hospitalar (EH) % EH
Média DP Min-Max Média DP Min–Max Média
Porto Velho 13,12 2,38 10,15 – 18,53 12,14 5,34 6,28 – 22,40 48,06%
Rio Branco 14,17 3,40 10,42 – 19,33 10,04 3,52 5,95 – 14,88 41,47%
Manaus 14,35 1,86 11,71 – 17,32 4,88 2,07 2,22 – 9,10 25,38%
Boa Vista 12,49 2,83 7,39 – 16,18 9,35 1,71 5,63 – 11,61 42,81%
Belém 18,51 3,07 14,99 – 23,47 17,53 3,67 12,49 – 22,39 48,64%
Macapá 10,44 3,26 5,52 – 16,83 4,74 3,56 1,00 – 11,55 31,23%
Palmas 8,68 2,26 4,82 – 11,65 13,43 5,11 5,69 – 22,57 60,74%
São Luís 18,66 2,15 15,96 – 21,93 20,17 4,45 13,30 – 26,90 51,94%
Teresina 21,40 1,85 18,08 – 25,05 13,84 2,96 10,93 – 20,90 39,27%
Fortaleza 16,88 1,33 14,35 – 18,19 6,38 1,86 3,71 – 9,42 27,43%
Natal 23,46 2,68 21,52 – 30,11 23,40 5,75 16,32 – 31,85 49,94%
João Pessoa 25,17 1,70 21,84 – 27,37 21,76 3,01 17,97 – 25,98 46,37%
Recife 43,16 5,54 36,96 – 51,37 21,23 2,21 15,95 – 23,61 32,97%
Maceió 17,77 1,91 14,69 – 20,05 14,20 2,94 10,29 – 18,80 44,42%
Aracajú 17,02 1,82 14,53 – 20,37 11,82 2,80 8,58 – 18,38 40,98%
Salvador 16,19 1,48 13,04 – 17,98 9,47 1,72 6,65 – 13,49 36,91%
Belo Horizonte 15,00 1,48 13,01 – 17,56 9,11 0,60 7,75 – 9,94 37,79%
Vitória 21,70 4,37 15,56 – 27,65 18,34 1,40 16,04 – 19,83 45,80%
Rio de Janeiro 32,68 2,55 29,35 – 38,17 33,75 2,61 27,93 – 36,72 50,81%
São Paulo 36,41 2,07 33,62 – 39,72 17,84 1,73 15,84 – 20,66 32,88%
Curitiba 16,87 1,71 14,56 – 18,84 23,42 1,84 20,49 – 25,86 58,13%
Florianópolis 16,55 2,34 12,58 – 19,84 16,95 4,00 10,92 – 24,22 50,60%
Porto Alegre 23,22 1,65 21,07 – 26,90 30,46 3,18 25,33 – 34,84 56,74%
Campo Grande 18,00 1,70 16,12 – 21,48 33,30 10,59 22,75 – 56,81 64,91%
Cuiabá 20,42 1,78 18,62 – 24,13 15,49 4,72 10,52 – 23,59 43,14%
Goiânia 17,57 2,55 13,44 – 21,89 13,43 3,21 9,52 – 19,34 43,32%
Brasília 15,86 1,19 14,36 – 18,23 7,55 2,46 4,20 – 12,10 32,25%
Open in a new tab

Fonte: Datasus. Estatísticas vitais.

Os dois grupos mostraram-se estatisticamente diferentes em todas as características sociodemográficas pesquisadas (Tabela 2). Comparativamente, houve mais óbitos do sexo masculino no grupo extra-hospitalar (57,4% a 55,5%). Quanto à faixa etária no grupo extra-hospitalar, predominou os > 80 anos (29,7% a 26,3%). A morte de pacientes casados se mostrou menor fora do ambiente hospitalar (38% a 46%), como mostra a Tabela 2.

Os óbitos na faixa de escolaridade superior (> 12 anos) foram menos prevalentes no grupo intra-hospitalar que no grupo extra-hospitalar (11,5% a 12,8%). A cor da pele foi a característica com menor diferença entre os grupos, com discreta redução no número de indivíduos negros no grupo extra-hospitalar (Tabela 2).

Os modelos de regressão binomial negativa e com efeitos fixos obtiveram melhor ajuste em ambos os grupos. Os valores do AIC para cada um dos modelos com efeitos fixos e aleatórios estão descritos na Tabela 3.

Tabela 3. Valor do critério de informação de Akaike (AIC) para os modelos de regressão* de Poisson e binomial negativa com os óbitos por infarto agudo do miocárdio ocoridos nas capitais brasileiras de 2007 a 2016, nos grupos intra-hospitalar e extra-hospitalar.

Intra-hospitalar Extra-hospitalar
Poisson Binomial negativa Poisson Binomial negativa
Efeitos fixos 2.344 2.137 3.458 2.339
Efeitos aleatórios 2.778 2.565 3.893 2.777
Open in a new tab
*

Variáveis independentes: residir nas regiões Sul e Sudeste, índice de desenvolvimento humano municipal, expectativa de anos de estudo e índice de Gini.

Para o grupo intra-hospitalar, o modelo de regressão mostrou que o maior IDHM reduziu a incidência de óbitos (IRR = 0,44; IC 95% = 0,33-0,58), enquanto a maior expectativa de anos de estudo associou-se com a elevação da incidência (IRR = 1,09; IC 95% = 1,03-1,15).

O fato de o grupo extra-hospitalar residir nas regiões Sul e Sudeste aumentou a indicência dos óbitos (IRR = 2,84; IC 95% = 1,67-4,85), enquanto a maior expectativa de anos de estudo associou-se com a redução dos óbitos (IRR = 0,86; IC 95% = 0,77-0,97).

O índice de Gini não apresentou diferenças estatisticamente significativas em nenhum dos dois grupos. Os resultados dos modelos de regressão para os dois grupos estão descritos na Tabela 4.

Tabela 4. Resultado dos modelos de regressão múltipla binomial negativa com ajuste temporal segundo local de ocorrência dos óbitos por infarto agudo do miocárdio em cada uma das capitais brasileiras de 2007 a 2016. Modelos ponderados pela população de cada capital e analisados com efeitos fixos.

Intra-hospitalar Extra-hospitalar
IRR* p IC (95%) IRR* p IC (95%)
Regiões Sul/Sudeste 0,90 0,752 0,49; 1,67 2,84 < 0,001 1,67; 4,85
IDHM† 0,44 < 0,001 0,33; 0,58 1,26 0,347 0,77; 2,07
Expectativa de anos de estudo 1,09 0,004 1,03; 1,15 0,86 0,017 0,77; 0,97
Índice de Gini‡ 0,28 0,102 0,60; 1,28 1,02 0,988 0,05; 20,39
Open in a new tab
*

IRR: Incidence Rate Ratio = razão de incidência.

†

IDHM: Índice de desenvolvimento humano municipal.

‡

Índice ou coeficiente de Gini: avalia a desigualdade na distribuição de renda. Valores maiores demonstram maior desigualdade.

Discussão

Os óbitos intra e extra-hospitalares por IAM apresentaram diferenças sociodemográficas e em relação aos índices municipais de desenvolvimento pesquisados neste estudo. A avaliação das capitais brasileiras garante que os óbitos não ocorreram por indisponibilidade de serviços especializados para o tratamento de IAM e caracteriza uma amostra com abrangência nacional, haja vista que nas capitais residem 23,8% da população brasileira.16

A prevalência de óbitos por IAM é alta. Estudos anatomopatológicos mostram que de todas as paradas cardíacas extra-hospitalares, o IAM é responsável por quase metade de todas as mortes quando são consideradas todas as idades, proporção que se eleva progressivamente com a idade.17 Além disso, a associação de dor precordial com parada cardíaca subsequente mostra uma acurácia próxima a 100% para o diagnóstico de IAM em alguns trabalhos anatomopatológicos.18 Na prática clínica, sabemos que a dissecção de aorta, tromboembolismo pulmonar e outras causas agudas também podem cursar com dor precordial e óbito em curto prazo de tempo se mal classificadas, embora sejam bem menos prevalentes que o IAM.3,4

Poucos estudos abordaram especificamente os óbitos extra-hospitalares, justamente pela falta de registros médicos e pela dificuldade de validação de dados. A maior parte dos autores considera o SIM um sistema confiável,19,20 embora haja um maior quantidade de óbitos extra-hospitalares por causas mal definidas, o que pode significar uma menor acurácia do SIM em relação a esses eventos.21 Sabe-se também que o SIM não disponibiliza dados abertos se a causa mortis foi confirmada por Serviço de Verificação de Óbito (SVO), além de que algumas capitais como Rio de Janeiro, Brasília e Belo Horizonte ainda não haviam implantado um sistema de SVO próprio até o final do ano de 2016.22

A literatura mostra uma tendência mundial à redução das taxas de mortalidade por IAM a partir da década de 1960 e desde a década de 1990 no Brasil.1,3 Neste estudo, no entanato, a análise da curva de tendência para o conjunto de todas as capitais mostrou que a mortalidade por IAM intra-hospitalar apresenta-se estável, com discreta tendência à redução, enquanto a mortalidade extra-hospitalar cresceu no período em estudo. A análise detalhada destas tendências podem ser feita mediante o uso de ferramenta analítica específica, o que foge ao objetivo deste trabalho.

As taxas de mortalidade intra-hospitalares são maiores na região Sudeste, em algumas capitais do Nordeste (Natal, João Pessoa e Recife) e em Porto Alegre. Já a mortalidade extra-hospitalar é maior na região Sul, no Rio de Janeiro, em Campo Grande e nas mesmas capitais do Nordeste em que a mortalidade intra-hospitalar é mais alta. Entre todas as capitais, a cidade de Recife se destacou com uma contrastante alta mortalidade em relação às outras capitais do Nordeste, com uma taxa global de óbito inferior apenas ao Rio de Janeiro.

A principal hipótese dos estudos que visam explicar uma mortalidade extra-hospitalar mais alta é o tempo maior entre o início dos sintomas e a chegada ao hospital. Uma revisão sistemática, publicada em 2010, abordou 42 estudos e mostrou que pacientes do sexo feminino e idosos demorariam mais para receber tratamento hospitalar.23 Paradoxalmente a estes dados, encontramos em nosso estudo evidências de que a mortalidade extra-hospitalar foi comparativamente maior entre indivíduos do sexo masculino e em pacientes com mais de 80 anos. Mais de 70% dos óbitos ocorreram em idosos (> 60 anos) e os pacientes do sexo masculino apresentaram maior mortalidade por IAM nos dois grupos.

Outros estudos mostraram que pacientes casados demorariam menos tempo até chegar ao hospital.24,25 Nossos resultados mostram que a mortalidade extra-hospitalar foi menor nos casados, provavelmente por disponibilizarem de companheiro(a) para levá-los até uma instituição hospitalar.

A mortalidade extra-hospitalar foi ligeiramente maior em pacientes com nível de escolaridade superior. Embora pessoas com maior escolaridade apresentem uma taxa de sobrevivência maior após um episódio de IAM,26,27 este fator pode não influenciar de sobremaneira o episódio agudo, pois o atendimento inicial não especializado e mesmo a automedicação podem retardar o tratamento apropriado.28,29

Um maior IDHM associou-se com a redução da mortalidade intra-hospitalar (IRR = 0,44; IC 95% = 0,33-0,58), sem efeito sobre a mortalidade extra-hospitalar. Provavelmente, há maior disponibilidade e qualidade de recursos terapêuticos nas cidades com maior IDHM. Estudos comparativos mostram que países com melhor Produto Interno Bruto (PIB) dispunham de mais recursos terapêuticos e apresentavam menor mortalidade por IAM.30 Da mesma forma, análises espaciais realizadas em cidades brasileiras mostraram o aumento da mortalidade por IAM em bairros mais pobres.7,31,32 Uma análise espacial no município do Rio de Janeiro mostrou que um IDH menor e calculado por bairros foi um importante fator de risco para os óbitos por doenças cerebrovasculares, as quais compartilham fisiopatologia e fatores de risco semelhantes ao IAM.8

Residir nas regiões Sul e Sudeste aumentou a incidência dos óbitos extra-hospitalares (IRR = 2,84; IC 95% =1,67-4,85). Observou-se também que em todas as capitais da região Sul e no Rio de Janeiro os óbitos extra-hospitalares são mais prevalentes que os intra-hospitalares. Este achado pode ter várias hipóteses explicativas. Uma delas é que os serviços de saúde nestas regiões se encontram melhor estruturados, o que explicaria em parte a redução de óbitos intra-hospitalares com um maior IDHM. Como a taxa de mortalidade intra-hospitalar é menor, predominaram os óbitos de pacientes que não conseguiram receber atendimento em tempo hábil.

Outra hipótese é que algumas destas capitais apresentam uma população idosa maior, mais suscetíveis a IAM e com menor capacidade de locomoção, além do fato de serem maiores e mais populosas, o que torna o acesso aos serviços de saúde e a agilidade no transporte dos enfermos um grande desafio logístico.21,33 Além disso, o estilo de vida insalubre, a maior taxa de tabagismo, o maior estresse cotidiano, a dieta inadequada e uma maior taxa de inatividade física, fatores estes que se associam com a urbanização excessiva, podem aumentar o risco de IAM,34–36 o que justificaria também as maiores taxas de mortalidade nestas cidades.

A expectativa de anos de estudo mostrou resultados opostos em relação aos grupos intra e extra-hospitalar. As capitais com maior expectativa de anos de estudo apresentaram mais óbitos intra-hospitalares (IRR = 1,09; IC 95% = 1,03-1,15) e menos óbitos extra-hospitalares (IRR = 0,86; IC 95%=0,77-0,97). O estudo AFIRMAR abordou os fatores de risco para IAM no Brasil e mostrou que o nível educacional superior correlacionou-se com um menor risco de IAM (OR = 0,68 e p = 0,0239) apenas quando a renda do paciente era mais elevada.37 Ainda que em nossa pesquisa tivessem sido registrados mais óbitos extra-hospitalares nos níveis mais altos de escolaridade, uma cidade com expectativa de anos de estudo maior, provavelmente, tem maior acesso à informação, melhor conhecimento de sinais e sintomas e, consequentemente, um deslocamento dos óbitos do extra-hospitalar para o intra-hospitalar.

São pontos fortes deste estudo as novas contribuições para o entendimento da dinâmica dos óbitos por IAM, principalmente dos extra-hospitalares, dos quais pouco se sabe. A escolha das capitais como fator de amostragem garante um representante para cada unidade federativa brasileira e a cobertura de 23,8% da população do Brasil.

A utilização de modelos de regressão binomial negativa com ajuste temporal e ponderadas pelo tamanho da população possuem a vantagem de possibilitar que cada capital tenha seu próprio intercepto e que sirva como seu próprio controle, permitindo o ajuste para variáveis não mensuradas e que não variam ao longo do tempo, além de possibilitar a modelagem direta do número de eventos ao invés das taxas, já que estas podem sofrer variações em função das mudanças no numerador ou no denominador.

As limitações deste estudo incluem o uso de uma abordagem ecológica e conveniente para analisar uma série temporal, além da menor qualidade dos dados referentes aos óbitos extra-hospitalares. Outra limitação foi o uso de índices municipais de desenvolvimento obtidos através do censo demográfico que, embora sejam uma alternativa, não consideram as variações e flutuações de índice ocorridas no intervalo entre as coletas.

Conclusão

Este estudo trouxe novas informações sobre os óbitos por IAM nas capitais. Os óbitos intra e extra-hospitalares apresentam diferenças em relação às tendências temporais, às características sociodemográficas, ao IDHM, à expectativa de anos de estudo e quanto ao fato de residir nas regiões Sul e Sudeste.

Paradoxalmente ao reportado na literatura em relação a mortalidade global por IAM, a mortalidade extra-hospitalar está aumentando nas capitais brasileiras. Quando comparada ao grupo intra-hospitalar, a mortalidade extra-hospitalar acomete mais homens, pessooas com mais de 80 anos e não casados. A educação se mostrou um fator de deslocamento da mortalidade de um grupo para o outro. Residir nas regiões Sul e Sudeste mostrou associação com maior incidência de óbitos extra-hospitalares, enquanto que um maior IDHM está ligado com a menor incidência de óbitos intra-hospitalares, sem efeito estatisticamente significativo sobre os óbitos extra-hospitalares. Estudos posteriores são necessários para averiguar se estas diferenças também ocorrem no interior do país, onde as condições na maioria das cidades para tratamento do IAM são mais precárias. Os dados apresentados neste estudo ajudam a conhecer melhor a realidade e as tendências da mortalidade nas capitais brasileiras, podendo políticas públicas para reduzi-la pela mais prevalente causa de óbito.

Footnotes

Fontes de financiamento

O presente estudo não teve fontes de financiamento externas.

Vinculação acadêmica

Este artigo é parte de dissertação de mestrado de Sterffeson Lamare Lucena de Abreu pelo Programa de Pós-Graduação em Saúde Coletiva da Universidade Federal do Maranhão.

Referências

  • 1.1. World Health Organization. WHO.\ Disease burden and mortality estimates. World Health Organization; 2018. Disponível em: http://www.who.int/healthinfo/global_burden_disease/estimates/en/. Acesso em: 16 set. 2018.
  • 2.2. Brasil. Ministerio da Saúde. Minsitério da Sáude. Informações em saúde – Tabnet. Estatísticas vitais. Departamento de Informática do SUS. Disponível em: http://tabnet.datasus.gov.br/cgi/deftohtm.exe?sim/cnv/obt10br.def. Acesso em: 16 set. 2018.
  • 3.3. Reed GW, Rossi JE, Cannon CP. Acute myocardial infarction. Lancet. 2017; 389(10.065): 197-210. [DOI] [PubMed]
  • 4.4. Piegas L, Timerman A, Feitosa G et al. V Diretriz da Sociedade Brasileira de Cardiologia sobre tratamento do infarto agudo do miocárdio com supradesnível do segmento ST. Arq Bras Cardiol. 2015; 105(2): 1-105.:1-105. [DOI] [PubMed]
  • 5.5. Feres F, Costa R, Siqueira D et al. Diretriz da Sociedade Brasileira de Cardiologia e da Sociedade Brasileira de Hemodinâmica e Cardiologia Intervencionista sobre intervenção coronária percutânea. Arq Bras Cardiol. 2017; 109(1)1-81:.1-81. [DOI] [PubMed]
  • 6.6. Godoy MF, Lucena JM, Miquelin AR et al. Mortalidade por doenças cardiovasculares e níveis socioeconômicos na população de São José do Rio Preto, estado de São Paulo, Brasil. Arq Bras Cardiol.2007; 88(2): 200-6. [DOI] [PubMed]
  • 7.7. Melo E, Carvalho M, Travassos C. Distribuição espacial da mortalidade por infarto agudo do miocárdio no Município do Rio de Janeiro, Brasil. Cad Saude Publ. 2006; 22(6): 1.225-36. [DOI] [PubMed]
  • 8.8. Baena CP, Luhm KR, Costantini CO. Tendência de mortalidade por infarto agudo do Miocárdio em Curitiba (PR) no Período de 1998 a 2009. Arq Bras Cardiol. 2012;98(3) 98(3): 211-7. [PubMed]
  • 9.9. Dudas K, Lappas G, Stewart S, Rosengren A. Trends in out-of-hospital deaths due to coronary heart disease in Sweden (1991 to 2006). Circulation. 2011; 123(1): 46-52. [DOI] [PubMed]
  • 10.10. Fathi M, Rahiminiya A, Zare MA, Tavakoli N. Risk factors of delayed pre-hospital treatment seeking in patients with acute coronary syndrome: A prospective study. Turkiye Acil Tip Derg. 2015; 15(4):163-7. [DOI] [PMC free article] [PubMed]
  • 11.11. Brasil. Ministério da Saúde. Informações em Saúde – Tabnet. CNES – Estabelecimentos. Classificação do Serviço. 2018. Disponível em: http://tabnet.datasus.gov.br/cgi/deftohtm.exe?cnes/cnv/servc2br.def. Acesso em: 16 set. 2018.
  • 12.12. Brasil. Ministério da Saúde. Download | Atlas do Desenvolvimento Humano no Brasil. 2013. Disponível em: http://www.atlasbrasil.org.br/2013/pt/download/. Acesso em: 16 set. 2018.
  • 13.13. Diggle PJ, Heagerty P, Liang KY, Zeger S. Analysis of longitudinal data. Oxford Univesity Press. 2002; 90(431): 1-20.
  • 14.14. Cameron AC, Trivedi PK. Regression analysis of count data book. Cambridge university press. 2013;53.
  • 15.15. Brasil. Ministério da Saúde. Resolução nº 466, de 12 de Setembro de 2012. Diário Oficial da Republica Federativa do Brasil. 2012. p. 59. Disponível em: http://bvsms.saude.gov.br/bvs/saudelegis/cns/2013/res0466_12_12_2012.html. Acesso em: 16 set. 2018.
  • 16.16. Instituto Brasileiro de Geografa e Estatística. Agência de Notícias | IBGE divulga as estimativas populacionais dos municípios para 2017. 2017. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-noticias/releases/16131-ibge-divulga-as-estimativas-populacionais-dos-municipios-para-2017. Acesso em: 30 set. 2018.
  • 17.17. Wu Q, Zhang L, Zheng J et al. Forensic pathological study of 1656 cases of sudden cardiac death in Southern China. Med (United States). 2016; 95(5): 1-8. [DOI] [PMC free article] [PubMed]
  • 18.18. Stalioraityte E, Bluzas J, Mackiewicz Z et al. Out-of-hospital coronary heart disease death: acute pathological lesions. Acta Cardiol. 2008; 63(4): 423-9. [DOI] [PubMed]
  • 19.19. Haraki CA, Gotlieb SL, Laurenti R. Confiabilidade do Sistema de Informações sobre Mortalidade em município do Sul do Estado de São Paulo. Rev Bras Epidemiol. 2005; 8(1): 19-24.
  • 20.20. Nogueira LT, Rêgo CF, Gomes KR, Campelo V. Confiabilidade e validade das Declarações de Óbito por câncer de boca no Município de Teresina, Piauí, Brasil, no período de 2004 e 2005. Cad Saúde Publ. 2009; 25(2): 366-74. [DOI] [PubMed]
  • 21.21. De Abreu DM, Sakurai E, Campos LN. A evolução da mortalidade por causas mal definidas na população idosa em quatro capitais brasileiras, 1996-2007. Rev Bras Estud Popul. 2010; 27(1): 75-88.
  • 22.22. Conselho Federal de Medicina CFM. Serviços de verificação de óbito: após 10 anos, Brasil não cumpre meta, diz CFM. 2016. Disponível em: https://portal.cfm.org.br/index.php?option=com_content&view=article&id=26393:2016. Acesso em: 19 set. 2018.
  • 23.23. Nguyen HL, Saczynski JS, Gore JM, Goldberg RJ. Age and sex differences in duration of prehospital delay in patients with acute myocardial infarction a systematic review. Circ Cardiovasc Qual Outcomes. 2010; 3(1): 82-92. [DOI] [PMC free article] [PubMed]
  • 24.24. Franco B, Rabelo ER, Goldemeyer S, Souza EN. Patients with acute myocardial infarction and interfering factors when seeking emergency care: implications for health education. Rev Lat Am Enfermagem. 2008; 16(3): 414-8. [DOI] [PubMed]
  • 25.25. Bastos AS, Beccaria LM, Contrin LM, Cesarino CB. Time of arrival of patients with acute myocardial infarction to the emergency department. Rev Bras Cir Cardiovasc. 2012; 27(3): 411-8. [DOI] [PubMed]
  • 26.26 Consuegra-Sánchez L, Melgarejo-Moreno A, Galcerá-Tomás J et al. Nivel de estudios y mortalidad a largo plazo en pacientes con infarto agudo de miocardio. Rev Esp Cardiol. 2015;68(11): 935-42.
  • 27.27. Koopman C, Bots ML, Van Oeffelen AA et al. Population trends and inequalities in incidence and short-term outcome of acute myocardial infarction between 1998 and 2007. Int J Cardiol. 2013; 168(2): 993-8. [DOI] [PubMed]
  • 28.28. Farshidi H, Rahimi S, Abdi A et al. Factors associated with pre-hospital delay in patients with acute myocardial infarction. Iran Red Crescent Med J. 2013; 15(4): 312-6. [DOI] [PMC free article] [PubMed]
  • 29.29. Nilsson G, Mooe T, Söderström L, Samuelsson E. Pre-hospital delay in patients with first time myocardial infarction: an observational study in a northern swedish population. BMC Cardiovasc Disord. 2016; 16(1): 1-10. [DOI] [PMC free article] [PubMed]
  • 30.30. Orlandini A, Díaz R, Wojdyla D et al. Outcomes of patients in clinical trials with ST-segment elevation myocardial infarction among countries with different gross national incomes. Eur Heart J. 2006; 27(5): 527-33. [DOI] [PubMed]
  • 31.31. Caetano E, Melo P. Infarto agudo do miocárdio no município do Rio de Janeiro: qualidade dos dados, sobrevida e distribuição espacial por infarto agudo do miocárdio no município do Rio de Janeiro: qualidade. 2004; 16: 121-3.
  • 32.32. Luiz SB, Achutti A, Inês AM, Azambuja MI, Bassanesi SL. Mortalidade precoce por doenças cardiovasculares e desigualdades sociais em Porto Alegre: da evidência à ação. Arq Bras Cardiol. 2007; 90(6): 403-12.
  • 33.33. Beig JR, Tramboo NA, Kumar K et al. Components and determinants of therapeutic delay in patients with acute ST-elevation myocardial infarction: a tertiary care hospital-based study. J Saudi Hear Assoc. 2017; 29(1): 7-14. [DOI] [PMC free article] [PubMed]
  • 34.34. Ribeiro AG. The promotion of health and integrated prevention of risk factors for cardiovascular diseases. Cien Saude Colet. 2012; 17(1): 7-17. [DOI] [PubMed]
  • 35.35. Buss PM. Globalização, pobreza e saúde. Cien Saude Colet. 2007; 12(6): 1.575-89. [DOI] [PubMed]
  • 36.36. Gama LC, Biasi LC, Ruas A. Prevalência dos fatores de risco para as doenças cardiovasculares em pacientes da rede SUS da UBS Progresso da cidade de Erechim. Perspect Erechim. 2012; 36(133): 63-72.
  • 37.37. Piegas LS, Avezum A, Pereira JC et al. Risk factors for myocardial infarction in Brazil. Am Heart J. 2003; 146(2): 331-8. [DOI] [PubMed]
Arq Bras Cardiol. 2021 Aug 9;117(2):319–326. [Article in English]

In- and Out-of-Hospital Deaths by Acute Myocardial Infarction in Brazilian State Capitals

Sterffeson Lamare Lucena de Abreu 1,2,✉, Joana D’Arc Matos França de Abreu 1,2, Maria dos Remédios Freitas Carvalho Branco 2, Alcione Miranda dos Santos 2

Abstract

Background:

Acute myocardial infarction (AMI) is the main cause of death in Brazil and the world. Approximately half of these deaths occur outside the hospital.

Objectives:

To analyze the distribution, temporal evolution, and sociodemographic characteristics (SDC) of in- and out-of-hospital deaths by AMI in Brazilian state capitals and their relationship with municipal development indicators (MDI).

Methods:

This is an ecological study of the number of deaths due to AMI reported annually by the 27 Brazilian state capitals from 2007 to 2016; these were divided into 2 groups: in-hospital (H) and out-of-hospital (OH). We evaluated the temporal evolution of mortality rates in each group and differences in SDC. Negative binomial regression models were used to compare the temporal evolution of the number of deaths in each group with the following variables: residing in the South/Southeast regions (S/SE), municipal human development index (MHDI), Gini coefficient, and expected years of schooling (EYS). We considered p-values<0.05 as statisticallysignificant.

Results:

The OH mortality rate increased with time for all state capitals. All studied SDC were different between groups (p<0.001). In the OH group, most deaths were of men and patients aged 80 years or older and not married. S/SE increased the incidence of OH deaths (incidence rate ratio [IRR]=2.84; 95% confidence interval [CI]=1.67–4.85), while higher EYS reduced it (IRR=0.86; 95% CI=0.77–0.97). In the H group, higher MHDI reduced the incidence of deaths (IRR=0.44; 95% CI=0.33–0.58), while higher EYS increased it (IRR=1.09; 95% CI=1.03–1.15).

Conclusions:

In- and out-of-hospital deaths due to AMI in Brazilian state capitals were influenced by MDI, presented sociodemographic differences and a progressive increase in out-of-hospital occurrences.

Keywords: Myocardial Infarction, Out-of-Hospital, Epidemiology, Deaths, Demographic Indicators, Social Indicators, Mortality, Death, Sudden Cardiac

Introduction

Acute myocardial infarction (AMI) is the main individual cause of death in Brazil and the world.1,2 It has a mean mortality of 30% when untreated and of less than 6% when appropriate treatment is administered in time.3 Half of these deaths occur within the first 2 hours of symptom onset and 80% happen in the first 24 hours, resulting in many deaths before any hospital care.4

Appropriate treatment of high-risk AMI is costly, and its availability is concentrated in large urban areas, mainly in state capitals; this is especially true in the North, Northeast, and Central-West regions of Brazil.5 Although epidemiological studies have shown that mortality due to AMI is slowly decreasing worldwide, this reduction is smaller in countries with lower Gross Domestic Products (GDPs), lower social classes, and socioeconomically disadvantaged regions.6–8

Few studies have been published on out-of-hospital deaths due to AMI. Most of them consider general mortality without distinguishing between in-hospital and out-of-hospital deaths. Clinical studies on risk factors have been performed with patients who received hospital care. It is unknown whether deaths occurring out of the hospital environment presented sociodemographic differences in comparison with those who happened within a hospital, and the association of local and environmental factors with out-of-hospital mortality is still not well defined.9,10

The aim of this study was to temporally analyze in- and out-of-hospital deaths due to AMI in Brazilian state capitals, identifying sociodemographic differences and considering municipal development indices. We chose to assess only the state capitals because all of them currently provide advanced treatment of AMI.11

Method

This is an ecological study of deaths due to AMI occurred in the 27 Brazilian state capitals between 2007 and 2016. Data on deaths per state capital (in- or out-of-hospital occurrence, sex, age group, schooling, marital status, and skin color) were obtained from the Mortality Information System (SIM), an online platform created by the informatics department of the Unified Health System (DATASUS) for regular retrieval of mortality data in Brazil. Deaths were divided into 2 groups according to the place of occurrence: in-hospital or out-of-hospital.

For selecting deaths due to AMI in the SIM, we considered entries that had AMI as the primary cause of death (International Classification of Diseases [ICD]-10: I21). Deaths with unknown place of occurrence were not included in this study.

In- and out-of-hospital mortality rates were obtained by calculating the rate between deaths due to AMI and the population of each state capital (per 100 000 inhabitants). These rates are presented as means, standard deviations (SDs), and minimum and maximum values.

To assess the temporal evolution of mortality rates in both groups, we calculated annual in- and out-of-hospital mortality rates for all Brazilian state capitals. The population was corrected by linear interpolation and extrapolation using data from demographic census of 2000, 2010, and the 2017 projection made by the Brazilian Institute of Geography and Statistics (IBGE). Rates were presented as deaths per 100 000 inhabitants and expressed as a line graph.

The Atlas Brasil platform of the United Nations Development Program (PNUD) was used for obtaining independent variables (municipal human development index [MHDI], Gini coefficient, and expected years of schooling), as well as information on the population of each state capital.12

Statistical analysis

For comparing the number of deaths in both groups according to sociodemographic characteristics (sex, age group, schooling, marital status, and skin color), we used the chi-squared test. Sociodemographic characteristics were presented as absolute and relative frequencies. To demonstrate the impact of each characteristic, we calculated the standardized residuals of chi-squared tests, which are presented as Z in Table 2. Considering a significance level of 5%, Z-values > +1.96 or < −1.96 were statistically significant and the plus and minus signs showed the direction of differences between groups.

Table 2. Sociodemographic distribution of in- and out-of-hospital deaths due to acute myocardial infarction. Brazilian state capitals, 2007–2016.

In-hospital Out-of-hospital p-value *
n (110 549) % Z† n (79 085) % Z†
Sex < 0.001
Male 61304 55.45 –3.58 45389 57.39 4.24
Female 49245 44.55 4.06 33696 42.61 –4.81
Age Group < 0.001
< 1 year 50 0.05 3.43 3 0 –4.06
1 – 4 years 3 0 0.95 0 0 –1.12
5 – 9 years 2 0 0.19 1 0 –0.22
10 – 14 years 14 0.01 –0.15 11 0.01 0.18
15 – 19 years 207 0.19 3.73 67 0.08 –4.42
20 – 29 years 685 0.62 0.97 447 0.57 –1.14
30 – 39 years 1877 1.7 –6.02 1821 2.31 7.12
40 – 49 years 6991 6.33 –6.10 5904 7.47 7.22
50 – 59 years 17 580 15.91 –0.98 12 788 16.19 1.16
60 – 69 years 25 204 22.81 4.73 16 745 21.20 –5.60
70 – 79 years 28 847 26.10 10.22 17 729 22.45 –12.09
≥ 80 years 29 052 26.29 –9.02 23 471 29.72 10.67
Marital status < 0.001
Single 20 517 19.73 –17.49 19 489 25.82 20.53
Married 47 417 45.60 15.72 28 719 38.05 –18.46
Widowed 28 478 27.39 –0.53 20 826 27.59 0.62
Separated 7575 7.28 –6.10 6448 8.54 7.16
Schooling < 0.001
Illiterate 9365 10.77 –1.01 7190 11.02 1.17
1 – 3 years 25 243 28.92 5.87 17 315 26.55 –6.78
4 – 7 years 23 509 27.04 –1.71 18 079 27.72 1.98
8 – 11 years 18 941 21.79 –0.34 14 275 21.89 0.39
≥ 12 years 9982 11.48 –4.94 8366 12.83 5.71
Skin color/ethnicity < 0.001
White 64 689 61.21 0.45 46 734 60.96 –0.53
Black 7791 7.37 1.79 5383 7.02 –2.10
Yellow 950 0.9 –1.98 798 1.04 2.33
Brown 32 186 30.46 –1.17 23 715 30.93 1.37
Indigenous 60 0.06 0.35 39 0.05 –0.41
Open in a new tab
*

Chi-squared test.

†

Standardized residuals of the chi-squared test.

Source: DATASUS. Vital statistics.

To verify which independent variables were associated with the number of deaths in both groups, we used the panel data methodology, in which information from various sampling units (each state capital) was assessed through time, that is, observations were considered in 2 dimensions: the sampling unit and time.13 Therefore, we used Poisson and negative binomial regression models with temporal adjustment and weighted by the population of each capital for each of the groups. Weighting was performed according to the population of each capital so that each sampling unit had the same weight when evaluating associations.

The models were tested with fixed and random effects. Those with fixed effects led to each capital having its own intercept, serving as its own control, which allowed the adjustment for unmeasured variables that did not change with time (such as census data, which are updated every 10 years).13

For choosing the model with the best fit, we considered the Akaike Information Criterion (AIC).14 The lower the AIC, the better the fit. We also estimated the incidence rate ratio (IRR) and its respective confidence interval, considering as reference a 95% confidence interval (95% CI). Statistical analysis was performed using Stata software, version 14.0. This study only used data available in the public domain, thus not requiring assessment by a research and ethics committee as it does not fit the terms of Resolution 466, of December 2012.15

Results

Between 2007 and 2016, 189 634 deaths due to AMI were reported in Brazilian state capitals; 41.7% of them were out-of-hospital deaths. The mean mortality rate per 100 000 inhabitants in state capitals was 25.2 ± 1.3 for in-hospital deaths and 18 ± 1.2 for out-of-hospital deaths. The temporal evolution of the annual rate for all capitals in both groups is demonstrated in Figure 1.

Figure 1. Temporal evolution of in- and out-of-hospital mortality rates due to acute myocardial infarction (AMI) per 100 000 inhabitants. Brazilian state capitals, 2007–2016. IBGE: Brazilian Institute of Geography and Statistics.

Figure 1

Open in a new tab

Source: DATASUS. Vital statistics.

The highest and lowest mean death rates were reported in Recife (43.2%) and Palmas (8.7%), respectively, for the in-hospital group, and in Rio de Janeiro (33.8%) and Macapá (4.7%) for the out-of-hospital group (Table 1). In many state capitals, out-of-hospital deaths were more prevalent than in-hospital deaths: Palmas, São Luís, Rio de Janeiro, Curitiba, Florianópolis, Porto Alegre, and Campo Grande.

Table 1. Mortality rates due to acute myocardial infarction in Brazilian state capitals from 2007 to 2016 (deaths/100 000 inhabitants). Mean, standard deviation (SD), and minimum (Min) and maximum (Max) recorded values.

In-hospital (H) Out-of-hospital (OH) % OH
Mean SD Min – Max Mean SD Min – Max Mean
Porto Velho 13.12 2.38 10.15 – 18.53 12.14 5.34 6.28 – 22.40 48.06%
Rio Branco 14.17 3.40 10.42 – 19.33 10.04 3.52 5.95 – 14.88 41.47%
Manaus 14.35 1.86 11.71 – 17.32 4.88 2.07 2.22 – 9.10 25.38%
Boa Vista 12.49 2.83 7.39 – 16.18 9.35 1.71 5.63 – 11.61 42.81%
Belém 18.51 3.07 14.99 – 23.47 17.53 3.67 12.49 – 22.39 48.64%
Macapá 10.44 3.26 5.52 – 16.83 4.74 3.56 1.00 – 11.55 31.23%
Palmas 8.68 2.26 4.82 – 11.65 13.43 5.11 5.69 – 22.57 60.74%
São Luís 18.66 2.15 15.96 – 21.93 20.17 4.45 13.30 – 26.90 51.94%
Teresina 21.40 1.85 18.08 – 25.05 13.84 2.96 10.93 – 20.90 39.27%
Fortaleza 16.88 1.33 14.35 – 18.19 6.38 1.86 3.71 – 9.42 27.43%
Natal 23.46 2.68 21.52 – 30.11 23.40 5.75 16.32 – 31.85 49.94%
João Pessoa 25.17 1.70 21.84 – 27.37 21.76 3.01 17.97 – 25.98 46.37%
Recife 43.16 5.54 36.96 – 51.37 21.23 2.21 15.95 – 23.61 32.97%
Maceió 17.77 1.91 14.69 – 20.05 14.20 2.94 10.29 – 18.80 44.42%
Aracajú 17.02 1.82 14.53 – 20.37 11.82 2.80 8.58 – 18.38 40.98%
Salvador 16.19 1.48 13.04 – 17.98 9.47 1.72 6.65 – 13.49 36.91%
Belo Horizonte 15.00 1.48 13.01 – 17.56 9.11 0.60 7.75 – 9.94 37.79%
Vitória 21.70 4.37 15.56 – 27.65 18.34 1.40 16.04 – 19.83 45.80%
Rio de Janeiro 32.68 2.55 29.35 – 38.17 33.75 2.61 27.93 – 36.72 50.81%
São Paulo 36.41 2.07 33.62 – 39.72 17.84 1.73 15.84 – 20.66 32.88%
Curitiba 16.87 1.71 14.56 – 18.84 23.42 1.84 20.49 – 25.86 58.13%
Florianópolis 16.55 2.34 12.58 – 19.84 16.95 4.00 10.92 – 24.22 50.60%
Porto Alegre 23.22 1.65 21.07 – 26.90 30.46 3.18 25.33 – 34.84 56.74%
Campo Grande 18.00 1.70 16.12 – 21.48 33.30 10.59 22.75 – 56.81 64.91%
Cuiabá 20.42 1.78 18.62 – 24.13 15.49 4.72 10.52 – 23.59 43.14%
Goiânia 17.57 2.55 13.44 – 21.89 13.43 3.21 9.52 – 19.34 43.32%
Brasília 15.86 1.19 14.36 – 18.23 7.55 2.46 4.20 – 12.10 32.25%
Open in a new tab

Source: DATASUS. Vital statistics.

Both groups were statistically different for all the studied sociodemographic characteristics (Table 2). When comparing groups, deaths of male patients were more frequent in the out-of-hospital group (57.4% vs 55.5%). Regarding age groups, the out-of-hospital group presented more deaths of individuals aged over 80 years (29.7% vs 26.3%). Married patients had fewer out-of-hospital deaths (38% vs 46%) (Table 2).

Deaths of people with higher levels of schooling (> 12 years) were less prevalent in the in-hospital group than in the out-of-hospital group (11.5% vs 12.8%). Skin color was the characteristic with the smallest difference between groups: a discrete reduction in black individuals was observed in the out-of-hospital group (Table 2).

The negative binomial regression models with fixed effects provided better fit for both groups. AIC values for each model with fixed and random effects are described in Table 3.

Table 3. Akaike Information Criterion (AIC) values for the Poisson and negative binomial regression models* regarding deaths due to acute myocardial infarction occurred in Brazilian state capitals from 2007 to 2016 in the in- and out-of-hospital groups.

In-hospital Out-of-hospital
Poisson Negative binomial Poisson Negative binomial
Fixed effects 2344 2137 3458 2339
Random effects 2778 2565 3893 2777
Open in a new tab
*

Independent variables: residing in the South and Southeast regions, municipal human development index, expected years of schooling, and Gini coefficient.

For the in-hospital group, the regression model showed that a higher MHDI reduced the incidence of deaths (IRR = 0.44; 95% CI = 0.33–0.58), while higher expected years of schooling were associated with higher incidence (IRR = 1.09; 95% CI = 1.03–1.15).

For the out-of-hospital group, residing in the South and Southeast regions increased the incidence of deaths (IRR = 2.84; 95% CI = 1.67–4.85), while higher expected years of schooling were associated with a reduction in deaths (IRR = 0.86; 95% CI = 0.77–0.97).

The Gini coefficient did not present statistically significant differences between groups. The results of regression models for both groups are presented in Table 4.

Table 4. Results of negative binomial multiple regression models with temporal adjustment according to the place of occurrence of deaths due to acute myocardial infarction in each of the Brazilian state capitals from 2007 to 2016. Models were weighted by the population of each capital and analyzed with fixed effects.

In-hospital Out-of-hospital
IRR* p CI (95%) IRR* p CI (95%)
South/Southeast regions 0.90 0.752 0.49; 1.67 2.84 < 0.001 1.67; 4.85
MHDI† 0.44 < 0.001 0.33; 0.58 1.26 0.347 0.77; 2.07
Expected years of schooling 1.09 0.004 1.03; 1.15 0.86 0.017 0.77; 0.97
Gini coefficient‡ 0.28 0.102 0.60; 1.28 1.02 0.988 0.05; 20.39
Open in a new tab
*

IRR: incidence rate ratio.

†

MHDI: municipal human development index.

‡

Gini coefficient: assesses inequality in income distribution. Higher values demonstrate higher inequality.

Discussion

In- and out-of-hospital deaths due to AMI presented differences regarding the sociodemographic characteristics and municipal development indices considered in this study. The assessment of Brazilian state capitals guaranteed that deaths did not happen due to unavailability of specialized care and characterized a nation-wide coverage of the sample, since state capitals account for 23.8% of the Brazilian population.16

The prevalence of deaths due to AMI is high. Anatomopathological studies show that, of all out-of-hospital cardiac arrests, AMI is responsible for almost half the deaths when considering all ages; this proportion increases progressively with age.17 In addition, the association of precordial pain with subsequent cardiac arrest shows near 100% accuracy for AMI diagnosis in some anatomopathological studies.18 In clinical practice, it is known that aortic dissection, pulmonary thromboembolism, and other acute or potentially acute causes can also progress with precordial pain and death in a short period of time and could be misclassified, but these are much less prevalent than AMI.3,4

Few studies have specifically approached out-of-hospital deaths precisely due to the lack of medical records and difficulties in validating data. Most authors consider the SIM as a reliable system19,20 even though out-of-hospital deaths are more frequently reported as having ill-defined causes, which could represent a lower accuracy of the SIM regarding these events.21 It is also known that SIM does not provide, as open data, whether the causa mortis was confirmed by the Death Verification Service (SVO), and some state capitals such as Rio de Janeiro, Brasília, and Belo Horizonte had not implemented their own SVO until late 2016.22

The literature shows a trend of reduction in mortality rates due to AMI since the 1960s worldwide and since the 1990s in Brazil.1,3 However, in this study, analysis of the trend curve showed that in-hospital mortality due to AMI is stable, with a slight trend of reduction, while out-of-hospital mortality increased in the studied period. A detailed analysis of these trends can be performed with specific analytic tools, which is not within the scope of this study.

In-hospital mortality rates are higher in the Southeast region, in some capitals of the Northeast region (Natal, João Pessoa, and Recife), and in Porto Alegre. On the other hand, out-of-hospital mortality is higher in the South region, in Rio de Janeiro, Campo Grande, and the same northeastern capitals where in-hospital mortality is higher. Recife stood out with a notably high mortality when compared to other northeastern capitals, with a global death rate that was only lower than that of Rio de Janeiro among all capitals.

The main hypothesis of studies explaining higher out-of-hospital mortality is a longer time between symptom onset and arrival at the hospital. A systematic review published in 2010 considered 42 studies and observed that women and older patients took longer to receive hospital treatment.23 Paradoxically, in our study we observed that out-of-hospital mortality was higher in men and in patients aged over 80 years. More than 70% of deaths occurred among older people (> 60 years), and men presented higher mortality due to AMI in both groups.

Other studies observed that married patients took less time to arrive at the hospital.24,25 Our results indicated that out-of-hospital mortality was lower in married patients, probably because these had a partner that could help them access hospital care.

Out-of-hospital mortality was slightly higher in patients with higher levels of schooling. Although people with higher levels of schooling have higher survival rates after an AMI,26,27 this may not significantly affect the acute episode, since initial care by a non-specialist and even self-medication may delay proper care.28,29

A higher MHDI is associated with a reduction in in-hospital mortality (IRR = 0.44; 95% CI = 0.33–0.58), with no effect on out-of-hospital mortality. Cities with higher MHDI probably have greater availability and quality of therapeutic resources. Studies that compared countries showed that countries with higher GDP had higher availability of therapeutic resources and lower mortality by AMI.30 Similarly, spatial analyses performed in Brazilian cities showed an increase in mortality by AMI in poorer neighborhoods.7,31,32 A spatial analysis performed in Rio de Janeiro observed that lower HDI, calculated for each neighborhood, was an important risk factor for deaths due to cerebrovascular diseases, which share their physiopathology and risk factors with AMI.8

Residing in the South and Southeast regions increased the incidence of out-of-hospital deaths (IRR = 2.84; 95% CI = 1.67–4.85). We observed that, in all capitals of the South region and in Rio de Janeiro, out-of-hospital deaths were more prevalent than in-hospital deaths. This finding can be explained by various hypotheses. One of them is that health care services in these regions are better equipped, which could partially explain the reduction in in-hospital deaths in cities with a higher MHDI. Since the in-hospital mortality rate is lower, deaths of patients that could not receive timely care prevailed.

Another hypothesis is that some of these capitals present a larger older population, more susceptible to AMI and with lower locomotion abilities, in addition to the fact that these cities are larger and more densely populated, which could represent a great logistical challenge regarding the access to health care services and fast transportation of sick patients.21,33 Moreover, the unhealthy lifestyle, inadequate diet, and higher smoking rate, daily stress, and physical inactivity rate associated with excessive urbanization may increase the risk of AMI,34–36 which could also justify higher mortality rates due to AMI in these cities.

Expected years of schooling showed opposite results between in- and out-of-hospital groups. Capitals with higher expected years of schooling presented more in-hospital deaths (IRR = 1.09; 95% CI = 1.03–1.15) and less out-of-hospital deaths (IRR = 0.86; 95% CI = 0.77–0.97). The AFIRMAR study considered risk factors for AMI in Brazil and showed that higher schooling was correlated with a lower risk of AMI (odds ratio [OR] = 0.68; p = 0.0239) only when the patient's income was higher.37 Although in our study there were more out-of-hospital deaths among patients with higher levels of schooling, the inhabitants of a city with higher expected years of schooling probably have better access to information, with better knowledge on signs and symptoms, resulting in a change from out-of-hospital deaths to in-hospital deaths.

Strengths of this study include new contributions to understanding the dynamics of deaths by AMI, especially the out-of-hospital ones, which are little known. The choice of state capitals as sample guarantees the representation of every Brazilian federative unit and coverage of 23.8% of the Brazilian population.

The use of negative binomial regression models with temporal adjustment and weighted by population size has the advantage of letting each capital have its own intercept, serving as its own control, which allows the adjustment for unmeasured variables that do not change with time, in addition to the possibility of directly modelling the number of events instead of rates, which can suffer variations according to changes in numerators and denominators.

Limitations of this study include the use of an ecological and convenience approach for analyzing a time series, in addition to the lower quality of data regarding out-of-hospital deaths. Another limitation involved the use of municipal development indices obtained by the demographic census that, although consist of an alternative for estimation, do not consider the variations and fluctuations that occurred during the interval between data collections.

Conclusion

This study brought new information regarding deaths by AMI in state capitals. In- and out-of-hospital deaths presented differences in temporal trends, sociodemographic characteristics, MHDI, expected years of schooling, and whether patients resided in the South and Southeast regions.

As opposed to what is reported by the literature regarding global mortality by AMI, out-of-hospital mortality is increasing in Brazilian capitals. In comparison with the in-hospital group, out-of-hospital mortality affected more men, people older than 80 years, and unmarried people. Schooling was a factor that converted out-of-hospital mortality into in-hospital mortality. Residing in the South and Southeast regions was associated with a higher incidence of out-of-hospital deaths, while higher MHDI was associated with a lower incidence of in-hospital deaths with no statistically significant effect on out-of-hospital deaths. Further studies are necessary to verity if these differences also happen in other cities, where conditions for AMI treatment are generally more precarious.

Data presented in this study have helped us better understand the reality and trends of mortality in Brazilian state capitals and may contribute to guiding public policies for reducing mortality due to the most prevalent cause of death.

Footnotes

Sources of Funding

There were no external funding sources for this study.

Study Association

This article is part of the thesis of master submitted by Sterffeson Lamare Lucena de Abreu, from Programa de Pós-Graduação em Saúde Coletiva da Universidade Federal do Maranhão.

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

RESOURCES