Os indicadores de morbidade apoiam o estudo da relação entre o aparecimento de doenças em uma determinada região. A morbidade frequentemente é avaliada a partir de quatro indicadores básicos: a incidência, a prevalência, a taxa de ataque e a distribuição proporcional.

O uso da incidência é muito frequente na vigilância em saúde, pois expressa o número de casos novos de uma determinada doença durante um período que se deseja estudar em uma população sob o risco de desenvolver a doença, no mesmo período.

Seu cálculo favorece a medição da velocidade da ocorrência de uma doença na população. Quando obtemos esta medida, sua interpretação se dá como risco de adoecimento por um determinado agravo na população. Assim, altos valores de incidências podem ser compreendidos como um alto risco coletivo de adoecimento.

Para esse indicador, a expressão matemática do cálculo da incidência será:

Ao realizar este cálculo, é importante especificar o período de tempo (ano ou mês, por exemplo) analisado. Dessa forma, tanto os casos novos quanto as pessoas que já estão sob risco devem se referir ao mesmo período de tempo estudado. Além disso, o numerador do cálculo da incidência (casos novos) deve fazer parte da população que estaria exposta ao risco (denominador).

Nesta subseção destacaremos os cálculos da incidência utilizando o banco de dados {NINDINET.dbf}, que é resultado do preenchimento da Ficha Individual de Notificação (FIN) do Estado de Rosas, exportada por meio do Sinan Net - Sistema de Informação de Agravos de Notificação. Acompanhe os exemplos, pratique no seu RStudio e vamos juntos entender como calcular.

Observe o script abaixo. Nele iremos calcular a incidência das hepatites virais por etiologia desconhecida (CID10 = B19) por município, apenas durante o ano de 2012, no Estado de Rosas. Para isto, acompanhe o passo a passo:

1. Primeiro vamos importar o banco de dados {NINDINET.dbf}, disponível no menu lateral “Arquivos”, no módulo.

2. Segundo, criaremos o numerador de casos novos: utilizaremos as funções filter() para selecionar somente o CID B19 referente às hepatites virais notificadas no Sinan Net e também selecionar o ano de 2012 (o uso da função year() do pacote lubridate foi detalhado no Módulo 3). Também utilizamos a função group_by() para realizarmos a contagem dos casos por município de residência com a função n() dentro da summarise().

Acompanhe e pratique os comandos executados no script abaixo:

# criando objeto do tipo dataframe (tabela) {`Dados`} com o banco de dados 
# {`NINDINET.dbf`}
dados <- read.dbf(file = 'Dados/NINDINET.dbf')

# Criando um novo objeto a partir da tabela {`Dados`}
tabela_inc_hepatite <- dados |>
  
  # Utilizando a função filter() para diversos critérios de filtragem de dados
  filter(
    
    # Filtrando os agravos de hepatites virais (código "B19")
    ID_AGRAVO == "B19",
    
    # Filtrando apenas casos com ano de primeiros sintomas igual a 2012
    year(DT_SIN_PRI) == 2012) |>
  
  # Removendo as categorias (levels) ausentes na coluna ID_AGRAVO filtrada pelo
  # uso da função droplevels()
  mutate(ID_AGRAVO = droplevels(ID_AGRAVO)) |>
  
  # Agrupando por município de residência
  group_by(ID_MN_RESI) |>
  
  # Contanto o número de casos novos por município de residência
  summarise(N_CASOS_NOVOS = n())

# Visualizando a tabela resultante
tabela_inc_hepatite

#> # A tibble: 14 × 2
#>    ID_MN_RESI N_CASOS_NOVOS
#>         <int>         <int>
#>  1     610045             2
#>  2     610170             7
#>  3     610213            72
#>  4     610260             1
#>  5     610270             1
#>  6     610285             1
#>  7     610320             1
#>  8     610330             3
#>  9     610350             5
#> 10     610414             1
#> 11     610490             3
#> 12     610510             4
#> 13     610520             1
#> 14     610580             1

Observe o output: como resultado, você verá uma tabela com duas colunas. A primeira coluna (ID_MN_RESI) indica o código de cada município e a segunda coluna (N_CASOS_NOVOS) indica o número de casos em cada município.

3. No terceiro passo vamos utilizar a população dos municípios do Estado de Rosas como nosso denominador para que possamos calcular a incidência de hepatites virais de etiologia desconhecida. Para isso, importaremos a tabela de população por município, disponível no menu lateral “Arquivos”, no módulo.

Acompanhe o script abaixo e replique em seu RStudio:

# Criando a tabela "tabela_populacao" (dataframe) a partir do arquivo 
# "tabela.csv", que contém o tamanho populacional por município de Rosas
tabela_populacao <- read_csv2("Dados/tabela.csv")

# Visualizando a tabela carregada 
tabela_populacao

#> # A tibble: 14 × 2
#>    cod_mun POPULACAO
#>      <dbl>     <dbl>
#>  1  610045     15009
#>  2  610170     69189
#>  3  610213    201452
#>  4  610260     30205
#>  5  610270     19688
#>  6  610285     20448
#>  7  610320      6713
#>  8  610330     17559
#>  9  610350     10018
#> 10  610414      4164
#> 11  610490     79524
#> 12  610510     32042
#> 13  610520     43143
#> 14  610580      3434

Observe que na primeira coluna desta tabela (cod_mun), você verá novamente o código de cada município. Já na segunda coluna (POPULACAO) temos os valores referentes ao número de habitantes em cada município de Rosas.

4. No quarto passo, vamos agregar a população para o cálculo utilizando a função left_join(). Isto porque, para o cálculo da incidência, precisaremos unir a tabela de casos novos e a tabela de população. Para isso utilizaremos como chave única para cruzamento o código do município, variável comum às duas tabelas. Para isto, no argumento by dentro da função left_join() incluímos as variáveis "ID_MN_RESI" e "cod_mun" .

Veja abaixo como deve ser feito o script e replique no seu RStudio:

# Unindo a tabela "tabela_inc_hepatite" com "tabela_populacao", pela coluna com
# o código do município em cada uma
tabela_inc_hepatite |>
  
  # unindo a tabala de casos de hepatites virais com a tabela de população
  # utilizando os códigos do municípios de cada tabela
  left_join(tabela_populacao, by = c("ID_MN_RESI" = "cod_mun")) |>
  
  # Criando uma nova coluna com a incidência de casos por 100000 habitantes com
  # a função mutate()
  mutate(INCIDENCIA = N_CASOS_NOVOS / POPULACAO * 100000)

#> # A tibble: 14 × 4
#>    ID_MN_RESI N_CASOS_NOVOS POPULACAO INCIDENCIA
#>         <dbl>         <int>     <dbl>      <dbl>
#>  1     610045             2     15009      13.3 
#>  2     610170             7     69189      10.1 
#>  3     610213            72    201452      35.7 
#>  4     610260             1     30205       3.31
#>  5     610270             1     19688       5.08
#>  6     610285             1     20448       4.89
#>  7     610320             1      6713      14.9 
#>  8     610330             3     17559      17.1 
#>  9     610350             5     10018      49.9 
#> 10     610414             1      4164      24.0 
#> 11     610490             3     79524       3.77
#> 12     610510             4     32042      12.5 
#> 13     610520             1     43143       2.32
#> 14     610580             1      3434      29.1

Observe no output que a nova tabela criada possui quatro colunas:

• ID_MN_RESI indica o código do município,
• N_CASOS_NOVOS demonstra o total de casos novos,
• POPULACAO contém o tamanho populacional e
• INCIDENCIA apresenta o índice que queremos: a incidência de casos a cada 100 mil habitantes.

Na avaliação dos municípios do Estado de Rosas é possível verificar também que o município 610350 (Flor de Lis) possui a maior incidência, 35,7 casos por 100 mil habitantes, enquanto o município 610520 (Lótus) possui a menor incidência, com 2,3 por 100 mil habitantes no Estado.

Observe também os municípios 610330 (Glicínia) e o 610490 (Zínia) possuem o mesmo número de casos: três casos, porém suas valores de incidência bastante distintas (17,1 e 3,77 por 100 mil habitantes, respectivamente), isto ocorre pois o tamanho de suas populações é distinto!

A prevalência é o indicador mais utilizado para mensurar a frequência de doenças crônicas de longa duração. Isto porque seu numerador se refere ao total de pessoas que se apresentam doentes no período analisado. Na prevalência são somados os casos novos e os casos já conhecidos. A sua interpretação não se refere a risco de adoecer, e sim o quanto uma doença persiste numa população.

Para calcular esse indicador, a expressão matemática do cálculo da prevalência é:

Agora vamos praticar o cálculo deste indicador utilizando os dados referentes à prevalência de hanseníase no Estado do Acre durante o ano de 2021. Este banco de dados se encontra no menu lateral “Arquivos” no módulo!

A prevalência de hanseníase estima a magnitude da endemia no Acre. Ela deve ser estudada com base na totalidade de casos em tratamento no momento em que realizamos a sua avaliação. Uma alta prevalência (valores acima de 5 casos por 10 mil habitantes) pode indicar um cenário de baixo desenvolvimento socioeconômico e falta de ações efetivas do município para o controle da doença. Por outro lado, a baixa prevalência (valores menores que 1 caso por 10 mil habitantes) pode indicar que a hanseníase não deve considerada um problema de saúde pública.

Nesta análise, o profissional de vigilância necessitará importar o arquivo {base_hans_ac.dbf} no formato “.dbf” dos casos de hanseníase no Acre, disponível no menu lateral “Arquivos”, no módulo. Lembre-se que a importação de arquivos nesse formato é feita pela função read.dbf() do pacote foreign.

Acompanhe abaixo o script e replique o código em seu RStudio:

# criando objeto do tipo data.frame {`base_hans`} que armazenará o banco
# de dados de hanseníase do Estado do Acre
base_hans <- read.dbf(file = 'Dados/base_hans_ac.dbf')

Como vamos avaliar o ano de 2021, vamos selecionar um recorte de dois anos anteriores (2019 e 2020) e, assim, incluir os casos em tratamento que podem ter iniciado o esquema terapêutico nesses anos, mas se mantêm em andamento no ano de avaliação. Dessa forma, vamos filtrar os casos abertos diagnosticados entre 2019 e 2021. Acompanhe os passos:

1. Primeiro, vamos criar uma nova variável, extraindo o ano da data de diagnóstico utilizando a função year() do pacote lubridate dentro da função mutate().

2. Em seguida, vamos filtrar os casos diagnosticados entre 2019 e 2021 e, simultaneamente, vamos selecionar os casos que ainda estão em tratamento, ou seja, aqueles cuja variável tipo de saída (TPALTA_N) ainda não foi preenchida (está nula ou em branco). Para filtrar os casos abertos, vamos utilizar a função is.na() para selecionar os registros com a variável TPALTA_N em branco, dentro da função filter().

3. Por fim, vamos contar os casos confirmados de hanseníase com a função count(). Mas não vamos indicar nenhuma variável dentro da função, pois queremos a contagem total do filtro realizado antes.

Acompanhe o código abaixo e reproduza no seu RStudio:

base_hans |>
  
  # Criando uma nova coluna com o ano de diagnóstico com a função mutate() e year()
  mutate(ano_diag = year(DT_DIAG)) |>
  
  # Filtrando os casos diagnosticados entre 2019 e 2021 e "tipo de saída" 
  # (TPALTA_N) com valores em branco
  filter(ano_diag >= 2019, ano_diag <= 2021, is.na(TPALTA_N)) |>
  
  # Contanto o número de casos por ano de diagnóstico com a função count()
  count()

#>     n
#> 1 171

Visualize que obtivemos um output apenas com um único valor, indicando o total de casos em branco neste conjunto de dados (n), ou seja, temos 171 casos que ainda estão em tratamento no Estado do Acre em 2021.

4. Mas para o cálculo da prevalência precisamos da população estimada do Estado do Acre no mesmo ano. Conseguimos essa população fazendo a tabulação no site do Datasus e você pode importá-la por meio do arquivo {pop_ac_09_21.csv}. Lembre-se de copiar o caminho do arquivo localizado no menu lateral “Arquivos”, do módulo.

Acompanhe os comandos escritos no script abaixo e replique:

# Criando o objeto {`pop_ac`} com a população estimada para o Acre
# O argumento `col_types = list("character")` indica que todas as 
# colunas serão lidas como strings de texto (character)
pop_ac <- read_csv2('Dados/pop_ac_09_21.csv', col_types = list("character"))

Perceba que para a construção do código executado no script acima incluímos o argumento chamado col_types. Ele foi necessário para garantir que a primeira coluna do arquivo, chamada “Codigo”, mantenha-se no formato original do tipo character.

Agora vamos visualizar como ficou a tabela que criamos para armazenar a população por ano da estimativa segundo município do Acre. Digite o script abaixo e replique em seu RStudio:

# Visualizando as linhas e colunas do dataframe {`pop_ac`} 
glimpse(pop_ac)

#> Rows: 22
#> Columns: 15
#> $ Codigo    <chr> "120001", "120005", "120010", "120013", "120017", "120020", …
#> $ Municipio <chr> "Acrelândia", "Assis Brasil", "Brasiléia", "Bujari", "Capixa…
#> $ `2009`    <dbl> 12769, 6180, 21758, 8633, 8812, 80978, 15373, 33678, 6653, 1…
#> $ `2010`    <dbl> 13081, 6335, 22325, 8838, 9179, 81907, 15754, 33816, 6862, 1…
#> $ `2011`    <dbl> 13327, 6457, 22771, 8999, 9468, 82638, 16054, 33925, 7026, 1…
#> $ `2012`    <dbl> 13579, 6583, 23231, 9165, 9764, 83389, 16363, 34037, 7195, 1…
#> $ `2013`    <dbl> 13821, 6703, 23670, 9324, 10048, 84109, 16658, 34144, 7357, …
#> $ `2014`    <dbl> 14069, 6826, 24120, 9486, 10339, 84845, 16960, 34254, 7523, …
#> $ `2015`    <dbl> 14318, 6951, 24574, 9650, 10632, 85587, 17265, 34364, 7690, …
#> $ `2016`    <dbl> 14551, 7067, 24996, 9803, 10905, 86279, 17550, 34467, 7845, …
#> $ `2017`    <dbl> 14781, 7181, 25414, 9954, 11175, 86963, 17830, 34569, 7999, …
#> $ `2018`    <dbl> 15020, 7300, 25848, 10111, 11456, 87673, 18122, 34675, 8159,…
#> $ `2019`    <dbl> 15256, 7417, 26278, 10266, 11733, 88376, 18411, 34780, 8317,…
#> $ `2020`    <dbl> 15490, 7534, 26702, 10420, 12008, 89072, 18696, 34884, 8473,…
#> $ `2021`    <dbl> 15721, 7649, 27123, 10572, 12280, 89760, 18979, 34986, 8628,…

Nesta tabela, você verá na primeira linha o código do município, na segunda linha o nome do município, e a partir da terceira linha as estimativas populacionais para cada um dos municípios por ano entre 2009 e 2021.

5. Como vamos precisar apenas do ano de 2021, do estado todo, vamos utilizar a função summarise() para resumir e somar toda a população dos municípios usando a função sum(). Perceba que nas colunas da tabela {pop_ac} os anos da população estimada estão organizados em colunas. Para somar somente o ano de 2021, vamos nos referenciar à coluna utilizando crases (assim: `2021`). Isso é necessário para que o R possa entender que estamos nos referindo a uma coluna de um dataframe e não um valor numérico (o título da coluna é 2021). Abaixo vamos criar a coluna com a população total de 2021. Replique o script abaixo em seu RStudio:

pop_ac |>
  
# Criando a coluna com a população total do Estado do Acre em 
# 2021 com a função summarise() e sum()
  summarise(pop_total_ac_2021 = sum(`2021`))

#> # A tibble: 1 × 1
#>   pop_total_ac_2021
#>               <dbl>
#> 1            906876

Você deve observar que a população do Acre, portanto, é de 906.876 habitantes em 2021.

6. Por fim, calcularemos a prevalência de hanseníase no Acre em 2021 por 10 mil habitantes. Para isto, iremos substituir os valores na expressão matemática a seguir, veja:

Observe como fazemos agora no R, escreva conforme script abaixo a operação matemática no seu RStudio.

# Divisão do número de casos pela população do Acre, seguida da multiplicação com 
# 10000
(171 / 906876) * 10000

#> [1] 1.885594

O resultado desta operação é o valor de 1.885594. Desta forma, a prevalência dos casos em tratamento no Estado do Acre em 2021 é de 1,89 pessoas a cada 10 mil habitantes.

7. Agora, vamos calcular este indicador para todos os municípios do estado. Para tal, vamos repetir o comando utilizado anteriormente, mas indicando dentro da função count() o município de residência atual (MUNIRESAT). Para fins de reprodutibilidade, iremos salvar o resultado da contagem por municípios em um novo objeto, que chamaremos de {casos_hans_ac_21}. Veja o script abaixo e repita em seu RStudio:

# Criando uma tabela (dataframe) com o nome casos_hans_ac_21
casos_hans_ac_21 <- base_hans |>
  
  # Filtrando os casos na coluna "tipo de saída" (TPALTA_N) com valores em branco
  filter(is.na(TPALTA_N)) |>
  
  # Contando o número de casos com valores em branco por município
  count(MUNIRESAT)

# Visualizando a tabela resultante
casos_hans_ac_21

#>    MUNIRESAT  n
#> 1     120001  2
#> 2     120005  3
#> 3     120010  8
#> 4     120013  3
#> 5     120017  3
#> 6     120020 12
#> 7     120025  9
#> 8     120030  6
#> 9     120032  1
#> 10    120033  2
#> 11    120035  1
#> 12    120038  3
#> 13    120039  5
#> 14    120040 70
#> 15    120042  2
#> 16    120043  1
#> 17    120045  6
#> 18    120050  7
#> 19    120060 11
#> 20    120070 10
#> 21    120080  5
#> 22      <NA>  1

A tabela resultante apresentará na primeira coluna o código do município de residência atual, enquanto a segunda coluna irá indicar o total de casos em cada um destes municípios.

Para seguir nesta etapa precisamos da população de cada município para o cálculo da prevalência. Então, seguiremos os passos abaixo:

1. Primeiro, utilizaremos novamente o objeto {pop_ac} criado para armazenar a população estimada para o Acre.

2. Segundo, iremos unir a tabelas população e a tabela de casos em tratamento utilizando a função left_join(); para uni-las, precisamos indicar qual coluna será chave de ligação entre as duas tabelas utilizando o argumento by, ou seja, incluímos a variável MUNIRESAT na tabela de casos e a variável Codigo da tabela de população.

Acompanhe o script abaixo e repita em seu RStudio:

# Criando uma tabela (dataframe) com o nome {`prev_casos_ac`}
prev_casos_ac <- casos_hans_ac_21 |>
  
  # Juntando a tabela casos_hans_ac_21 com pop_ac, pelas colunas com os códigos de 
  # município de cada uma
  left_join(pop_ac, by = c("MUNIRESAT" = "Codigo"))

# Visualizando a tabela resultante
prev_casos_ac

#>    MUNIRESAT  n            Municipio   2009   2010   2011   2012   2013   2014
#> 1     120001  2           Acrelândia  12769  13081  13327  13579  13821  14069
#> 2     120005  3         Assis Brasil   6180   6335   6457   6583   6703   6826
#> 3     120010  8            Brasiléia  21758  22325  22771  23231  23670  24120
#> 4     120013  3               Bujari   8633   8838   8999   9165   9324   9486
#> 5     120017  3             Capixaba   8812   9179   9468   9764  10048  10339
#> 6     120020 12      Cruzeiro do Sul  80978  81907  82638  83389  84109  84845
#> 7     120025  9       Epitaciolândia  15373  15754  16054  16363  16658  16960
#> 8     120030  6                Feijó  33678  33816  33925  34037  34144  34254
#> 9     120032  1               Jordão   6653   6862   7026   7195   7357   7523
#> 10    120033  2          Mâncio Lima  15417  15864  16216  16577  16924  17277
#> 11    120035  1 Marechal Thaumaturgo  14265  14843  15298  15765  16213  16670
#> 12    120038  3    Plácido de Castro  17695  17954  18158  18368  18569  18774
#> 13    120039  5         Porto Walter   9227   9573   9845  10125  10393  10667
#> 14    120040 70           Rio Branco 342445 350589 356998 363589 369899 376348
#> 15    120042  2      Rodrigues Alves  14450  15012  15455  15910  16345  16791
#> 16    120043  1  Santa Rosa do Purus   4658   4894   5080   5271   5454   5642
#> 17    120045  6     Senador Guiomard  20770  21053  21276  21505  21724  21948
#> 18    120050  7       Sena Madureira  38790  39676  40373  41090  41777  42478
#> 19    120060 11             Tarauacá  36351  37131  37745  38377  38981  39599
#> 20    120070 10               Xapuri  16424  16788  17074  17369  17651  17939
#> 21    120080  5           Porto Acre  15096  15524  15861  16207  16538  16877
#> 22      <NA>  1                 <NA>     NA     NA     NA     NA     NA     NA
#>      2015   2016   2017   2018   2019   2020   2021
#> 1   14318  14551  14781  15020  15256  15490  15721
#> 2    6951   7067   7181   7300   7417   7534   7649
#> 3   24574  24996  25414  25848  26278  26702  27123
#> 4    9650   9803   9954  10111  10266  10420  10572
#> 5   10632  10905  11175  11456  11733  12008  12280
#> 6   85587  86279  86963  87673  88376  89072  89760
#> 7   17265  17550  17830  18122  18411  18696  18979
#> 8   34364  34467  34569  34675  34780  34884  34986
#> 9    7690   7845   7999   8159   8317   8473   8628
#> 10  17635  17968  18297  18638  18977  19311  19643
#> 11  17132  17563  17988  18430  18867  19299  19727
#> 12  18982  19175  19366  19565  19761  19955  20147
#> 13  10944  11201  11456  11720  11982  12241  12497
#> 14 382864 388932 394924 401155 407319 413418 419452
#> 15  17241  17660  18074  18504  18930  19351  19767
#> 16   5831   6007   6181   6362   6540   6717   6893
#> 17  22174  22385  22593  22810  23024  23236  23446
#> 18  43187  43847  44499  45177  45848  46511  47168
#> 19  40224  40805  41379  41976  42567  43151  43730
#> 20  18230  18501  18769  19048  19323  19596  19866
#> 21  17219  17538  17853  18180  18504  18824  19141
#> 22     NA     NA     NA     NA     NA     NA     NA

Perceba que a tabela resultante irá conter, além do código do município de residência atual e o número de casos por município, uma nova coluna indicando o nome do município, e diversas colunas indicando a estimativa do tamanho populacional destes municípios para diferentes anos.

3. O terceiro passo será calcular a prevalência da hanseníase por município do Estado do Acre, criando uma nova coluna com o resultado do cálculo utilizando a função mutate().

4. Iremos selecionar somente as variáveis que nos importam nesta tabela (MUNIRESAT, Municipio, prevalencia_2021). Acompanhe o script abaixo e replique-o em seu RStudio:

prev_casos_ac |>
  
  # Criando uma coluna com o cálculo de prevalência da população por 10 mil
  # habitantes em 2021 com a função mutate()
  mutate(prevalencia_2021 = (n / `2021`) * 10000) |>
  
  # Selecionando apenas as colunas MUNIRESAT, Municipio e prevalencia_2021 com
  # a função select()
  select(MUNIRESAT, Municipio, prevalencia_2021)

#>    MUNIRESAT            Municipio prevalencia_2021
#> 1     120001           Acrelândia        1.2721837
#> 2     120005         Assis Brasil        3.9220813
#> 3     120010            Brasiléia        2.9495262
#> 4     120013               Bujari        2.8376844
#> 5     120017             Capixaba        2.4429967
#> 6     120020      Cruzeiro do Sul        1.3368984
#> 7     120025       Epitaciolândia        4.7420834
#> 8     120030                Feijó        1.7149717
#> 9     120032               Jordão        1.1590172
#> 10    120033          Mâncio Lima        1.0181744
#> 11    120035 Marechal Thaumaturgo        0.5069195
#> 12    120038    Plácido de Castro        1.4890554
#> 13    120039         Porto Walter        4.0009602
#> 14    120040           Rio Branco        1.6688441
#> 15    120042      Rodrigues Alves        1.0117873
#> 16    120043  Santa Rosa do Purus        1.4507471
#> 17    120045     Senador Guiomard        2.5590719
#> 18    120050       Sena Madureira        1.4840570
#> 19    120060             Tarauacá        2.5154356
#> 20    120070               Xapuri        5.0337260
#> 21    120080           Porto Acre        2.6121937
#> 22      <NA>                 <NA>               NA

Observe que a tabela resultante irá apresentar, além das informações com o código e nome do município, os valores de prevalência para cada um deles no ano de 2021. Observe no output acima que a prevalência da hanseníase no Estado do Acre varia de 0,5 por 10 mil habitantes no município de Marechal Thaumaturgo até 5 por 10 mil habitantes no município de Xapuri.

Agora, vamos avançar um pouco mais e aprender a calcular com o software R alguns indicadores de mortalidade!