Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC 6KsxpGT5DysBvyk7VGSBdpH S0066-782X2026000600604 00604 10.36660/abc.20260178 Artigo Original Distribuição Espacial de Pacientes na Região Metropolitana de São Paulo Atendidos em um Hospital Público Terciário de Referência Cardiovascular Segundo Doenças dos Sistemas Circulatório, Respiratório, Endócrino e Neoplásico 0000-0003-2107-6074 Lederman Carlos Concepção e desenho da pesquisa Obtenção de dados Análise e interpretação dos dados Redação do manuscrito Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 1 Moraes Sara Lopes de Concepção e desenho da pesquisa Análise e interpretação dos dados Análise estatística Redação do manuscrito Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 2 Lima Antonio Carlos Pedroso de Análise e interpretação dos dados 3 Barroso Lucia Pereira Análise e interpretação dos dados Análise estatística 3 Morais Lilian Cristina Correia Obtenção de dados 4 Perdigão Magaly de Losso Obtenção de dados 4 Freitas Rosa Maria Vieira de Obtenção de dados 4 0000-0001-7571-8154 Teixeira Monica La Porte Obtenção de dados Análise e interpretação dos dados 4 Waldvogel Bernadette Cunha Concepção e desenho da pesquisa Obtenção de dados Análise e interpretação dos dados 4 Gutierrez Marco Antonio Obtenção de dados Análise e interpretação dos dados 5 Barrozo Ligia Vizeu Concepção e desenho da pesquisa Análise e interpretação dos dados 2 Mansur Alfredo José Concepção e desenho da pesquisa Análise e interpretação dos dados Revisão crítica do manuscrito quanto ao conteúdo intelectual importante 5 Faculdade de Medicina Universidade de São Paulo São Paulo SP Brasil Faculdade de Medicina da Universidade de São Paulo (FMUSP), São Paulo, SP – Brasil Universidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas São Paulo SP Brasil Universidade de São Paulo – Faculdade de Filosofia, Letras e Ciências Humanas, São Paulo, SP – Brasil Universidade de São Paulo Instituto de Matemática e Estatística São Paulo SP Brasil Universidade de São Paulo – Instituto de Matemática e Estatística, São Paulo, SP – Brasil Fundação Sistema Estadual de Análise de Dados - Projeções Populacionais São Paulo SP Brasil Fundação Sistema Estadual de Análise de Dados - Projeções Populacionais, São Paulo, SP – Brasil Hospital das Clínicas Faculdade de Medicina Universidade de São Paulo São Paulo SP Brasil Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, São Paulo, SP – Brasil Carlos Lederman Faculdade de Medicina da Universidade de São Paulo – Av. Dr. Eneas de Carvalho Aguiar, 44, piso AB. CEP 05403-904, São Paulo, SP – Brasil E-mail: carloslederman01@gmail.com

Marcio Bittencourt

Declaro não haver conflito de interesses pertinentes.

 24 07 2026 2026 123 6 e20260178 27 09 2025 04 03 2026 06 05 2026 Este é um artigo de acesso aberto distribuído sob os termos da licença de atribuição pelo Creative Commons Resumo Fundamento

A distribuição espacial de pacientes segundo características clínicas, utilizando técnicas de geoprocessamento, permite identificar aglomerados de doenças em uma população estudada. Essa abordagem contribui para o desenvolvimento de intervenções direcionadas a grupos específicos de risco.

 Objetivos

Investigar aglomerados geográficos de doenças de interesse entre pacientes atendidos em um hospital público terciário e caracterizar sua distribuição espacial na região metropolitana de São Paulo.

 Métodos

Com base nos resultados de um estudo prévio, foram definidos dois grupos de doenças: um representando as principais doenças identificadas na primeira consulta hospitalar e outro representando as principais causas básicas de morte. Uma descrição detalhada é apresentada no material suplementar online. A densidade das doenças foi calculada dividindo-se a frequência de casos em cada grupo de doenças pela população de cada cidade/distrito e multiplicando-se o resultado por 100.000 para melhorar a visualização dos dados. Posteriormente, os dados espaciais foram analisados e mapeados para ilustrar os padrões espaciais e as relações identificadas no estudo.

 Resultados

Osasco e Taboão da Serra apresentaram a maior densidade de causas básicas de morte relacionadas a doenças do sistema circulatório. Além disso, 12 cidades/distritos localizados nas fronteiras da área de estudo não apresentaram registro de doenças neoplásicas.

 Conclusões

Vargem Grande Paulista apresentou a maior densidade de casos de neoplasias como causas básicas de morte e comorbidades. Destaca-se que Embu das Artes, município reconhecido por suas extensas áreas verdes, apresentou a maior densidade de doenças do sistema respiratório.

Distribuição Espacial de Pacientes na Região Metropolitana de São Paulo Atendidos em um Hospital Público Terciário de Referência Cardiovascular Segundo Doenças dos Sistemas Circulatório, Respiratório, Endócrino e Neoplásico *Taxa = frequência de casos ÷ população × 100.000. EMPLASA: Empresa Paulista de Planejamento Metropolitano; IBGE: Instituto Brasileiro de Geografia e Estatística; IGC: Instituto Geográfico e Cartográfico. Fontes do mapa: áreas urbanas do IBGE, limites administrativos do IGC e sub-regiões da EMPLASA da região metropolitana de São Paulo

Palavras-chave: Classificação Internacional de Doenças Comorbidade Causas de Morte Mortalidade Doenças Não Transmissíveis Fontes de Financiamento: O presente estudo não teve fontes de financiamento externas. Introdução

Todos os anos, milhões de pessoas morrem em decorrência de doenças crônicas não transmissíveis (DCNTs), incluindo neoplasias, diabetes mellitus, doenças cardiovasculares (DCVs) e doenças respiratórias crônicas, muitas das quais são preveníveis e tratáveis. A carga dessas condições é particularmente expressiva em cidades de países do Sul Global, onde as desigualdades sociais e econômicas permanecem substanciais. Segundo a Organização Mundial da Saúde, as DCVs constituem a principal causa de morte no mundo, sendo responsáveis por aproximadamente 17,9 milhões de óbitos anuais.1

Pacientes admitidos em hospitais terciários frequentemente apresentam múltiplas comorbidades e necessitam de cuidados de alta complexidade. Após a alta hospitalar, informações de seguimento em longo prazo geralmente não estão disponíveis nos bancos de dados hospitalares, exceto quando os pacientes estão incluídos em protocolos de pesquisa. Lesage et al.2 conduziram um estudo de seguimento de 5 anos envolvendo 86 pacientes após a alta hospitalar e reportaram taxa de mortalidade de 33,3%, taxa de readmissão de 21,3% e intervalo médio de 50 dias entre a alta e a readmissão.

Lederman et al.3 observaram que os quatro principais grupos de doenças que acometiam os pacientes atendidos em nossa instituição eram doenças do sistema circulatório, do sistema respiratório, do sistema endócrino e neoplasias. Também identificamos duas associações de doenças: uma entre o Capítulo IX (Doenças do Sistema Circulatório) e o Capítulo XVI (Algumas Afecções Originadas no Período Perinatal) da Classificação Estatística Internacional de Doenças e Problemas Relacionados à Saúde, 10ª Revisão (CID-10), e outra entre o Capítulo IX e o Capítulo XVII (Malformações Congênitas, Deformidades e Anomalias Cromossômicas) da CID-10.

O presente estudo teve como objetivo avaliar a distribuição geográfica de 2 grupos de prontuários eletrônicos provenientes de um hospital público terciário: i) pacientes que morreram durante o seguimento e ii) pacientes que permaneceram vivos até o final do período de acompanhamento. A análise concentrou-se em doenças circulatórias, respiratórias, endócrinas e neoplásicas e/ou em seu papel como causas básicas de morte. Nossa hipótese foi de que os achados forneceriam informações relevantes para aprimorar as estratégias de acompanhamento dos pacientes e contribuir com evidências adicionais sobre a distribuição espacial dos principais grupos de doenças nessa população.

 Métodos Agrupamento

Com base nos achados de Lederman et al.,3 foram definidos dois grupos de doenças para identificar aglomerados de doenças: um representando as principais doenças identificadas durante a primeira consulta hospitalar e outro representando as principais causas básicas de morte. Uma descrição mais detalhada desses grupos está disponível no material suplementar online. A densidade das doenças foi calculada dividindo-se a frequência de casos em cada grupo de doenças pela população da respectiva cidade ou distrito e multiplicando-se o resultado por 100.000 para melhorar a visualização dos dados.

 Dados omitidos

O hospital atende um número substancial de pacientes que realizam apenas procedimentos diagnósticos, como exames de imagem e laboratoriais, sem comparecer a consultas clínicas. Como consequência, esse subgrupo tende a apresentar maior tempo de sobrevida em comparação com pacientes que apresentam um ou mais diagnósticos clínicos.

 Tratamento dos dados

O compartilhamento de dados entre o hospital e o banco público de mortalidade foi regulamentado por meio de um acordo firmado entre ambas as instituições em 28 de dezembro de 2022. Para preservar a confidencialidade dos pacientes, os códigos postais capazes de identificar endereços residenciais foram substituídos pelo código postal mais próximo que não permitisse a identificação do endereço.

 Registros populacionais

Um total de 1.395.063 registros hospitalares coletados entre 2002 e 2017 foi selecionado para vinculação com dados de registro civil do estado de São Paulo, processados e mantidos por uma fundação pública. As estimativas populacionais para o estado de São Paulo em 2017 foram obtidas no repositório do Sistema Estadual de Análise de Dados.4

 Variáveis

As variáveis demográficas, hospitalares e relacionadas à mortalidade foram previamente descritas na Seção 2.5 da publicação original.1 As variáveis geográficas, incluindo coordenadas de latitude e longitude, foram derivadas dos códigos postais dos endereços dos pacientes.

 Cenário da pesquisa

O estudo foi conduzido em um hospital público terciário universitário utilizando registros de pacientes atendidos entre 1º de janeiro de 2002 e 31 de dezembro de 2017, independentemente de idade ou sexo. A instituição recebe um grande volume de pacientes que necessitam de cuidados relacionados a doenças cardíacas, respiratórias e endócrinas. Devido às exigências de cegamento do periódico, o nome da instituição não pode ser divulgado no presente manuscrito.

 População de pacientes

Aproximadamente 80% dos pacientes atendidos no hospital recebem assistência por meio do Sistema Único de Saúde, enquanto os demais pacientes são cobertos por serviços privados de saúde. Um total de 1.351.070 registros hospitalares foi incluído na análise. Informações sobre o tipo de cobertura em saúde não estavam disponíveis.

 Critérios de inclusão

Todos os registros hospitalares de pacientes entre 1º de janeiro de 2002 e 31 de dezembro de 2018 foram elegíveis para inclusão. Os dados de mortalidade abrangendo o período de 2002 a 2017 foram fornecidos por uma fundação pública. Detalhes adicionais sobre os critérios de inclusão estão disponíveis na Seção 2.8 da publicação anterior.3

Processo de vinculação de dados

Foi aplicada a metodologia de vinculação determinística,5 uma técnica amplamente utilizada por pesquisadores afiliados à fundação (eliminar) responsável pela gestão dos dados de mortalidade.

 Padronização de variáveis, derivação de variáveis, vinculação de dados e limpeza dos dados

A padronização das variáveis foi realizada para gerar variáveis comparáveis para os procedimentos de vinculação de registros. Métodos de derivação de variáveis foram aplicados para considerar variações ortográficas e melhorar a acurácia da vinculação. Procedimentos de limpeza dos dados foram conduzidos para garantir consistência e confiabilidade entre os bancos de dados.

 Anonimização

Para garantir a privacidade e a confidencialidade dos pacientes, os responsáveis hospitalares pela proteção de dados exigiram a remoção de todos os identificadores pessoais, incluindo nomes, endereços, números de identificação pública, identificadores dos pacientes e os três últimos dígitos dos códigos postais.

 Análise estatística

Foram realizadas análises descritivas para caracterizar a população do estudo. A pirâmide populacional apresentada na Figura 1 ilustra que as mulheres eram mais velhas do que os homens em todas as faixas etárias. A densidade de mortalidade (Tabela 1) e a densidade de doenças (Tabela 2) foram calculadas utilizando-se a taxa de frequência dividida pela população correspondente do distrito ou cidade.

– Distribuição por idade e sexo dos pacientes incluídos entre 2002 e 2017. Fonte: hospital terciário universitário.

– Municípios com as maiores taxas de causas básicas de morte
Grupo de doenças Município Taxa**
Neoplasias Vargem Grande Paulista 6,285
Itapecerica da Serra 2,540
Itapevi 1,814
Barueri 1,745
São Paulo 1,508
Doenças do sistema respiratório São Paulo 8,386
Juquitiba 7,092
Osasco 6,765
Mairiporã 6,748
Taboão da Serra 6,440
Doenças endócrinas, nutricionais e metabólicas Mairiporã 5,624
Taboão da Serra 4,924
Vargem Grande Paulista 4,190
São Paulo 3,478
Biritiba Mirim 3,400
Algumas afecções originadas no período perinatal São Paulo 0,009
Doenças do sistema circulatório São Paulo 58,704
Osasco 52,713
Taboão da Serra 51,138
Mairiporã 39,366
Carapicuíba 35,223
Malformações congênitas, deformidades e anomalias cromossômicas Ribeirão Pires 4,330
Poá 3,780
Guararema 3,435
Carapicuíba 3,131
Embu-Guaçu 3,036

Taxa = Frequência total da doença ÷ população do município × 100.000.

– Municípios com as maiores taxas de comorbidades
Grupo de doenças Município Taxa*
Neoplasias Vargem Grande Paulista 6,285
Itapecerica da Serra 2,540
Itapevi 1,814
Barueri 1,745
São Paulo 1,508
Doenças do sistema respiratório Embu das Artes 11,649
Pirapora do Bom Jesus 11,611
São Paulo 8,726
Vargem Grande Paulista 8,380
Mairiporã 7,873
Doenças endócrinas, nutricionais e metabólicas São Lourenço da Serra 45,800
Santa Isabel 41,937
São Caetano do Sul 39,995
São Paulo 33,649
Taboão da Serra 32,198
Algumas afecções originadas no período perinatal Itapevi 0,453
Suzano 0,345
São Paulo 0,035
Doenças do sistema circulatório Taboão da Serra 257,206
São Paulo 230,656
Embu das Artes 189,192
São Caetano do Sul 169,352
Osasco 167,299
Malformações congênitas, deformidades e anomalias cromossômicas Guararema 30,916
Vargem Grande Paulista 23,046
Taboão da Serra 21,970
Santa Isabel 20,968
Embu das Artes 20,084

Taxa = Frequência total da doença ÷ população do município × 100.000.

Software

As análises estatísticas foram realizadas utilizando o R versão 4.3.2 (2023-10-31; “Eye Holes”; R Foundation for Statistical Computing, Viena, Áustria), executado na plataforma x86_64-w64-mingw32/x64 (64 bits). Foram utilizados os seguintes pacotes do R: apyramid, data.table, devtools, dplyr, foreign, ggplot2, ggrepel, gridExtra, here, janitor, lubridate, mapview, pacman, paletteer, R.utils, readxl, rgeoda, scales, scattermore, sf, spdep, stringr, tidyr e tidyverse. O ArcGIS versão 10.7 foi utilizado para geração dos mapas.

 Aspectos éticos

O estudo foi aprovado pelo comitê de ética em pesquisa envolvendo seres humanos do hospital terciário (CAAE: 71179723.8.0000.0068; Número do Parecer: 6.618.043).

 Declaração de acesso aos dados

O acesso aos dados foi restrito em conformidade com a Lei Geral de Proteção de Dados (LGPD 13.709/2018). Além disso, a instituição estabeleceu um acordo de confidencialidade com a fundação pública responsável pela gestão dos dados de mortalidade, proibindo a divulgação dos dados a terceiros. As análises de dados foram realizadas em computadores isolados, sem acesso à internet, e protegidos por múltiplas camadas de autenticação. A troca segura e criptografada de dados entre as instituições ocorreu por meio de uma infraestrutura dedicada, disponível apenas por período limitado e acessível exclusivamente mediante credenciais temporárias. Embora os dados brutos não possam ser compartilhados publicamente, os autores estão disponíveis para responder questões específicas de editores ou revisores e estão abertos à inspeção local do banco de dados, se necessário.

 Resultados

Analisamos dados de localização residencial provenientes de aproximadamente 1,3 milhão de registros hospitalares. O banco de dados institucional armazena até os 20 endereços mais recentes de cada paciente, e o endereço registrado mais recentemente foi utilizado nas presentes análises.

Em relação às causas básicas de morte, Vargem Grande Paulista apresentou a maior densidade de neoplasias. São Paulo e Juquitiba apresentaram a maior densidade de doenças do sistema respiratório. Mairiporã e Taboão da Serra apresentaram a maior densidade de doenças endócrinas, nutricionais e metabólicas. São Paulo, Osasco e Taboão da Serra apresentaram a maior densidade de doenças do sistema circulatório. Ribeirão Pires, Poá e Guararema apresentaram a maior densidade de malformações congênitas, deformidades e anomalias cromossômicas. Algumas afecções originadas no período perinatal foram observadas exclusivamente em São Paulo.

Em relação às comorbidades, Vargem Grande Paulista apresentou a maior densidade de neoplasias. Embu das Artes e Pirapora do Bom Jesus apresentaram a maior densidade de doenças do sistema respiratório. São Lourenço da Serra, Santa Isabel e São Caetano do Sul apresentaram a maior densidade de doenças endócrinas, nutricionais e metabólicas. Itapevi e Suzano apresentaram a maior densidade de algumas afecções originadas no período perinatal. Taboão da Serra e São Paulo apresentaram a maior densidade de doenças do sistema circulatório. Guararema, Vargem Grande Paulista e Taboão da Serra apresentaram a maior densidade de malformações congênitas, deformidades e anomalias cromossômicas.

 Discussão

Este estudo relata uma experiência de 9 anos na análise de registros hospitalares de saúde provenientes de um centro público terciário universitário de referência localizado no sudeste do Brasil e especializado em DCVs e respiratórias. O período do estudo abrangeu os anos de 2002 a 2017, durante os quais aproximadamente 1,3 milhão de registros eletrônicos hospitalares foram analisados, e 180.000 óbitos foram identificados durante o seguimento. A presente análise concentrou-se em municípios da região metropolitana de São Paulo.

Informações de mortalidade em longo prazo não estão rotineiramente disponíveis em bancos de dados hospitalares, limitando a capacidade de monitorar os desfechos dos pacientes após a alta hospitalar. Além disso, os hospitais frequentemente não dispõem de informações sobre o intervalo entre o último atendimento hospitalar e o óbito. Ao realizar a vinculação entre dados hospitalares e de mortalidade, nosso estudo contribui para enfrentar essas limitações e pode fornecer informações úteis para avaliação institucional e planejamento em saúde.

Uma publicação recente6 relatou que as DCVs e respiratórias foram responsáveis pelo maior número de anos de vida ajustados por incapacidade no Brasil, seguidas pelas doenças respiratórias crônicas e infecciosas, com apenas uma pequena proporção atribuível às mudanças climáticas. Esses achados são particularmente relevantes porque nosso estudo demonstrou que as doenças respiratórias, tanto como diagnósticos quanto como causas básicas de morte, foram mais frequentemente observadas em municípios da região metropolitana de São Paulo caracterizados por grande presença industrial e/ou intenso tráfego veicular. Embora fatores relacionados ao clima não tenham sido avaliados no presente estudo, outra investigação recente7 demonstrou os efeitos adversos da poluição ambiental sobre a saúde no Brasil, o que é consistente com a distribuição espacial observada em nossa análise para doenças respiratórias na primeira consulta hospitalar e como causas básicas de morte.

O estudo Spatial Analysis of Risk Areas of Congenital Anomalies in Brazil, 2012-20218 reportou que as anomalias congênitas no Brasil estão predominantemente concentradas na região Nordeste do país, com aglomerados menores identificados no estado de São Paulo. Em contraste, nossos achados demonstraram uma distribuição espacial mais homogênea das anomalias congênitas na região metropolitana de São Paulo, sem evidências de padrões importantes de aglomeração.

Outra investigação, Noncommunicable Diseases Attributed to Low Levels of Physical Activity in Brazil: An Epidemiologic Global Burden of Disease Study,9 reportou uma taxa de mortalidade de 293,39 óbitos por 100.000 habitantes no Brasil em 2019 atribuível às DCNTs e às condições associadas aos baixos níveis de atividade física, sendo as DCVs o principal contribuinte.

De forma semelhante, o estudo The Impact of the Strategic Action Plan to Combat Chronic Noncommunicable Diseases on Hospital Admissions and Deaths From Cardiovascular Diseases in Brazil10 demonstrou reduções nas internações hospitalares relacionadas às DCVs entre 2008 e 2019, mas destacou a persistente carga de mortalidade, particularmente entre populações idosas. Esses achados reforçam a importância do fortalecimento de estratégias de prevenção, sistemas de monitoramento e intervenções direcionadas aos fatores de risco cardiovascular.

Pontos fortes e limitações do estudo

Os pontos fortes deste estudo incluem o grande volume de registros eletrônicos de saúde analisados ao longo de um período prolongado e a potencial aplicabilidade desses achados para o planejamento local em saúde e a alocação de recursos destinados à oferta de cuidados especializados.

Este estudo também apresenta limitações. Por se tratar de uma experiência institucional de centro único, nossos achados podem não ser representativos da população mais ampla de São Paulo ou de outras regiões do Brasil. Além disso, as análises espaciais foram baseadas nos locais de residência, e não nos locais de trabalho. Também não realizamos estratificação das análises segundo idade ou sexo. Por fim, a categorização das doenças foi baseada em 6 grupos predefinidos derivados de achados institucionais prévios, sendo necessárias investigações futuras para explorar e refinar essas classificações.

 Conclusão

Este estudo apresenta uma análise espacial de registros eletrônicos de saúde provenientes de um hospital público terciário de referência, abrangendo o período de 2002 a 2017, com foco na região metropolitana de São Paulo. A Figura Central apresenta a distribuição geográfica das doenças do sistema circulatório e destaca os municípios com maior densidade de doenças segundo os registros hospitalares.

Os achados demonstraram acentuada heterogeneidade espacial entre municípios e distritos da região metropolitana. Vargem Grande Paulista apresentou a maior densidade de neoplasias tanto como causas básicas de morte quanto como comorbidades. Além disso, municípios com extensas áreas verdes também apresentaram altas densidades de doenças do sistema respiratório. Padrões geográficos também foram identificados para doenças endócrinas, nutricionais e metabólicas, bem como para doenças do sistema circulatório, tanto como causas básicas de morte quanto como comorbidades.

Áreas sem casos registrados devem ser interpretadas com cautela, pois esses achados podem refletir frequências de eventos abaixo dos limiares de visualização cartográfica e/ou menores tamanhos populacionais em regiões geograficamente periféricas.

 Material suplementar Referências 1. Pan American Health Organization; World Health Organization. Noncommunicable Diseases [Internet]. Washington: PAHO/WHO; 2021 [cited 2026 May 28]. Available from. https://www.paho.org/en/topics/noncommunicable-diseases. Pan American Health Organization World Health Organization Noncommunicable Diseases Internet Washington PAHO/WHO 2021 cited 2026 May 28 Available from https://www.paho.org/en/topics/noncommunicable-diseases 2. LeSage K, Borgert AJ, Rhee LS. Time to Death and Reenrollment after Live Discharge from Hospice: A Retrospective Look. Am J Hosp Palliat Care. 2015;32(5):563-7. doi: 10.1177/1049909114535969. LeSage K Borgert AJ Rhee LS Time to Death and Reenrollment after Live Discharge from Hospice: A Retrospective Look Am J Hosp Palliat Care 2015 32 5 563 567 10.1177/1049909114535969 3. Lederman C, Ferreira JFM, Albuquerque CP, Lima ACP, Barroso LP, Souza JCM, et al. Mortality after Discharge from a Public Tertiary Cardiovascular Referral Hospital. Medicine. 2023;102(16):e33627. doi: 10.1097/MD.0000000000033627. Lederman C Ferreira JFM Albuquerque CP Lima ACP Barroso LP Souza JCM et al Mortality after Discharge from a Public Tertiary Cardiovascular Referral Hospital Medicine 2023 102 16 e33627 10.1097/MD.0000000000033627 4. Sistema Estadual de Análise de Dados. Repositório SEADE: Estimativa da População [Internet]. São Paulo: Fundação SEADE; 2023 [cited 2026 May 28]. Available from. https://repositorio.seade.gov.br/dataset/dc441004-a605-4ba3-97d5-ebafa3ce17fa/resource/c5b1040c-c2c6-4412-8480-a534cdca8be2/download/estimativa_pop_i. 2023. Sistema Estadual de Análise de Dados Repositório SEADE: Estimativa da População Internet São Paulo Fundação SEADE 2023 cited 2026 May 28 https://repositorio.seade.gov.br/dataset/dc441004-a605-4ba3-97d5-ebafa3ce17fa/resource/c5b1040c-c2c6-4412-8480-a534cdca8be2/download/estimativa_pop_i. 2023 5. Waldvogel BC, Morais LCC, Perdigão ML, Teixeira MLP, Freitas RMV, Aranha VJ. Experiência da Fundação Seade com a aplicação da metodologia de vinculação determinística de bases de dados. Ensaio & Conjuntura. 2019;1-35. Waldvogel BC Morais LCC Perdigão ML Teixeira MLP Freitas RMV Aranha VJ Experiência da Fundação Seade com a aplicação da metodologia de vinculação determinística de bases de dados Ensaio & Conjuntura 2019 1 35 6. Sousa TCM, Barcellos C, Barreto ML. The Global Burden of Climate-Sensitive Diseases in Brazil: The National and Subnational Estimates and Analysis, 1990-2017. Popul Health Metr. 2025;23(Suppl 1):29. doi: 10.1186/s12963-025-00385-x. Sousa TCM Barcellos C Barreto ML The Global Burden of Climate-Sensitive Diseases in Brazil: The National and Subnational Estimates and Analysis, 1990-2017 Popul Health Metr 2025 23 Suppl 1 29 10.1186/s12963-025-00385-x 7. Buralli RJ, Connerton P. Air Pollution, Health and Regulations in Brazil: Are we Progressing? Cad Saude Publica. 2025;41(3):e00172924. doi: 10.1590/0102-311XEN172924. Buralli RJ Connerton P Air Pollution, Health and Regulations in Brazil: Are we Progressing? Cad Saude Publica 2025 41 3 e00172924 10.1590/0102-311XEN172924 8. Souza S, Carvalho CG, Schuler-Faccini L. Spatial Analysis of Risk Areas of congenital Anomalies in Brazil, 2012-2021. Epidemiol Serv Saude. 2025;34:e20250240. doi: 10.1590/S2237-96222025v34e20250240.en. Souza S Carvalho CG Schuler-Faccini L Spatial Analysis of Risk Areas of congenital Anomalies in Brazil, 2012-2021 Epidemiol Serv Saude 2025 34 e20250240 10.1590/S2237-96222025v34e20250240.en 9. Maciel EDS, Pontes-Silva A, Figueiredo FWDS, Franco SCA, Quaresma FRP, Nascimento-Ferreira MV. Noncommunicable Diseases Attributed to Low Levels of Physical Activity in Brazil: An Epidemiologic Global Burden of Disease Study. Rev Assoc Med Bras. 2025;71(9):e20250203. doi: 10.1590/1806-9282.20250203. Maciel EDS Pontes-Silva A Figueiredo FWDS Franco SCA Quaresma FRP Nascimento-Ferreira MV Noncommunicable Diseases Attributed to Low Levels of Physical Activity in Brazil: An Epidemiologic Global Burden of Disease Study Rev Assoc Med Bras 2025 71 9 e20250203 10.1590/1806-9282.20250203 10. Silva RAD, Fonseca LGA, Silva JPS, Lima NMFV, Gualdi LP, Lima INDF. The Impact of the Strategic Action Plan to Combat Chronic Non-Communicable Diseases on Hospital Admissions and Deaths from Cardiovascular Diseases in Brazil. PLoS One. 2022;17(6):e0269583. doi: 10.1371/journal.pone.0269583. Silva RAD Fonseca LGA Silva JPS Lima NMFV Gualdi LP Lima INDF The Impact of the Strategic Action Plan to Combat Chronic Non-Communicable Diseases on Hospital Admissions and Deaths from Cardiovascular Diseases in Brazil PLoS One 2022 17 6 e0269583 10.1371/journal.pone.0269583

Este artigo é parte de tese de Pós-Doutorado de Carlos Lederman pela Faculdade de Medicina da Universidade de São Paulo.

Este estudo foi aprovado pelo Comitê de Ética do Hospital das Clínicas da Faculdade de Medicina da Faculdade de São Paulo sob o número de protocol CAAE: 71179723.8.0000.0068. Todos os procedimentos envolvidos nesse estudo estão de acordo com a Declaração de Helsinki de 1975, atualizada em 2013.

Os autores não utilizaram ferramentas de inteligência artificial no desenvolvimento deste trabalho.

Acordo de confidencialidade assinado pelo Incor e pela Fundação SEAE; acesso limitado a dados anonimizados poderá ser concedido mediante solicitação específica para ajmansur@cardiol.br.

Para informação adicional, por favor, clique aqui.

O presente estudo não teve fontes de financiamento externas.

 10.36660/abc.20260178i Original Article Spatial Distribution of Patients in the Metropolitan Area of São Paulo Attending a Public Tertiary Cardiovascular Referral Hospital According to Diseases of the Circulatory, Respiratory, Endocrine, and Neoplastic Systems 0000-0003-2107-6074 Lederman Carlos Conception and design of the research Acquisition of data Analysis and interpretation of the data Writing of the manuscript Critical revision of the manuscript for intellectual content 1 Moraes Sara Lopes de Conception and design of the research Analysis and interpretation of the data Statistical analysis Writing of the manuscript Critical revision of the manuscript for intellectual content 2 Lima Antonio Carlos Pedroso de Analysis and interpretation of the data Statistical analysis 3 Barroso Lucia Pereira Analysis and interpretation of the data Statistical analysis 3 Morais Lilian Cristina Correia Acquisition of data 4 Perdigão Magaly de Losso Acquisition of data 4 Freitas Rosa Maria Vieira de Acquisition of data 4 0000-0001-7571-8154 Teixeira Monica La Porte Acquisition of data Analysis and interpretation of the data 4 Waldvogel Bernadette Cunha Conception and design of the research Acquisition of data Analysis and interpretation of the data 4 Gutierrez Marco Antonio Acquisition of data Analysis and interpretation of the data 5 Barrozo Ligia Vizeu Conception and design of the research Analysis and interpretation of the data 2 Mansur Alfredo José Conception and design of the research Analysis and interpretation of the data Critical revision of the manuscript for intellectual content 5 Brazil Faculdade de Medicina da Universidade de São Paulo (FMUSP), São Paulo, SP – Brazil Brazil Universidade de São Paulo – Faculdade de Filosofia, Letras e Ciências Humanas, São Paulo, SP – Brazil Brazil Universidade de São Paulo – Instituto de Matemática e Estatística, São Paulo, SP – Brazil Brazil Fundação Sistema Estadual de Análise de Dados – Projeções Populacionais, São Paulo, SP – Brazil Brazil Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo, São Paulo, SP – Brazil Carlos Lederman Faculdade de Medicina da Universidade de São Paulo – Av. Dr. Eneas de Carvalho Aguiar, 44. piso AB. Postal Code 05403-904, São Paulo, SP – Brazil E-mail: carloslederman01@gmail.com

No potential conflict of interest relevant to this article was reported.

Marcio Bittencourt

 Abstract Background

The spatial distribution of patients according to clinical characteristics, using geoprocessing techniques, enables the identification of disease clusters within a studied population. This approach supports the development of targeted interventions directed toward specific risk groups.

 Objectives

To investigate geographical clusters of diseases of interest among patients attending a public tertiary hospital and to characterize their spatial distribution across the metropolitan area of São Paulo.

 Methods

Based on the results of a previous study, two disease groups were defined: one representing the main diseases identified at the first hospital visit and another representing the main underlying causes of death. A detailed description is provided in the online supplementary material. Disease density was calculated by dividing the frequency of cases within each disease group by the population of each city/district and multiplying the result by 100,000 to enhance data visualization. Spatial data were subsequently analyzed and mapped to illustrate the spatial patterns and relationships identified in the study.

 Results

Osasco and Taboão da Serra showed the highest density of underlying causes of death related to diseases of the circulatory system. Additionally, 12 cities/districts located at the borders of the study area showed no recorded neoplastic diseases.

 Conclusions

Vargem Grande Paulista showed the highest case density for neoplasms as underlying causes of death and comorbidities. Notably, Embu das Artes, a city recognized for its extensive green areas, showed the highest density of diseases of the respiratory system.

Spatial Distribution of Patients in the Metropolitan Area of São Paulo Attending a Public Tertiary Cardiovascular Referral Hospital According to Diseases of the Circulatory, Respiratory, Endocrine, and Neoplastic Systems *Rate = case frequency ÷ population × 100,000. EMPLASA: Metropolitan Planning Company of São Paulo; IBGE: Brazilian Institute of Geography and Statistics; IGC: Geographic and Cartographic Institute. Map Sources: IBGE urban areas, IGC administrative boundaries, and EMPLASA subregions of the São Paulo metropolitan area.

Keywords: International Classification of Diseases Comorbidity Cause of Death Mortality Noncommunicable Diseases Introduction

Every year, millions of people die from chronic noncommunicable diseases (NCDs), including neoplasms, diabetes mellitus, cardiovascular diseases (CVDs), and chronic respiratory diseases, many of which are preventable and treatable. The burden of these conditions is particularly pronounced in cities across countries of the Global South, where social and economic inequalities remain substantial. According to the World Health Organization, CVD are the leading cause of death worldwide, accounting for approximately 17.9 million deaths annually.1

Patients admitted to tertiary hospitals frequently present with multiple comorbidities and require highly complex care. Following hospital discharge, long-term follow-up information is often unavailable in hospital databases unless patients are enrolled in research protocols. Lesage et al.2 conducted a 5-year follow-up study involving 86 patients after hospital discharge and reported a mortality rate of 33.3%, a readmission rate of 21.3%, and an average interval of 50 days between discharge and readmission.

Lederman et al.3 observed that the four major disease groups affecting patients treated at our institution were diseases of the circulatory system, respiratory system, endocrine system, and neoplasms. We also identified two disease associations: one between ICD-10 Chapter IX (Diseases of the Circulatory System) and Chapter XVI (Certain Conditions Originating in the Perinatal Period), and another between ICD-10 Chapter IX and Chapter XVII (Congenital Malformations, Deformations and Chromosomal Abnormalities).

The present study aimed to evaluate the geographic distribution of 2 groups of electronic health records from a tertiary public hospital: i) patients who died during follow-up and ii) patients who remained alive until the end of the follow-up period. The analysis focused on circulatory, respiratory, endocrine, and neoplastic diseases and/or their role as underlying causes of death. We hypothesized that the findings would provide valuable information to improve patient follow-up strategies and contribute additional evidence regarding the spatial distribution of major disease groups in this population.

 Methods Clustering

Based in the findings of Lederman et al.,3 two disease groups were defined to identify disease clusters: one representing the main diseases identified during the first hospital visit and another representing the main underlying causes of death. A more detailed description of these groups is available in the online supplementary material. Disease density was calculated by dividing the frequency of cases within each disease group by the population of the corresponding city or district and multiplying the result by 100,000 to improve data visualization.

 Omitted data

The hospital serves a substantial number of patients who undergo only diagnostic procedures, such as imaging and laboratory testing, without attending clinical appointments. As a consequence, this subgroup tends to exhibit longer survival times than patients presenting with one or more clinical diagnoses.

 Data handling

Data sharing between the hospital and the public mortality database was regulated through an agreement signed by both institutions on December 28, 2022. To preserve patient confidentiality, postal codes capable of identifying residential addresses were replaced with the nearest postal code that did not permit address identification.

 Population records

A total of 1,395,063 hospital records collected between 2002 and 2017 were selected for linkage with civil registry data from the state of São Paulo, processed and maintained by a public foundation. Population estimates for the state of São Paulo in 2017 were obtained from the repository of the State Data Analysis System.4

 Variables

Demographic, hospital-related, and mortality-related variables were previously described in Section 2.5 of the original publication.1 Geographic variables, including latitude and longitude coordinates, were derived from patients’ postal address codes.

 Research setting

The study was conducted at a public tertiary academic hospital using records from patients treated between January 1, 2002, and December 31, 2017, regardless of age or sex. The institution receives a large volume of patients requiring care for cardiac, respiratory, and endocrine diseases. Due to journal blinding requirements, the institution’s name cannot be disclosed in the present manuscript.

 Patient population

Approximately 80% of patients treated at the hospital receive care through the Brazilian Unified Health System, whereas the remaining patients are covered by private health care services. A total of 1,351,070 hospital records were included in the analysis. Information regarding health care coverage type was not available.

 Inclusion criteria

All hospital patient records from January 1, 2002, through December 31, 2018, were eligible for inclusion. Mortality data covering the period from 2002 to 2017 were provided by a public foundation. Additional details regarding inclusion criteria are available in Section 2.8 of the previous publication.3

Data linkage process

Deterministic linkage methodology was applied,5 a technique extensively used by researchers affiliated with the public foundation responsible for mortality data management.

 Variable standardization, variable derivation, data linkage, and data cleaning

Variable standardization was performed to generate comparable variables for record matching procedures. Variable derivation methods were applied to account for orthographic variations and improve linkage accuracy. Data cleaning procedures were conducted to ensure consistency and reliability across databases.

 Anonymization

To ensure patient privacy and confidentiality, hospital officers responsible for data protection required the removal of all personal identifiers, including names, addresses, public identification numbers, patient identifiers, and the final three digits of postal codes.

 Statistical analysis

Descriptive analyses were performed to characterize the study population. The population pyramid presented in Figure 1 illustrates that women were older than men across all age groups. Mortality density (Table 1) and disease density (Table 2) were calculated using the frequency rate divided by the corresponding district or city population.

– Age and sex distribution of patients included between 2002 and 2017. Source: tertiary academic hospital.

– Cities with the highest rates of underlying causes of death
Disease group City Rate**
Neoplasms Vargem Grande Paulista 6.285
Itapecerica da Serra 2.540
Itapevi 1.814
Barueri 1.745
São Paulo 1.508
Diseases of the respiratory system São Paulo 8.386
Juquitiba 7.092
Osasco 6.765
Mairiporã 6.748
Taboão da Serra 6.440
Endocrine, nutritional and metabolic diseases Mairiporã 5.624
Taboão da Serra 4.924
Vargem Grande Paulista 4.190
São Paulo 3.478
Biritiba Mirim 3.400
Certain conditions originating in the perinatal period São Paulo 0.009
Diseases of the circulatory system São Paulo 58.704
Osasco 52.713
Taboão da Serra 51.138
Mairiporã 39.366
Carapicuíba 35.223
Congenital malformations, deformations, and chromosomal abnormalities Ribeirão Pires 4.330
Poá 3.780
Guararema 3.435
Carapicuíba 3.131
Embu-Guaçu 3.036

Rate = Total disease frequency ÷ city population × 100,000.

– Cities with the highest rates of comorbidities
Disease group City Rate**
Neoplasms Vargem Grande Paulista 6.285
Itapecerica da Serra 2.540
Itapevi 1.814
Barueri 1.745
São Paulo 1.508
Diseases of the respiratory system Embu das Artes 11.649
Pirapora do Bom Jesus 11.611
São Paulo 8.726
Vargem Grande Paulista 8.380
Mairiporã 7.873
Endocrine, nutritional and metabolic diseases São Lourenço da Serra 45.800
Santa Isabel 41.937
São Caetano do Sul 39.995
São Paulo 33.649
Taboão da Serra 32.198
Certain conditions originating in the perinatal period Itapevi 0.453
Suzano 0.345
São Paulo 0.035
Diseases of the circulatory system Taboão da Serra 257.206
São Paulo 230.656
Embu das Artes 189.192
São Caetano do Sul 169.352
Osasco 167.299
Congenital malformations, deformations and chromosomal abnormalities Guararema 30.916
Vargem Grande Paulista 23.046
Taboão da Serra 21.970
Santa Isabel 20.968
Embu das Artes 20.084

Rate = Total disease frequency ÷ city population × 100,000.

Software

Statistical analyses were performed using R version 4.3.2 (2023-10-31; “Eye Holes”; R Foundation for Statistical Computing, Vienna, Austria) running on the x86_64-w64-mingw32/x64 (64-bit) platform. The following R packages were used: apyramid, data.table, devtools, dplyr, foreign, ggplot2, ggrepel, gridExtra, here, janitor, lubridate, mapview, pacman, paletteer, R.utils, readxl, rgeoda, scales, scattermore, sf, spdep, stringr, tidyr, and tidyverse. ArcGIS version 10.7 was used for map generation.

 Ethical aspects

The study was approved by the human research ethics committee of the tertiary hospital (CAAE: 71179723.8.0000.0068; Approval Number: 6.618.043).

 Data access statement

Data access was restricted in accordance with the Brazilian Data Protection Law (LGPD 13.709/2018). Furthermore, the institution established a nondisclosure agreement with the public foundation responsible for mortality data management, prohibiting disclosure of data to third parties. Data analyses were conducted on isolated computers without internet access and protected through multiple authentication layers. Secure encrypted data exchange between institutions occurred through a dedicated infrastructure available only for a limited period and accessible exclusively through temporary credentials. Although raw data cannot be publicly shared, the authors are available to address specific questions from editors or reviewers and are open to local database inspection if required.

 Results

We analyzed residential location data from approximately 1.3 million hospital health records. The institutional database stores up to the 20 most recent addresses for each patient, and the most recent registered address was used for the present analyses.

Regarding underlying causes of death, Vargem Grande Paulista showed the highest density of neoplasms. São Paulo and Juquitiba showed the highest density of diseases of the respiratory system. Mairiporã and Taboão da Serra showed the highest density of endocrine, nutritional, and metabolic diseases. São Paulo, Osasco, and Taboão da Serra showed the highest density of diseases of the circulatory system. Ribeirão Pires, Poá, and Guararema showed the highest density of congenital malformations, deformations, and chromosomal abnormalities. Certain conditions originating in the perinatal period were observed exclusively in São Paulo.

Regarding comorbidities, Vargem Grande Paulista showed the highest density of neoplasms. Embu das Artes and Pirapora do Bom Jesus showed the highest density of diseases of the respiratory system. São Lourenço da Serra, Santa Isabel, and São Caetano do Sul showed the highest density of endocrine, nutritional, and metabolic diseases. Itapevi and Suzano showed the highest density of certain conditions originating in the perinatal period. Taboão da Serra and São Paulo showed the highest density of diseases of the circulatory system. Guararema, Vargem Grande Paulista, and Taboão da Serra showed the highest density of congenital malformations, deformations, and chromosomal abnormalities.

 Discussion

This study reports a 9-year experience in the analysis of hospital health records from a public tertiary academic referral center located in southeastern Brazil and specialized in cardiovascular and respiratory diseases. The study period covered 2002 to 2017, during which approximately 1.3 million electronic hospital health records were analyzed, and 180,000 deaths were identified during follow-up. The present analysis focused on cities within the metropolitan area of São Paulo.

Long-term mortality information is not routinely available in hospital databases, limiting the ability to monitor patient outcomes after hospital discharge. In addition, hospitals often lack information regarding the interval between the last hospital encounter and death. By linking hospital and mortality data, our study contributes to addressing these limitations and may provide useful information for institutional assessment and health care planning.

A recent publication6 reported that cardiovascular and respiratory diseases accounted for the greatest disability-adjusted life-years in Brazil, followed by chronic and infectious respiratory diseases, with only a small proportion attributable to climate change. These findings are particularly relevant because our study showed that respiratory diseases, both as diagnoses and underlying causes of death, were more frequently observed in cities within the metropolitan area of São Paulo characterized by a large industrial presence and/or intense vehicular traffic. Although climate-related factors were not evaluated in the present study, another recent investigation7 demonstrated the adverse health effects of environmental pollution in Brazil, which is consistent with the spatial distribution observed in our analysis for respiratory diseases at the first hospital visit and as underlying causes of death.

The study Spatial Analysis of Risk Areas of Congenital Anomalies in Brazil, 2012-20218 reported that congenital anomalies in Brazil are predominantly concentrated in the northeastern region of the country, with smaller clusters identified in the state of São Paulo. In contrast, our findings demonstrated a more homogeneous spatial distribution of congenital anomalies across the metropolitan area of São Paulo, without evidence of major clustering patterns.

Another investigation, Noncommunicable Diseases Attributed to Low Levels of Physical Activity in Brazil: An Epidemiologic Global Burden of Disease Study,9 reported a mortality rate of 293.39 deaths per 100,000 inhabitants in Brazil in 2019 attributable to NCDs and conditions associated with low physical activity, with CVDs representing the most prominent contributor.

Similarly, the study The Impact of the Strategic Action Plan to Combat Chronic Noncommunicable Diseases on Hospital Admissions and Deaths From Cardiovascular The impact of the strategic action plan to combat chronic noncommunicable diseases on Hospital Admissions and deaths from cardiovascular diseases in Brazil,10 demonstrated reductions in hospital admissions related to CVD between 2008 and 2019 but highlighted the persistent burden of mortality, particularly among older populations. These findings reinforce the importance of strengthening prevention strategies, monitoring systems, and interventions targeting cardiovascular risk factors.

Strengths and limitations of study

Strengths of this study include the large volume of electronic health records analyzed over an extended period and the potential applicability of these findings to local health care planning and resource allocation for specialized care delivery.

This study also has limitations. As a single-center institutional experience, our findings may not be representative of the broader population of São Paulo or other regions of Brazil. In addition, spatial analyses were based on residential locations rather than workplace locations. We also did not stratify analyses according to age or sex. Finally, disease categorization was based on 6 predefined groups derived from previous institutional findings, and future investigations are warranted to further explore and refine these classifications.

 Conclusion

This study presents a spatial analysis of electronic health records from a tertiary public referral hospital covering the period from 2002 to 2017, focusing on the metropolitan area of São Paulo. Central Illustration displays the geographic distribution of diseases of the circulatory system and highlights cities with the highest disease density according to hospital records.

The findings demonstrated marked spatial heterogeneity across cities and districts within the metropolitan region. Vargem Grande Paulista showed the highest density of neoplasms both as underlying causes of death and as comorbidities. In addition, cities with substantial green areas also showed high densities of diseases of the respiratory system. Geographic patterns were also identified for endocrine, nutritional, and metabolic diseases, as well as diseases of the circulatory system, both as underlying causes of death and comorbidities.

Areas with zero recorded cases should be interpreted cautiously, as these findings may reflect event frequencies below cartographic visualization thresholds and/or smaller population sizes in geographically peripheral regions.

 Supplemental Materials

This article is part of the thesis of Doctoral submitted by Carlos Lederman, from Faculdade de Medicina da Universidade de São Paulo.

This study was approved by the Ethics Committee of the Hospital das Clínicas da Faculdade de Medicina da Faculdade de São Paulo under the protocol number CAAE: 71179723.8.0000.0068. All the procedures in this study were in accordance with the 1975 Helsinki Declaration, updated in 2013.

The authors did not use any artificial intelligence tools in the development of this work.

Non disclosure agreement signed by Incor and Fundação SEAE; limited access can be granted to anonymized data after specific request to ajmansur@cardiol.br

For additional information, please click here.

There were no external funding sources for this study.