Spatial pattern of mortality from breast and cervical cancer in the city of São Paulo.

OBJECTIVE: To verify the spatial pattern of mortality from breast and cervical cancer in areas of primary health care, considering socioeconomic conditions.
METHODS: This is an ecological study, from January 2000 to December 2016. The study area is the municipality of São Paulo, Brazil, and its 456 coverage areas of primary health units. Information on deaths of women aged 20 years or over were geocoded according to residence address. We calculated mortality rates, standardized by age, and smoothed by the local empirical Bayesian method, and grouped into three or two years to reduce the random fluctuation of the data. In addition, bivariate global and local Moran indexes were calculated to verify the existence of spatial agglomeration of standardized mortality rates with a domain of socioeconomic condition, elaborated based on the Índice Paulista de Vulnerabilidade Social (IPVS - São Paulo Index of Social Vulnerability).
RESULTS: The success rate of geocoding was 98.9%. Mortality from breast cancer, without stratification by time, showed a pattern with higher rates located in central regions with better socioeconomic conditions. It showed a decrease at the end of the period and a change in spatial pattern, with increased mortality in peripheral regions. On the other hand, mortality from cervical cancer remained with the highest rates in peripheral regions with worse socioeconomic conditions, despite being reduced over time.
CONCLUSION: The spatial pattern of mortality from the studied cancers, over time, suggests association with the best socioeconomic conditions of the municipality, either as protection (cervical) or risk (breast). This knowledge may direct resources to prevent and promote health in the territories.

INTRODUCTION

Breast and cervical cancer are important global public health problems. In Brazil, breast cancer in the female population increased between the estimates of 2018–2019 and 2020–2022, and remained as the most incident cancer, except for non-melanoma skin cancer. Cervical cancer is one position up and is now the third most incident. Both cancers are also important causes of mortality in the country[1].

In the municipality of São Paulo (MSP), between 2008 and 2012, the mean annual mortality rate from breast cancer, standardized by age, was 16.2 per 100 thousand women-year, and, for cervical cancer, 3.7 deaths per 100 thousand women-year, with a tendency to decrease in the first cancer and stability in the second[4].

Some studies performed in the MSP, from 1985–1999 and 2010–2012, verified that regions with better socioeconomic conditions had a higher risk of mortality from breast cancer. Regions with worse socioeconomic conditions, on the contrary, indicated a higher risk of mortality from cervical cancer when compared to the other analyzed territories[5,6].

This study aimed to verify the spatial pattern of mortality from breast and cervical cancer in women aged 20 years or over, living in the MSP, from 2000 to 2016, comparing these cancers and considering the socioeconomic conditions of the municipality, in areas covered by primary health care.

METHODS

The study design was ecological, using secondary data, from January 2000 to December 2016. The study area corresponded to the municipality of São Paulo, located in the state of São Paulo (SSP), Brazil (Figure 1A), with population of 11,811,516 inhabitants and population density of 7,765.06 inhabitants/km2 in 2019[7]. The units of analysis were the 456 coverage areas of the primary health units in the MSP (CA), version 2015/2016. These areas allow the local health administrator to know the specific conditions of each territory, including sociodemographic, environmental, epidemiological and production characteristics[8].

Figure 1

A) Municipality of São Paulo, State of São Paulo, SP, Brazil, South America. B) Distribution of the socioeconomic domain of the São Paulo Social Vulnerability Index (DS-IPVS) according to Areas of Coverage of Basic Health Units. Municipality of São Paulo, 2010.

The digital mesh of the CA was provided by the Municipal Health Department of São Paulo (SMS-SP). Figure 1B indicates the distribution of the socioeconomic domain (DS-IPVS) for 2010 (demographic census), according to the CA (version 2015/2016). This domain corresponds to the variable factor 1 (v36), referring to the socioeconomic factor of the Índice Paulista de Vulnerabilidade Social (IPVS – São Paulo Index of Social Vulnerability), calculated to each census sector (CS). The higher this value, the better the socioeconomic level. The IPVS is an instrument that can be used to evaluate public policies, since it provides greater detail, according to the spatial location, of the living conditions of the municipality, such as vulnerability to poverty[9].

To estimate the DS-IPVS by CA, a geographic operation was performed, in order to verify the proportion of each CS inserted in each CA. This proportion was applied to the resident population and multiplied by the variable v36. Then, each product belonging to the geographic delimitation of the CA was added, and this value was divided by the sum of the population of that area, thus obtaining a weighted mean. It is noteworthy that 1,537 of the total of 18,923 CS were classified as ignored, since they are areas without population or with reduced population. These CS were disregarded when elaborating the indicator.

Figure 1B also shows the Coordenadorias Regionais de Saúde (CRS – Regional Health Coordinators), being: I – North; II – West; III – Downtown; IV – Southeast; V – East; and VI – South.

Information regarding deaths from breast cancer (BC) (CID-10 from C50 to C50.9) and cervical cancer (CC) (CID-10 from C53 to C53.9) of women living in the MSP aged 20 years or over were obtained by formal request to SMS-SP[10].

The addresses of the deaths were geocoded, using mainly the Padronizador de Endereços da Prefeitura Municipal de São Paulo (PAD-PMSP – Address Standardizer of the São Paulo City Hall), by Prodam. This application uses official and unofficial databases, with the ability to process large volumes of records. The addresses not geocoded in the standardizer were geocoded by geolocation platforms that used Google Maps as base for streets and by an application that uses the Navteq street base.

Demographic information was obtained from the Brazilian Institute of Geography and Statistics (IBGE) for the census years from 2000 to 2010, initially aggregated by CS and posteriorly attributed to the CA through a geographical operation between the layers, attributing values proportional to the areas.

Then, we calculated the mortality rates standardized by age, using the direct method and the standard population of the World Health Organization (WHO)[11], considered the most adequate for developing countries. All referred mortality rates have magnitude “per 100 thousand women aged 20 years or older-year” but were described as “100 thousand women-year. These rates were calculated for the whole period (2000–2016) and also for six periods (2000–2002, 2003–2005, 2006–2008, 2009–2011, 2012–2014 and 2015–2016). These groupings were used to reduce the random fluctuation of data and to perform the visual comparison of the rates according to the units of analysis, arranged in thematic maps.

The maps were also represented by a rate smoothing method – local empirical Bayesian – elaborated from the distance neighborhood matrix, with the five neighbors’ criterion (value corresponding to the average of neighbors), using the expected deaths, standardized by age, as the event of interest in the numerator. The estimate for obtaining the expected deaths was calculated by multiplying the sum of the observed population, in a given CA and study period, by the value of the corresponding standardized rate, divided by 100 thousand. In the denominator, we used the population corresponding to the middle of the period (population of 2010, provided by the census and estimated for each CA). Finally, to obtain annual rates, the smoothed rates were divided by the number of study years.

Age standardization, for the local Bayesian smoothing method, is not usually described in literature; however, considering that age is an important confounding factor in the study of neoplasms, due to age differences between populations, such standardization was necessary.

In addition, we calculated the bivariate local and global Moran indexes, in order to verify the existence of spatial agglomeration in the bivariate analysis between standardized mortality rates and socioeconomic domain. The significance value was calculated by the Monte Carlo hypothesis test, with 999 random replications (considered significant if less than 0.05)[12].

The applications used to geocode the addresses were: Padronizador de Endereços da Prefeitura Municipal de São Paulo (PAD-PMSP), API Google, BatchGeo and Maptitude. Neighborhood matrix, local empirical Bayesian rates and bivariate local and global Moran indexes were calculated in the GeoDa application, version 1.12.1.161. The construction and manipulation of databases, the population estimates for non-census years, the estimates of standardized mortality rates by age and all the elaboration of thematic maps and graphs were performed in the R Studio software, version 1.3.1093. Thematic maps used the “quantile” category, except for the map with the Moran indexes, which was shown as a “categorical” criterion. Geocoding operations were performed in the QGIS software, version 2.18.

This study was linked to a larger project, approved by the Research Ethics Committee of the Faculdade de Saúde Pública of Universidade de São Paulo (CAAE: 76049317.7.0000.5421; opinion number: 2.412.427) and of the City Hall of São Paulo (CAAE: 76049317.7.3001.0086; opinion number: 2.467.549).

RESULTS

In all, 24,120 address records were geocoded out of a total of 24,386 (success rate of 98.9%). Of these, 19,652 were related to BC (99.0% of 19,856 records) and 4,468 to CC (98.6% of 4,530 records).

Figures 2A-I and 2B-I show the average local empirical Bayesian mortality rates according to CA, over the entire period. For BC, there is a concentration of higher rates in the West (central part), Downtown and Southeast (upper part) CRS and in a portion of the North CRS. As for CC, the highest rates are concentrated in the South, East and North CRS.

Figure 2

I) Local empirical Bayesian mortality rate (/100,000 women aged 20 years and over – year) standardized by age, according to the year of death. Municipality of São Paulo, 2000–2016 (three years and two years). A-I) for breast cancer. B-I) for cervical cancer. II) Spatial agglomerates of the Bivariate Local Moran Index - mortality rate standardized by age, in relation to the socioeconomic domain of the São Paulo Social Vulnerability Index (DS-IPVS) - according to Areas of Coverage of Basic Health Units. Municipality of São Paulo, 2000–2016. A-II) for breast cancer. B-II) for cervical cancer.

In 2010, the regions of the MSP with the best socioeconomic conditions were the West and Downtown CRS (Figure 1B). A decline in socioeconomic level is perceived the more peripheral the areas are (or towards the periphery). The comparison of these conditions with mean local empirical Bayesian mortality rates, over the entire period, is shown in Figures 2A-II and 2B-II, for BC and CC, respectively.

When comparing Figures 2A-II and 2B-II we observed: (i) a spatially positive and significant relation between mortality from BC and the socioeconomic conditions given by the DS-IPVS, and (ii) a negative and significant relation between mortality from CC and DS-IPVS. Therefore, it is noted that areas with high mortality rates from BC, in general, have neighboring areas with high DS-IPVS (better socioeconomic conditions).

For BC, the areas with a “high-high” pattern (high mortality rates and high DP-IPVS values in the neighbors) were concentrated in the West, Downtown and Southeast CRS. The “low-low” areas (low mortality rate and low DS-IPVS values in the neighbors) were concentrated in the most peripheral regions of the South and East CRS.

For the CC, in the West, Downtown and part of the Southeast CRS, areas of “low-high” pattern predominated (low mortality rates and high DS-IPVS values in the neighbors). In the North (upper), East and South CRS, there was a predominance of “high-low” agglomerates (high mortality rates and low DS-IPVS values in the neighbors), mixed with “low-low” agglomerates (low mortality rates and low DS-IPVS values in the neighbors).

Figures 3A and 3B show the temporal evolution of the mortality rates standardized for both cancers, in the MSP as a whole and according to the CA, respectively. There is a trend of increase in mortality from BC until the period 2006-2008, followed by a slight decrease (Figure 3A). As for mortality from CC, there was a noticeable decrease between the beginning and the end of the period, with slight stabilization in 2009–2011.

Figure 3

A) Mortality rate (/100 thousand women aged 20 years and over – year) due to breast and cervical cancers, standardized by age, according to the year of death. Municipality of São Paulo, 2000–2016 (three years and two years). B) Local empirical Bayesian mortality rate (/ 100,000 women aged 20 years and over – year) from breast and cervical cancers, standardized by age, second year of death and Areas of Coverage of Basic Health Units. Municipality of São Paulo, 2000–2016 (three years and two years).

In Figure 3B, it is possible to identify that, for mortality from BC, there was a trend, over time, of reduced variability of the data, identified by a decrease in the amplitude of outlier values. For mortality from CC, variation was higher in the first period (2000-2002) than in the others, with a gradual, but discrete reduction of the median value over time. In both cancers, the distance between the first and third quartiles narrowed over time.

Temporal evolution of mortality rates standardized for BC and CC is also shown as in the form of maps according to CA (Figure 4). We observed, over time, that the pattern of spatial distribution of mortality due to BC was inconstant. In the Downtown and West CRS, an apparent reduction in mortality was observed over the years. In addition, the number of areas with rates above 32 deaths per 100 thousand women-year, last category, represented in the darkest color on the maps, decreased over time. This pattern is coherent with the curve of the entire MSP, shown in Figure 3A; however, it is worth noting that the last period only comprises two years.

Figure 4

Mortality rates (MR) (/100 thousand women aged 20 years and over – year) standardized by age, according to year of death and Areas of Coverage of Basic Health Units. Municipality of São Paulo, 2000–2016 (three years and two years). I-A) For breast cancer 2000–2002. I-B) For breast cancer 2003–2005. I-C) For breast cancer, 2006-2008. I-D) For breast cancer, 2009–2011. I-E) For breast cancer, 2012–2014.I-F) For breast cancer, 2015–2016. II-A) For cervical cancer, 2000–2002. II-B) For cervical cancer, 2003–2005. II-C) For cervical cancer, 2006–2008. II-D) For cervical cancer, 2009–2011. II-E) For cervical cancer, 2012–2014. II-F) For cervical cancer, 2015–2016.

In general, over time, the pattern of spatial distribution of mortality from CC remained with the highest mortality rates located in peripheral regions. However, but also coherent with Figure 3A, there is a tendency of reduced mortality rate from this cancer, in terms of geographical and value dispersion, over the years of the study. The large number of areas with value 0 in the last period (2015–2016) stands out, with 19 CA without record of deaths from CC.

The Table shows the overall values, for both cancers, of mortality rates standardized by age; rates stratified by age groups, with a ratio of comparison between them; and mortality associated to socioeconomic conditions (DS-IPVS). It is noteworthy that mortality values for BC were always higher, with an increase in this difference as the age stratum increases. In addition, the global Moran index reaffirms the results of the direct association of DS-IPVS with mortality from BC, and inverse with that from CC.

Table

Distribution of overall mortality rates, ratio between rates and bivariate global Moran index, according to breast and cervical cancer. Municipality of São Paulo, 2000–2016.

Cancer mortality	Breast cancer (BC)	Cervical cancer (CC)	BC/CC ratio
Overall rates (deaths per 100 thousand women-year)
Overall standardized rate 20 years or older	27.6	6.3	4.4
Overall rate 20 to 39 years	3.6	1.6	2.3
Overall rate 40 to 69 years	37.6	9.1	4.1
Overall rate 70 years or older	113.0	18.3	6.2
Association with the socioeconomic conditions of the neighborhood
Bivariate global Moran index	0.34 (p < 0.01)	- 0.34 (p < 0.01)

In the year-by-year analysis, we found that the younger age group showed a trend of stability in mortality from BC, but of increased mortality from CC, especially after the period 2006-2008. On the other hand, the age group from 40 to 69 years showed a tendency of stability for mortality from BC and of decline for mortality from CC. In the age group of 70 years of over, mortality from BC denoted a slight downward trend, with peaks in the periods 2006–2008 and 2015–2016, while mortality from CC showed a sharp downward trend, peaking in the period 2009–2011.

DISCUSSION

This study allowed to evidence the spatial pattern of mortality from breast and cervical cancer over time, associated with socioeconomic conditions of the MSP. With this, we identified that BC, throughout the period, denotes a pattern, with higher rates located in the central regions with better socioeconomic conditions, but with a decrease at the end of the period and apparent change of pattern, and increased mortality in peripheral regions. On the other hand, the highest rates of mortality from CC continued in peripheral regions with worse socioeconomic conditions, despite decreasing over the study period.

Therefore, an important finding of this study is that, for BC, in the entire period, there was a direct relation between areas with higher mortality rates and areas with better socioeconomic conditions. For CC, the behavior was the opposite. These relations were expressed not only descriptively, but also with the significant values of the global and local Moran indexes.

This result agrees with the descriptive study performed by Neves and Naffah[6], which evidenced an apparent association between areas with high mortality from BC and areas with better socioeconomic conditions, and the inverse pattern for CC, in the MSP, from 2010–2012. Another ecological study, conducted by Rocha-Brischiliari et al.[13], found, in the state of Paraná, in 2009–2012, a positive and significant relation between mortality from BC and greater access to health services; and a negative one in relation to the illiteracy rate. Similarly, in the state of São Paulo, between 2006–2012, Diniz et al.[14] found a positive and significant association between areas with high mortality from BC and areas with high mammography rates, higher nulliparity and greater private medical care.

The causes of increased mortality for women with better socioeconomic situation may be linked to the higher exposure to carcinogens, and lower occurrence of protective factors in this group[14]. As they have more access to health services, they are more exposed to factors associated with breast cancer, such as hormonal contraception, hormone replacement therapy in menopause and a higher concentration of mammograms (increased ionizing radiation) and breast biopsies. Because they are more subject to overdiagnosis, they may suffer more from the cardiotoxic effects of chemotherapy and hormone therapy, as well as the carcinogenic effects of radiotherapy[15].

Studies allow to estimate that, when adding damages potentially associated with cancer treatments, despite the decreased mortality due to the specific cause (breast cancer), there may be an increase in mortality due to the set of causes, mainly due to increased cardiovascular mortality and from other cancers[16]. In addition, the reproductive characteristics of these women are less protective: they have fewer children (therefore, with lower chances of breastfeeding) and have them later in life[17]. In the same line, a meta-analysis and systematic review study conducted in Europe pointed to a higher and significant mortality from BC in women with higher socioeconomic level. As explanation, they listed reproductive factors, mammographic screening, hormone replacement therapy and lifestyle-related factors[18].

Our study also showed that, for BC, there was a downward trend in the rates of the municipality at the end of the analyzed period. In addition, over time, there was a narrowing of data variability per unit of analysis. Also, we observed an apparent change in the spatial distribution of mortality, with increased rates in peripheral regions and reduction in central regions of the MSP. Thus, analyzing all these results together, we expect that, currently, the spatial pattern of mortality from BC tends to a uniform distribution in the municipality.

Similarly, mortality from BC has been declining in developed countries[19-21], which is associated with less aggressive, more effective and safe treatments and a reduced use of estrogen replacement therapy in these populations[9,22,23]. It has also been declining in Brazil and in the Southeast region of the country, despite increasing trends in the North and Northeast regions[24,25]. Barbosa et al.[24] indicated, in their study on mortality projections for this cancer until 2030, that the highest rates will be recorded in the less developed regions of Brazil. Late diagnosis is placed, by that and another study[24,26], as a possible explanation for the increased mortality expected in poorer regions. However, there may also be an association between greater coverage of mammographic screening and increased mortality from BC (due to aspects such as overdiagnosis and over-treatment[14,16,22,23]).

The ecological study of Harding et al.[22] in the United States, comparing the regions and the screening rates among more than 16 million women, found that, the higher the screening rate by mammography, the higher the incidence of breast cancer, without implying a reduction in mortality from this cancer. That study also found a non-significant association between screening and increased mortality specifically from breast cancer. In the study by Rocha-Brischiliari et al.[13], not only was there an association between the greater use of diagnostic services and higher mortality, but they also noted an increased mortality when there is greater proximity to specialized services in the patients’ housing region. Those findings go in the same direction as in our study and may help explain why increased screening coverage is associated with an increased mortality in poorer areas.

For mortality from CC, there is also a decrease of values over time for the entire MSP, and apparent reduction in dispersion in the units of analysis, but without changes in the spatial pattern. That is, the highest rates continue to be in the more peripheral regions throughout the study period. This is an equally important result; the decrease is probably explained by the increased screening coverage in the municipality, which provides detection and treatment of precursor lesions, although it is still unequal, with less access in peripheral regions[27,18]. This decrease agrees with the temporal trend profile of mortality from this cancer in Brazil and its regions, except for the North region[25,29]. In relation to the analyses stratified by age group, the youngest group (20–39 years) was the only with an increase trend, a phenomenon that has also been observed in European countries[30].

It is also worth considering that the value shown regarding the overall mortality rate for BC in the municipality was more than twice the world average in 2018. As for CC, the value found was slightly lower than the world average. It is noteworthy that these world rates are standardized according to the same standard population, but without the filter for women aged 20 years or over[1].

Some limitations of this study are related to the use of secondary data, subject to different degrees of information quality; and to the estimates made to calculate the population of non-census years, since the precision of these estimates decreases as they distance themselves from census years. The following are also limitations: (i) non-consideration of census sectors with less than 50 permanent private households to calculate the IPVS of the CA, and (ii) extrapolation of information from the census sector level to these units of analysis, since the census delimitations do not correspond to those of the CA. This problem was solved with spatial analysis tools. In addition, there is the issue of random fluctuation, which occurs due to the existence of areas with small populations, minimized by the use of local empirical Bayesian methodology and grouping into periods.

As strengths, we highlight that the estimates relied on geoprocessing tools, and that a wide study period was used. In addition, the quality of mortality records in the MSP resulted in a high success rate of geocoding (98.9%), indicating, among other factors, a good completion of death certificates.

Knowledge on spatial and temporal patterns allows a better targeting of resources to prevent and promote health in the territories. It also raises questions that may be more explored by other studies aimed at better clarifying the reasons for the different behaviors.

INTRODUÇÃO

Os cânceres de mama e do colo do útero são importantes problemas mundiais de saúde pública. No Brasil, o câncer de mama na população feminina apresentou aumento entre as estimativas de 2018–2019 e de 2020–2022, e se manteve como o mais incidente, à exceção do câncer de pele não melanoma. Já o câncer do colo do útero subiu uma posição, e agora é o terceiro mais incidente. Ambos os cânceres também são importantes causas de mortalidade no país[1].

No município de São Paulo (MSP), entre 2008 e 2012 a taxa de mortalidade média anual por câncer de mama, padronizada por idade, foi de 16,2 por 100 mil mulheres-ano, e para o câncer do colo do útero, de 3,7 óbitos por 100 mil mulheres-ano, com tendência de queda da mortalidade do primeiro câncer e estabilidade do segundo[4].

Alguns estudos realizados no MSP, nos períodos de 1985–1999 e 2010–2012, verificaram que regiões com melhores condições socioeconômicas apresentaram risco mais elevado de mortalidade por câncer da mama. De forma oposta, regiões com piores condições indicaram risco mais elevado de mortalidade por câncer do colo do útero quando comparadas aos demais territórios analisados[5,6].

Este estudo tem como objetivo verificar o padrão espacial da mortalidade pelos cânceres de mama e do colo do útero em mulheres com 20 anos ou mais de idade, residentes no MSP, no período de 2000 a 2016, realizando a comparação entre esses cânceres e levando em consideração as condições socioeconômicas do município, em áreas de abrangência da atenção primária à saúde.

MÉTODOS

O delineamento do estudo foi ecológico, com uso de dados secundários, no período de janeiro de 2000 a dezembro de 2016. A área de estudo correspondeu ao município de São Paulo, localizado no estado de São Paulo (ESP), Brasil (Figura 1A), com população de 11.811.516 habitantes e densidade demográfica de 7.765,06 habitantes/km2 em 2019[7]. As unidades de análise foram as 456 áreas de abrangência das unidades básicas de saúde do MSP (AA), versão 2015/2016. Essas áreas permitem ao gestor de saúde local conhecer as condições específicas de cada território, incluindo características sociodemográficas, ambientais, epidemiológicas e de produção[8].

Figura 1

A) Município de São Paulo, Estado de São Paulo - SP, Brasil, América do Sul. B) Distribuição do domínio socioeconômico do Índice Paulista de Vulnerabilidade Social (DS-IPVS) segundo Áreas de Abrangência das Unidades Básicas de Saúde. Município de São Paulo, 2010.

A malha digital das AA foi fornecida pela Secretaria Municipal de Saúde de São Paulo (SMS-SP). A Figura 1B indica a distribuição do domínio socioeconômico (DS-IPVS) do ano de 2010 (censo demográfico), segundo as AA (versão 2015/2016). Este domínio corresponde à variável fator 1 (v36), referente ao fator socioeconômico do Índice Paulista de Vulnerabilidade Social (IPVS), calculado para cada setor censitário (SC). Quanto maior for este valor, melhor é o nível socioeconômico. O IPVS é instrumento que pode ser usado para avaliar políticas públicas, uma vez que permite maior detalhamento, segundo a localização espacial, das condições de vida do município, como vulnerabilidade a pobreza[9].

Para estimar o DS-IPVS por AA, foi realizada operação geográfica, de modo a se verificar a proporção de cada SC inserida em cada AA. Esta proporção foi aplicada à população residente e multiplicada pela variável v36. Em seguida, foi somado cada produto pertencente à delimitação geográfica das AA, e este valor foi dividido pela soma da população daquela área, obtendo-se, assim, uma média ponderada. Destaca-se que 1.537 do total de 18.923 SC foram classificados como ignorados, pois são áreas sem população ou com população reduzida. Esses SC foram desconsiderados para a elaboração do indicador.

Na Figura 1B exibem-se também as Coordenadorias Regionais de Saúde (CRS), sendo: I – Norte; II – Oeste; III – Centro, IV – Sudeste; V – Leste; e VI – Sul.

As informações referentes a óbitos por câncer de mama (CM) (CID-10 de C50 a C50.9) e câncer do colo do útero (CCU) (CID-10 de C53 a C53.9) de mulheres residentes no MSP com 20 anos ou mais de idade foram obtidas por meio de solicitação formal à SMS-SP[10].

Os endereços dos óbitos foram geocodificados utilizando principalmente o Padronizador de Endereços da Prefeitura Municipal de São Paulo (PAD-PMSP), da Prodam. Este aplicativo utiliza bases de dados oficiais e não oficiais, com capacidade para processar grandes volumes de registros. Os endereços não geocodificados no padronizador foram geocodificados por plataformas de geolocalização que utilizam o Google Maps como base de logradouros e por aplicativo que dispõe da base de logradouros Navteq.

As informações demográficas foram obtidas do Instituto Brasileiro de Geografia e Estatística (IBGE) para os anos censitários de 2000 e 2010, inicialmente agregadas por SC e posteriormente atribuídas às AA por meio de uma operação geográfica entre as camadas, atribuindo-se valores proporcionais às áreas.

A seguir, foram calculadas as taxas de mortalidade padronizadas por idade, utilizando o método direto e a população padrão da Organização Mundial da Saúde (OMS)[11], considerada a mais adequada para países em desenvolvimento. Todas as taxas de mortalidade referidas têm a grandeza “por 100 mil mulheres com 20 anos ou mais de idade-ano”, mas foram descritas como “100 mil mulheres-ano”. Essas taxas foram calculadas para o período todo (2000–2016) e também para seis períodos (2000–2002, 2003–2005, 2006–2008, 2009–2011, 2012–2014 e 2015–2016). Utilizaram-se esses agrupamentos para reduzir a flutuação aleatória dos dados e realizar a comparação visual das taxas segundo as unidades de análise, dispostas em mapas temáticos.

Os mapas foram representados também por um método de suavização de taxas – Bayesiano empírico local –, elaborado a partir da matriz de vizinhança de distância, com o critério de cinco vizinhos (valor correspondente à média de vizinhos), utilizando-se os óbitos esperados, padronizados por idade, como o evento de interesse no numerador. A estimativa para a obtenção dos óbitos esperados foi calculada pela multiplicação da somatória da população observada, em determinada AA e período de estudo, pelo valor da taxa padronizada correspondente, dividida por 100 mil. Já no denominador foi utilizada a população correspondente ao meio do período (população de 2010, fornecida pelo censo e estimada para cada AA). Ao final, para se obterem as taxas anuais, as taxas suavizadas foram divididas pelo número de anos do estudo.

A padronização por idade, para o método de suavização Bayesiano local, não é comumente descrita na literatura; contudo, tendo em vista que a idade é importante fator de confusão no estudo de neoplasias, em função das diferenças etárias entre as populações, tal padronização foi necessária.

Além disso, foram calculados os índices de Moran global e local bivariados, para verificar a existência de aglomeração espacial na análise bivariada entre as taxas de mortalidade padronizadas e o domínio socioeconômico. O valor da significância foi calculado pelo teste de hipóteses de Monte Carlo, com 999 replicações aleatórias (considerado significativo se inferior a 0,05)[12].

Os aplicativos utilizados para a geocodificação dos endereços foram: Padronizador de Endereços da Prefeitura Municipal de São Paulo (PAD-PMSP), API Google, BatchGeo e Maptitude. A matriz de vizinhança, as taxas Bayesianas empíricas locais e os índices de Moran local e global bivariados foram calculados no aplicativo GeoDa, versão 1.12.1.161. A construção e a manipulação dos bancos de dados, as estimativas populacionais para os anos não censitários, os cálculos das taxas padronizadas de mortalidade por idade e todas as elaborações de mapas temáticos e gráficos foram realizados no software R Studio versão 1.3.1093. Os mapas temáticos utilizaram a categoria de “quantil”, exceto o mapa com os índices de Moran, que foi apresentado com o critério “categórico”. As operações de geocodificação foram feitas no software QGIS versão 2.18.

Este estudo foi vinculado a um projeto maior, aprovado pelos Comitês de Ética da Faculdade de Saúde Pública da Universidade de São Paulo (CAAE: 76049317.7.0000.5421; número do parecer: 2.412.427) e da Prefeitura de São Paulo (CAAE: 76049317.7.3001.0086; número do parecer: 2.467.549).

RESULTADOS

Ao todo, foram geocodificados 24.120 registros de endereços do total de 24.386 (taxa de sucesso de 98,9%). Destes, 19.652 foram referentes ao CM (99,0% de 19.856 registros) e 4.468 ao CCU (98,6% de 4.530 registros).

As Figuras 2A-I e 2B-I apresentam as taxas médias de mortalidade Bayesianas empíricas locais segundo AA, em todo o período. Para o CM, nota-se uma concentração de taxas maiores nas CRS Oeste (parte mais central), Centro e Sudeste (parte superior) e em uma parcela da CRS Norte. Já para o CCU, as maiores taxas estão concentradas nas CRS Sul, Leste e Norte.

Figura 2

I) Taxas de mortalidade Bayesiana empírica local (/ 100.000 mulheres com 20 anos ou mais - ano) padronizadas por idade, de acordo com o ano do óbito. Município de São Paulo, 2000–2016 (três anos e dois anos). A-I) para câncer de mama. B-I) para câncer do colo do útero. II) Aglomerados espaciais do Índice de Moran Local Bivariado - taxas de mortalidade padronizadas por idade, em relação ao Domínio Socioeconômico do Índice Paulista de Vulnerabilidade Social (DS-IPVS), segundo Áreas de Abrangências das Unidades Básicas de Saúde. Município de São Paulo, 2000–2016. A-II) para câncer de mama. B-II) para câncer do colo do útero.

No ano de 2010, as regiões do MSP com melhores condições socioeconômicas foram as CRS Oeste e Centro (Figura 1B). Percebe-se um declínio do nível socioeconômico quanto mais periféricas são as áreas (ou em direção à periferia). A comparação dessas condições com as taxas médias de mortalidade Bayesianas empíricas locais, no período todo, está indicada nas Figuras 2A-II e 2B-II, para CM e CCU, respectivamente.

Ao se compararem as 2A-II and 2B-II, observam-se: (i) uma relação espacialmente positiva e significante entre a mortalidade por CM e as condições socioeconômicas dadas pelo DS-IPVS e (ii) uma relação negativa e significante entre a mortalidade por CCU e o DS-IPVS. Logo, nota-se que áreas com elevadas taxas de mortalidade por CM, em geral, possuem áreas vizinhas com DS-IPVS elevado (melhores condições socioeconômicas).

Para o CM, as áreas com padrão “alto-alto” (taxas de mortalidade altas e valores altos de DS-IPVS nos vizinhos) concentraram-se nas CRS Oeste, Centro e Sudeste. Já as áreas “baixo-baixo” (taxas de mortalidade baixas e valores baixos de DS-IPVS nos vizinhos) concentraram-se nas regiões mais periféricas das CRS Sul e Leste.

Para o CCU, nas CRS Oeste, Centro e parte da Sudeste, predominaram áreas de padrão “baixo-alto” (taxas de mortalidade baixas e valores altos de DS-IPVS nos vizinhos). Nas CRS Norte (superior), Leste e Sul, houve predominância de aglomerados “alto-baixo” (taxas de mortalidade altas e valores baixos de DS-IPVS nos vizinhos), mesclados com aglomerados “baixo-baixo” (taxas de mortalidade baixas e baixos valores de DS-IPVS nos vizinhos).

As Figuras 3A e 3B mostram a evolução temporal das taxas de mortalidade padronizadas para ambos os cânceres, no MSP como um todo e segundo as AA, respectivamente. Denota-se tendência de aumento da mortalidade por CM até o período 2006–2008, seguida por leve queda (Figura 3A). Quanto à mortalidade por CCU, houve visível queda entre o início e o fim do período, com leve estabilização em 2009–2011.

Figura 3

A) Taxas de mortalidade (/100 mil mulheres com 20 anos ou mais de idade - ano) por cânceres de mama e do colo do útero, padronizadas por idade, segundo ano do óbito. Município de São Paulo, 2000- 2016 (triênios e biênio). B) Taxa de mortalidade Bayesiana empírica local (/100 mil mulheres com 20 anos ou mais de idade - ano) por cânceres de mama e do colo do útero, padronizada por idade, segundo ano do óbito e Áreas de Abrangência das Unidades Básicas de Saúde. Município de São Paulo, 2000-2016 (triênios e biênio).

Na Figura 3B, é possível identificar que, para a mortalidade por CM, ocorreu tendência, ao longo do tempo, de redução da variabilidade dos dados, identificada por queda da amplitude dos valores outliers. Para a mortalidade por CCU, a variação foi mais elevada no primeiro período (2000–2002) do que nos demais, e houve redução gradual, mas discreta, do valor da mediana ao longo do tempo. Em ambos os cânceres, ocorreu estreitamento da distância entre o primeiro e o terceiro quartis ao longo do tempo.

A evolução temporal das taxas de mortalidade padronizadas por CM e CCU também é apresentada na forma de mapas segundo AA (Figura 4). Observa-se, ao longo do tempo, que o padrão de distribuição espacial da mortalidade por CM não foi constante. Nas CRS Centro e Oeste verificou-se aparente redução da mortalidade ao longo dos anos. Além disso, a quantidade de áreas com taxas acima de 32 óbitos por 100 mil mulheres-ano, última categoria, representada na cor mais escura nos mapas, diminuiu com o tempo. Este padrão é coerente com a curva de todo o MSP, apresentada na Figura 3A; no entanto, vale ressaltar que o último período compreende somente dois anos.

Figura 4

Taxas de mortalidade (TM) (/100 mil mulheres com 20 anos ou mais de idade - ano) padronizadas por idade, segundo ano do óbito e Áreas de Abrangência das Unidades Básicas de Saúde. Município de São Paulo, 2000-2016 (triênios e biênio). I-A) Por câncer da mama 2000-2002. I-B) Por câncer de mama 2003-2005. I-C) Por câncer de mama, 2006-2008. I-D) Por câncer de mama, 2009-2011. I-E) Por câncer de mama, 2012-2014. I-F) Por câncer de mama, 2015-2016. II-A) Por câncer do colo do útero, 2000-2002. II-B) Por câncer do colo do útero, 2003-2005. II-C) Por câncer do colo do útero, 2006-2008. II-D) Por câncer do colo do útero, 2009-2011. II-E) Por câncer do colo do útero, 2012-2014. II-F) Por câncer do colo do útero, 2015-2016.

De modo geral, ao longo do tempo, o padrão de distribuição espacial da mortalidade por CCU permaneceu com as maiores taxas de mortalidade localizadas nas regiões periféricas. No entanto, mas também coerente com a Figura 3A, nota-se uma tendência de redução da taxa de mortalidade por esse câncer, em termos de dispersão geográfica e de valores, ao longo dos anos de estudo. Destaca-se a grande quantidade de áreas com valor 0 no último período (2015–2016), com 19 AA sem registro de mortes por CCU.

A Tabela apresenta os valores globais, para ambos os cânceres, das taxas de mortalidade padronizadas por idade; taxas estratificadas por faixas etárias, com uma razão de comparação entre estas; e das mortalidades associadas a condições socioeconômicas (DS-IPVS). Chama atenção que os valores de mortalidade para o CM foram sempre maiores, com um incremento dessa diferença conforme aumenta o estrato etário. Além disso, o índice de Moran global reafirma os resultados da associação direta do DS-IPVS com a mortalidade por CM, e inversa com aquela por CCU.

Tabela

Distribuição das taxas globais de mortalidade, da razão entre taxas e do índice de Moran global bivariado, segundo os tipos de câncer, de mama e do colo do útero. Município de São Paulo, 2000–2016.

Mortalidade por câncer	Mama (CM)	Colo do útero (CCU)	Razão CM/CCU
Taxas globais (óbitos a cada 100 mil mulheres-ano)
Taxa padronizada global 20 anos e mais de idade	27,6	6,3	4,4
Taxa global 20 a 39 anos de idade	3,6	1,6	2,3
Taxa global 40 a 69 anos de idade	37,6	9,1	4,1
Taxa global 70 anos e mais de idade	113,0	18,3	6,2
Associação com as condições socioeconômicas da vizinhança
Índice de Moran global bivariado	0,34 (p < 0,01)	- 0,34 (p < 0,01)

Na análise ano a ano, constatou-se que a faixa etária mais jovem apresentou tendência de estabilidade na mortalidade por CM, porém de aumento da mortalidade por CCU, principalmente após o período 2006–2008. Já a faixa etária de 40 a 69 anos apresentou tendência de estabilidade para a mortalidade por CM e de declínio para a mortalidade por CCU. Na faixa etária de 70 anos ou mais, a mortalidade por CM denotou leve tendência de queda, com picos nos períodos de 2006–2008 e 2015–2016, enquanto a mortalidade por CCU apresentou acentuada tendência de queda, com pico no período 2009–2011.

DISCUSSÃO

Este estudo possibilitou evidenciar o padrão espacial da mortalidade pelos cânceres de mama e do colo do útero ao longo do tempo, em associação com as condições socioeconômicas do MSP. Com isso, identificou-se que o CM, em todo o período, denota um padrão, com maiores taxas localizadas nas regiões centrais e com melhores condições socioeconômicas, mas com queda ao final do período e aparente mudança de padrão, com aumento da mortalidade nas regiões periféricas. Já a mortalidade por CCU se manteve com as maiores taxas nas regiões periféricas e com piores condições socioeconômicas, apesar de apresentar declínio ao longo do período do estudo.

Portanto, um importante achado deste estudo é que, para o CM, no período todo, houve relação direta entre as áreas com maiores taxas de mortalidade e áreas de melhores condições socioeconômicas. Já para o CCU, o comportamento foi inverso. Essas relações foram expressas não somente de forma descritiva, mas também com os valores significativos dos índices de Moran global e local.

Esse resultado concorda com o estudo descritivo realizado por Neves e Naffah[6], que evidenciou aparente associação entre áreas com elevada mortalidade por CM e áreas com melhores condições socioeconômicas, e padrão inverso para o CCU, no MSP, no período 2010–2012. Outro estudo ecológico, realizado por Rocha-Brischiliari e colaboradores[13], encontrou, no estado do Paraná, em 2009–2012, relação positiva e significante entre mortalidade por CM e maior acesso a serviços de saúde; e negativa em relação à taxa de analfabetismo. De maneira semelhante, no estado de São Paulo, entre 2006–2012, Diniz e colaboradores[14] encontraram associação positiva e significante entre áreas de alta mortalidade por CM e áreas com elevadas taxas de mamografia, maior nuliparidade e maior assistência médica privada.

As causas da mortalidade aumentada para mulheres com melhor situação socioeconômica estão provavelmente ligadas à maior exposição a carcinógenos, e menor ocorrência de fatores de proteção neste grupo[14]. Como têm mais acesso a serviços de saúde, estão mais expostas a fatores associados ao câncer de mama, tais como contracepção hormonal, terapia de reposição hormonal na menopausa e maior concentração de mamografias (aumento da radiação ionizante) e de biópsias mamárias. Por serem mais sujeitas ao sobrediagnóstico, podem sofrer mais os efeitos cardiotóxicos da quimioterapia e da hormonioterapia, assim como os efeitos carcinógenos da radioterapia[15].

Estudos permitem estimar que, quando adicionados os danos potencialmente associados a tratamentos de câncer, apesar da diminuição da mortalidade pela causa específica (câncer de mama), pode haver aumento da mortalidade pelo conjunto de causas, principalmente em função do aumento da mortalidade cardiovascular e por outros cânceres[16]. Além disso, as características reprodutivas dessas mulheres são menos protetoras: têm menos filhos (portanto, menores chances de amamentação) e os têm mais tardiamente[17]. Na mesma linha, um estudo de metanálise e revisão sistemática realizado na Europa apontou para mortalidade por CM maior e significativa em mulheres com maior nível socioeconômico. Como explicação, foram listados fatores reprodutivos, rastreamento mamográfico, terapia de reposição hormonal e fatores relacionados ao estilo de vida[18].

O presente estudo também mostrou que, para o CM, ocorreu tendência de queda das taxas do município ao final do período analisado. Além disso, ao longo do tempo, ocorreu estreitamento da variabilidade dos dados por unidade de análise. Ainda, observou-se aparente mudança na distribuição espacial da mortalidade, com aumento das taxas nas regiões periféricas e redução nas regiões centrais do MSP. Assim, analisando todos esses resultados em conjunto, pode-se esperar que, atualmente, o padrão espacial da mortalidade por CM esteja tendendo a uma distribuição uniforme no município.

De forma semelhante, a mortalidade por CM vem caindo em países desenvolvidos[19], o que está associado a tratamentos menos agressivos, mais efetivos e seguros e a uma redução do uso de terapia de reposição de estrogênio nessas populações[9,22,23]. Também vem caindo no Brasil e na região Sudeste do país, apesar das tendências de aumento nas regiões Norte e Nordeste[24,25]. Barbosa e colaboradores[24] indicaram, em seu estudo sobre as projeções de mortalidade por esse câncer até 2030, que as maiores taxas serão registradas nas regiões menos desenvolvidas do Brasil. O diagnóstico tardio é colocado, por este e por um outro estudo[24,26], como possível explicação para o aumento da mortalidade esperada em regiões mais pobres. No entanto, também pode haver associação entre maior cobertura do rastreamento mamográfico e aumento da mortalidade por CM (devido a aspectos como sobrediagnóstico e sobretratamento[14,16,22,23]).

O estudo ecológico de Harding e colaboradores[22] nos Estados Unidos, comparando as regiões e as taxas de rastreamento entre mais de 16 milhões de mulheres, encontrou que, quanto maior é a taxa de rastreamento por mamografia, maior é a incidência de câncer de mama, sem implicar redução da mortalidade por este câncer. Esse estudo mostrou, ainda, associação não significativa entre rastreamento e aumento da mortalidade específica por câncer de mama. No estudo de Rocha-Brischiliari et al.[13], não apenas houve associação entre maior uso de serviços de diagnósticos com maior mortalidade, mas também se notou aumento da mortalidade quando há maior proximidade de serviços especializados na região de moradia das pacientes. Estes achados vão na mesma direção do presente estudo, e podem ajudar a explicar por que o aumento da cobertura de rastreamento se associa com o aumento da mortalidade em áreas mais pobres.

Para a mortalidade por CCU, há também diminuição dos valores ao longo do tempo para todo o MSP e aparente redução da dispersão nas unidades de análise, mas sem mudanças do padrão espacial. Ou seja, as maiores taxas continuam presentes nas regiões mais periféricas ao longo de todo o período. Este é um resultado igualmente importante; a queda provavelmente se explica pelo aumento da cobertura de rastreamento no município, que propicia detecção e tratamento de lesões precursoras, apesar de ainda ser desigual, havendo menor acesso nas regiões periféricas[27,28]. Essa queda concorda com o perfil de tendência temporal da mortalidade por este câncer no Brasil e suas regiões, exceto na região Norte[25,29]. Em relação às análises estratificadas por faixa etária, a mais jovem (20–39 anos) foi a única que apresentou tendência de aumento, fenômeno que também tem sido observado em países europeus[30].

Também vale considerar que o valor apresentado referente à taxa global de mortalidade para o CM no município foi mais que o dobro da média mundial, em 2018. Já para o CCU, o valor encontrado foi pouco inferior à média mundial. Destaca-se que essas taxas mundiais estão padronizadas conforme a mesma população padrão, mas sem o filtro para mulheres com 20 anos ou mais de idade[1].

Algumas limitações deste estudo estão relacionadas ao uso de dados secundários, sujeitos a diferentes graus de qualidade das informações; e às estimativas realizadas para o cálculo das populações dos anos não censitários, uma vez que a precisão dessas estimativas se reduz à medida que se distanciam dos anos censitários. Também são limitações (i) a não consideração dos setores censitários com menos de 50 domicílios particulares permanentes para o cálculo dos valores dos IPVS das AA e (ii) a extrapolação das informações do nível de setor censitário para essas unidades de análise, uma vez que as delimitações censitárias não correspondem às das AA. Esse problema foi contornado utilizando-se ferramentas de análise espacial. Além disso, há a questão da flutuação aleatória, que ocorre devido à existência de áreas com populações pequenas, minimizada pelo uso da metodologia Bayesiana empírica local e do agrupamento em períodos.

Como fortalezas, destaca-se que as estimativas contaram com o auxílio de ferramentas de geoprocessamento, e foi utilizado um amplo período de estudo. Além disso, a qualidade dos registros de mortalidade no MSP resultou em elevada taxa de sucesso da geocodificação (98,9%), indicando, entre outros fatores, um bom preenchimento da declaração de óbito.

O conhecimento dos padrões espaciais e temporais possibilita melhor direcionamento de recursos para prevenção e promoção da saúde nos territórios. Igualmente, levanta questionamentos que podem ser mais bem explorados por outros estudos visando esclarecer melhor as razões para os distintos comportamentos.