IVT_SARS-CoV-2: um índice multicritério e a dinâmica urbana em Minas Gerais, Brasil

RESUMO

OBJETIVO  Desenvolver um índice de vulnerabilidade municipal à transmissão do SARS-CoV-2 em Minas Gerais, integrando fatores socioeconômicos, infraestrutura urbana, mobilidade e indicadores compostos de vulnerabilidade social e lazer. Identificaram-se os fatores associados à distribuição espacial da covid-19 e classificaram-se os 853 municípios do estado por níveis de vulnerabilidade.

MÉTODOS  Foram utilizados dados de casos de covid-19 de fevereiro de 2022, combinados a nove variáveis organizadas em três domínios: (i) fatores socioeconômicos (empregos nos setores de comércio, serviços, construção e transformação); (ii) infraestrutura urbana e mobilidade (área urbana, conectividade rodoviária e densidade de veículos); e (iii) indicadores compostos (índice de vulnerabilidade social e de acesso à cultura, esporte e lazer). Aplicou-se um modelo de análise multicritério, com pesos definidos pelas correlações de Pearson. O índice final foi validado por validação cruzada.

RESULTADOS  O índice de vulnerabilidade variou de 1 a 8. Belo Horizonte registrou o maior valor (8), seguida de Uberlândia (6) e outros municípios de médio a grande porte com elevado dinamismo urbano. As variáveis mais influentes no modelo foram área urbana (22,92%), conectividade rodoviária (17,54%) e densidade de veículos (12,86%). A distribuição espacial indicou maior vulnerabilidade em regiões metropolitanas e polos regionais.

CONCLUSÕES  O índice destacou o papel de características estruturais e ocupacionais na vulnerabilidade territorial à covid-19. Limitações como a defasagem temporal de algumas variáveis, a heterogeneidade entre fontes e a subnotificação de casos — especialmente em municípios com menor capacidade de testagem — podem ter influenciado os resultados. A incorporação de tecnologias emergentes e práticas sustentáveis pode mitigar riscos de futuras pandemias e promover melhor qualidade de vida. Ainda assim, o índice demonstrou ser uma ferramenta útil ao planejamento sanitário, com potencial de adaptação a outras doenças transmissíveis.

DESCRITORES:
Demografia; Epidemiologia; Disparidades em Assistência à Saúde; Fatores Socioeconômicos

ABSTRACT

OBJECTIVE  To develop a municipal-level vulnerability index to COVID-19 transmission that integrates socioeconomic factors, urban infrastructure, mobility, and composite indicators of social vulnerability and leisure for Minas Gerais. This study found factors associated with the spatial distribution of COVID-19 and classified the 853 municipalities in the state by vulnerability levels.

METHODS  Data on COVID-19 cases from February 2022 were combined with nine variables in three domains: (i) socioeconomic factors (trade, service, construction, and manufacturing jobs); (ii) urban infrastructure and mobility (urban area, road connectivity, and vehicle density); and (iii) composite indicators (index of social vulnerability and access to culture, sports, and leisure). A multicriteria analysis model with Pearson’s correlations was elaborated and validated by cross-validation.

RESULTS  The vulnerability index ranged from 1 to 8. The municipality of Belo Horizonte showed the highest value (8), followed by Uberlândia (6) and other medium to large municipalities with high urban dynamism. Urban area (22.92%), road connectivity (17.54%), and vehicle density (12.86%) constituted the most influential variables in the model. Spatial distribution indicated greater vulnerability in metropolitan regions and regional hubs.

CONCLUSIONS  The proposed index highlighted the role of structural and occupational characteristics in territorial vulnerability to COVID-19. Limitations such as the time lag of some variables, source heterogeneity, and case underreporting—especially in municipalities with lower testing capacity—may have influenced the results. Incorporating emerging technologies and sustainable practices can mitigate the risks of future pandemics and improve quality of life. The index offered a useful tool for health planning (which may be adapted to other communicable diseases).

DESCRIPTORS:
Demography; Epidemiology; Healthcare Disparities; Socioeconomic Factors

INTRODUÇÃO

A pandemia de covid-19 surpreendeu o mundo, impondo um verdadeiro teste de resiliência às sociedades humanas em diferentes contextos. Entre os fatores de risco associados à doença, destaca-se um elemento intrínseco à vida moderna: a convivência em comunidades permanentes. Desde a transição das sociedades caçadoras-coletoras para as sedentárias, a organização social e urbana tem desempenhado um papel crucial na disseminação de doenças infecciosas.

As desigualdades socioeconômicas têm um impacto significativo na saúde da população global¹. No contexto da covid-19, características como renda, condições de moradia, escolaridade e ocupação têm sido associadas a desfechos clínicos e à taxa de disseminação do vírus⁴. Estudos também evidenciam o papel da estrutura urbana e da mobilidade na transmissão de doenças⁹. Portanto, compreender a distribuição espacial de fatores associados à covid-19 é essencial para identificar populações mais susceptíveis ao vírus¹².

A análise da vulnerabilidade regional tornou-se um instrumento estratégico para orientar ações de mitigação e alocação de recursos em emergências sanitárias. Modelos de análise de decisão multicritério (ADMC) têm sido amplamente empregados em diferentes países, como China¹³, Índia¹⁴ e Itália¹⁵, permitindo a integração de variáveis sociais, econômicas, ambientais e territoriais¹³,¹⁶. Diversos estudos utilizaram ADMC para identificar áreas mais propensas à infecção pelo SARS-CoV-2 e para investigar os fatores associados à transmissão⁴,¹⁴,¹⁵. No Brasil, uma pesquisa recente empregou a ADMC para identificar áreas prioritárias de intervenção contra a covid-19 em Minas Gerais⁴. Esses estudos oferecem subsídios relevantes para a formulação de políticas públicas sensíveis ao território¹⁹.

A Agenda 2030 da Organização das Nações Unidas (ONU) destaca, por meio do Objetivo de Desenvolvimento Sustentável 3, a importância de “garantir o acesso à saúde de qualidade e promover o bem-estar para todos, em todas as idades”²³. O subitem “3.d” enfatiza a necessidade de reforçar a capacidade global para alerta precoce e gerenciamento de riscos à saúde — diretriz alinhada aos desafios impostos pela pandemia.

Minas Gerais, o segundo estado mais populoso do Brasil, contava com uma população estimada de 20.539.989 habitantes em 2022, distribuída por seus 853 municípios²⁴. Em 28 de julho de 2022, o estado registrou 3.809.396 casos confirmados de covid-19 e 62.866 óbitos decorrentes da doença²⁵, evidenciando a gravidade da crise sanitária e a importância de estratégias direcionadas para enfrentar pandemias futuras.

Nesse cenário, embora haja ampla produção sobre os determinantes sociais e territoriais da covid-19, persistem lacunas quanto à disponibilidade de instrumentos capazes de integrar múltiplos fatores associados à transmissão da doença em escala municipal – sobretudo em contextos de grande diversidade socioespacial, como o de Minas Gerais. A ausência de indicadores sintéticos que considerem simultaneamente aspectos estruturais, econômicos e de mobilidade dificulta a identificação de territórios mais suscetíveis e compromete a formulação de respostas baseadas em evidências. Diante disso, torna-se necessário desenvolver um índice que sintetize, de forma integrada, elementos que influenciam a vulnerabilidade municipal à covid-19.

Este trabalho tem como objetivo desenvolver um índice de vulnerabilidade municipal à transmissão do SARS-CoV-2 em Minas Gerais, considerando variáveis socioeconômicas, de infraestrutura urbana e mobilidade. Os objetivos específicos são: (i) identificar variáveis socioeconômicas, indicadores de infraestrutura urbana e mobilidade, bem como indicadores compostos de vulnerabilidade social e lazer, todos com atualização periódica e disponibilidade em escala municipal, que expliquem a distribuição de casos de covid-19; (ii) classificar os 853 municípios do estado segundo seus níveis de vulnerabilidade à transmissibilidade do vírus; e (iii) examinar a influência relativa dessas variáveis na susceptibilidade territorial à transmissão da doença. A espacialização dos níveis de vulnerabilidade poderá subsidiar políticas públicas voltadas à prevenção e à mitigação de danos causados por pandemias, promovendo maior resiliência do território mineiro.

MÉTODOS

A metodologia foi estruturada em etapas, conforme os objetivos do estudo, com base em um modelo ADMC. As variáveis independentes foram organizadas em três domínios conceituais: (i) fatores socioeconômicos, (ii) infraestrutura urbana e mobilidade, e (iii) indicadores compostos de vulnerabilidade social e lazer. A seguir, detalham-se dados, fontes, critérios de seleção e procedimentos analíticos empregados.

Dados da covid-19

Os dados de casos de covid-19 (variável dependente C-COV) foram obtidos em escala municipal junto à Secretaria de Estado de Saúde de Minas Gerais (SES-MG), por meio da base de dados abertos de notificação de casos disponíveis no site oficial do governo estadual²⁶. A base inclui casos notificados por critério laboratorial, clínico e epidemiológico.

Foi selecionado o mês de fevereiro de 2022 como recorte temporal da análise. A escolha se deve ao expressivo aumento de casos impulsionado pela variante Ômicron, altamente transmissível, o que caracteriza um pico epidemiológico representativo da pandemia no estado²⁷. Esse período concentrou o maior volume de notificações, permitindo observar o comportamento da transmissão em seu ápice recente, sem oscilação prolongada de fatores externos. Esse recorte também proporciona homogeneidade metodológica, evitando a diluição dos dados causada por somatórios anuais.

É importante destacar que até fevereiro de 2022, todos os 853 municípios de Minas Gerais registraram casos notificados de covid-19. Esse cenário permitiu que o modelo ADMC fosse aplicado uniformemente em todo o estado. Fevereiro de 2022 se destacou como o mês com maior volume de notificações mensais desde o início da pandemia. Este período corresponde à fase de maior transmissibilidade da covid-19 em Minas Gerais, fortemente influenciada pela disseminação da variante Ômicron.

Variáveis Independentes: Seleção e Organização Conceitual

As variáveis independentes foram selecionadas com base em revisão da literatura sobre fatores associados à disseminação da covid-19 e à vulnerabilidade social e territorial, conforme discutido por Benita et al.²⁸ e Rocha et al.²⁹, que apontam a relevância de indicadores de desigualdade, ocupação e infraestrutura na explicação da suscetibilidade territorial à pandemia. A seguir, as variáveis são apresentadas por domínio conceitual:

i) Domínio socioeconômico:

• EFS (Empregos no setor de serviços);

• EFC (Empregos no setor de comércio);

• EFIC (Empregos na indústria da construção);

• EFIT (Empregos na indústria de transformação).

A escolha dessas variáveis considerou, além da relevância teórica reconhecida na literatura, a disponibilidade e a padronização dos dados em escala municipal. Essa estratégia permitiu representar de forma consistente as dimensões estruturais, sociais e de mobilidade associadas à vulnerabilidade territorial à covid-19.

Essas variáveis expressam a proporção da população vinculada a setores com alta interação social ou aglomeração, considerados mais suscetíveis à disseminação do vírus. Os dados foram obtidos junto à Fundação João Pinheiro³⁰ (FJP), referentes ao ano de 2019. Os valores foram transformados em percentual da população total de cada município.

ii) Domínio Infraestrutura Urbana e Mobilidade:

• A-URB (Área urbana dos municípios) – obtida a partir do raster de cobertura do solo da coleção 7.0 do MapBiomas³¹, pela contagem de pixels classificados como “área urbana”. Os dados foram processados com resolução de 30 metros por pixel. Conforme discutido por Yu et al.³² e Connolly et al.⁹, a variável A-URB está diretamente associada à densidade construtiva, à expansão urbana e à concentração populacional, aspectos que contribuem significativamente para a difusão de doenças respiratórias em contextos urbanos densos.

• A-COR (Área de corredores viários) – baseada nos arquivos vetoriais do projeto OpenStreetMap³³, incluindo ruas, avenidas e rodovias. Os vetores foram rasterizados com resolução de 10 metros, e a área total por município foi calculada com base na contagem de pixels.

• DV (Densidade de veículos) – extraída da base da FJP (2019) e expressa em veículos por km². Representa a intensidade do uso de transporte individual nos municípios, associada a padrões de mobilidade e emissão de poluentes.

iii) Domínio de Indicadores Compostos:

• O Índice Mineiro de Responsabilidade Social – Vulnerabilidade³⁰,³⁴ (IMRS-V), desenvolvido pela FJP, representa a vulnerabilidade social dos municípios mineiros. Sua composição é baseada em variáveis socioeconômicas, como a proporção de pessoas com renda inferior a meio salário mínimo, o percentual de domicílios sem acesso a água encanada e saneamento, bem como a razão de dependência demográfica, entre outros indicadores.

• O Índice Mineiro de Responsabilidade Social – Cultura, Esporte e Lazer³⁰,³⁴ (IMRS-CEL), desenvolvido pela FJP, expressa o nível de oferta de equipamentos e atividades voltadas à cultura, ao esporte e ao lazer nos municípios mineiros. A composição do índice inclui variáveis como a existência de bibliotecas públicas, centros culturais, campos poliesportivos e clubes de lazer, entre outras.

A utilização de índices compostos justifica-se por sua validade estatística, reconhecimento institucional e capacidade de representar fenômenos de maneira multidimensional. Esses indicadores, amplamente empregados em diagnósticos e políticas públicas em Minas Gerais, têm 2019 como ano de referência, por ser o conjunto mais recente disponível em nível municipal, com abrangência estadual e contemplando os subíndices de interesse.

Para a operacionalização do índice no ambiente DINAMICA EGO³⁵, foi necessária a realização de uma transformação linear, a fim de converter os valores originais – representados por decimais – em números inteiros, condição essencial para o processamento raster posterior.

Modelo de Análise Multicritério

O índice de vulnerabilidade à transmissão do SARS-CoV-2 (IVT_SARS-CoV-2) foi desenvolvido por meio de um modelo ADMC no software DINAMICA EGO³⁵.

1. Atribuição de notas às variáveis independentes: os valores foram classificados em 11 faixas com base no valor máximo de cada variável dividido por dez. Cada município recebeu uma nota de 1 a 10 (nota 0 foi atribuída aos casos com valor igual a zero).

2. Ponderação das variáveis: cada nota foi multiplicada por um peso, calculado com base na correlação de Pearson entre a variável independente e o número de casos de covid-19 (C-COV). A contribuição relativa de cada variável foi então expressa como o percentual de seu coeficiente em relação ao total somado. Esses percentuais foram convertidos para uma escala entre 0 e 1, dividindo-se os valores por 100. O resultado desse processo gerou um vetor de pesos cuja soma totaliza 1, assegurando a proporcionalidade entre as variáveis na etapa de agregação do índice.

Cálculo do índice final: foi obtida a soma ponderada das notas.

A fórmula geral do índice foi:

$IV{T}_{\text{SARS-CoV-2}}=\sum _{i=1}^n(p_i\times x_i)$

Em que:

• p_i representa o peso atribuído à variável i;

• x_i é a nota da variável i no âmbito municipal;

• n é o número total de variáveis consideradas.

A soma dos pesos foi normalizada para 1. O índice final, com potencial de variação entre 0 e 10, expressa o grau de vulnerabilidade municipal à transmissão da covid-19.

Validação Cruzada

A validação do modelo ADMC foi realizada por meio da técnica de validação cruzada k-fold, utilizando a biblioteca scikit-learn em ambiente Python³⁶. O conjunto de dados foi dividido em k subconjuntos; o modelo foi treinado em k-1 partes e testado na parte restante, repetindo-se esse processo k vezes. A média dos erros quadráticos médios (EQM) obtidos em cada rodada foi usada como métrica de desempenho. Essa abordagem visa garantir a generalização do modelo³⁶e evitar o sobreajuste aos dados de entrada.

RESULTADOS

As variáveis analisadas apresentaram diferentes graus de correlação com o número de novos casos de covid-19 registrados em fevereiro de 2022. Com base na intensidade dessas correlações, os pesos para o ADMC foram calculados, de modo a refletir a relevância de cada variável no modelo. Os detalhes dos pesos atribuídos a cada variável estão apresentados na Tabela 1.

Tabela 1
Valores das correlações de Pearson com a variável dependente C-COV, percentual correspondente a cada variável de acordo com a soma dos valores da correlação e pesos calculados para cada variável.

Variável	Pearsona	Percentagemb	Peso
A-URB	0,925	22,92	0,2292
A-COR	0,708	17,54	0,1754
EFS	0,323	8,00	0,0800
EFC	0,476	11,79	0,1179
EFIC	0,238	5,90	0,0590
EFIT	0,115	2,85	0,0285
IMRS-V	0,393	9,74	0,0974
IMRS-CEL	0,339	8,40	0,0840
DV	0,519	12,86	0,1286
Total	4,036	100	1

• A-URB: área urbana dos municípios; A-COR: área de corredores viários (ruas e rodovias); EFS: empregos no setor de serviços; EFC: empregos no setor de comércio; EFIC: empregos na indústria da construção; EFIT: empregos na indústria de transformação; IMRS-V: Índice Mineiro de Responsabilidade Social – Vulnerabilidade; IMRS-CEL: Índice Mineiro de Responsabilidade Social – Cultura, Esporte e Lazer; DV: densidade de veículos.
• ^a Valores significativos ao nível de 1% de probabilidade.
• ^b Percentagem do valor de correlação da variável em relação à soma de todos os valores.
• IVT: índice de vulnerabilidade à transmissão viral.

Antes da aplicação do modelo ADMC, foi realizada uma análise descritiva das variáveis independentes selecionadas, de modo a evidenciar suas distribuições estatísticas entre os 853 municípios de Minas Gerais. A Tabela 2 apresenta os valores médios, desvios-padrão, medianas, mínimos e máximos observados para cada variável, permitindo visualizar a heterogeneidade estrutural e socioeconômica do estado.

Tabela 2
Estatísticas descritivas das variáveis independentes utilizadas na composição do IVTSARS-CoV-2.

Variável	Média	Desvio-padrão	Mediana	Mínimo	Máximo
A-URB	5,2	15,1	1,57	0	287,41
A-COR	5,37	6,07	3,37	0,25	64,42
EFS	7,09	3,97	6,34	0,21	74,78
EFC	2,37	1,68	1,97	0,17	12,08
EFIC	0,39	1,03	0,09	0	11,47
EFIT	2,52	4,09	0,97	0	44,2
IMRS-V	0,54	0,1	0,54	0,29	0,82
IMRS-CEL	0,53	0,19	0,52	0	1
DV	38,22	256,28	10,21	0,16	6.902,97

• IVT_SARS-CoV-2: índice de vulnerabilidade à transmissão do vírus SARS-CoV-2; A-URB: área urbana dos municípios; A-COR: área de corredores viários (ruas e rodovias); EFS: empregos no setor de serviços; EFC: empregos no setor de comércio; EFIC: empregos na indústria da construção; EFIT: empregos na indústria de transformação; IMRS-V: Índice Mineiro de Responsabilidade Social – Vulnerabilidade; IMRS-CEL: Índice Mineiro de Responsabilidade Social – Cultura, Esporte e Lazer; DV: densidade de veículos.

O IVT_SARS-CoV-2 obtido por meio do modelo de análise multicritério variou de 1 a 8 para os 853 municípios de Minas Gerais (Figura 1). Os municípios que obtiveram um resultado de 1 foram os caracterizados como de menor risco de transmissão da doença. Por outro lado, aqueles que registraram valores mais altos de IVT_SARS-CoV-2 foram classificados como municípios com maior risco de transmissão da viral.

Figura 1
Níveis do IVTSARS-CoV-2 para os municípios de Minas Gerais.

O maior valor do IVT_SARS-CoV-2 foi registrado em Belo Horizonte (8), seguido de Uberlândia (6). Outros quatro municípios apresentaram índice igual a 5: Uberaba, vizinha de Uberlândia; Contagem e Nova Lima, limítrofes à capital; e Juiz de Fora, no sudeste do estado. A distribuição espacial dos maiores índices revelou concentração de elevada vulnerabilidade em áreas associadas a polos urbanos e regiões metropolitanas, como a Região Metropolitana de Belo Horizonte, Triângulo Mineiro, Sul de Minas e Zona da Mata. Esses territórios apresentam elevada densidade urbana, conectividade viária e setores econômicos com alta interação social – aspectos refletidos nas variáveis A-URB, A-COR, DV, EFS e EFC, de maior peso no modelo. Em contraste, municípios do Norte e Nordeste de Minas Gerais, marcados por menor densidade populacional e infraestrutura urbana e econômica reduzida, apresentaram os menores valores do índice.

Entre os 853 municípios de Minas Gerais, 31 destacaram-se por apresentarem os maiores níveis de vulnerabilidade à transmissibilidade do SARS-CoV-2. Além dos seis municípios previamente mencionados, com índices variando entre 5 e 8, outros 25 municípios atingiram um IVT_SARS-CoV-2 igual a 4, conforme detalhado na Tabela 3. Esses municípios estão distribuídos em diversas regiões do estado, refletindo a heterogeneidade da vulnerabilidade à covid-19 em Minas Gerais.

Tabela 3
Municípios com os maiores valores de IVTSARS-CoV-2, de acordo com o modelo proposto.

Código IBGE	Município	IVT	Código IBGE	Município	IVT
3106200	Belo Horizonte	8	3152501	Pouso Alegre	4
3170206	Uberlândia	6	3104007	Araxá	4
3170107	Uberaba	5	3134202	Ituiutaba	4
3118601	Contagem	5	3127701	Governador Valadares	4
3136702	Juiz de Fora	5	3127107	Frutal	4
3144805	Nova Lima	5	3148103	Patrocínio	4
3143302	Montes Claros	4	3147006	Paracatu	4
3148004	Patos de Minas	4	3131307	Ipatinga	4
3106705	Betim	4	3131703	Itabira	4
3170404	Unaí	4	3120904	Curvelo	4
3122306	Divinópolis	4	3147907	Passos	4
3103504	Araguari	4	3107406	Bom Despacho	4
3170701	Varginha	4	3126109	Formiga	4
3151800	Poços de Caldas	4	3168606	Teófilo Otoni	4
3167202	Sete Lagoas	4	3152105	Ponte Nova	4
3125101	Extrema	4	-	-	-

• IVT: índice de vulnerabilidade à transmissão viral; IBGE: Instituto Brasileiro de Geografia e Estatística.
• IVT: índice de vulnerabilidade à transmissão viral.

A Figura 2 permite visualizar a vulnerabilidade regional agregada, identificando microrregiões com padrão mais elevado de IVT_SARS-CoV-2. Microrregiões como Belo Horizonte, Uberlândia, Uberaba e Juiz de Fora revelam forte expressão do dinamismo urbano e da mobilidade regional como fatores de risco. Adicionalmente, é possível observar que parte dos municípios com alto IVT_SARS-CoV-2 também são sedes de superintendências ou gerências regionais de saúde⁴⁰, o que reforça seu papel como centros articuladores de fluxos territoriais. A espacialização do índice evidencia, portanto, uma lógica de disseminação associada à centralidade urbana e à estrutura de rede regional, aspectos que devem ser considerados em estratégias de prevenção e resposta a pandemias futuras.

Figura 2
Níveis do IVTSARS-CoV-2 e microrregiões de maior vulnerabilidade no âmbito de Minas Gerais.

A performance do modelo, avaliada por meio da média dos valores de EQM obtidos em cada iteração da validação cruzada, se mostrou bastante satisfatória. Sendo que o valor médio do EQM foi extremamente pequeno, aproximadamente 5,8331 x 10³².

DISCUSSÃO

A variável de maior peso na ADMC foi A-URB, contribuindo com 22,92% do peso total do modelo. Conforme indicado na Tabela 1, essa variável apresentou a mais alta correlação com o número de casos de covid-19 (r = 0,925). Trata-se de um indicador diretamente associado à densidade de construções e à concentração populacional⁴¹. O crescimento das áreas urbanas tende a aumentar a exposição das populações a doenças respiratórias, devido à maior proximidade entre indivíduos e à complexidade das redes de contato social³²,⁴².

Além disso, centros urbanos atraem fluxos regionais, nacionais e internacionais em função da oferta diversificada de serviços e atividades econômicas⁴³. Esse dinamismo urbano pode gerar cenários mais propícios à disseminação viral, especialmente em locais com desigualdade no acesso à saúde e com condições precárias de moradia⁹,⁴⁷.

A segunda variável de maior importância para a ADMC foi A-COR, sendo o peso dessa variável correspondente a 17,54% do IVT_SARS-CoV-2. Inicialmente, o aumento de casos de covid-19 se deu por meio da difusão hierárquica e a difusão por contágio adquiriu maior relevância a partir do estabelecimento da transmissão local do vírus SARS-CoV-2⁴⁸,⁴⁹. Nesse sentido, o deslocamento de indivíduos infectados pelo SARS-CoV-2 passou a exercer um papel crucial no aumento dos casos da doença⁵⁰. Ademais, o deslocamento populacional por meio de transportes públicos revelou-se um fator relevante para a transmissibilidade viral, tanto em virtude da aglomeração de pessoas quanto do tempo de exposição⁵³,⁵⁴.

Em áreas urbanas, a maior conectividade e densidade populacional tendem a facilitar a disseminação rápida de patógenos como o SARS-CoV-2, enquanto as áreas rurais, embora menos densas, podem apresentar vulnerabilidade devido à conectividade com centros urbanos. Adicionalmente, medidas de controle podem apresentar eficácia limitada em áreas urbanas em comparação com áreas rurais⁵⁵. De maneira geral, a densidade populacional e as intensas interações sociais em centros urbanos contribuem significativamente para a rápida disseminação de patógenos, aumentando o risco de surtos e pandemias⁵⁶,⁵⁷.

Também relacionada à mobilidade, a variável densidade de veículos (DV) apresentou peso de 12,86% no modelo. Para além do deslocamento de pessoas, essa variável tem implicações ambientais importantes. A emissão de poluentes atmosféricos, como o material particulado PM_2,5 e PM₁₀⁵⁸,⁵⁹, pode comprometer o sistema respiratório e agravar quadros de infecção por covid-19⁶⁰,⁶¹. Estudos têm relacionado a poluição atmosférica à elevação de casos e óbitos por covid-19 em diferentes regiões do mundo⁶².

No que diz respeito à estrutura ocupacional dos municípios, destacaram-se as variáveis empregos no setor de comércio (EFC) e empregos no setor de serviços (EFS), com pesos de 11,79% e 8%, respectivamente. Como ilustrado na Tabela 1, esses setores implicam maior interação social e aglomeração, o que aumenta o risco de transmissão viral. Trabalhadores desses setores – especialmente em serviços essenciais, como transporte, alimentação e saúde – foram particularmente vulneráveis durante a pandemia⁶⁷.

Os subíndices IMRS-V e IMRS-CEL corresponderam respectivamente a 9,74 e 8,40% dos pesos para a ADMC. Dessa maneira, temos a condição de vulnerabilidades social sendo positivamente relacionada à maior incidência de covid-19⁵,⁷,⁷⁰. Assim como a possibilidade de cidades com mais infraestruturas destinadas a fins recreativos terem promovido a aglomeração de pessoas em detrimento do distanciamento social⁶⁸. Para além disso, no momento de registro dos casos de covid-19 utilizados neste trabalho (fevereiro de 2022), já havia certa tranquilidade e volta à normalidade por parte da população, devido ao avanço das campanhas de vacinação⁷¹. Além disso, não houve consideração por parte da sociedade de que a variante Ômicron, que estava em circulação no estado, tinha grande potencial de disseminação²⁷. Vale ressaltar que a “Emergência em Saúde Pública de Importância Nacional em decorrência da infecção humana pelo novo coronavírus (2019-nCoV)” foi encerrada pela Portaria GM/MS nº 913, de 22 de abril de 2022, e entrou em vigor 30 dias após sua publicação⁷².

De modo geral, as variáveis incluídas no modelo refletem a multiplicidade de fatores associados à vulnerabilidade territorial à covid-19 em Minas Gerais. A distribuição espacial dos valores do IVT_SARS-CoV-2 evidencia a disseminação do vírus em função da urbanização local, da mobilidade e da estrutura social dos municípios.

Os baixos erros obtidos durante a validação cruzada indicam a consistência estatística e a robustez dos resultados. O índice mostrou-se sensível às variações intraestaduais, revelando padrões territoriais de vulnerabilidade à transmissão do SARS-CoV-2, fortalecendo seu potencial de aplicação em outras doenças transmissíveis e estratégias de prevenção de futuras pandemias.

Entretanto, algumas limitações relacionadas às variáveis independentes se destacam. A maioria dos dados socioeconômicos e estruturais referem-se a 2019, por ser o conjunto mais recente disponível em nível municipal com abrangência estadual. Esse desfasamento temporal, em relação ao período analisado (fevereiro de 2022), pode comprometer parcialmente a atualidade das estimativas, sobretudo diante das mudanças sociais e econômicas aceleradas pela pandemia. Além disso, embora as variáveis tenham sido selecionadas com base em uma literatura consolidada, trata-se de proxies que não captam diretamente aspectos mais dinâmicos, como fluxos populacionais diários ou mudanças comportamentais induzidas por políticas públicas. Outro ponto a considerar é a existência de subnotificações no Brasil, as quais podem afetar a qualidade e a completude dos registros utilizados⁷³. Por fim, cabe destacar que os dados são provenientes de diferentes fontes – como Fundação João Pinheiro, MapBiomas e OpenStreetMap – e utilizam metodologias distintas em termos de abrangência e periodicidade, o que pode introduzir heterogeneidade nas variáveis explicativas.

CONSIDERAÇÕES FINAIS

Este estudo avaliou a vulnerabilidade dos municípios de Minas Gerais à transmissão do SARS-CoV-2 utilizando o índice IVT_SARS-CoV-2, baseado no modelo de ADMC. O índice evidenciou o papel crucial de variáveis socioeconômicas e de infraestrutura urbana, como mobilidade, densidade de veículos, conectividade e ocupação profissional, na disseminação do vírus. Embora essas variáveis expliquem parte da dinâmica de transmissão, limitações como subnotificação de casos e ausência de fatores comportamentais afetam a precisão do modelo.

Apesar das limitações, como subnotificação de casos e ausência de variáveis comportamentais, o IVT_SARS-CoV-2 demonstra ser uma ferramenta apropriada para subsidiar políticas públicas, priorizar recursos e mitigar crises sanitárias. Além disso, o índice pode ser aplicado a outras doenças transmissíveis e adaptado a diferentes contextos regionais, provendo análises específicas e alinhadas às necessidades locais.

Os resultados destacam a importância de compreender as dinâmicas socioespaciais que influenciam a vulnerabilidade dos territórios, contribuindo para estratégias mais eficientes de enfrentamento de pandemias. Nossos resultados, de maneira inovadora, mostram a necessidade de incluir corredores e conectividade urbana no contexto do planejamento territorial como estratégia de mitigação a eventos pandêmicos. Estudos futuros que explorem a inclusão de variáveis comportamentais e novas abordagens metodológicas podem aprimorar ainda mais as análises realizadas, aumentando a aplicabilidade e a precisão.

O índice proposto pode ser incorporado como insumo técnico em planos estaduais e municipais de contingência sanitária, bem como em iniciativas de ordenamento territorial voltadas à mitigação de riscos epidemiológicos.

Referências bibliográficas

• ¹ Bambra C, Riordan R, Ford J, Matthews F. The COVID-19 pandemic and health inequalities. J Epidemiol Community Health. 2020 Nov;74(11):964-8. https://doi.org/10.1136/jech-2020-214401
  » https://doi.org/10.1136/jech-2020-214401
• ² Goldman N. Social Inequalities in Health. Ann N Y Acad Sci. 2001;954(1):118-39. https://doi.org/10.1111/j.1749-6632.2001.tb02750.x
  » https://doi.org/10.1111/j.1749-6632.2001.tb02750.x
• ³ Mackenbach JP, Stirbu I, Roskam AJR, Schaap MM, Menvielle G, Leinsalu M, et al. Socioeconomic Inequalities in Health in 22 European Countries. N Engl J Med. 2008 Jun;358(23):2468-81. https://doi.org/10.1056/NEJMsa0707519
  » https://doi.org/10.1056/NEJMsa0707519
• ⁴ Campos IS, Aratani VF, Cabral KB, Limongi JE, Oliveira SV. A Vulnerability Analysis for the Management of and Response to the COVID-19 Epidemic in the Second Most Populous State in Brazil. Front Public Health. 2021 Apr; 9. https://doi.org/10.3389/fpubh.2021.586670
  » https://doi.org/10.3389/fpubh.2021.586670
• ⁵ Cifuentes MP, Rodriguez-Villamizar LA, Rojas-Botero ML, Alvarez-Moreno CA, Fernández-Niño JA. Socioeconomic inequalities associated with mortality for COVID-19 in Colombia: a cohort nationwide study. J Epidemiol Community Health. 2021 Jul;75(7):610-5. https://doi.org/10.1136/jech-2020-216275
  » https://doi.org/10.1136/jech-2020-216275
• ⁶ Cortez MLJ, Azevedo UR, Campos Júnior EO, Nascimento DCM, Diogo AM, Coelho VBN, et al. What role do social variables and health play in the spread of COVID-19 in the state of Minas Gerais - Brazil? Cad Geogr. 2023 Apr;33(72):317. https://doi.org/10.5752/P.2318-2962.2023v33n72p317
  » https://doi.org/10.5752/P.2318-2962.2023v33n72p317
• ⁷ Quan D, Luna Wong L, Shallal A, Madan R, Hamdan A, Ahdi H, et al. Impact of Race and Socioeconomic Status on Outcomes in Patients Hospitalized with COVID-19. J Gen Intern Med. 2021 May;36(5):1302-9. https://doi.org/10.1007/s11606-020-06527-1
  » https://doi.org/10.1007/s11606-020-06527-1
• ⁸ Siqueira CAS, Freitas YNL, Cancela MC, Carvalho M, Silva LP, Dantas NCD, et al. COVID-19 no Brasil: tendências, desafios e perspectivas após 18 meses de pandemia. Rev Panam Salud Pública. 2023 Apr;46:e74. https://doi.org/10.26633/rpsp.2022.74
  » https://doi.org/10.26633/rpsp.2022.74
• ⁹ Connolly C, Keil R, Ali SH. Extended urbanisation and the spatialities of infectious disease: Demographic change, infrastructure and governance. Urban Stud. 2021 Feb;58(2):245-63. https://doi.org/10.1177/0042098020910873
  » https://doi.org/10.1177/0042098020910873
• ¹⁰ Koehl A. Urban transport and COVID-19: challenges and prospects in low-and middle-income countries. Cities Health. 2021 Jul;5(sup1):S185-90. https://doi.org/10.1080/23748834.2020.1791410
  » https://doi.org/10.1080/23748834.2020.1791410
• ¹¹ Teller J. Urban density and Covid-19: towards an adaptive approach. Build Cities. 2021;2(1):150-65. https://doi.org/10.5334/bc.89
  » https://doi.org/10.5334/bc.89
• ¹² Alves A, Costa NM, Morgado P, Costa EM. Uncovering COVID-19 infection determinants in Portugal: towards an evidence-based spatial susceptibility index to support epidemiological containment policies. Int J Health Geogr. 2023 Apr;22(1):8. https://doi.org/10.1186/s12942-023-00329-4
  » https://doi.org/10.1186/s12942-023-00329-4
• ¹³ Li X, Liu T, Lin L, Song T, Du X, Lin H, et al. Application of the analytic hierarchy approach to the risk assessment of Zika virus disease transmission in Guangdong Province, China. BMC Infect Dis. 2017 Jan;17(1):65. https://doi.org/10.1186/s12879-016-2170-2
  » https://doi.org/10.1186/s12879-016-2170-2
• ¹⁴ Mishra SV, Gayen A, Haque SM. COVID-19 and urban vulnerability in India. Habitat Int. 2020 Sep;103:102230. https://doi.org/10.1016/j.habitatint.2020.102230
  » https://doi.org/10.1016/j.habitatint.2020.102230
• ¹⁵ Sangiorgio V, Parisi F. A multicriteria approach for risk assessment of Covid-19 in urban district lockdown. Saf Sci. 2020 Oct;130:104862. https://doi.org/10.1016/j.ssci.2020.104862
  » https://doi.org/10.1016/j.ssci.2020.104862
• ¹⁶ Dom NC, Ahmad AH, Latif ZA, Ismail R. Application of geographical information system-based analytical hierarchy process as a tool for dengue risk assessment. Asian Pac J Trop Dis. 2016 Dec 1;6(12):928-35. https://doi.org/10.1016/S2222-1808 (16)61158-1
  » https://doi.org/10.1016/S2222-1808 (16)61158-1
• ¹⁷ Zhao X, Thanapongtharm W, Lawawirojwong S, Wei C, Tang Y, Zhou Y, et al. Malaria Risk Map Using Spatial Multi-Criteria Decision Analysis along Yunnan Border During the Pre-elimination Period. Am J Trop Med Hyg. 2020 Aug;103(2):793-809. https://doi.org/10.4269/ajtmh.19-0854
  » https://doi.org/10.4269/ajtmh.19-0854
• ¹⁸ Almeida AT, Alencar MH, Garcez TV, Ferreira RJP. A systematic literature review of multicriteria and multi-objective models applied in risk management. IMA J Manag Math. 2017 Apr;28(2):153-84. https://doi.org/10.1093/imaman/dpw021
  » https://doi.org/10.1093/imaman/dpw021
• ¹⁹ Hawkins RB, Charles EJ, Mehaffey JH. Socio-economic status and COVID-19 -related cases and fatalities. Public Health. 2020 Dec;189:129-34. https://doi.org/10.1016/j.puhe.2020.09.016
  » https://doi.org/10.1016/j.puhe.2020.09.016
• ²⁰ Henning A, McLaughlin C, Armen S, Allen S. Socio-spatial influences on the prevalence of COVID-19 in central Pennsylvania. Spat Spatio-Temporal Epidemiol. 2021 Jun;37:100411. https://doi.org/10.1016/j.sste.2021.100411
  » https://doi.org/10.1016/j.sste.2021.100411
• ²¹ Khalatbari-Soltani S, Cumming RC, Delpierre C, Kelly-Irving M. Importance of collecting data on socioeconomic determinants from the early stage of the COVID-19 outbreak onwards. J Epidemiol Community Health. 2020 Aug;74(8):620-3. https://doi.org/10.1136/jech-2020-214297
  » https://doi.org/10.1136/jech-2020-214297
• ²² Santos HLPC, Maciel FBM, Santos GM, Martins PC, Prado NMBL. Gastos públicos com internações hospitalares para tratamento da covid-19 no Brasil em 2020. Rev Saúde Pública. 2021 Aug;55. https://doi.org/10.11606/s1518-8787.2021055003666
  » https://doi.org/10.11606/s1518-8787.2021055003666
• ²³ Nações Unidas Brasil. Objetivo de Desenvolvimento Sustentável 3: Saúde e Bem-Estar [Internet]. 2022 [cited 2025 Jan 3]. Available from: https://brasil.un.org/pt-br/sdgs/3
  » https://brasil.un.org/pt-br/sdgs/3
• ²⁴ Instituto Brasileiro de Geografia e Estatística. Minas Gerais | Cidades e Estados [Internet]. 2025 [cited 2025 Jan 3]. Available from: https://www.ibge.gov.br/cidades-e-estados/mg/
  » https://www.ibge.gov.br/cidades-e-estados/mg/
• ²⁵ SES-MG. Boletim Epidemiológico Coronavírus [Internet]. 2022 [cited 2023 Feb 16]. Available from: https://coronavirus.saude.mg.gov.br/boletim
  » https://coronavirus.saude.mg.gov.br/boletim
• ²⁶ SES-MG. Dados Abertos Coronavírus [Internet]. 2025 [cited 2025 Jan 3]. Available from: https://coronavirus.saude.mg.gov.br/dadosabertos
  » https://coronavirus.saude.mg.gov.br/dadosabertos
• ²⁷ Instituto Butantan. Portal do Butantan. Seis fatos sobre a ômicron, a variante mais transmissível da covid-19 [Internet]. 2022 [cited 2023 Aug 5]. Available from: https://butantan.gov.br/noticias/seis-fatos-sobre-a-omicron-a-variante-mais-transmissivel-da-covid-19
  » https://butantan.gov.br/noticias/seis-fatos-sobre-a-omicron-a-variante-mais-transmissivel-da-covid-19
• ²⁸ Benita F, Gasca-Sanchez F. The main factors influencing COVID-19 spread and deaths in Mexico: A comparison between phases I and II. Appl Geogr. 2021 Sep;134:102523. https://doi.org/10.1016/j.apgeog.2021.102523
  » https://doi.org/10.1016/j.apgeog.2021.102523
• ²⁹ Rocha R, Atun R, Massuda A, Rache B, Spinola P, Nunes L, et al. Effect of socioeconomic inequalities and vulnerabilities on health-system preparedness and response to COVID-19 in Brazil: a comprehensive analysis. Lancet Glob Health. 2021 Jun;9(6):e782-92. https://doi.org/10.1016/S2214-109X (21)00081-4
  » https://doi.org/10.1016/S2214-109X (21)00081-4
• ³⁰ Fundação João Pinheiro. Home [Internet]. 2019 [cited 2025 Jan 3]. Available from: https://imrs.fjp.mg.gov.br/Home/Dimensoes
  » https://imrs.fjp.mg.gov.br/Home/Dimensoes
• ³¹ MapBiomas. Home [Internet]. 2025 [cited 2025 Jan 3]. Available from: https://brasil.mapbiomas.org/
  » https://brasil.mapbiomas.org/
• ³² Yu D, Li X, Yu J, Shi X, Liu P, Tian P. Whether Urbanization Has Intensified the Spread of Infectious Diseases - Renewed Question by the COVID-19 Pandemic. Front Public Health. 2021 Nov;9. https://doi.org/10.3389/fpubh.2021.699710
  » https://doi.org/10.3389/fpubh.2021.699710
• ³³ OpenStreetMap. Home. 2025 [cited 2025 Jan 3]. Available from: https://www.openstreetmap.org/
  » https://www.openstreetmap.org/
• ³⁴ Fundação João Pinheiro. Home [Internet]. 2019 [cited 2023 Feb 6]. Available from: https://imrs.fjp.mg.gov.br/Home/IMRS
  » https://imrs.fjp.mg.gov.br/Home/IMRS
• ³⁵ Soares-Filho BS, Cerqueira GC, Pennachin CL. Dinamica - a stochastic cellular automata model designed to simulate the landscape dynamics in an Amazonian colonization frontier. Ecol Model. 2002 Sep;154(3):217-35. https://doi.org/10.1016/S0304-3800 (02)00059-5
  » https://doi.org/10.1016/S0304-3800 (02)00059-5
• ³⁶ Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. scikit-learn: machine learning in Python. J Mach Learn Res. 2011; 12:2825-30.
• ³⁷ Arlot S, Celisse A. A survey of cross-validation procedures for model selection. Stat Surv. 2010 Jan;4:40-79. https://doi.org/10.1214/09-SS054
  » https://doi.org/10.1214/09-SS054
• ³⁸ Bishop CM, Nasrabadi NM. Pattern Recognition and Machine Learning [Internet]. Vol. 4. New York: Springer; 2006 [cited 2024 Aug 8]. Available from: https://link.springer.com/book/9780387310732
  » https://link.springer.com/book/9780387310732
• ³⁹ Browne MW. Cross-Validation Methods. J Math Psychol. 2000 Mar;44(1):108-32. https://doi.org/10.1006/jmps.1999.1279
  » https://doi.org/10.1006/jmps.1999.1279
• ⁴⁰ SES-MG. Superintendências Regionais de Saúde (SRS) e Gerências Regionais de Saúde (GRS) [Internet]. 2025 [cited 2025 Jan 3]. Available from: https://www.saude.mg.gov.br/sobre/institucional/superintendencias-regionais-de-saude-e-gerencias-regionais-de-saude
  » https://www.saude.mg.gov.br/sobre/institucional/superintendencias-regionais-de-saude-e-gerencias-regionais-de-saude
• ⁴¹ Marshall JD. Urban Land Area and Population Growth: A New Scaling Relationship for Metropolitan Expansion. Urban Stud. 2007 Sep;44(10):1889-904. https://doi.org/10.1080/00420980701471943
  » https://doi.org/10.1080/00420980701471943
• ⁴² Chen L, Xing Y, Zhang Y, Xie J, Su B, Jiang J, et al. Long-term variations of urban-Rural disparities in infectious disease burden of over 8.44 million children, adolescents, and youth in China from 2013 to 2021: An observational study. PLOS Med. 2024 Apr;21(4):e1004374. https://doi.org/10.1371/journal.pmed.1004374
  » https://doi.org/10.1371/journal.pmed.1004374
• ⁴³ David Q, Peeters D, Van Hamme G, Vandermotten C. Is bigger better? Economic performances of European cities, 1960-2009. Cities. 2013 Dec;35:237-54. https://doi.org/10.1016/j.cities.2013.07.011
  » https://doi.org/10.1016/j.cities.2013.07.011
• ⁴⁴ Marconato M, Parré JL, Coelho MH. Dinâmica financeira dos municípios brasileiros. Rev Adm Pública. 2021 May; 55:378-94. https://doi.org/10.1590/0034-761220200041
  » https://doi.org/10.1590/0034-761220200041
• ⁴⁵ Knowles RD. Transit Oriented Development in Copenhagen, Denmark: from the Finger Plan to Ørestad. J Transp Geogr. 2012 May; 22:251-61. https://doi.org/10.1016/j.jtrangeo.2012.01.009
  » https://doi.org/10.1016/j.jtrangeo.2012.01.009
• ⁴⁶ Li JZ, Yang DC. Guangdong: China's Economic Powerhouse - The Past, the Present and the Future. In: Bui TX, Yang DC, Jones WD, Li JZ, editors. China's Economic Powerhouse: Reform in Guangdong Province [Internet]. London: Palgrave Macmillan UK; 2003 [cited 2023 Sep 3]. p. 208-30. Available from: https://doi.org/10.1057/9780230508668_11
  » https://doi.org/10.1057/9780230508668_11
• ⁴⁷ Munster VJ, Bausch DG, Wit E, Fischer R, Kobinger G, Muñoz-Fontela C, et al. Outbreaks in a Rapidly Changing Central Africa ? Lessons from Ebola. N Engl J Med. 2018 Sep; 379(13):1198-201. https://doi.org/10.1057/9780230508668_11
  » https://doi.org/10.1057/9780230508668_11
• ⁴⁸ Batella W, Miyazaki VK. Relações entre rede urbana e covid-19 em Minas Gerais. Hygeia. 2020 Jun;102-10. https://doi.org/10.14393/Hygeia0054622
  » https://doi.org/10.14393/Hygeia0054622
• ⁴⁹ Souza MVM, Ferreira Júnior DB. Rede urbana, interações espaciais e a geografia da saúde: análise da trajetória da Covid-19 no estado do Pará. Rev Bras Geogr Econômica. 2020 Apr;(18). https://doi.org/10.4000/espacoeconomia.13146
  » https://doi.org/10.4000/espacoeconomia.13146
• ⁵⁰ Alidadi M, Sharifi A. Effects of the built environment and human factors on the spread of COVID-19: A systematic literature review. Sci Total Environ. 2022 Dec; 850:158056. https://doi.org/10.1016/j.scitotenv.2022.158056
  » https://doi.org/10.1016/j.scitotenv.2022.158056
• ⁵¹ Kephart JL, Delclòs-Alió X, Rodríguez DA, Sarmiento OL, Barrientos-Gutiérrez T, Ramirez-Zea M, et al. The effect of population mobility on COVID-19 incidence in 314 Latin American cities: a longitudinal ecological study with mobile phone location data. Lancet Digit Health. 2021 Nov;3(11):e716-22. https://doi.org/10.1016/S2589-7500 (21)00174-6
  » https://doi.org/10.1016/S2589-7500 (21)00174-6
• ⁵² Wang B, Liu J, Li Y, Fu S, Xu X, Li L, et al. Airborne particulate matter, population mobility and COVID-19: a multi-city study in China. BMC Public Health. 2020 Oct;20(1):1585. https://doi.org/10.1186/s12889-020-09669-3
  » https://doi.org/10.1186/s12889-020-09669-3
• ⁵³ Chang S, Pierson E, Koh PW, Gerardin J, Redbird B, Grusky D, et al. Mobility network models of COVID-19 explain inequities and inform reopening. Nature. 2021 Jan;589(7840):82-7. https://doi.org/10.1038/s41586-020-2923-3
  » https://doi.org/10.1038/s41586-020-2923-3
• ⁵⁴ Li S, Ma S, Zhang J. Association of built environment attributes with the spread of COVID-19 at its initial stage in China. Sustain Cities Soc. 2021 Apr;67:102752. https://doi.org/10.1016/j.scs.2021.102752
  » https://doi.org/10.1016/j.scs.2021.102752
• ⁵⁵ Wells K, Lurgi M, Collins B, Lucini B, Kao RR, Lloyd AL, et al. Disease control across urban-rural gradients. J R Soc Interface. 2020 Dec 9; 17(173):20200775. https://doi.org/10.1098/rsif.2020.0775
  » https://doi.org/10.1098/rsif.2020.0775
• ⁵⁶ Boterman W. Population density and SARS-CoV-2 pandemic: Comparing the geography of different waves in the Netherlands. Urban Stud. 2023 Jun;60(8):1377-402. https://doi.org/10.1177/00420980221087165
  » https://doi.org/10.1177/00420980221087165
• ⁵⁷ Patil R, Dave R, Patel H, Shah VM, Chakrabarti D, Bhatia U. Assessing the interplay between travel patterns and SARS-CoV-2 outbreak in realistic urban setting. Appl Netw Sci. 2021 Dec;6(1):1-19. https://doi.org/10.1007/s41109-020-00346-3
  » https://doi.org/10.1007/s41109-020-00346-3
• ⁵⁸ Arti´ñano B, Salvador P, Alonso DG, Querol X, Alastuey A. Influence of traffic on the PM10 and PM2.5 urban aerosol fractions in Madrid (Spain). Sci Total Environ. 2004 Dec;334-335:111-23. https://doi.org/10.1016/j.scitotenv.2004.04.032
  » https://doi.org/10.1016/j.scitotenv.2004.04.032
• ⁵⁹ Beddows DCS, Harrison RM. PM10 and PM2.5 emission factors for non-exhaust particles from road vehicles: Dependence upon vehicle mass and implications for battery electric vehicles. Atmos Environ. 2021 Jan;244:117886. https://doi.org/10.1016/j.atmosenv.2020.117886
  » https://doi.org/10.1016/j.atmosenv.2020.117886
• ⁶⁰ Renard JB, Surcin J, Annesi-Maesano I, Poincelet E. Temporal Evolution of PM2.5 Levels and COVID-19 Mortality in Europe for the 2020-2022 Period. Atmosphere. 2023 Aug;14(8):1222. https://doi.org/10.3390/atmos14081222
  » https://doi.org/10.3390/atmos14081222
• ⁶¹ Zoran MA, Savastru RS, Savastru DM, Tautan MN. Assessing the relationship between surface levels of PM2.5 and PM10 particulate matter impact on COVID-19 in Milan, Italy. Sci Total Environ. 2020 Oct;738:139825. https://doi.org/10.1016/j.scitotenv.2020.139825
  » https://doi.org/10.1016/j.scitotenv.2020.139825
• ⁶² Bragoszewska E, Mainka A. Impact of different air pollutants (PM10, PM2.5, NO2, and bacterial aerosols) on COVID-19 cases in Gliwice, Southern Poland. Int J Environ Res Public Health. 2022 Jan;19(21):14181. https://doi.org/10.3390/ijerph192114181
  » https://doi.org/10.3390/ijerph192114181
• ⁶³ Jiang Y, Wu XJ, Guan YJ. Effect of ambient air pollutants and meteorological variables on COVID-19 incidence. Infect Control Hosp Epidemiol. 2020 Sep;41(9):1011-5. https://doi.org/10.1017/ice.2020.222
  » https://doi.org/10.1017/ice.2020.222
• ⁶⁴ Khaniabadi YO, Sicard P, Dehghan B, Mousavi H, Saeidimehr S, Farsani MH, et al. COVID-19 Outbreak Related to PM10, PM2.5, Air Temperature and Relative Humidity in Ahvaz, Iran. Dr Sulaiman Al Habib Med J. 2022 Dec;4(4):182-95. https://doi.org/10.1007/s44229-022-00020-z
  » https://doi.org/10.1007/s44229-022-00020-z
• ⁶⁵ Meo SA, Al-Khlaiwi T, Ullah CH. Effect of ambient air pollutants PM2.5 and PM10 on COVID-19 incidence and mortality: observational study. Eur Rev Med Pharmacol Sci. 2021 Dec;25(23):7553-64. https://doi.org/10.26355/eurrev_202112_27455
  » https://doi.org/10.26355/eurrev_202112_27455
• ⁶⁶ Gonçalves K dos S, Cirino GG, Costa MO, Couto L de O do, Tortelote GG, Hacon S de S. The potential impact of PM on the covid-19 crisis in the Brazilian Amazon region. Rev Saúde Pública. 2023 Sep;57. https://doi.org/10.11606/s1518-8787.2023057005134
  » https://doi.org/10.11606/s1518-8787.2023057005134
• ⁶⁷ Andersen LM, Harden SR, Sugg MM, Runkle JD, Lundquist TE. Analyzing the spatial determinants of local Covid-19 transmission in the United States. Sci Total Environ. 2021 Feb;754:142396. https://doi.org/10.1016/j.scitotenv.2020.142396
  » https://doi.org/10.1016/j.scitotenv.2020.142396
• ⁶⁸ De Angelis E, Renzetti S, Volta M, Donato F, Calza S, Placidi D, et al. COVID-19 incidence and mortality in Lombardy, Italy: An ecological study on the role of air pollution, meteorological factors, demographic and socioeconomic variables. Environ Res. 2021 Apr;195:110777. https://doi.org/10.1016/j.envres.2021.110777
  » https://doi.org/10.1016/j.envres.2021.110777
• ⁶⁹ Garnier R, Benetka JR, Kraemer J, Bansal S. Socioeconomic Disparities in Social Distancing During the COVID-19 Pandemic in the United States: Observational Study. J Med Internet Res. 2021 Jan 22;23(1):e24591. https://doi.org/10.2196/24591
  » https://doi.org/10.2196/24591
• ⁷⁰ Yoshikawa Y, Kawachi I. Association of Socioeconomic Characteristics With Disparities in COVID-19 Outcomes in Japan. JAMA Netw Open. 2021 Jul 14;4(7):e2117060. https://doi.org/10.1001/jamanetworkopen.2021.17060
  » https://doi.org/10.1001/jamanetworkopen.2021.17060
• ⁷¹ Instituto Butantan. Retrospectiva 2021: segundo ano da pandemia é marcado pelo avanço da vacinação contra Covid-19 no Brasil [Internet]. 2021 [cited 2023 Sep 5]. Available from: https://butantan.gov.br/noticias/retrospectiva-2021-segundo-ano-da-pandemia-e-marcado-pelo-avanco-da-vacinacao-contra-covid-19-no-brasil
  » https://butantan.gov.br/noticias/retrospectiva-2021-segundo-ano-da-pandemia-e-marcado-pelo-avanco-da-vacinacao-contra-covid-19-no-brasil
• ⁷² Ministério da Saúde (BR). Portaria n o 913, de 22 de abril de 2022 [Internet]. 2022 [cited 2025 Jan 3]. Available from: https://www.planalto.gov.br/ccivil_03/portaria/prt/portaria-913-22-ms.htm
  » https://www.planalto.gov.br/ccivil_03/portaria/prt/portaria-913-22-ms.htm
• ⁷³ Ribeiro L, Bernardes A. Atualização da estimativa de subnotificação em casos de hospitalização por síndrome respiratória aguda e confirmados por infecção por Covid-19 no Brasil e estimativa para Minas Gerais [Internet]. Belo Horizonte: Centro de Desenvolvimento e Planejamento Regional (Cedeplar/UFMG); 2020 [cited 2024 Nov 15]. Available from: https://ufmg.br/comunicacao/noticias/estudo-da-face
  » https://ufmg.br/comunicacao/noticias/estudo-da-face

• Disponibilidade de Dados:
  Os dados estão disponíveis mediante solicitação ao autor correspondente.
• Financiamento:
  Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes - processo n.º 88887.504714/2020-00).

Editado por

• Editor Associado:
  Etna da Silva https://orcid.org/0000-0002-2827-9395

Disponibilidade de dados

Os dados estão disponíveis mediante solicitação ao autor correspondente.

Datas de Publicação

• Publicação nesta coleção
  09 Jan 2026
• Data do Fascículo
  2025

Histórico

• Recebido
  28 Jan 2025
• Aceito
  15 Set 2025