Geospatial panorama of long-term care facilities in Brazil: a portrait of territorial inequalities / Panorama geoespacial das Instituições de Longa Permanência para Idosos no Brasil: um retrato das desigualdades territoriais

OBJECTIVES: To map the number and geospatial distribution of Brazilian long-term care facilities (LTCFs) for older adults. Additionally, we sought to highlight the relationship between these findings and the number of older people in the country's 27 Federation Units, demonstrating the growth of these facilities in the last decade. METHODS: This is a descriptive observational study, using secondary data, which was performed in 3 stages: 1) searching and consolidating national and subnational data from different sources and mapping LTCFs; 2) preparing a geospatial map using Brazilian postal codes; and 3) triangulating the number of facilities and of older people in each state and all 5 Brazilian regions. RESULTS: We found 7029 LTCFs in the country, mostly in the Southeast and South regions: São Paulo, Minas Gerais and Rio Grande do Sul had the highest numbers of facilities while states in the North region represented only 1.12% of Brazilian LTCFs. Geospatial mapping highlighted that 64% of the 5 570 Brazilian municipalities did not have any LTCFs for older adults. CONCLUSIONS: We observed a large difference between Brazilian regions regarding the provision of long-term care.

OBJETIVOS: Mapeamento do número e distribuição geoespacial das Instituições de Longa Permanência para idosos (ILPI) brasileiras. Além disso, procuramos destacar a relação entre estes resultados e o número de pessoas idosas nas 27 unidades de da federação, exibindo o crescimento dessas instalações na última década. METODOLOGIA: Estudo observacional descritivo, a partir de dados secundários, realizado em 3 etapas: 1) pesquisa e consolidação de dados nacionais e subnacionais de diferentes fontes e mapeamento de ILPI; 2) elaboração de mapa geoespacial utilizando o código de endereço postal do Brasil, e 3) triangulação do número de instituições com dados sobre o número dos idosos em cada estado e nas cinco regiões brasileiras. RESULTADOS: Encontramos 7.029 ILPI no país, principalmente nas regiões Sudeste e Sul: São Paulo, Minas Gerais e Rio Grande do Sul tiveram o maior número de instalações, enquanto os estados da região Norte representavam apenas 1,12% das ILPI brasileiras. O mapeamento geoespacial destacou que 64% dos 5 570 municípios brasileiros não possuem ILPI para os idosos. CONCLUSÕES: Observamos uma grande diferença no Brasil em relação à prestação de cuidados de longa duração.

Bancos de dados hierárquicos em inquéritos epidemiológicos / Databases hierarchical in epidemiological surveys

Introdução - A preocupação com a qualidade e disseminação dos dados em inquéritos é crescente no mundo. A integração entre banco de dados, planejamento da amostra, questionário e entrada de dados é fundamental para que resultados observados sejam válidos e precisos. A bibliografia pesquisada apontou que os inquéritos raramente produzem arquivos organizados, padronizados e prontos para disseminação, o que impossibilita estudar diferentes objetos de investigação com base em informações já coletadas. Objetivos - Implementar modelo hierárquico para entrada de dados em inquéritos epidemiológicos. Métodos - Foi utilizada a UML (Linguagem de Modelagem Unificada) para o projeto lógico e o Makeview do Epi Info para obtenção das estruturas de dados. Os testes foram feitos em um setor censitário do inquérito Acesso a Medicamentos - FAPESP. A documentação foi gerada no Makeview com ajuda de uma macro do Excel. Resultados - O modelo permite criar arquivos relacionais flexíveis, conforme a necessidade do objeto de estudo, com unidades estatísticas escolhidas dentre os 4 níveis hierárquicos: setor censitário, domicílios, indivíduos e questões específicas. Conclusão - A possibilidade de criar infinitas visões sobre os dados representa um avanço em comparação com o modelo plano. Deve ser usado como padrão em inquéritos epidemiológicos, pois permite estudar o efeito de conglomeração das unidades de análise, além de viabilizar a disseminação com dados organizados. O Epi Info pode ser usado para implementar modelos hierárquicos que consideram as variáveis do plano amostral.