A coleta de dados em saúde pública tem sido há muito tempo a espinha dorsal da prevenção e controle de doenças. Desde as primeiras tentativas de registrar surtos de pragas até a vigilância digital em tempo real, os métodos que usamos para reunir, analisar e agir em dados de saúde moldaram fundamentalmente nossa capacidade de proteger populações. Dados precisos permitem que os funcionários de saúde pública detectem ameaças emergentes, aloquem recursos de forma eficiente e implementem intervenções direcionadas que salvam vidas. Como o mundo enfrenta desafios cada vez mais complexos – desde pandemias à resistência antimicrobiana – entendendo que a evolução desses sistemas de coleta de dados e seu papel na prevenção é mais crítico do que nunca. A pandemia COVID-19 ressaltou essa dependência, revelando tanto o poder da vigilância digital quanto as consequências das lacunas de dados.

Em muitos países, painéis em tempo real e rastreamento genômico tornaram-se ferramentas essenciais, enquanto relatórios inconsistentes entre fronteiras destacaram a necessidade de quadros globais mais fortes. Este artigo traça a jornada de registros rudimentares para ecossistemas digitais sofisticados, explora o impacto de dados na prevenção de doenças, e examina os desafios e considerações éticas que moldarão o futuro da inteligência pública.

Fundações Históricas de Dados de Saúde Pública

As raízes da coleta sistemática de dados de saúde pública se estendem por séculos. Civilizações antigas, como os gregos e romanos, mantiveram registros rudimentares de epidemias e mortalidade, mas estas eram muitas vezes anedóticas e faltavam padronização. O verdadeiro ponto de viragem veio no século XIX, quando pioneiros como John Snow usaram mapeamento e análise estatística para rastrear um surto de cólera em Londres para uma bomba de água contaminada. Este estudo de referência demonstrou que a investigação orientada por dados poderia identificar a fonte de um surto e informar medidas preventivas – um princípio que permanece central para a epidemiologia hoje. O trabalho de Snow também ilustrou a importância do contexto geográfico, um conceito que mais tarde evoluiria para a epidemiologia espacial moderna.

Na mesma época, o desenvolvimento de estatísticas vitais – registro sistemático de nascimentos, mortes e causas de morte – forneceu a base para a epidemiologia moderna. William Farr, nomeado o primeiro Compiler de Resumos no Escritório Geral de Registro de Inglaterra e País de Gales, introduziu métodos para analisar dados de mortalidade que ainda são usados hoje. Desenvolveu sistemas de classificação padronizados para causas de morte e usou tabelas de vida para calcular indicadores de saúde da população. Nos Estados Unidos, a criação dos Centros de Controle e Prevenção de Doenças (CDC) em 1946 marcou um marco importante, criando uma agência centralizada para vigilância e resposta de doenças. O Serviço de Inteligência Epidemética (EIS) do CDC, fundado em 1951, treinou epidemiologistas para investigar surtos utilizando coleta de dados de campo e análise estatística, estabelecendo um padrão global para resposta rápida. Esses sistemas primitivos basearam-se em formulários de papel, tabulação manual e correio postal, mas lançaram o terreno para a revolução digital que seguiria.

Técnicas modernas na coleta de dados

A coleta de dados em saúde pública de hoje é um ecossistema sofisticado de ferramentas digitais, registros eletrônicos e sistemas de notificação em tempo real. Os registros eletrônicos de saúde (REHs) revolucionaram a disponibilidade de dados, capturando dados demográficos, diagnósticos, resultados laboratoriais e históricos de tratamento em um formato estruturado que pode ser agregado em sistemas de saúde. Relatórios laboratoriais, tanto de ambientes clínicos quanto de laboratórios de saúde pública, fornecem informações oportunas sobre padrões de identificação de patógenos e resistência antimicrobiana. Aplicativos de saúde móvel e portais voltados para o paciente permitem que os indivíduos autorreportem sintomas e rastreiem exposições, gerando dados que anteriormente eram inacessssíveis. Por exemplo, aplicativos usados durante a pandemia de COVID-19 permitiram que os usuários registrassem sintomas, recebam alertas de exposição e contribuam para a vigilância comunitária, embora a privacidade se preocupe com a adoção limitada em algumas regiões.

Sistemas de Informação Geográfica (SIG)

Os Sistemas de Informação Geográfica (SIG) tornaram-se indispensáveis para visualizar a distribuição espacial de doenças. Ao sobrepor dados de casos em mapas que incluem densidade populacional, variáveis climáticas e infraestrutura, os funcionários de saúde podem identificar hotspots, rastrear a propagação geográfica de um surto e planejar a alocação de recursos. Por exemplo, durante o surto de Ebola na África Ocidental, o mapeamento do SIG ajudou a direcionar campanhas de vacinação e prever o movimento do vírus através das fronteiras. A integração do SIG com dados de vigilância em tempo real permite painéis dinâmicos e interativos que apoiam a tomada de decisão durante emergências de saúde pública. Plataformas modernas como o ArcGIS e o QGIS são usadas por agências em todo o mundo para criar mapas de calor de surtos de dengue, analisar padrões de transmissão de malária e otimizar a colocação de clínicas de saúde móveis.

A capacidade de camadas de dados ambientais, como chuvas, temperatura e índices de vegetação, com incidência de doenças, abriu novas avenidas para prever doenças transmitidas por vetores como a doença de Lyme e o vírus do Nilo Ocidental.

Vigilância sindrômica

Os sistemas de vigilância sindrômica coletam e analisam automaticamente dados sobre sintomas em vez de diagnósticos confirmados. Hospitais, serviços de emergência e até mesmo vendas de medicamentos de alto risco nesses sistemas, que buscam padrões incomuns – como um pico de doenças respiratórias ou queixas gastrointestinais – que poderiam sinalizar o início de um surto. O Programa Nacional de Vigilância Sindrômica do CDC agrega dados de milhares de serviços de saúde, dando alerta precoce para tudo, desde gripe sazonal a ataques de antraz. Durante a crise dos opioides, a vigilância sindrômica também se mostrou valiosa para detectar surtos em visitas relacionadas com overdoses, permitindo a rápida implantação de naloxona e alertas de saúde pública. Esses sistemas operam em fontes de dados quase reais, muitas vezes com uma defasagem de apenas 24 a 48 horas, tornando-os mais rápidos do que a vigilância tradicional baseada em laboratório.

No entanto, sua natureza inespecífica requer uma interpretação cuidadosa para evitar falsos alarmes.

Sistemas de vigilância digital

Sistemas de vigilância digital representam a vanguarda da coleta de dados automatizados. Essas plataformas extraem informações de uma ampla gama de fontes, incluindo registros de admissão hospitalar, pedidos de testes laboratoriais, postagens de mídia social, notícias e até mesmo pesquisas na internet. O Programa de Monitorização de Doenças Emergentes (ProMED)[] tem sido pioneiro neste espaço desde 1994, usando uma rede global de especialistas para curadoria de relatórios de eventos incomuns de saúde. Mais recentemente, HealthMap e a Global Public Health Intelligence Network (GPHIN) usam processamento de linguagem natural e aprendizado de máquina para escanear milhares de artigos e postagens online todos os dias, detectando sinais de potenciais surtos antes de canais oficiais de notificação. Esses sistemas podem captar sussurros precoces de um surto – como relatos de notícias locais de um aglomerado incomum de febre em uma aldeia remota – antes de as autoridades de saúde emitirem alertas formais.

A vigilância genômica acrescentou uma nova dimensão poderosa. Durante a pandemia de COVID-19, a Iniciativa Global sobre Compartilhamento de Todos os Dados de Influenza (GISAID)[] tornou-se o repositório central para sequências do genoma do SARS-CoV-2, permitindo que os cientistas rastreiem variantes e mutações em tempo real. Esses dados informaram as atualizações da vacina e orientaram as medidas de saúde pública. A integração de dados genômicos com dados epidemiológicos e clínicos cria uma visão abrangente da evolução de um surto, permitindo intervenções mais precisas. Por exemplo, durante o surto de 2022-2023, o sequenciamento genómico combinado com os dados de rastreamento de contato ajudou a identificar cadeias de transmissão e orientar estratégias de vacinação em tempo real.

O desafio agora é tornar esses sistemas digitais interoperáveis através das fronteiras, de modo que os sinais detectados em um país possam desencadear respostas rápidas em outros lugares.

Impacto dos dados sobre a prevenção de doenças

A recolha de dados precisa e oportuna transformou a prevenção de doenças de uma disciplina reativa numa ciência proactiva baseada em provas. As seguintes aplicações demonstram como os dados melhoram directamente os resultados da prevenção:

  • Identificar populações de alto risco: Dados demográficos, geográficos e comportamentais permitem que as autoridades de saúde identifiquem comunidades mais vulneráveis a doenças específicas, possibilitando ações de educação, triagem e vacinação específicas.Por exemplo, durante o surto de Ebola na África Ocidental 2014-2016, dados sobre práticas de enterro e mobilidade comunitária ajudaram a concentrar programas de enterro seguros e reduzir a transmissão.
  • Monitorando a progressão da doença e hotspots:] Dados de caso em tempo real combinados com análise de mobilidade podem mostrar como um patógeno se move através de uma população, ajudando funcionários a emitir alertas de viagem oportunas, escolas fechadas ou impor restrições de contato. Durante a pandemia COVID-19, muitos países usaram dados agregados de localização de telefone celular para modelar o movimento populacional e avaliar a eficácia dos bloqueios.
  • Desenvolver campanhas de vacinação direcionadas:] Dados sobre cobertura vacinal, soroprevalência e níveis de imunidade comunitária orientam a priorização de doses e o desenho de programas de extensão, como visto nos esforços de erradicação da poliomielite em regiões endêmicas. Na Índia, o microplano utilizando dados demográficos e geográficos ajudou a alcançar todas as crianças com quedas de poliomielite, levando à certificação livre de poliomielite do país em 2014.
  • Implementar eficazmente medidas de quarentena e contenção: Dados epidemiológicos — incluindo períodos de incubação, taxas de transmissão e redes de contacto — fornecem informações sobre a duração e o âmbito das medidas de isolamento, equilibrando os benefícios para a saúde pública com os custos sociais e económicos. Dados de rastreio de contactos têm sido fundamentais para conter surtos de tuberculose, sarampo e COVID-19.

A modelagem preditiva, que se baseia em dados históricos e em tempo real, tornou-se uma pedra angular da prevenção moderna. Modelos podem prever a trajetória de um surto, estimar as necessidades de recursos de saúde e avaliar o potencial impacto de diferentes intervenções. Por exemplo, durante a pandemia COVID-19, modelos como o Imperial College London’s ajudou governos a avaliar o efeito de bloqueios e mandatos de máscara, moldando a política mundial. O WHO Global Health Observatory] fornece uma riqueza de dados para tais modelos, permitindo comparações entre países e análise de tendências a longo prazo. No entanto, modelos são tão bons quanto os dados que os alimentam, e incertezas em dados de entrada podem levar a projeções muito diferentes.

Desafios na coleta de dados em saúde pública

Apesar dos avanços, a coleta de dados em saúde pública enfrenta obstáculos significativos que podem comprometer sua eficácia.A qualidade dos dados permanece uma questão persistente: dados incompletos, imprecisos ou inconsistentes podem levar a análises e decisões mal informadas. Desafios de interoperabilidade entre diferentes sistemas de RHE, bases de dados laboratoriais e registros de saúde pública criam silos de dados que dificultam a agregação e o compartilhamento.Mesmo quando os dados estão disponíveis, atrasos na notificação – devido a processos burocráticos, falta de pessoal ou limitações tecnológicas – podem significar que as informações chegam tarde demais para influenciar ações.Durante os primeiros meses da pandemia de COVID-19, o atraso no relato de alguns países impediu a conscientização situacional global e permitiu que o vírus se espalhasse sem ser detectado.

A análise dos dados, por exemplo, durante o surto de 2022 mpox, mostrou uma predominância entre homens que fazem sexo com homens, mas posteriormente a análise revelou subnotificação em outras comunidades devido ao estigma e à falta de acesso ao cuidado. Além disso, o volume de dados de fontes digitais pode sobrepujar a capacidade analítica, exigindo ferramentas computacionais avançadas e pessoal qualificado que podem ser escassos em configurações pouco reprodutíveis. A comprovação de dados – saber onde os dados foram originados e como foram processados – também é crítico para confiança e reprodutibilidade.

Privacidade e Segurança de Dados

A coleta de informações de saúde pessoal levanta questões críticas de privacidade e segurança. As agências de saúde pública devem navegar por complexos quadros legais, como o Health Insurance Portability Act (HIPAA) nos Estados Unidos, para garantir que os dados sejam usados apenas para fins autorizados. Violações de dados ou divulgações não autorizadas podem corroer a confiança pública e desencorajar os indivíduos de participarem em programas de vigilância. Esforçar o equilíbrio certo entre a coleta de dados abrangente e a proteção de direitos individuais é um desafio ético e operacional contínuo. O debate sobre aplicativos de rastreamento de contatos digitais durante o COVID-19 ilustrou esta tensão: projetos de preservação da privacidade usando Bluetooth e processamento descentralizado foram favorecidos na Europa, enquanto modelos mais centralizados levantaram preocupações nos Estados Unidos. À medida que as fontes de dados multiplicam, quadros de governança robustos – incluindo minimização de dados, transparência e auditoriabilidade – são essenciais para manter a confiança pública.

Instruções futuras na coleta de dados em saúde pública

Tecnologias emergentes prometem revolucionar ainda mais a coleta e análise de dados em saúde pública.Os modelos de inteligência artificial (AI) e de aprendizado de máquina já estão sendo usados para detectar sinais de surtos de dados não estruturados – como relatórios de notícias ou anotações clínicas – e prever a disseminação de doenças com maior precisão.Modelos de aprendizagem profunda podem analisar imagens médicas, como radiografias de tórax, para sinalizar possíveis infecções, enquanto o processamento de linguagem natural pode extrair informações valiosas de registros clínicos de texto livre. Plataformas de previsão de epidemias de IA, como aquelas desenvolvidas pela Metabiota e BlueDot, combinam dados de viagens aéreas, clima e relatórios de doenças para avaliar o risco de surtos em tempo próximo.No entanto, essas ferramentas exigem validação cuidadosa para evitar viés algoritmo e garantir que eles funcionem de forma confiável em diferentes populações e configurações.

Dispositivos de uso e sensores de IoT

A proliferação de dispositivos vestíveis e sensores da Internet das Coisas (IoT) oferece uma oportunidade sem precedentes para monitoramento contínuo da saúde.Os Smartwatches que medem a frequência cardíaca, a temperatura da pele e a saturação de oxigênio podem fornecer indicadores precoces de infecção antes de sintomas aparecerem.As empresas como Fitbit têm feito parceria com instituições de pesquisa para usar dados wearable em estudos de detecção de COVID-19, demonstrando o potencial de insights de saúde em nível populacional. Da mesma forma, sensores de IoT ambientais que monitoram a qualidade do ar, contaminação de água e temperatura podem alertar os funcionários de saúde pública para condições que favorecem a transmissão de doenças. Por exemplo, redes de sensores de qualidade de ar de baixo custo nas cidades podem detectar picos em matéria particulada que se correlacionam com surtos de doenças respiratórias, enquanto os sensores de água em áreas rurais podem sinalizar eventos de contaminação ligados à cólera e tifoide. O desafio reside na integração desses diversos fluxos de dados em sistemas de vigilância existentes e na garantia de que os dados sejam representativos de toda a população, não apenas aqueles que possuem os seus usuários.

Plataformas de dados descentralizadas

Os sistemas de dados baseados em blockchain e federados estão sendo explorados como formas de possibilitar o compartilhamento seguro de dados sem centralizar informações sensíveis. Essas abordagens permitem que várias instituições – hospitais, clínicas, laboratórios – contribuam com dados para uma análise comum, mantendo o controle sobre seus próprios registros.Isso poderia melhorar drasticamente a disponibilidade de dados para investigações multijurisdicionais de surtos, ao mesmo tempo que abordam questões de privacidade.Por exemplo, modelos de aprendizagem federados podem treinar algoritmos de IA em dados distribuídos em muitos sites sem que os dados brutos saiam de servidores locais.A iniciativa Espaço de Dados de Saúde é um exemplo de um quadro político que visa promover esse compartilhamento seguro e preservador de dados para pesquisa em saúde pública.Em última análise, o futuro da coleta de dados em saúde pública dependerá da nossa capacidade de integrar esses diversos fluxos de dados em inteligência coerente e acionável.Os investimentos em infraestrutura de dados, treinamento de trabalhadores e governança ética serão essenciais para realizar o pleno potencial dessas tecnologias.

Considerações éticas e confiança pública

Como os métodos de coleta de dados se tornam mais poderosos, as considerações éticas passarão para o primeiro plano. Consentimento informado, transparência sobre o uso dos dados e acesso equitativo aos benefícios da vigilância são princípios fundamentais que devem orientar o desenho do sistema. Autoridades de saúde pública devem envolver comunidades em diálogo para construir confiança e garantir que programas de vigilância sejam aceitos e apoiados. A soberania dos dados – o direito das comunidades e nações de governar a coleta e uso de seus dados de saúde – é particularmente importante para populações indígenas e países em desenvolvimento, que historicamente foram marginalizados na pesquisa global em saúde.O princípio da “justiça de dados” exige uma distribuição justa dos encargos e benefícios da saúde pública orientada por dados, garantindo que os grupos vulneráveis não sejam super-surpreendidos, mas que colhem poucas recompensas.

Equilibrar o bem público com os direitos individuais não é um jogo de soma zero. Com planejamento cuidadoso, supervisão robusta e compromisso com a justiça, a saúde pública orientada por dados pode avançar respeitando a dignidade e autonomia de cada pessoa. A evolução da coleta de dados não é apenas uma história de progresso tecnológico; é um reflexo de nossos valores coletivos e nossa determinação em construir sociedades mais saudáveis e resilientes. À medida que olhamos para o futuro, a chave será manter uma abordagem centrada no homem – onde os dados servem as pessoas, não o contrário – e garantir que cada comunidade tenha um assento na mesa quando as decisões são tomadas sobre como os dados de saúde são coletados, usados e protegidos.