Mortality from Bacterial Pneumonia in Brazil: Trends, Inequalities, and Effects of Covid-19, 2015–2024
Daniele Firmina Silva Vieira, Pontifícia Universidade Católica de Goiás. Goiânia-GO, Brasil ORCID 0009-0002-4035-3997
Jacqueline Andréia Bernardes Leão Cordeiro, Universidade Federal de Goiás. Goiânia-GO ORCID 0000-0003-0703-3609
Fábio Silvestre Ataides, Pontifícia Universidade Católica de Goiás. Goiânia-GO, Brasil
ORCID 0000-0003-4614-5785
Antonio Marcio Teodoro Cordeiro Silva, Pontifícia Universidade Católica de Goiás. Goiânia-GO, Brasil
ORCID: 0000-0003-0645-3599
O objetivo deste estudo foi analisar a mortalidade por pneumonia bacteriana não classificada em outra parte no Brasil entre 2015 e 2024, considerando tendências temporais, padrões sociodemográficos, desigualdades regionais e efeitos da pandemia de covid-19. Estudo ecológico de série temporal com dados do Sistema de Informações sobre Mortalidade. Foram calculadas taxas brutas, específicas e padronizadas por idade. A tendência foi estimada por regressão log-linear; diferenças entre sexos, por regressão binomial negativa; e o período pandêmico, por série temporal interrompida e modelo ARIMA ajustado a 2015–2019. Foram registrados 160.949 óbitos, com aumento de 161,26% entre 2015 e 2024. A mortalidade concentrou-se em idosos, sobretudo com 80 anos ou mais. As taxas padronizadas aumentaram 7,80% ao ano (IC95%: 4,95–10,72), com maiores valores no Sudeste e Centro-Oeste. Houve desaceleração da tendência durante a pandemia, porém excesso de mortalidade a partir de 2021. A mortalidade apresentou crescimento sustentado, em contexto de envelhecimento populacional e desigualdades regionais. As projeções até 2030 indicam manutenção em patamar elevado, mas devem ser interpretadas como cenários exploratórios e condicionais.
Palavras-chave: Pneumonia; Mortalidade; Estudos de Séries Temporais; covid-19; Epidemiologia.
This study aimed to analyze mortality from bacterial pneumonia not elsewhere classified in Brazil from 2015 to 2024, considering temporal trends, sociodemographic patterns, regional inequalities, and effects of the covid-19 pandemic. This ecological time-series study used data from the Brazilian Mortality Information System. Crude, age-specific, and age-standardized mortality rates were calculated. Trends were estimated by log-linear regression; sex differences by negative binomial regression; and the pandemic period by interrupted time-series analysis and an ARIMA model fitted to 2015–2019. A total of 160,949 deaths were recorded, representing a 161.26% increase between 2015 and 2024. Mortality was concentrated among older adults, especially those aged 80 years or older. Age-standardized rates increased 7.80% annually (95%CI: 4.95–10.72), with higher values in the Southeast and Central-West. The trend decelerated during the pandemic, although excess mortality occurred from 2021 onward. Mortality showed sustained growth in a context of population aging and regional inequalities. Projections to 2030 suggest mortality may remain high but should be interpreted as exploratory and conditional scenarios.
Keywords: Pneumonia; Mortality; Time Series Studies; covid-19; Epidemiology.
As infecções respiratórias inferiores permanecem entre as principais causas de morbimortalidade global, com destaque para a pneumonia, especialmente em populações envelhecidas e em contextos de desigualdade social e acesso aos serviços de saúde (Vos et al., 2020; Troeger et al., 2018). Esse cenário está intimamente relacionado ao envelhecimento populacional, que tem sido reconhecido como um dos principais determinantes da carga de doenças e da mortalidade ao nível global, particularmente em países de renda média (Prince et al., 2015).
No Brasil, a mortalidade por doenças respiratórias apresenta padrões heterogêneos, influenciados por fatores estruturais, como envelhecimento populacional, desigualdades regionais, condições socioeconômicas e organização do sistema de saúde (Barreto et al., 2011; Malta et al., 2017). Nesse contexto, a pneumonia bacteriana não classificada em outra parte (CID-10 J15) pode ser interpretada como um importante marcador de vulnerabilidade clínica e sistêmica. Esta é frequentemente associada à presença de multimorbidades, fragilidade biológica, imunossenescência e declínio funcional, especialmente entre idosos e populações socialmente vulneráveis (TROEGER, 2018; Li et al., 2024; Putot et al., 2025).
A pandemia de covid-19 introduziu perturbações significativas nos sistemas de saúde, com impactos diretos e indiretos sobre a mortalidade por outras causas. Estudos recentes têm demonstrado excesso de mortalidade por causas não diretamente atribuídas à covid-19, sugerindo efeitos relacionados à sobrecarga assistencial, interrupção de serviços e mudanças no comportamento de busca por cuidado (Woolf et al., 2020; Karlinsky; Kobak, 2021). Esses efeitos também têm sido associados à redução da utilização de serviços de saúde durante a pandemia, com potenciais repercussões sobre desfechos evitáveis (Moynihan et al., 2021).
Apesar da relevância epidemiológica, ainda há escassez de estudos nacionais abrangentes que integrem análises de tendência temporal, padronização por idade, avaliação do impacto da pandemia e modelagem contrafactual e prospectiva da mortalidade por pneumonia bacteriana. Abordagens que incorporem esses múltiplos componentes são essenciais para uma compreensão mais robusta da dinâmica da mortalidade e para o planejamento de políticas públicas. Diante disso, o presente estudo teve como objetivo analisar a mortalidade por pneumonia bacteriana não classificada em outra parte no Brasil, entre 2015 e 2024, investigando tendências temporais, padrões sociodemográficos, desigualdades regionais e o impacto da pandemia de covid-19, além de explorar cenários futuros com base em modelagem de séries temporais.
Realizou-se um estudo ecológico de série temporal, com dados agregados anuais, para descrever e modelar a mortalidade por pneumonia bacteriana não classificada em outra parte no Brasil, no período de 2015 a 2024. A unidade de análise foi o ano-calendário. O estudo foi conduzido em conformidade com as recomendações da iniciativa STROBE para estudos observacionais e com sua versão adaptada para o português (von Elm et al., 2007; Malta et al., 2010).
Os dados de mortalidade foram obtidos do Sistema de Informações sobre Mortalidade (SIM), disponibilizado pelo Departamento de Informática do Sistema Único de Saúde (DATASUS), considerando-se os registros cuja causa básica de óbito foi classificada no grupo J15 da Classificação Estatística Internacional de Doenças e Problemas Relacionados à Saúde, 10ª Revisão (CID-10), correspondente à pneumonia bacteriana não classificada em outra parte. Foram incluídas todas as subcategorias J15.0 a J15.9, abrangendo diferentes etiologias bacterianas específicas e não especificadas. A opção por restringir a análise ao grupo J15 teve como objetivo avaliar especificamente a mortalidade atribuída às pneumonias bacterianas, evitando a inclusão de pneumonias virais, pneumonias por agentes não especificados ou outros processos infecciosos respiratórios contemplados em categorias mais amplas, como J13–J18.
As populações denominadoras anuais do Brasil, das Grandes Regiões, por sexo e por faixa etária foram obtidas a partir das estimativas e projeções populacionais do Instituto Brasileiro de Geografia e Estatística (IBGE), compatibilizadas com os estratos analíticos do estudo.
Foram obtidas distribuições absolutas e relativas dos óbitos segundo: ano, região, faixa etária, sexo, raça/cor, escolaridade, estado civil e local de ocorrência do óbito, conforme as categorias disponibilizadas pelo SIM. As categorias de informação ignorada ou ausente foram mantidas nas análises descritivas. Não foram realizados procedimentos de imputação de dados, uma vez que as análises inferenciais foram baseadas em variáveis com elevada completude ao longo de toda a série histórica. A qualidade da informação foi avaliada por meio da completude anual dos registros, estimando-se a proporção de campos ignorados para idade, sexo, raça/cor, escolaridade, estado civil e local de ocorrência do óbito.
Foram calculados o número absoluto de óbitos, a taxa bruta de mortalidade por 100.000 habitantes, as taxas regionais, as taxas por sexo e as taxas específicas por idade. As taxas específicas foram estimadas para os grupos etários de: 40–49, 50–59, 60–69, 70–79 e 80 anos ou mais. As taxas padronizadas por idade foram obtidas pelo método direto, utilizando-se como referência a
população do Brasil (IBGE, 2023) e a população padrão mundial da Organização Mundial da Saúde (OMS 2000–2025), conforme recomendações internacionais (Ahmad et al., 2001). A taxa padronizada segundo a OMS foi definida como desfecho principal para análise de tendência.
As diferenças entre os sexos foram avaliadas por modelos de regressão para contagens com função de ligação log e termo de offset correspondente ao logaritmo da população, permitindo a estimação de razões de taxas (RR). O número de óbitos foi utilizado como variável dependente, enquanto sexo e ano-calendário foram incluídos como variáveis independentes. As estimativas foram obtidas de forma mutuamente ajustada para sexo e período temporal. Inicialmente, foi ajustado modelo de Poisson e a presença de sobredispersão foi avaliada pela razão entre o desvio residual e os graus de liberdade residuais. Diante da evidência de sobredispersão, optou-se pela regressão binomial negativa. A adequação do modelo foi avaliada por meio do Critério de Informação de Akaike (AIC), sendo considerado mais adequado o modelo com menor valor de AIC. A tendência temporal foi analisada por regressão log-linear da taxa padronizada segundo a
OMS em função do ano, sendo estimada a variação percentual anual (annual percent change – APC), com intervalos de confiança de 95%. A presença de autocorrelação serial foi avaliada por inspeção da função de autocorrelação e pelos testes de Durbin–Watson e Breusch–Godfrey, com reestimação por Prais–Winsten quando necessário. Adicionalmente, foi realizada regressão segmentada para investigação exploratória de possível ponto de mudança na tendência ao longo do período.
O impacto da pandemia de covid-19 foi avaliado por análise de série temporal interrompida, considerando o ano de 2020 como ponto de intervenção, conforme abordagem metodológica previamente descrita na literatura epidemiológica (Bernal; Cummins; Gasparrini, 2017). Para comparação entre mortalidade observada e esperada, ajustou-se modelo ARIMA à série pré-pandêmica (2015–2019), utilizando procedimento automático de seleção baseado no menor AIC corrigido (AICc) para pequenas amostras. O modelo selecionado foi utilizado para gerar previsões contrafactuais para o período de 2020 a 2024, permitindo a estimativa do excesso absoluto e relativo de mortalidade. A adequação do modelo foi avaliada por análise gráfica dos resíduos e pelo teste de Ljung–Box.
Foi ajustado modelo de regressão segmentada da forma:
Yt = β0 + β1(tempo) + β2(intervenção) + β3(tempo após intervenção) + εt
em que β0 representa o nível inicial da série, β1 a tendência pré-pandêmica, β2 a mudança imediata de nível após o início da pandemia (2020) e β3 a mudança na inclinação da tendência após a intervenção. Considerando a periodicidade anual dos dados, não foi necessária modelagem de sazonalidade.
De forma complementar, foram realizadas projeções da taxa padronizada até 2030 por meio de modelagem ARIMA, com estimativas pontuais e intervalos de 95%.
As análises foram realizadas no software R, adotando-se nível de significância de 5%.
Por se tratar de estudo com dados secundários, públicos, agregados e sem identificação individual, a pesquisa é isenta de apreciação por Comitê de Ética em Pesquisa, conforme as normativas nacionais vigentes.
Entre 2015 e 2024, foram registrados 160.949 óbitos por pneumonia bacteriana não classificada em outra parte no Brasil. Observou-se aumento expressivo ao longo da série, passando de 8.191 óbitos em 2015 para 21.400 em 2024, com maior frequência em 2022 (21.838). Esse incremento correspondeu a aumento de 161,26% em relação ao início da série.
A distribuição regional evidenciou predomínio do Sudeste (45,05%), seguido do Nordeste (26,69%), Sul (13,23%), Centro-Oeste (7,68%) e Norte (7,34%). A mortalidade concentrou-se nas idades mais avançadas, com destaque para indivíduos com 80 anos ou mais (51,05%), seguidos pelas faixas de 70–79 anos (21,67%) e 60–69 anos (12,75%).
Quanto ao sexo, houve distribuição equilibrada, com leve predominância feminina (50,51%). Em relação à raça/cor, predominou a população branca (55,49%), seguida por pardos (34,41%). A maioria dos óbitos ocorreu em ambiente hospitalar (83,59%). As demais características sociodemográficas estão detalhadas na Tabela 1.
A completude dos dados foi elevada para idade, sexo e local do óbito ao longo de toda a série. Observou-se melhora progressiva na qualidade das variáveis raça/cor, escolaridade e estado civil, com redução consistente das proporções de registros ignorados, indicando aprimoramento do sistema de informação ao longo do período.
O número absoluto de óbitos apresentou tendência crescente entre 2015 e 2019, seguida de discreta redução em 2020 e nova elevação até 2022, quando foi observado o maior valor da série. Após queda em 2023, os óbitos voltaram a aumentar em 2024, mantendo-se em patamar elevado em relação ao período pré-pandêmico (Figura 1).
As taxas regionais evidenciaram heterogeneidade persistente. O Sudeste e o Centro-Oeste apresentaram os maiores incrementos ao longo do período, alcançando, em 2024, taxas de 11,75 e 11,45 por 100.000 habitantes, respectivamente (Figura 2).
As taxas específicas por idade aumentaram de forma acentuada com o avanço etário, com padrão exponencial. O grupo de 80 anos ou mais apresentou as maiores taxas em todos os anos, com pico em 2022. Esse gradiente etário foi consistente ao longo de toda a série (Figura 3).
As diferenças entre os sexos foram pequenas. O modelo de Poisson apresentou importante sobredispersão (desvio/gl = 117,46), justificando a utilização da regressão binomial negativa, que apresentou melhor ajuste aos dados (AIC = 335,36) em comparação ao modelo de Poisson (AIC = 2218,50). Na análise por regressão binomial negativa, não se observou associação estatisticamente significativa entre sexo e mortalidade (RR = 1,023; IC95%: 0,927–1,129; p = 0,65). Em contraste, o efeito temporal mostrou-se significativo, com aumento anual das contagens (RR = 1,105; IC95%: 1,085–1,125; p < 0,001).
A taxa bruta aumentou de 4,05 para 10,07 por 100.000 habitantes entre 2015 e 2024. As taxas padronizadas por idade foram consistentemente mais elevadas, variando de 10,27 para 20,35 por 100.000 (padrão OMS). Ambas apresentaram crescimento até 2022, seguido de redução em 2023 e nova elevação em 2024.
Na análise de tendência, a taxa padronizada segundo a OMS apresentou aumento significativo, com variação percentual anual de 7,80% (IC95%: 4,95%–10,72%). Esse resultado permaneceu robusto após correção para autocorrelação serial. Os resultados detalhados dessa comparação encontram-se apresentados na Figura S1.
A análise de série temporal interrompida indicou tendência crescente no período pré-pandêmico, sem mudança imediata significativa de nível em 2020. Entretanto, observou-se redução
significativa na inclinação da curva após o início da pandemia, indicando desaceleração do crescimento da mortalidade (Figura 4).
O modelo selecionado para estimar a mortalidade esperada no período pós-pandêmico foi um ARIMA (0,1,0), escolhido automaticamente com base no menor AICc para pequenas amostras. A análise dos resíduos não evidenciou autocorrelação significativa (teste de Ljung–Box: p = 0,445), sugerindo adequação do ajuste para fins exploratórios.
A comparação entre valores observados e esperados revelou excesso de mortalidade a partir de 2021, após discreto déficit em 2020 (Figura S2). Esse padrão coincide temporalmente com o período pós-pandêmico e sugere a possibilidade de efeitos indiretos associados à pandemia sobre a mortalidade por pneumonia bacteriana, hipótese que deve ser interpretada com cautela diante das limitações inerentes ao desenho ecológico.
As projeções até 2030 sugerem manutenção da taxa padronizada em patamar elevado, com aumento progressivo da incerteza ao longo do horizonte temporal (Figura S3). Essas estimativas devem ser interpretadas como cenários condicionais baseados na continuidade dos padrões observados na série histórica, e não como previsões determinísticas do comportamento futuro da mortalidade.
Os resultados deste estudo demonstram um aumento expressivo e consistente da mortalidade por pneumonia bacteriana não classificada em outra parte no Brasil entre 2015 e 2024, evidenciado tanto pelo crescimento do número absoluto de óbitos (Figura 1) quanto pelo aumento das taxas padronizadas por idade (Figura S1). A magnitude da variação percentual anual, próxima de 8%, indica uma tendência sustentada e epidemiologicamente relevante, robusta mesmo após ajuste para autocorrelação serial. Esse comportamento também tem sido descrito em análises globais de mortalidade, que evidenciam a persistência das infecções respiratórias como causa relevante de óbito (Naghavi et al., 2017).
Esse padrão está em consonância com evidências internacionais que apontam a pneumonia como uma das principais causas de morte em adultos e idosos, particularmente em contextos de envelhecimento populacional e transição epidemiológica (Kyu et al., 2022). A forte concentração da mortalidade nas faixas etárias mais avançadas, com aumento exponencial das taxas em indivíduos com 80 anos ou mais (Figura 3), reforça o papel central da estrutura etária na determinação desse desfecho, sendo consistente com evidências que destacam o envelhecimento como determinante da
carga de doença (Prince et al., 2015). Estudos mais recentes reforçam que a imunossenescência, a maior prevalência de multimorbidades e o declínio funcional contribuem para aumentar a suscetibilidade às infecções respiratórias e seus desfechos adversos, tornando a pneumonia uma importante causa de hospitalização e morte entre idosos frágeis (Li et al., 2024; Putot et al., 2025).
A heterogeneidade regional observada (Figura 2) sugere a influência combinada de fatores demográficos, estruturais e assistenciais. Estudos prévios no Brasil demonstram que desigualdades territoriais impactam significativamente os desfechos em saúde, refletindo disparidades no acesso e na qualidade dos serviços (Barreto et al., 2011; Malta et al., 2017). Nesse contexto, a pneumonia pode ser interpretada como um marcador sensível de vulnerabilidade em saúde. A ausência de associação significativa entre sexo e mortalidade sugere que fatores estruturais e etários exercem papel mais relevante do que diferenças biológicas entre homens e mulheres, especialmente em populações mais envelhecidas.
A análise de série temporal interrompida (Figura 4) indicou que o início da pandemia de covid-19 não esteve associado a uma mudança imediata significativa no nível da mortalidade por pneumonia bacteriana, mas foi acompanhado por desaceleração da tendência de crescimento. Esse padrão pode estar relacionado à redução da circulação de diversos patógenos respiratórios durante os períodos de distanciamento social, uso ampliado de máscaras e restrições de mobilidade observadas durante a pandemia. Evidências recentes sugerem que os efeitos da covid-19 sobre a mortalidade respiratória foram complexos e multifatoriais, envolvendo alterações na utilização dos serviços de saúde, atraso no diagnóstico de doenças agudas, infecções bacterianas secundárias e outros efeitos indiretos associados ao período pandêmico (Moynihan et al., 2021; Putot et al., 2025).
Entretanto, a análise contrafactual (Figura S2) evidenciou excesso de mortalidade a partir de 2021. Embora esse padrão seja temporalmente compatível com possíveis efeitos indiretos da pandemia de covid-19, o desenho ecológico do estudo não permite estabelecer relações causais. Além da sobrecarga dos serviços de saúde e da redução na utilização dos cuidados médicos durante o período pandêmico, outras explicações plausíveis incluem possíveis alterações nos padrões de certificação e classificação das causas de morte. Por exemplo, complicações respiratórias persistentes após a infecção por SARS-CoV-2, infecções bacterianas secundárias associadas à covid-19 e mudanças no comportamento de busca por assistência à saúde. Esse achado está alinhado a estudos que demonstram excesso de mortes não diretamente atribuídas à covid-19 (Woolf et al., 2020; Karlinsky; Kobak, 2021), bem como à redução na utilização de serviços de saúde durante o período pandêmico (Moynihan et al., 2021).
As projeções até 2030 (Figura S3) indicam manutenção da mortalidade em patamar elevado, embora com crescente incerteza. Esses resultados devem ser interpretados como cenários
condicionais derivados dos padrões observados na série histórica e não como previsões definitivas. Dessa forma, as estimativas apresentadas têm caráter exploratório e devem ser interpretadas com cautela, especialmente diante da possibilidade de mudanças futuras nos padrões epidemiológicos, demográficos e assistenciais.
Este estudo apresenta limitações inerentes ao uso de dados secundários provenientes do SIM. Possíveis erros de classificação da causa básica de óbito, subnotificação residual em determinadas localidades, diferenças regionais na completude e qualidade dos registros, bem como mudanças nos padrões diagnósticos e de certificação ao longo do tempo, podem ter influenciado parte dos resultados observados. Além disso, o CID-10 J15 não permite identificar com precisão o agente etiológico responsável pelo óbito nem verificar a existência de confirmação microbiológica dos casos, impossibilitando análises segundo diferentes patógenos bacterianos. Adicionalmente, não foi possível distinguir pneumonias adquiridas na comunidade de pneumonias associadas à assistência à saúde ou adquiridas em ambiente hospitalar, uma vez que essa informação não está disponível na base utilizada. Também não foi possível avaliar fatores clínicos individuais potencialmente relevantes, como comorbidades, estado vacinal, gravidade da doença ou acesso aos serviços de saúde.
As alterações nos padrões diagnósticos e de certificação das causas de morte durante a pandemia de covid-19 podem ter influenciado a classificação de alguns óbitos respiratórios, particularmente nos anos iniciais da emergência sanitária. Embora não seja possível mensurar diretamente esse potencial viés com os dados utilizados, essa possibilidade deve ser considerada na interpretação das tendências observadas. Além disso, a modelagem contrafactual foi baseada em uma série pré-pandêmica relativamente curta (2015–2019), o que reduz a robustez das previsões e aumenta a incerteza associada às estimativas de excesso de mortalidade. Dessa forma, os resultados da análise contrafactual devem ser interpretados como evidência exploratória e não como estimativas definitivas do impacto da pandemia.
No que se refere à utilização de dados anuais agregados, essa periodicidade reduz a resolução temporal das análises de série temporal interrompida, limitando a capacidade de detectar mudanças de curto prazo associadas à pandemia. Estudos futuros utilizando séries mensais poderão fornecer estimativas mais precisas dos efeitos temporais observados. Por fim, as análises ecológicas realizadas não permitem estabelecer relações causais ao nível individual. Apesar dessas limitações, a elevada completude dos registros, a abrangência nacional da base de dados e a consistência dos achados entre diferentes abordagens analíticas reforçam a robustez dos resultados apresentados. Em conjunto, os resultados evidenciam que a mortalidade por pneumonia bacteriana no Brasil permanece elevada e em crescimento, em um contexto marcado pelo envelhecimento populacional, pelas desigualdades regionais e pelas mudanças observadas durante e após a pandemia de covid-19.
A mortalidade por pneumonia bacteriana não classificada em outra parte no Brasil apresentou aumento expressivo e consistente entre 2015 e 2024, com forte concentração nas idades mais avançadas e heterogeneidade regional relevante. Observou-se desaceleração da tendência de crescimento durante o período pandêmico, acompanhada de excesso de mortalidade nos anos subsequentes, fenômenos que coincidiram temporalmente com a pandemia de covid-19. Os achados indicam que a pneumonia bacteriana permanece como importante causa de morte e como marcador de vulnerabilidade em saúde, em um contexto caracterizado pelo envelhecimento populacional, pelas desigualdades estruturais e por possíveis barreiras no acesso oportuno ao cuidado. As projeções sugerem a possibilidade de manutenção da mortalidade em níveis elevados no médio prazo. Entretanto, essas estimativas devem ser interpretadas como cenários condicionais e exploratórios, sujeitos a incertezas inerentes aos modelos de previsão e a possíveis mudanças futuras nos padrões epidemiológicos, demográficos e assistenciais. Esses resultados contribuem para a compreensão da dinâmica recente da mortalidade por doenças respiratórias no Brasil e oferecem subsídios para o planejamento de políticas públicas voltadas à redução de desigualdades e ao fortalecimento do sistema de saúde.
AHMAD, O. B. et al. Age standardization of rates: a new WHO standard. Geneva: World Health Organization, 2001. (GPE Discussion Paper Series, n. 31). Disponível em: https://cdn.who.int/media/docs/default-source/gho-documents/global-health-estimates/gpe_discussion_paper_series_paper31_2001_age_standardization_rates.pdf. Acesso em: 9 mar. 2026.
BARRETO, M. L. et al. Successes and failures in the control of infectious diseases in Brazil: social and environmental context, policies, interventions, and research needs. The Lancet, v. 377, n. 9780, p. 1877–1889, 2011. DOI: https://doi.org/10.1016/S0140-6736(11)60202-X.
BERNAL, J. L.; CUMMINS, S.; GASPARRINI, A. Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, v. 46, n. 1, p. 348–355, 2017. DOI: https://doi.org/10.1093/ije/dyw098.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censo Demográfico 2022:
população por idade e sexo: resultados do universo: Brasil, Grandes Regiões e Unidades da Federação. Rio de Janeiro: IBGE, 2023. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/populacao/22827-censo-demografico-2022.html?edicao=38166&t=resultados. Acesso em: 26 set. 2026.
KARLINSKY, A.; KOBAK, D. Tracking excess mortality across countries during the COVID-19 pandemic with the World Mortality Dataset. eLife, v. 10, e69336, 2021. DOI: https://doi.org/10.7554/eLife.69336.
KYU, H. et al. Age-sex differences in the global burden of lower respiratory infections and risk factors, 1990–2019: results from the Global Burden of Disease Study 2019. The Lancet Infectious Diseases, v. 22, n. 11, p. 1626–1647, 2022. DOI: https://doi.org/10.1016/S1473-3099(22)00510-2.
LI, D. et al. The relationship between comprehensive geriatric assessment on the pneumonia prognosis of older adults: a cross-sectional study. BMC Pulmonary Medicine, v. 24, art. 276, 2024. DOI: https://doi.org/10.1186/s12890-024-03089-4.
MALTA, D. C. et al. Mortality due to noncommunicable diseases in Brazil, 1990 to 2015, according to estimates from the Global Burden of Disease Study. São Paulo Medical Journal, v. 135, n. 3, p. 213–221, 2017. DOI: https://doi.org/10.1590/1516-3180.2016.0330050117.
MALTA, M.; CARDOSO, L. O.; BASTOS, F. I.; MAGNANINI, M. M. F.; SILVA, C. M. F. P. Iniciativa
STROBE: subsídios para a comunicação de estudos observacionais. Revista de Saúde Pública, v. 44, n. 3, p. 559–565, 2010. DOI: https://doi.org/10.1590/S0034-89102010000300021.
MOYNIHAN, R. et al. Impact of COVID-19 pandemic on utilisation of healthcare services: a systematic review. BMJ Open, v. 11, n. 3, e045343, 2021. DOI: https://doi.org/10.1136/bmjopen-2020-045343.
NAGHAVI, M. et al. Global, regional, and national age-sex specific mortality for 264 causes of death, 1980–2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet, v. 390, n. 10100, p. 1151–1210, 2017. DOI: https://doi.org/10.1016/S0140-6736(17)32152-9.
PRINCE, M. J. et al. The burden of disease in older people and implications for health policy and practice. The Lancet, v. 385, n. 9967, p. 549–562, 2015. DOI: https://doi.org/10.1016/S0140-6736(14)61347-7.
PUTOT, A. et al. Comprehensive management of pneumonia in older patients. European Journal of Internal Medicine, v. 135, p. 14–24, 2025. DOI: https://doi.org/10.1016/j.ejim.2025.02.025.
TROEGER, C. et al. Estimates of the global, regional, and national morbidity, mortality, and aetiologies of lower respiratory infections in 195 countries, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet Infectious Diseases, v. 18, n. 11, p. 1191–1210, 2018. DOI: https://doi.org/10.1016/S1473-3099(18)30310-4.
VON ELM, E. et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. PLoS Medicine, v. 4, n. 10, e296, 2007. DOI: https://doi.org/10.1371/journal.pmed.0040296.
VOS, T. et al.Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet, v. 396, n. 10258, p. 1204–1222, 2020. DOI: https://doi.org/10.1016/S0140-6736(20)30925-9.
WOOLF, S. H. et al. Excess deaths from COVID-19 and other causes, March–July 2020. JAMA, v. 324, n. 15, p. 1562–1564, 2020. DOI: https://doi.org/10.1001/jama.2020.19545.
DFSV: Curadoria de dados, investigação, redação – preparação do manuscrito. JABLC: Validação, redação – revisão e edição. FSA: Validação, redação – revisão e edição. AMTCS: Concepção, metodologia, análise formal, supervisão, administração do projeto, redação – preparação do manuscrito, redação – revisão e edição. Todos os autores aprovaram a versão final do manuscrito e assumem responsabilidade pelo conteúdo apresentado.
Agradecemos ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pela concessão de bolsa de iniciação científica. Agradecemos também aos profissionais e instituições responsáveis pela disponibilização dos dados no Sistema de Informações sobre Mortalidade (SIM/DATASUS), fundamentais para a realização deste estudo.
Os autores declaram não haver conflitos de interesse.
Os autores declararam o uso de ferramentas de inteligência artificial para apoio na revisão linguística, organização do texto e aprimoramento da redação científica. Todo o conteúdo foi revisado e validado pelos autores, que assumem total responsabilidade pela integridade e precisão do manuscrito.