3.7 Explore - Onde - Número de estabelecimentos por estado - E

3.7.1 Conceituação

Densidade e distribuição espacial do número de estabelecimentos por estado no ano segundo o Cadastro Nacional de Estabelecimentos de Saúde - CNES relativo ao Protocolo Clínico e Diretrizes Terapêuticas (PCDT).

3.7.2 Interpretação

  • Os territórios onde mais estabelecimentos realizaram procedimento PCDT são assinalados com cores mais escuras.
  • Os territórios em branco não realizaram procedimento no PCDT e ano selecionados.

3.7.3 Usos

  • Identificar o grau de acesso a medicamentos por estado.
  • Verificar o grau de efetivação da política relacionada ao PCDT.

3.7.4 Limitações

  • Nem todos os estados cadastram um registro CNES para cada estabelecimento onde é realizado o procedimento.

3.7.5 Fonte

3.7.6 Métodos de Cálculo

Não há cálculo, apenas a aplicação de filtros.

3.7.7 Categorias Sugeridas para Análise

  • Unidade geográfica: região ampliada de saúde e região de saúde.
  • Grau de desenvolvimento socioeconômico em saúde segundo indicadores Região e Redes.

3.7.8 Dados Estatísticos e Comentários

Visualizar no painel SABEIS > Explore.

3.7.9 Notas

Realizado conforme metodologia RIPSA. Vide a seção fonte.

3.7.10 Visualização

Gráfico de calor em mapa.

3.7.11 Conjunto de dados e Código-fonte

Pré-requisitos

Baixe o arquivo tf_pcdt_estabelecimento_uf_ano na pasta dataset.

Baixe o arquivo BRUFE250GC_SIR* na pasta dataset.

Certifique-se de que os pacotes R abaixo estejam instalados.

library(gdalUtils)
library(rgdal)
library(sp)

library(dplyr) # para consultas análogas ao SQL

R script

shp <-
  readOGR(".",
          "BRUFE250GC_SIR",
          stringsAsFactors = FALSE,
          encoding = "UTF-8")
## OGR data source with driver: ESRI Shapefile 
## Source: "/home/ferre/Dropbox/sabeis/release20200104/wiki/rmd", layer: "BRUFE250GC_SIR"
## with 27 features
## It has 3 fields
tf_pcdt_estabelecimento_uf = read.csv(
  file = "db_sabeis.tf_pcdt_estabelecimento_uf.csv"
)

tf_pcdt_estabelecimento_uf_ano = tf_pcdt_estabelecimento_uf %>%
  group_by(co_pcdt, nu_ano_competencia) %>%
  summarise(a_sum = sum(qt_cnes_estabelecimento))

shp@data$Y = subset(tf_pcdt_estabelecimento_uf,
                    co_pcdt == 10 &
                      nu_ano_competencia == 2018)$qt_cnes_estabelecimento[match(
                        shp@data$CD_GEOCUF,
                        subset(
                          tf_pcdt_estabelecimento_uf,
                          co_pcdt == 10 &
                            nu_ano_competencia == 2018
                        )$co_uf_ibge_estabelecimento
                      )]
spplot(shp, "Y",  col.regions = grey.colors(n = 100, start = 1, end = 0))

Tabela 2.5: Amostra da tabela de entrada.
co_pcdt co_uf_ibge_estabelecimento nu_ano_competencia qt_cnes_estabelecimento
9 1 11 2016 1
10 1 11 2017 1
11 1 11 2018 1
12 1 11 2019 1
13 1 12 2008 1