What can we learn with the data we didn't have? The case of the variable profession/ occupation on flu-like syndrome, severe acute respiratory syndrome and mortality databases in Brazil / ¿Qué podemos aprender con los datos que no tenemos? El caso de la variable profesión /ocupación sobre base de datos de la síndrome gripal, síndrome respiratorio agudo severo y de mortalidad en Brasil / O que aprendemos diante dos dados que não temos? O caso da variável profissão/ocupação nos bancos de síndrome gripal, síndrome respiratória aguda grave e mortalidade no Brasil

Objective: To describe the completeness of the profession/ occupation on flu-like syndrome, severe acute respiratory syndrome and mortality databases in Brazil between 2020 and 2021 Methods:  the absolute and relative frequencies of the completeness of the variable occupation were calculated for each state for the between 2020 and 2021. Results: For the study period, there was 94.83% incompleteness for notifications of Flu-like syndrome, 97.73% for notified cases of SARS and 17.06% for deaths from all causes. Conclusions: We recommend an articulation between the Ministry of Health, Ministry of Labor and Welfare and workers' representations, such as councils and unions, to solve the problem of lack of data on occupation/profession in public databases.

Objetivo: descrever o preenchimento da variável profissão/ocupação nos bancos de dados do Sistema de Informação de Mortalidade (SIM), de Síndrome Respiratória Aguda Grave (SRAG) e Síndrome Gripal (SG) entre 2020 e 2021 no Brasil. Métodos: foram calculadas as frequências absolutas e relativas do preenchimento da variável profissão/ocupação por Unidade da Federação para cada base de dados durante o período de estudo. Resultados: Para o período de estudo, verificou-se 94,83% de incompletude para as notificações de SG, 97,73% para casos notificados de SRAG e 17,06% para óbitos por todas as causas. Conclusões: Recomendamos uma articulação entre o Ministério da Saúde, Ministério do Trabalho e Previdência e representações de trabalhadores, como conselhos e sindicatos para formulação de estratégias para contornar o problema da falta de dados de ocupação/profissão nos bancos de dados públicos.

Mortalidade adulta por nível de escolaridade em São Paulo: análise comparativa a partir de diferentes estratégias metodológicas / Mortalidad adulta por nivel de escolaridad en San Pablo: análisis comparativo a partir de diferentes estrategias metodológicas / Adult mortality by education level in São Paulo: comparative analysis based on different methodological strategies

Neste artigo, são estimados os diferenciais educacionais de mortalidade de adultos residentes em São Paulo. É realizada uma análise comparativa de estimativas a partir de dados do Censo 2010 e do Sistema de Informação de Mortalidade (SIM) - Datasus e de três formas distintas de mensuração da escolaridade: registrada no SIM; declarada no Censo para o responsável pelo domicílio; e imputada estatisticamente no Censo para indivíduos que morreram. Para as imputações da escolaridade, utilizou-se o método de Dempester (1977), que propõe o uso do algoritmo esperança-maximização (algoritmo E-M) para lidar com dados faltantes. Foram considerados três níveis de escolaridade (baixo, médio e alto) e estimadas as taxas de mortalidade com base em modelos Poisson. Os resultados indicam que a obtenção de escolaridade pode reduzir em até 77% as taxas de mortalidade entre 25 e 59 anos de idade. Além disso, em um país em que a população tem baixa escolaridade, obter ensino médio representa um ganho significativo do ponto de vista da sobrevivência adulta (cerca de 50%). Encontraram-se padrões de mortalidade por escolaridade semelhantes para as estimativas obtidas com dados registrados no SIM e aqueles imputados no Censo 2010. Além disso, a análise sugere que estimativas assumindo a escolaridade do responsável pelo domicílio resultam em diferenciais de mortalidade atípicos, provavelmente distorcidos pela transição de educação no Brasil. Espera-se que o modelo de imputação proposto aqui possa ser utilizado em futuras análises dos dados de mortalidade a partir do Censo 2010.

En este artículo estimamos los diferenciales educativos de la mortalidad de adultos en San Pablo. Ofrecemos un análisis comparativo de estimaciones con base en datos del censo de 2010 y el Sistema de Información de Mortalidad (SIM) - Datasus, y tres formas diferentes de medir la escolaridad: registrada en el SIM, declarada en el censo por el jefe de hogar e imputado estadísticamente en el censo para las personas fallecidas. Para las imputaciones de escolaridad se utilizó el método de Dempester (1977), que propone el uso del algoritmo de maximización de esperanza (algoritmo E-M) para tratar los datos faltantes. Consideramos tres niveles de educación (bajo, medio y alto) y estimamos las tasas de mortalidad con base en los modelos de Poisson. Los resultados indican que la escolarización puede reducir las tasas de mortalidad entre los 25 y 59 años hasta en un 77 %. Además, en un país donde la población tiene bajo nivel de educación, completar la educación secundaria representa una ganancia significativa desde el punto de vista de la supervivencia de los adultos (alrededor del 50%). Encontramos patrones similares de mortalidad por educación para las estimaciones obtenidas con datos registrados en el SIM y datos imputados en el Censo de 2010. Además, nuestro análisis sugiere que las estimaciones asumiendo la educación del jefe de hogar dan como resultado diferenciales de mortalidad atípicos, probablemente distorsionados por la transición de educación en Brasil. Esperamos que el modelo de imputación propuesto aquí se pueda utilizar en futuros análisis de mortalidad del Censo de 2010.

In this article, we estimate adult mortality by education level in São Paulo. We compare estimates based on deaths from the 2010 Census and the 2013 Mortality Information System (Sistema de Informação de Mortalidade - SIM) - DATASUS, and three different ways of measuring education level: recorded in the SIM, reported in the census for the household heads and imputed statistically in the census for individuals who died. For the statistical imputation, we use the Dempester (1977) method, which proposes using the expectation-maximization algorithm (EM algorithm) to deal with missing data. We consider three education levels (low, medium, and high) and estimate mortality rates based on Poisson models. The results indicate that between ages 25 and 59, more years of schooling are associated with mortality rates up to 77% lower. Secondary (medium) education level provides most of the mortality gains at adult ages (about 50%). The mortality differentials calculated with death records from the SIM and census deaths with education imputed statistically are similar. However, estimates based on the assumption that the deceased's education is equal to the household head's in the census resulted in atypical mortality patterns. We hope that the imputation model we propose in the current study can be used in future mortality analyses by SES using census deaths.

Comparação de métodos de imputação única e múltipla usando como exemplo um modelo de risco para mortalidade cirúrgica / Comparison of simple and multiple imputation methods using a risk model for surgical mortality as example

INTRODUÇÃO: A perda de informações é um problema frequente em estudos realizados na área da Saúde. Na literatura essa perda é chamada de missing data ou dados faltantes. Através da imputação dos dados faltantes são criados conjuntos de dados artificialmente completos que podem ser analisados por técnicas estatísticas tradicionais. O objetivo desse artigo foi comparar, em um exemplo baseado em dados reais, a utilização de três técnicas de imputações diferentes. MÉTODO: Os dados utilizados referem-se a um estudo de desenvolvimento de modelo de risco cirúrgico, sendo que o tamanho da amostra foi de 450 pacientes. Os métodos de imputação empregados foram duas imputações únicas e uma imputação múltipla (IM), e a suposição sobre o mecanismo de não-resposta foi MAR (Missing at Random). RESULTADOS: A variável com dados faltantes foi a albumina sérica, com 27,1 por cento de perda. Os modelos obtidos pelas imputações únicas foram semelhantes entre si, mas diferentes dos obtidos com os dados imputados pela IM quanto à inclusão de variáveis nos modelos. CONCLUSÕES: Os resultados indicam que faz diferença levar em conta a relação da albumina com outras variáveis observadas, pois foram obtidos modelos diferentes nas imputações única e múltipla. A imputação única subestima a variabilidade, gerando intervalos de confiança mais estreitos. É importante se considerar o uso de métodos de imputação quando há dados faltantes, especialmente a IM que leva em conta a variabilidade entre imputações para as estimativas do modelo.

INTRODUCTION: It is common for studies in health to face problems with missing data. Through imputation, complete data sets are built artificially and can be analyzed by traditional statistical analysis. The objective of this paper is to compare three types of imputation based on real data. METHODS: The data used came from a study on the development of risk models for surgical mortality. The sample size was 450 patients. The imputation methods applied were: two single imputations and one multiple imputation and the assumption was MAR (Missing at Random). RESULTS: The variable with missing data was serum albumin with 27.1 percent of missing rate. The logistic models adjusted by simple imputation were similar, but differed from models obtained by multiple imputation in relation to the inclusion of variables. CONCLUSIONS: The results indicate that it is important to take into account the relationship of albumin to other variables observed, because different models were obtained in single and multiple imputations. Single imputation underestimates the variability generating narrower confidence intervals. It is important to consider the use of imputation methods when there is missing data, especially multiple imputation that takes into account the variability between imputations for estimates of the model.