Quem pica mais não é quem mais mata: acidentes por animais peçonhentos no Brasil (Julia + MicroSUS.jl)

Uso Julia e o pacote MicroSUS.jl para analisar dez anos de notificações do Sinan sobre acidentes com animais peçonhentos no Brasil: ranking por letalidade, sazonalidade nacional e regional, e a relação com clima.

DB

Dante Bertuzzi 1 de agosto de 2026

Escorpião pica muito mais do que mata; serpente mata muito mais do que pica. Usei dez anos de notificações do Sinan, em Julia, para separar as duas histórias — e depois testei se o calendário desses acidentes é explicado por temperatura, por chuva, ou por nenhuma das duas isoladamente.

Toda a análise abaixo foi feita com o pacote MicroSUS.jl, que baixa e lê os microdados do Sinan direto do DATASUS, e CairoMakie para as figuras. São cinco scripts encadeados: ranking, sazonalidade nacional, sazonalidade por região, clima e correlações. Neste post mostro os quatro gráficos que eles produzem e como interpreto cada um.

1) A fonte: Sinan — Animais Peçonhentos

Toda notificação de acidente com animal peçonhento no Brasil entra no Sinan (Sistema de Informação de Agravos de Notificação), módulo ANIM. O campo que identifica o tipo de animal chama TP_ACIDENT — não TP_ACIDENTE: nomes de campo em DBF têm no máximo 10 caracteres, e é fácil errar esse detalhe na primeira tentativa.

using MicroSUS

caminho = baixar_sinan(:acidente_animais; ano = 2023)
tab     = ler(caminho; colunas = [:TP_ACIDENT, :EVOLUCAO, :DT_OBITO])

Cada registro traz o tipo de animal ("1" a "6" — serpente, aranha, escorpião, lagarta, abelha, outros) e o desfecho (EVOLUCAO). Um detalhe que muda o resultado: EVOLUCAO == "2" é óbito pelo próprio agravo; "3" é óbito por outra causa, e não deve entrar na letalidade — misturar os dois infla o número artificialmente.

2) Ranking 2023: quem pica mais não é quem mais mata

A figura do topo do post resume 352.954 notificações de 2023. Duas colunas contam histórias opostas:

• Escorpião domina em volume — 208.349 notificações, quase 59% do total — mas tem a menor letalidade da lista depois da lagarta: 5,6 óbitos por 10 mil casos (117 óbitos).
• Serpente é rara e letal: só 33.661 notificações (menos que aranha ou abelha), mas a maior letalidade, 38,9 por 10 mil casos — quase 7× a do escorpião — totalizando 131 óbitos, o maior número absoluto.
• Abelha fica no meio: 34.648 casos e letalidade de 34,1 por 10 mil, próxima da serpente. Picadas múltiplas e reação anafilática pesam mais do que o veneno em si de uma picada isolada.
• Aranha, com 44.925 casos, tem letalidade baixa (7,8 por 10 mil) — a maioria dos acidentes por aranha no Brasil (gênero Phoneutrius, Loxosceles) causa quadros dolorosos, mas raramente fatais.

Duas ressalvas que ficam registradas no rodapé da própria figura e no script:

• A espécie do escorpião não é registrada no Sinan. A ficha tem campo para gênero de serpente e de aranha, mas nada equivalente para escorpião — Tityus serrulatus, a espécie mais perigosa, fica indistinguível de outras nos microdados.
• Óbitos são subnotificados. Contando só EVOLUCAO == "2", o escorpião fecha 2023 com 117 óbitos no Sinan — contra 134 publicados pelo Ministério da Saúde por outras vias. A ficha costuma ser encerrada no atendimento inicial e nem sempre é atualizada com o desfecho final; o script conta à parte os casos “sem evolução” e os com DT_OBITO preenchida mas sem a flag, exatamente para dimensionar esse buraco.

Por que esses números diferem dos que saem na imprensa. Uma reportagem do G1 cita 340 mil notificações e 451 óbitos por animais peçonhentos em 2023 — acima dos 328.816 casos (somando só os cinco animais, sem “outros”/”ignorado”) e dos 421 óbitos que calculei aqui. A diferença de casos (~3,4%) é ruído normal entre snapshots do Sinan tirados em datas diferentes; a de óbitos (~7%) é o mesmo problema descrito acima, só que em escala nacional: o Sinan fecha a ficha antes do desfecho, então contar apenas EVOLUCAO == "2" produz um piso, não o número final. Como checagem, os números de aranha aqui (44.925 casos, 35 óbitos) ficam bem próximos dos publicados oficialmente para 2023 (43.119 casos, 34 óbitos) — a diferença de ~4% dá uma medida de quanto ruído esperar entre uma leitura direta do microdado e a estatística consolidada do Ministério.

3) Sazonalidade nacional: dez anos, um perfil por animal

Ranking e letalidade são um retrato de um único ano. Para ver o padrão que se repete, processei dez anos de arquivos (2014–2023), extraindo o mês dos primeiros sintomas (DT_SIN_PRI) de cada notificação.

Cada painel soma 100% ao longo do ano — é a única forma de comparar escorpião (1,4 milhão de casos na década) com lagarta (49,6 mil) na mesma escala. A faixa sombreada é ±1 desvio-padrão entre os anos: mostra se aquele mês é estável ou instável de um ano para o outro.

• Escorpião é o mais estável de todos: a curva quase não sai da faixa entre 7% e 10% ao mês, com um pico discreto em outubro (9,8%). Isso é coerente com a espécie de maior peso no total ser generalista e presente o ano todo em áreas urbanas.
• Lagarta é disparada a mais sazonal: pico de 18,5% em fevereiro (mais que o dobro da distribuição uniforme de 8,3%) e um vale profundo entre agosto e setembro. Faz sentido — lagartas urticantes (Lonomia e parentes) têm ciclo de vida e emergência de larvas concentrados em poucos meses.
• Serpente pica mais no início do ano (pico de 11,2% em março) e menos no inverno (vale em agosto) — período de maior atividade e deslocamento dos animais, que coincide com chuva e temperatura mais altas na maior parte do país.
• Aranha e abelha têm o mesmo formato: pico em janeiro (12,0% e 10,6%) e vale em junho–agosto, com recuperação suave no fim do ano.

4) Um país, cinco calendários: a sazonalidade quebra por região

A média nacional esconde um problema: o regime de chuvas do Norte não tem nada a ver com o do Sul, e as espécies dominantes mudam de bioma. Refiz a mesma normalização, mas cruzando quatro animais × cinco regiões, e sobrepus a faixa climática (temperatura e chuva mensal, via NASA POWER) na mesma escala de coluna.

O contraste mais claro é Norte/Nordeste versus Sul:

• No Norte e no Nordeste, todos os quatro animais têm curvas quase achatadas — a linha mal sai da faixa de ±1–2 pontos ao redor da distribuição uniforme. A faixa climática mostra por quê: nessas regiões a temperatura oscila pouco ao longo do ano (a linha vermelha é quase reta), então não há um “inverno” que derrube a atividade dos animais.
• No Sul, o oposto: todos os quatro animais desabam no meio do ano e disparam no verão. Abelha chega a 15,8% em janeiro e cai para menos de 5% em julho–agosto — razão pico/vale de 5×, atrás só de serpente no Sul (6,1×) entre os dezesseis painéis regionais. A faixa de temperatura do Sul é a que mais cai no inverno entre as cinco regiões, o que bate com a queda de atividade de animais ectotérmicos (serpente, aranha, escorpião) e com menos exposição humana ao ar livre.
• Centro-Oeste, Sudeste e Sul convergem no mesmo mês de pico do escorpião — novembro (10,3%, 10,5% e 12,9%, respectivamente) — mas a amplitude do ciclo é bem diferente: no Sul o pico vem depois de um vale de inverno mais que o dobro mais profundo (razão pico/vale de 3,2×, contra 1,5–1,6× em Centro-Oeste e Sudeste), reflexo de um inverno termicamente mais marcado.
• O número discreto no canto inferior direito de cada painel é o total de casos daquela célula — vale olhar antes de comparar duas curvas: Aranha·Centro-Oeste, por exemplo, tem só 10.404 casos na década, contra 179.481 de Aranha·Sul, então a primeira curva é naturalmente mais ruidosa.

5) Temperatura ou chuva? O que sobra depois de descontar uma da outra

Correlação simples entre o perfil mensal de acidentes e o de clima é fácil de calcular e fácil de interpretar errado: no ciclo anual brasileiro, temperatura e chuva sobem e descem juntas em boa parte do país, então um r_temp alto pode ser só reflexo de um r_chuva igualmente alto (ou vice-versa). A pergunta que interessa é outra: sobra sinal de uma variável depois de descontar linearmente a outra?

# correlação entre x (acidentes) e y controlando o efeito linear de z
function parcial(r_xy::Real, r_xz::Real, r_yz::Real)
    den = sqrt((1 - r_xz^2) * (1 - r_yz^2))
    den < 1e-6 && return NaN   # instável perto de |r| = 1: melhor não fingir precisão
    return (r_xy - r_xz * r_yz) / den
end

Algumas linhas do heatmap mostram exatamente o que a correlação parcial serve para revelar:

• Serpente · Sul é o caso mais limpo: r_temp = 0,99, e a parcial “temperatura controlando chuva” continua em 0,98 — quase não muda. Já a parcial “chuva controlando temperatura” desaba para −0,11. A conclusão é direta: quem move a sazonalidade de acidentes com serpente no Sul é a temperatura, não a chuva — a chuva só parecia relevante (r simples de 0,56) porque acompanha a temperatura na mesma janela do ano.
• Abelha · Nordeste é o oposto: r_temp = 0,25 (fraco) e r_chuva = −0,73 (forte). Ao controlar, a parcial de temperatura despenca para −0,03 — ou seja, o sinal fraco de temperatura não sobrevive sozinho — enquanto a parcial de chuva continua forte, em −0,71. Aqui é a chuva que explica o calendário, não a temperatura.
• Aranha · Norte mostra um caso de confundimento clássico: a correlação simples com chuva é positiva (0,37), mas a parcial “chuva controlando temperatura” inverte de sinal, para −0,51. A temperatura (r = −0,88, quase inalterada na parcial, −0,90) é o verdadeiro fator; o efeito aparente da chuva era uma sombra da temperatura, e desaparece — na verdade se inverte — assim que ela é descontada.
• A colinearidade entre temperatura e chuva varia muito por região: Sudeste tem a maior (0,86), seguida do Sul (0,58); Centro-Oeste (0,35) e Nordeste (−0,37) têm as menores, e é justamente nessas duas regiões que as correlações simples e parciais mais se parecem — há menos confundimento a desfazer.

O próprio script marca esse gráfico como descritivo, não inferencial: são só 12 pontos por correlação (um por mês), e meses vizinhos são autocorrelacionados — qualquer p-valor nominal calculado em cima disso seria otimista. A leitura correta é “a forma do ciclo anual” e não um teste de hipótese.

6) Limitações

• Espécie de escorpião não existe no Sinan. O campo registra gênero para serpente (ANI_SERPEN) e aranha (ANI_ARANHA), mas nada equivalente para escorpião — Tityus serrulatus fica misturado com espécies menos perigosas.
• Óbitos são subnotificados. A ficha do Sinan é fechada no atendimento e nem sempre atualizada com o desfecho — a letalidade calculada aqui é um piso, não o número real.
• Região é a de ocorrência do acidente, não de residência. O Sinan registra os dois separadamente (ANT_UF para ocorrência, SG_UF para residência); os mapas regionais usam ANT_UF, o campo certo para cruzar com o clima do local onde o acidente aconteceu. Os dois concordam em 99,49% dos 352.844 registros de 2023 com ambos os campos preenchidos — o restante é sobretudo picada perto de divisa estadual (SP↔MG, DF↔GO, GO↔TO são os pares mais comuns), não deslocamento de longa distância.
• Temperatura e chuva são colineares em boa parte do ciclo anual brasileiro, principalmente no Sudeste — correlações simples ali não separam causa nenhuma, daí a necessidade das parciais.
• Clima modelado, não observado. Os dados vêm da reanálise NASA POWER (MERRA-2), pontos de amostragem cobrindo o território, não estações meteorológicas nas capitais — é o preço de uma cobertura uniforme sem token de acesso.

Referências

Pacotes Julia:

• MicroSUS.jl — leitura de microdados do DATASUS direto em Julia.
• CairoMakie.jl — biblioteca de visualização.

Fontes dos dados:

• Ministério da Saúde — Sinan/Animais Peçonhentos, anos de 2014 a 2023.
• NASA POWER (MERRA-2) — reanálise climática mensal de temperatura e precipitação.

---

Nota Importante sobre os Dados e a Análise

Todos os dados utilizados nesta análise são de domínio público, extraídos do Sinan (Sistema de Informação de Agravos de Notificação) do Ministério da Saúde do Brasil, via MicroSUS.jl, e da reanálise climática pública NASA POWER.

Esta análise foi realizada de forma independente, com propósitos puramente educacionais e de demonstração tecnológica. Os resultados, visualizações e conclusões aqui apresentados não representam um comunicado oficial de qualquer órgão governamental, seja municipal, estadual ou federal. O autor não possui vínculo nem recebeu financiamento de nenhuma entidade pública para a realização deste trabalho.

O objetivo deste artigo é estritamente didático: demonstrar o processo de coleta, classificação e visualização de dados de saúde pública utilizando a linguagem Julia. As informações não devem ser utilizadas como base para a tomada de decisões de políticas públicas, alocação de recursos ou avaliações de gestão. O autor não se responsabiliza por quaisquer interpretações, usos ou consequências derivadas da leitura deste material.

---

Gostou deste artigo? Compartilhe!

Escrito em 01/08/2026

Análise de dados

Comentários