Oi, muito obrigada! Não temos como garantir linearidade e há alguns estudos que apontam que parâmetros extremos estariam relacionados a um risco maior (a curva de risco teria um formato semelhante a um 'U'). Escolhemos a correlação de Pearson como um estudo exploratório dos dados, como uma forma de começar a entender as relações existentes entre os parâmetros meteorológicos e as doenças cardiovasculares.
Avançando nas análises, usamos outros métodos para avaliar o impacto de alguns eventos extremos na saúde que não fazem esssa suposição de linearidade, como o teste U de Mann Whitney (que compara distribuições), a estimação de incidence rate ratios por meio de uma regressão logísitca e a estimação do risco relativo com a regressão de Poisson. No github do nosso projeto tem algumas dessas outras análises se você tiver interesse: https://github.com/climate-and-health-datasci-Unicamp/project-climatic-variations-cardiovascular-diseases

Boa tarde, obrigada! Eu diria que as maiores dificuldades foram no processamento dos bancos de dados em si e no entendimento de cada um dos seus campos. Eles vieram da Secretaria de Saúde de Campinas e tinham alguns erros de digitação, informações repetidas, dados faltantes e várias colunas de dados de saúde que como aluna de exatas, eu desconhecia completamente. Também precisei filtrar apenas os dados referentes às doenças cardiovasculares que eram o foco do projeto. Nas reuniões do nosso grupo de pesquisa alunos da saúde também participaram e o diálogo com eles foi essencial pra entender melhor os bancos. Além disso, também conversei com alunos da computação que iriam usar os mesmos dados, para decidirmos qual o melhor formato e quais informações preservar.

Olá, muito obrigada! A correlação de Pearson é um teste estatístico usado para analisar a associação existente entre duas variáveis, sua força (quão relacionadas estão), e seu sentido (se o aumento de uma delas resulta num aumento ou diminuição da outra). Escolhemos ela para uma análise exploratória inicial para começar a entender como cada parâmetro meteorológico se relaciona com o número de óbitos e hospitalizações e porque ela tem uma interpretação relativamente simples. Mas para caracterizar os riscos de maneira mais precisa é melhor usar alguns outros testes estatísticos ou modelos, que acabam tendo uma implementação mais complicada e uma interpretação que nem sempre é tão direta. Trabalhei com alguns deles também: teste U de Mann Whitney, regressão logística com 'case crossover' e regressão de poisson.

Os dados ainda não estão disponibilizados publicamente porque contém várias informações pessoais, estamos trabalhando para anonimizá-los e disponibilizá-los no RedU, o que deve acontecer em breve. No nosso github tem os códigos utilizados se te interessar: https://github.com/climate-and-health-datasci-Unicamp/project-climatic-variations-cardiovascular-diseases. Obrigada pelas perguntas!