O conhecimento antecipado das condições meteorológicas poderá ajudar a sociedade a evitar prejuízos e desperdícios de recursos humanos e materiais. Portanto, o objetivo deste estudo foi obter a partir de uma análise estatística um modelo capaz de predizer internações a partir dos dados de poluição do ar e índices biometeorológicos. Para isso, foram utilizados dados diários de 1997 a 2000, referentes à cidade de São Paulo. Os dados de internações por doenças respiratórias foram divididos em três categorias: AVAS (Afecções Vias Aéreas Superiores), AVAI (Afecções das Vias Aéreas Inferiores) e IP (Influenza e Pneumonia), estes dados foram obtidos junto ao Ministério da Saúde. Os dados referentes à poluição foram obtidos junto à CETESB (Companhia de Tecnologia de Saneamento Ambiental) e os dados meteorológicos foram obtidos da estação meteorológica do Parque Estadual das Fontes do Ipiranga. Os índices de conforto térmico foram descritos com base em variáveis meteorológicas. Através de uma metodologia estatística de Regressão de Poisson e Análise de Componentes Principais (ACP), encontraram-se modelos estatísticos capazes de prever em média internações por doenças respiratórias. Esses modelos foram nomeados MBCS (Modelo Brasileiro de Clima e Saúde). A ACP foi utilizada a fim de corroborar a modelagem de regressão. Os resultados encontrados mostraram associação entre AVAS e SO2, CO (ambos sem defasagem) e com o índice biometeorológico TEv4 (com defasagem de 4 dias). Os resultados chamam atenção para o SO2 que, mesmo muito abaixo do padrão de qualidade do ar recomendado, ainda provoca acréscimos nas internações. Para as AVAI, os resultados mostram associações entre os poluentes MP10, O3 (ambos sem defasagem) e TEv4 (com 3 dias defasamento). Com relação à IP, as variáveis que se mostraram relacionadas foram MP10 (sem defasagem) e TEv4 (com 3 dias defasagem). Para verificar o skill do modelo, utilizou-se o ano de 2001. Os modelos apresentaram erro médio de 15% para AVAS, 30% para AVAI e 44% para IP com relação à previsão das internações. No que diz respeito a ACP, esta concorda com o que foi encontrado na modelagem de Poisson. Porém para AVAI e IP, os escores dos poluentes e dos índices deverão ser usados separadamente. Estes resultados mostram que o MBCS poderá ser utilizado para previsão de internação, contribuindo para políticas públicas e os meios de comunicação, ajudando nas tomadas de decisões e evitando desperdícios econômicos e humanos. / The meteorological condition knowledge can provide society prejudice prevention regarding human and material resources. Therefore, the aim of this study the statistical modeling in order to prevent internment of morbidity based on air pollution and meteorological variability. The whole 1997 to 2000 at the city of São Paulo. The morbidity data was divided in to three categories: AVAS (upper respiratory airway diseases), AVAI (lower respiratory airway diseases) and IP (Influenza and Pneumonia). These data were obtained from Brazilian Heath Ministry. Air pollution data were obtained from CETESB (Environmental agency) and meteorological data from Parque Estadual das Fontes do Ipiranga. Thermal comfort indexes were also used based on meteorological variables. Poisson regression models as well as Principal Component (PC) models were used in order to evaluate the data through statistical methodology. These models were nominated MBCS (Brazilian Climate and Health Model). Scores from PC statistical analysis were also used in order to compare to multiple regression models. As the first results, AVAS modeling presents association with SO2, CO (both without time lag) and the TEv4- a biometeorological index (with 4 days time lag). SO2 presents interesting result due to the fact that it is below the recommended standard, but it still causes AVAS morbidity. Concerning AVAI results, the variables which explain the morbidity were the pollutants MP10, O3 (both without lag) and TEv4 (with 3 days lag). Regarding to the skill of the models, AVAS model presents a 15% average error; AVAI model, 30% and IP model, 44%, during year of 2001. PC analysis corroborated the Poisson models. Regarding PC more weight for AVAS was pollutants. Already AVAI and IP more weight was biometeorological indexes and meteorological variables. The risk results used scores was similar to the MMRP. However for AVAI and IP, the scores of the pollutants and scores of the indexes should be used individually. These results indicate these models can be used as a forecasting internment program, contributing on the public and media decisions, avoiding economical and human unnecessary wastes.

O conhecimento antecipado das condições meteorológicas poderá ajudar a sociedade a evitar prejuízos e desperdícios de recursos humanos e materiais. Portanto, o objetivo deste estudo foi obter a partir de uma análise estatística um modelo capaz de predizer internações a partir dos dados de poluição do ar e índices biometeorológicos. Para isso, foram utilizados dados diários de 1997 a 2000, referentes à cidade de São Paulo. Os dados de internações por doenças respiratórias foram divididos em três categorias: AVAS (Afecções Vias Aéreas Superiores), AVAI (Afecções das Vias Aéreas Inferiores) e IP (Influenza e Pneumonia), estes dados foram obtidos junto ao Ministério da Saúde. Os dados referentes à poluição foram obtidos junto à CETESB (Companhia de Tecnologia de Saneamento Ambiental) e os dados meteorológicos foram obtidos da estação meteorológica do Parque Estadual das Fontes do Ipiranga. Os índices de conforto térmico foram descritos com base em variáveis meteorológicas. Através de uma metodologia estatística de Regressão de Poisson e Análise de Componentes Principais (ACP), encontraram-se modelos estatísticos capazes de prever em média internações por doenças respiratórias. Esses modelos foram nomeados MBCS (Modelo Brasileiro de Clima e Saúde). A ACP foi utilizada a fim de corroborar a modelagem de regressão. Os resultados encontrados mostraram associação entre AVAS e SO2, CO (ambos sem defasagem) e com o índice biometeorológico TEv4 (com defasagem de 4 dias). Os resultados chamam atenção para o SO2 que, mesmo muito abaixo do padrão de qualidade do ar recomendado, ainda provoca acréscimos nas internações. Para as AVAI, os resultados mostram associações entre os poluentes MP10, O3 (ambos sem defasagem) e TEv4 (com 3 dias defasamento). Com relação à IP, as variáveis que se mostraram relacionadas foram MP10 (sem defasagem) e TEv4 (com 3 dias defasagem). Para verificar o skill do modelo, utilizou-se o ano de 2001. Os modelos apresentaram erro médio de 15% para AVAS, 30% para AVAI e 44% para IP com relação à previsão das internações. No que diz respeito a ACP, esta concorda com o que foi encontrado na modelagem de Poisson. Porém para AVAI e IP, os escores dos poluentes e dos índices deverão ser usados separadamente. Estes resultados mostram que o MBCS poderá ser utilizado para previsão de internação, contribuindo para políticas públicas e os meios de comunicação, ajudando nas tomadas de decisões e evitando desperdícios econômicos e humanos. / The meteorological condition knowledge can provide society prejudice prevention regarding human and material resources. Therefore, the aim of this study the statistical modeling in order to prevent internment of morbidity based on air pollution and meteorological variability. The whole 1997 to 2000 at the city of São Paulo. The morbidity data was divided in to three categories: AVAS (upper respiratory airway diseases), AVAI (lower respiratory airway diseases) and IP (Influenza and Pneumonia). These data were obtained from Brazilian Heath Ministry. Air pollution data were obtained from CETESB (Environmental agency) and meteorological data from Parque Estadual das Fontes do Ipiranga. Thermal comfort indexes were also used based on meteorological variables. Poisson regression models as well as Principal Component (PC) models were used in order to evaluate the data through statistical methodology. These models were nominated MBCS (Brazilian Climate and Health Model). Scores from PC statistical analysis were also used in order to compare to multiple regression models. As the first results, AVAS modeling presents association with SO2, CO (both without time lag) and the TEv4- a biometeorological index (with 4 days time lag). SO2 presents interesting result due to the fact that it is below the recommended standard, but it still causes AVAS morbidity. Concerning AVAI results, the variables which explain the morbidity were the pollutants MP10, O3 (both without lag) and TEv4 (with 3 days lag). Regarding to the skill of the models, AVAS model presents a 15% average error; AVAI model, 30% and IP model, 44%, during year of 2001. PC analysis corroborated the Poisson models. Regarding PC more weight for AVAS was pollutants. Already AVAI and IP more weight was biometeorological indexes and meteorological variables. The risk results used scores was similar to the MMRP. However for AVAI and IP, the scores of the pollutants and scores of the indexes should be used individually. These results indicate these models can be used as a forecasting internment program, contributing on the public and media decisions, avoiding economical and human unnecessary wastes.