Neste trabalho foram utilizados modelos de regressão espaço-temporais bayesianos para estimar a incidência de TB em Ribeirão Preto (anos de 2006 a 2009) por área de abrangência de unidades de saúde, associando-a a covariáveis de interesse (IPVS, Renda e Educação predominantes naquelas áreas). O método baseia-se em simulações MCMC para estimar as distribuições a posteriori das incidências de TB em Ribeirão Preto. Como resultado, temos mapas que mostram mais claramente um padrão espacial, com estimativas mais suavizadas e com menos flutuações aleatórias. Observamos que as áreas com as mais altas taxas de incidência também possuem índice de vulnerabilidade social médio e alto. Em relação à renda, a faixa salarial predominante dos responsáveis pelo domicílio nestas regiões é entre 0 e 3 salários mínimos e o nível de escolaridade predominante dos chefes do domicílio nestas regiões é o ensino fundamental. Os resultados dos modelos bayesianos analisados nos evidenciam que com o aumento da vulnerabilidade social aumentamos significativamente a incidência de TB em Ribeirão Preto. Nas áreas onde a vulnerabilidade é alta a incidência de TB chega a quase 15 vezes a incidência das áreas sem vulnerabilidade. Houve um aumento significativo em relação à incidência de tuberculose em Ribeirão Preto durante os anos estudados, sendo as maiores incidências registradas no ano de 2009. O uso de mapas facilitou a visualização de áreas que merecem uma atenção especial no controle da TB, além disso, a associação da doença com renda, escolaridade e vulnerabilidade social trazem subsídios para que os gestores responsáveis pelo planejamento do município planejem intervenções com uma atenção especial a estas áreas, reunindo esforços para a redução da pobreza e da desigualdade social, alternativas para uma melhor distribuição de renda e melhorar o acesso ao saneamento básico dentre outras prioridades.

In this study we used Bayesian space-temporal regression models to estimate the incidence of TB in Ribeirão Preto, SP (years 2006 to 2009) by the coverage area of health units, associating it with the covariates of interest (IPVS, Income and Education predominant those areas). The method is based on MCMC simulations for estimate the posterior distributions of TB incidence in Ribeirão Preto. As a result, we have maps that show a spatial pattern more clearly, with estimates smoother and less random fluctuations. We observed that the areas with the highest incidence rates also have medium and high social vulnerability index. Concerning income, the prevailing salary range of household heads in these regions is between 0 and 3 minimum wages and the prevailing level of education of household heads in these regions is the elementary school. The results of the models in Bayesian analysis show that with increasing social vulnerability significantly increased the incidence of TB in Ribeirao Preto. In areas where vulnerability is high incidence of TB is nearly 15 times the incidence of areas without vulnerability. There was a significant increase in the incidence of tuberculosis in Ribeirão Preto during the years studied, the highest incidence recorded in 2009. The use of maps improved visualization of areas that deserve special attention for TB control, in addition, the association of disease with income, education and social vulnerability that bring benefits to the managers responsible for planning the municipality to plan interventions with special attention these areas, uniting efforts to reduce poverty and social inequality, alternatives to improve income distribution and improve access to basic sanitation among other priorities.