Introdução: A tuberculose (TB) continua sendo um grave problema de saúde global, sendo classificada como a principal causa de morte por doenças infecciosas em todo o mundo. Objetivou-se analisar a distribuição e risco espacial e espaço-temporal da mortalidade por TB e sua relação com marcadores de desenvolvimento social em Natal/RN. Métodos: Trata-se de um estudo ecológico. Os setores censitários e as Unidades de Desenvolvimento Humano (UDHs) foram utilizados como unidades de análise. A população do estudo foi composta de casos de óbito por TB como causa básica, registrados no Sistema de Informações sobre Mortalidade no período de 2008 a 2014. Realizou-se análise univariada das variáveis socioeconômicas com cálculo de frequências absolutas e relativas. Para a construção dos marcadores de desenvolvimento social considerou-se a técnica de análise de componentes principais, utilizando-se da base de informações de variáveis das UDHs. A geocodificação dos endereços foi processada no TerraView versão 4.2.2. Posteriormente, seguiu-se com a análise da estimativa de Kernel. Para detecção de aglomerados espaciais e espaço-temporais foi aplicada a técnica de varredura espacial. Taxas brutas e bayesianas empíricas globais de mortalidade foram calculadas. A existência de autocorrelação espacial da mortalidade por TB foi verificada pelos índices de Moran Global e Local. Para analisar a relação entre mortalidade por TB e os marcadores de desenvolvimento social realizaram-se análises de regressão linear múltipla. Os resíduos da regressão linear foram investigados quanto à existência de autocorrelação espacial por meio do Teste Global de Moran. Para escolha do modelo final foi considerado o critério de informação de Akaike (AIC). Para as análises foram considerados os softwares Statistica versão 12.0, ArcGIS versão 10.2, SaTScan(TM) versão 9.2 e OpenGeoDa versão 1.0.1. Em todos os testes estatísticos foi fixado o nível de significância em 5% (p< 0,05). Resultados: Identificaram-se 154 óbitos por TB, desse total, 91,5% dos endereços foram geocodificados. A estatística de Kernel mostrou áreas quentes para a mortalidade por TB. A técnica de análise de varredura espacial identificou três aglomerados estatisticamente significativos, sendo dois de alto risco (RR=5,77 IC95% = 5,19 - 6,34; RR= 3,82 IC95% = 3,38 - 4,24) e um de baixo risco (RR = 0,34 IC95% = 0,08 - 0,76). Já a análise de varredura espaço-temporal apresentou apenas um aglomerado de alto risco (RR= 5,97; IC95% =5,26 - 6,66) no ano de 2008. As maiores taxas bayesianas foram identificadas no distrito de saúde leste. Foi identificada autocorrelação espacial dessas taxas (I = 0,324, p = 0,002). Para a construção dos marcadores de desenvolvimento social, duas componentes principais apresentaram 85,3% de variância total. O primeiro marcador foi denominado de áreas de menor desenvolvimento social (DS-) e o segundo, de áreas de maior desenvolvimento social (DS+). Na modelagem estatística, observou-se uma associação negativa entre a mortalidade por TB e áreas de maior desenvolvimento social (R2 = 0,207; p=0,03). Sendo o modelo final escolhido o Spatial Lag. Conclusão: A identificação de áreas vulneráveis à ocorrência do óbito por tuberculose e sua relação com o desenvolvimento social permitem o direcionamento das ações intersetoriais de controle da doença às populações conhecidamente mais afetadas

Introduction: Tuberculosis (TB) continues a serious global health problem and has been classified as the leading cause of death from infectious diseases worldwide. The objective of this study was to analyze spatial and spatial-temporal risk for TB mortality, the spatial distribution of this event and its relationship with index of social development in Natal / RN. Methods: This is an ecological study. The census tracts and the Human Development Units (HDUs) were used as units of analysis. The study's population was composed by cases of death due to TB as a basic cause, registered in the Mortality Information System from 2008 to 2014. A univariate analysis of the socioeconomic variables was performed estimating absolute and relative frequency. For the construction social development index we have used the technique Principal Components considering the variables obtained from HDUs. The geocoding of Address was performed through TerraView version 4.2.2. In addition, we applied the Kernel estimation analysis. Scan Statistic was used to detection of spatial and spatial-temporal clusterd. The authors calculated TB mortality rate, it was smoothed by Empirical Bayes Method. Autocorrelation of TB mortality was analyzed by Moran Global and Local Indexes. Multiple linear regression analysis was performed to analyze the relation of social development index with TB mortality. The residues of linear regression model were investigated to identify the existence of spatial autocorrelation through the Moran Global Test. The final model was defined considering the Akaike information criterion (AIC). Statistica version 12.0, ArcGIS version 10.2, SaTScan (TM) version 9.2 and OpenGeoDa version 1.0.1 were used in the analysis. It was defined level of significance at 5% as statistically significant (p <0.05) for all statistical tests. Results: We identified 154 deaths per TB, of this total, 91.5% of the addresses were geocoded. Hot spots for TB mortality has been showed by Kernel statistics . Three statistically significant clusters were observed when applied Sat Scan, two of which were higher risk (RR=5.77 CI 95% = 5.19 - 6.34; RR= 3.82 CI 95% = 3.38 - 4.24) and one with lower risk (RR = 0.34 CI95% = 0.08 - 0.76). The spatial-temporal scan statistic analysis revealed only one cluster with high risk (RR = 5.97, CI95%= 5.26 - 6.66) in the year 2008. The highest Bayesian rates were identified in the Eastern health district. Spatial autocorrelation of these rates was identified (I = 0.324, p = 0.002). For the construction of social development index, two first Principal Components (PC) accumulated 85.3% from total variance. The first PC was named areas with lower social development (SD-) and the second one was designed area with higher social development (SD +). In statistical modeling, a negative association was observed with areas of higher social development with TB mortality (R2 = 0.207, p = 0.03). The final model has been chosen by Spatial Lag. Conclusion: The study evidenced areas vulnerable to tuberculosis mortality and its relationship with social development, which allows addressing of intersectoral actions to TB elimination especially in the populations in risks