Pesquisadores encontram e corrigem falha nos modelos de previsão de pandemia

As previsões feitas pelos cientistas sobre o espalhamento da pandemia não conseguiam prever com exatidão o espalhamento da covid-19.
[Imagem: CDC]

Previsão imprecisa

Os modelos que os cientistas usam para prever o comportamento de epidemias e pandemias contêm um erro que subestima muito como a doença de fato se espalhará.

Quando os especialistas em saúde pública desejam prever a propagação de doenças infecciosas como a covid-19, eles usam um programa de computador que roda um cálculo matemático conhecido como modelo compartimental.

Esses modelos segmentam uma população em diferentes grupos, ou compartimentos, com base no status da doença: Suscetível, exposto, infectado e removido. Cada grupo tem uma equação associada a ele e cada equação contém determinados parâmetros. Ao preencher os valores de cada parâmetro nas equações e resolver o modelo compartimental, as autoridades de saúde criam uma previsão de propagação da doença.

Um dos parâmetros mais importantes nesse modelo é a taxa de contato, que busca quantificar em média quantas pessoas um indivíduo entra em contato em um determinado momento. Esse parâmetro também é um dos mais difíceis de medir, devido à sua incerteza: Ninguém sabe ao certo quantos contatos cada pessoa pode fazer em um determinado dia. Além disso, esse número de contatos por dia não é constante, oscilando ao longo do tempo.

E é aí que está o problema: "Uma maneira de os modelos lidarem com essas incertezas é adicionar ao modelo flutuações aleatórias, ou ruído, para que o valor do parâmetro flutue exatamente como faria no mundo real [ou seja, aleatoriamente]. Mas descobrimos que fazer isso não reproduz a realidade tão bem quanto nós pensávamos," explicou o professor Mohammad Farazmand, da Universidade do Estado da Carolina do Norte (EUA).

Quando ele e seu colega Konstantinos Mamis compararam o modelo compartimental aleatório padrão da variante ômicron da covid-19 com os dados reais do passado, compilados no banco da Universidade Johns Hopkins, eles descobriram que o modelo previu a disseminação da doença. Porém, quanto maior a incerteza, ou seja, quanto mais ruído era adicionado ao modelo, menos grave a pandemia parecia.

Ruído correlacionado

A boa notícia é que os dois pesquisadores também descobriram como consertar o modelo, de modo a dar às autoridades de saúde e ao público previsões mais precisas.

"Simplificando, o modelo antigo usa 'ruído branco', que não está correlacionado no tempo - as flutuações são completamente aleatórias," detalhou Farazmand. "No mundo real, os contatos que você faz hoje afetam os que você fará amanhã. Por exemplo, se você for a um jantar com seus 10 amigos mais próximos hoje, provavelmente não fará o mesmo amanhã. Portanto, sua taxa de contato muda com base no que você fez ontem."

Felizmente, já existe um cálculo matemático que faz exatamente isso, conhecido como Processo de Ornstein-Uhlenbeck. Quando os pesquisadores aplicaram esse processo ao modelo, a previsão mapeou muito mais de perto os dados reais em torno da variação da variante ômicron: O modelo falho usado até agora subestimou o número de casos em 20%, enquanto o modelo revisado teve uma taxa de erro de apenas 4%.

"Em situações em que uma doença está se espalhando rapidamente, uma subestimação de 20% pode resultar em profissionais de saúde despreparados e sobrecarregados," exemplificou Farazmand. "Mas adicionar o ruído correlacionado fornece previsões mais razoáveis que mapeiam bem os dados. Nosso trabalho mostra a necessidade de correlações temporais ao modelar a incerteza com modelos compartimentais estocásticos. Isso também indica a necessidade de mais estudos empíricos que quantifiquem as correlações nos contatos dos indivíduos."