Novo modelo do MIT pode ajudar a determinar as medidas de quarentena necessárias para reduzir a propagação de COVID-19
Uma descoberta importante: a reabertura antecipada na primavera passada levou a uma queda dramática na “força da quarentena” nos estados do sul e centro-oeste dos EUA.
 |
| O número de pessoas que foram infectadas com Covid-19 está diretamente relacionado à eficácia com que um estado mantém suas medidas de quarentena, concluiu um novo estudo. |
Algumas das pesquisas descritas neste artigo foram publicadas em um servidor de pré-impressão, mas ainda não foram revisadas por especialistas na área.
À medida que as infecções por Covid-19 disparam nos EUA, alguns estados estão aumentando as restrições e reinstituindo medidas de quarentena para retardar a disseminação do vírus. Um modelo desenvolvido por pesquisadores do MIT mostra uma ligação direta entre o número de pessoas que são infectadas e a eficácia com que um estado mantém suas medidas de quarentena.
Os pesquisadores descreveram seu modelo em um artigo publicado na Cell Patterns em novembro, mostrando que o sistema poderia recapitular os efeitos das medidas de quarentena na propagação viral em países ao redor do mundo. Em seu próximo estudo, postado recentemente no servidor de pré-impressão medRxiv , eles analisaram dados dos Estados Unidos na primavera e no verão passado. Esse aumento inicial de infecções, eles descobriram, estava fortemente relacionado a uma queda na “força da quarentena” - uma medida que a equipe define como a capacidade de impedir que indivíduos infectados infectem outros.
O último estudo se concentra na última primavera e no início do verão, quando o sul e o centro-oeste dos Estados Unidos viram um aumento vertiginoso das infecções, à medida que os estados dessas regiões reabriram e relaxaram as medidas de quarentena. Os pesquisadores usaram seu modelo para calcular a força da quarentena nesses estados, muitos dos quais deveriam ser reabertos antes dos bloqueios iniciais na primavera.
Se esses estados não tivessem reaberto tão cedo, ou tivessem reaberto, mas medidas rigorosamente aplicadas, como uso de máscaras e distanciamento social, o modelo calcula que mais de 40 por cento das infecções poderiam ter sido evitadas em todos os estados que os pesquisadores consideraram. Em particular, o estudo estima que se o Texas e a Flórida tivessem mantido medidas de quarentena mais rígidas, mais de 100.000 infecções poderiam ter sido evitadas em cada um desses estados.
“Se você olhar para esses números, ações simples em um nível individual podem levar a enormes reduções no número de infecções e podem influenciar maciçamente as estatísticas globais desta pandemia”, disse o autor principal Raj Dandekar, um estudante graduado do Departamento de Civil do MIT e Engenharia Ambiental.
Enquanto o país enfrenta uma onda de inverno de novas infecções e os estados estão mais uma vez endurecendo as restrições, a equipe espera que o modelo possa ajudar os legisladores a determinar o nível de medidas de quarentena a serem implementadas.
“O que acho que aprendemos quantitativamente é que pular da hiper-quarentena para a ausência de quarentena e de volta para a hiper-quarentena definitivamente não funciona”, diz o coautor Christopher Rackauckas, instrutor de matemática aplicada do MIT. “Em vez disso, uma boa aplicação consistente da política teria sido uma ferramenta muito mais eficaz.”
Os co-autores do novo artigo no MIT também incluem a graduanda Emma Wang e o professor de engenharia mecânica George Barbastathis.
Aprendizagem de força
O modelo da equipe é uma modificação de um modelo SIR padrão, um modelo epidemiológico usado para prever a forma como uma doença se espalha, com base no número de pessoas que são “suscetíveis”, “infecciosas” ou “recuperadas”. Dandekar e seus colegas aprimoraram um modelo SIR com uma rede neural que eles treinaram para processar dados reais de Covid-19.
O modelo aprimorado de aprendizado de máquina aprende a identificar padrões nos dados de casos infectados e recuperados e, a partir desses dados, calcula o número de indivíduos infectados que não estão transmitindo o vírus a outros (presumivelmente porque os indivíduos infectados estão seguindo algum tipo de quarentena). Esse valor é o que os pesquisadores chamam de “força da quarentena”, que reflete a eficácia de uma região na quarentena de um indivíduo infectado. O modelo pode processar dados ao longo do tempo para ver como a força da quarentena de uma região evolui.
Os pesquisadores desenvolveram o modelo no início de fevereiro e, desde então, o aplicaram aos dados da Covid-19 de mais de 70 países, descobrindo que ele simulou com precisão a situação de quarentena no local em países europeus, sul-americanos e asiáticos que eram inicialmente duramente atingido pelo vírus.
“Quando olhamos para esses países para ver quando as quarentenas foram instituídas, e comparamos isso com os resultados do sinal de força de quarentena treinado, vemos uma correlação muito forte”, diz Rackauckas. “A força da quarentena em nosso modelo muda um ou dois dias depois que as políticas são instituídas, entre todos os países. Esses resultados validaram o modelo. ”
A equipe publicou esses resultados ao nível do país no mês passado em padrões celulares , e também estão hospedando os resultados em covid19ml.org , onde os usuários podem clicar em um mapa do mundo para ver como força de quarentena de um determinado país mudou ao longo do tempo.
E se os estados tivessem atrasado?
Depois que os pesquisadores validaram o modelo em nível de país, eles o aplicaram a estados individuais nos EUA, para ver não apenas como as medidas de quarentena de um estado evoluíram ao longo do tempo, mas como o número de infecções teria mudado se um estado modificasse sua força de quarentena , por exemplo, atrasando a reabertura.
Eles se concentraram no sul e centro-oeste dos Estados Unidos, onde muitos estados estavam para reabrir cedo e, subsequentemente, experimentaram rápidos surtos de infecções. A equipe usou o modelo para calcular a força da quarentena para Arizona, Flórida, Louisiana, Nevada, Oklahoma, Carolina do Sul, Tennessee, Texas e Utah, todos inaugurados antes de 15 de maio. Eles também modelaram Nova York, Nova Jersey e Illinois - afirma que a reabertura atrasou para o final de maio e início de junho.
Eles alimentaram o modelo com o número de indivíduos infectados e recuperados que foram notificados para cada estado, desde quando a 500ª infecção foi notificada em cada estado, até meados de julho. Eles também anotaram o dia em que a ordem de permanência em casa de cada estado foi suspensa, efetivamente sinalizando a reabertura do estado.
Para cada estado, a força da quarentena diminuiu logo após a reabertura; a intensidade desse declínio e o subsequente aumento das infecções estavam fortemente relacionados à reabertura de um estado. Estados que reabriram no início, como Carolina do Sul e Tennessee, tiveram uma queda mais acentuada na força da quarentena e uma taxa mais alta de casos diários.
“Em vez de apenas dizer que a reabertura antecipada é ruim, estamos quantificando aqui o quão ruim foi”, diz Dandekar.
Enquanto isso, estados como Nova York e Nova Jersey, que atrasaram a reabertura ou aplicaram medidas de quarentena, como o uso de máscara mesmo após a reabertura, mantiveram uma força de quarentena mais ou menos estável, sem aumento significativo de infecções.
“Agora que podemos fornecer uma medida da força da quarentena que corresponde à realidade, podemos dizer: 'E se mantivéssemos tudo constante? Quanta diferença os estados do sul teriam em suas perspectivas? '”, Diz Rackauckas.
Em seguida, a equipe inverteu seu modelo para estimar o número de infecções que teriam ocorrido se um determinado estado mantivesse uma força de quarentena estável mesmo após a reabertura. Nesse cenário, mais de 40% das infecções poderiam ter sido evitadas em cada estado modelado. No Texas e na Flórida, essa porcentagem chega a cerca de 100.000 casos evitáveis em cada estado.
É concebível que, à medida que a pandemia continua a diminuir e aumentar, os legisladores poderiam usar o modelo para calcular a força da quarentena necessária para manter as infecções atuais de um estado abaixo de um determinado número. Eles poderiam, então, examinar os dados até um ponto no tempo em que o estado exibisse o mesmo valor e se referir ao tipo de restrições que estavam em vigor naquele momento, como um guia para as políticas que poderiam implementar no momento .
“Qual é a taxa de crescimento da doença com a qual estamos confortáveis e quais seriam as políticas de quarentena que nos levariam até lá?” Rackauckas diz. “É todo mundo enfurnado em casa ou todo mundo tem permissão para ir a restaurantes, mas uma vez por semana? É isso que o modelo pode nos dizer. Isso pode nos dar uma visão quantitativa mais refinada dessa questão. ”
Referências:
“A Machine Learning-Aided Global Diagnostic and Comparative Tool to Assessment Effect of Quarantine Control in COVID-19 Spread” por Raj Dandekar, Chris Rackauckas e George Barbastathis, 17 de novembro de 2020, Cell Patterns .
“Implicações da reabertura atrasada no controle do pico de COVID-19 no sul e centro-oeste dos EUA” por Raj Dandekar, Emma Wang, George Barbastathis e Chris Rackauckas, 3 de dezembro de 2020, MedRxiv .
Esta pesquisa foi financiada, em parte, pela Intelligence Advanced Research (Projects Activity (IARPA)).
