Os cientistas de dados do Pūnaha Matatini construíram um modelo de “contágio de rede” que lhes permite prever em tempo quase real o impacto de intervenções como o bloqueio na disseminação do vírus. Foto / Mark Mitchell
Escolha um bairro em qualquer vila ou cidade da Nova Zelândia e, em seguida, coloque um único caso hipotético de Covid-19 nele.
Imagine que, a partir deste ponto, você pudesse assistir o coronavírus invadir as escolas locais ou lugares para onde os adultos que moram naquela vizinhança provavelmente irão e trabalharão.
Imagine que cada uma dessas conexões continue criando dezenas de milhares de novas conexões, que por sua vez criam milhões, à medida que o surto se transforma em uma densa teia de infecção semelhante a um espaguete.
Imagine que pudéssemos observar como essa imagem incrivelmente complexa se desdobra em tempo real – e observá-la mudar drasticamente quando simulamos um bloqueio ou adicionamos o poder adicional de teste e rastreamento.
Isso é exatamente o que os cientistas podem fazer agora, usando um modelo tão sofisticado e pesado que requer um supercomputador para carregar e operar.
É o que se chama de modelo de “contágio de rede” – e uma equipe de cientistas de dados da Te Pūnaha Matatini, da Universidade de Auckland, precisou de meses de trabalho febril para construir nos primeiros seis meses da pandemia.
Embora os Kiwis tenham se acostumado a ouvir falar de modelos desde que o primeiro caso da Covid-19 chegou aqui, nem todos são iguais.
No início, os pesquisadores usaram um tipo tradicional de modelo para analisar surtos de doenças, chamados modelos de compartimento determinísticos, para prever como dezenas de milhares de pessoas poderiam ter morrido na Nova Zelândia sem nenhum controle implementado.
Embora esses modelos forneçam uma imagem geral de como uma infecção pode se espalhar por uma população, eles também presumem que quaisquer duas pessoas nessa população – como uma pessoa em Hamilton e outra em Mosgiel – podem se encontrar e infectar uma à outra em um determinado dia.
Poderíamos pensar nessa suposição “bem misturada” como derramar leite em uma xícara de café e mexer para que se misture instantaneamente: um padrão simples, mas irreal, que os surtos não seguem.
Mais tarde, os especialistas do Te Pūnaha Matatini se voltaram para uma forma mais sofisticada de modelo, chamada de processo de ramificação estocástica.
Ainda usados por serem leves e rápidos de executar, esses modelos renderam uma imagem mais precisa e incluíram a capacidade de incluir efeitos aleatórios, de modo que nem todo caso infeccioso seria considerado infectar o mesmo número de pessoas.
Eles também foram usados para executar cenários contrafactuais: e recentemente calcularam como atrasar o bloqueio de nível 4 do ano passado por mais três semanas pode ter resultado em 200 mortes e 12.000 infecções, enquanto reduzia as perspectivas de eliminação para apenas 7 por cento .
Quando ouvimos a diretora-geral da saúde, Dra. Ashley Bloomfield, discutir as previsões de Te Pūnaha Matatini sobre o surto atual do Delta, geralmente são aquelas produzidas a partir de modelos de processos de ramificação estocásticos.
Mas o modelo de contágio de rede era ainda mais inteligente.
Porque?
“Ele pressupõe que as pessoas só podem infectar outra por meio de um dos contextos de interação que simula”, explicou o Dr. Dion O’Neale, que liderou a equipe que o construiu.
“Você pode ter um determinado indivíduo infectado. Eles podem infectar outra pessoa, mas apenas, digamos, se estiverem conectados ao mesmo local de trabalho ou residência e essa pessoa ainda não estiver infectada.”
Considere algumas das outras coisas que os modeladores poderiam fazer com ele.
Com base em qual subúrbio da Nova Zelândia foi detectada uma infecção, eles poderiam fazer suposições baseadas em dados sobre quantas gerações provavelmente viveriam em uma casa desse subúrbio, ou o que poderíamos esperar para as idades, etnias e sexos dos pessoas em uma residência.
Todos esses foram fatores que influenciaram o risco de infecção e os resultados para Covid-19.
Eles podiam simular onde essas pessoas trabalhavam, a distância que viajavam a cada dia e onde poderiam ter espalhado o vírus antes que os rastreadores de contato os pegassem.
E eles poderiam orientar as autoridades sobre por que os bloqueios em nível de código postal ou subúrbio provavelmente não seriam eficazes, ou saber se um caso daquela área pode enfrentar iniqüidades de saúde ou um risco maior de hospitalização.
De maneira crítica, a resolução quase granular desse modelo de contágio evitou as armadilhas de dados que surgiam ao se supor que qualquer pessoa em Aotearoa – em qualquer lugar – tivesse o mesmo perfil individual.
Os indivíduos no modelo têm atributos diferentes que correspondem, não ao “neozelandês médio”, mas à faixa de cinco milhões de pessoas no país e aos diferentes padrões de interação que possuem.
“É importante ressaltar que isso nos permite usar uma abordagem mais focada na equidade para entender a disseminação da transmissão e informar estratégias para mitigar surtos, como a implantação da vacina”, disse o Dr. Steven Turnbull da Universidade de Auckland, que discutiu muitos dos dados usados .
O ingrediente principal do modelo foi uma rede de interação de nível individual construída a partir de um conjunto de dados do Statistics NZ que cobre a maior parte da população de cinco milhões de habitantes da Nova Zelândia, chamada de Infraestrutura de Dados Integrada, ou IDI.
Isso reuniu dados do Censo e registros fiscais que detalhavam em quais setores as pessoas trabalhavam – algo particularmente útil para prever movimentos de trabalhadores essenciais durante o bloqueio – e muito mais.
Também estavam presentes informações de listas escolares locais, registros de pagamento eletrônico do MarketView, dados de deslocamento diário e percepções sobre o movimento de longo alcance das pessoas extraídas de um relatório do Ministério dos Transportes que usava dados de localização de telefones celulares.
O’Neale enfatizou que todas essas informações eram anônimas – o que significa que os dados pessoais das pessoas não estavam sendo acessados.
Embora o modelo não pudesse se aprofundar no nível da rua, havia uma riqueza de informações que os modeladores podiam obter de blocos de população apertados, chamados de “área estatística 2”, ou SA2s, fornecidos por Stats NZ.
Essas áreas tendem a conter entre 2.000 e 4.000 residentes nas cidades, entre 1.000 e 3.000 nas cidades e menos de 1.000 nas zonas rurais.
“Em outras palavras, embora não possamos modelar a partir de uma única casa específica em algum lugar, dentro de um SA2 ainda sabemos que há um certo número de casas de tipos específicos, eles têm tantas pessoas morando neles e tendem a tem esse tipo de estrutura doméstica “, disse O’Neale.
A modelista Te Pūnaha Matatini, Dra. Emily Harvey, disse que foram esses dados do SA2 que também produziram as informações locais sobre quantas pessoas em uma casa foram para o trabalho ou para a escola.
“Todos os links na rede ainda são probabilísticos: então, toda vez que você regenera uma rede, é apenas outra representação potencial dos padrões mais amplos.”
Quando um surto estava em andamento, a equipe de pesquisa alimentava dados de desempenho de fontes como o Serviço Nacional de Rastreamento de Contatos para garantir que eles tivessem parâmetros precisos para o tempo que levou para entrar em contato com contatos próximos.
Os dados epidemiológicos dos casos também forneceram informações como a fração de pessoas infectadas com maior probabilidade de serem assintomáticas – e, portanto, difíceis de encontrar por meio de testes comunitários.
Tudo isso significava que os funcionários podiam receber uma imagem altamente detalhada, mudando em tempo quase real, enquanto corriam para conter a propagação.
“A parte que realmente mudou muito em nosso modelo é a capacidade de ver como podem ser as intervenções em potencial para controlar a disseminação”, disse O’Neale.
“Por exemplo, uma vez que ativamos o nível de alerta 4, ele pode nos dizer o que acontece quando 70 por cento dos locais de trabalho fecham e todos os trabalhadores ficam em casa, enquanto o resto, que são trabalhadores essenciais, continuam se movendo.”
O modelo foi até mesmo capaz de incluir o efeito de locais de trabalho essenciais com intervenções implementadas – e até mesmo os impactos individuais de testes e rastreamento de contato.
“Se alguém em nosso modelo for identificado como um caso, ele tentará emular a aparência do processo de rastreamento de contato”, disse O’Neale.
“Por exemplo, pode tentar todos os dias entrar em contato com todos os contatos próximos de uma pessoa que é um caso confirmado e, com alguma probabilidade, irá falhar se essas pessoas não puderem ser encontradas ou não atenderem ao telefone.
“Mas, uma vez que essas pessoas tenham sido contatadas, elas têm uma probabilidade muito alta de ir, fazer o teste e se isolar em casa, e o modelo continua.”
Quando esse surto foi descoberto pela primeira vez, por meio do teste positivo de um homem de Devonport em 17 de agosto, O’Neale disse que o modelo de contágio por rede poderia ter sido usado para prever a propagação.
No evento, entretanto, eles puderam usar um modelo de risco de transmissão mais ágil, construído separadamente, chamado Rede de Co-incidência Aotearoa.
Em vez de tentar modelar as cadeias de infecção nos estágios iniciais de um surto, quando muito pouca informação estava disponível, esta ferramenta analisou o risco relativo de transmissão entre regiões, com base em padrões estimados de interações entre pessoas que viviam em áreas diferentes.
“Este é capaz de nos dizer quantas conexões existem entre qualquer área SA2 e outra, com base em pessoas dessas duas áreas que interagem frequentando a mesma escola ou local de trabalho”, disse ele.
“Você também pode pegar, digamos, as localizações dos primeiros 10 casos confirmados, selecionar essas regiões em um mapa e, em seguida, olhar para todos os outros lugares que têm mais de 20.000 conexões potenciais com eles.
“Mesmo apenas focando nos locais de trabalho e escolas, você pode ver quanto de Auckland isso cobre. Você também vê rapidamente que as conexões não estão apenas próximas aos casos iniciais de propagação.
“Se você começar com Devonport, por exemplo, pode muito bem acabar com muitas conexões em alguma outra região que está longe desses casos iniciais, mas que tem muitos links para lá.”
Ele disse que a miríade de movimentos dentro de Auckland – especialmente para locais de trabalho em seu sempre movimentado CBD – significava que precisávamos procurar nos espalhar em qualquer lugar dentro da cidade, bem como em Whangarei e no norte de Waikato.
Curiosamente, antes da pandemia, O’Neale usava esse tipo de modelagem complexa para tentar prever como o conhecimento se espalhava pelas redes de emprego.
“Um dia, gostaríamos de usá-lo para voltar a este tipo de trabalho. Emily já tem alguns grandes planos sobre possíveis aplicações econômicas para ele.”
.
Discussão sobre isso post