Enquanto o mundo luta com a pandemia COVID-19, um novo modelo matemático pode oferecer insights sobre como melhorar as previsões de epidemias futuras com base em como a informação muda conforme é transmitida de pessoa para pessoa e de grupo para grupo.

O Exército dos EUA financiou este modelo, desenvolvido por pesquisadores da Carnegie Mellon University e da Princeton University, por meio do Gabinete de Pesquisa do Exército do Laboratório de Pesquisa do Exército, ambos os elementos do Comando de Desenvolvimento de Capacidades de Combate.

O modelo sugere que ideias e informações se espalham e evoluem entre indivíduos com padrões semelhantes aos genes, no sentido de que se auto-replicam, sofrem mutação e respondem à pressão seletiva à medida que interagem com seu hospedeiro.

"Essas mudanças evolutivas têm um grande impacto, "disse o membro do corpo docente do CyLab, Osman Yagan, um professor associado de pesquisa em Engenharia Elétrica e da Computação na Carnegie Mellon University e autor correspondente do estudo. "Se você não considerar as possíveis mudanças ao longo do tempo, você estará errado ao prever o número de pessoas que ficarão doentes ou o número de pessoas que serão expostas a uma informação. "

Em seu estudo, publicado em 17 de março no Proceedings of the National Academy of Sciences , os pesquisadores desenvolveram um modelo matemático que leva em consideração as mudanças evolutivas de doenças e informações. A pesquisa testou o modelo contra milhares de epidemias simuladas por computador usando dados de duas redes do mundo real:uma rede de contato entre alunos, professores, e funcionários de uma escola de ensino médio dos EUA, e uma rede de contato entre funcionários e pacientes em um hospital em Lyon, França.

"Mostramos que nossa teoria funciona em redes do mundo real, "disse o primeiro autor do estudo, Rashad Eletreby, que era um candidato a doutorado da Carnegie Mellon quando escreveu o artigo. "Os modelos tradicionais que não consideram as adaptações evolutivas falham em prever a probabilidade do surgimento de uma epidemia."

Os pesquisadores disseram que o modelo de epidemia mais amplamente usado hoje não foi projetado para levar em conta as mudanças na doença que está sendo rastreada. Essa incapacidade de contabilizar as mudanças na doença pode tornar mais difícil para os líderes conter a propagação da doença ou tomar decisões de saúde pública eficazes, como quando instituir ordens de permanência em casa ou enviar recursos adicionais para uma área.

“A propagação de um boato ou de uma informação através de uma rede é muito semelhante à propagação de um vírus através de uma população, "disse o Dr. H. Vincent Poor, um dos pesquisadores deste estudo e reitor interino de engenharia de Princeton. "Informações diferentes têm taxas de transmissão diferentes. Nosso modelo nos permite considerar as alterações nas informações à medida que se espalham pela rede e como essas alterações afetam a disseminação."

Embora o estudo não seja uma bala de prata para prever a disseminação do coronavírus atual ou a disseminação de informações incorretas, os autores dizem que é um grande passo.

No futuro, a equipe espera que sua pesquisa possa ser usada para melhorar o rastreamento de epidemias e pandemias, contabilizando mutações em doenças e, em última análise, considerando intervenções como quarentenas e, em seguida, prevendo como essas intervenções afetariam a propagação de uma epidemia quando o patógeno está sofrendo mutação à medida que se espalha.

"Este trabalho demonstra a importância da pesquisa básica e a habilidade dos cientistas em várias disciplinas de informar o trabalho uns dos outros, "disse o Dr. Edward Palazzolo, gerente de programa do Programa de Redes Sociais e Cognitivas do Gabinete de Pesquisa do Exército. "Embora em seus estágios iniciais, esses modelos são promissores para a compreensão da difusão da rede à luz das mutações. "

Além do Exército, a National Science Foundation e o Office of Naval Research também apoiaram esta pesquisa. Outros pesquisadores co-autores do artigo incluem Yong Zhuang e Kathleen Carley, da Carnegie Mellon University.