p À medida que o vírus infeccioso que causa a doença COVID-19 começou a se espalhar devastadoramente pelo globo, uma equipe internacional de cientistas ficou alarmada com a falta de abordagens uniformes por epidemiologistas de vários países para responder a ela. p Alemanha, por exemplo, não instituiu um bloqueio total, ao contrário da França e do Reino Unido, e a decisão dos EUA de Nova York de entrar em confinamento só veio depois que a pandemia atingiu um estágio avançado. A modelagem de dados para prever o número de infecções prováveis ​​variou amplamente por região, de números muito grandes a muito pequenos, e revelou um alto grau de incerteza.

p Davide Faranda, um cientista do Centro Nacional Francês de Pesquisa Científica (CNRS), e colegas no Reino Unido, México, Dinamarca, e o Japão decidiu explorar as origens dessas incertezas. Este trabalho é profundamente pessoal para Faranda, cujo avô morreu de COVID-19; Faranda dedicou o trabalho a ele.

p No jornal Caos , o grupo descreve por que modelar e extrapolar a evolução dos surtos de COVID-19 em tempo quase real é um enorme desafio científico que requer uma compreensão profunda das não linearidades subjacentes à dinâmica das epidemias.

p Prevendo o comportamento de um sistema complexo, como a evolução de epidemias, requer um modelo físico para sua evolução e um conjunto de dados de infecções para inicializar o modelo. Para criar um modelo, a equipe usou dados fornecidos pelo Centro de Ciência e Engenharia de Sistemas da Universidade Johns Hopkins, que está disponível online em https://systems.jhu.edu/research/public-health/ncov/ ou https://github.com/CSSEGISandData/COVID-19.

p “Nosso modelo físico se baseia no pressuposto de que a população total pode ser dividida em quatro grupos:aqueles que são suscetíveis a contrair o vírus, aqueles que contraíram o vírus, mas não apresentam quaisquer sintomas, aqueles que estão infectados e, finalmente, aqueles que se recuperaram ou morreram do vírus, "Faranda disse.

p Para determinar como as pessoas passam de um grupo para outro, é necessário saber a taxa de infecção, tempo de incubação e tempo de recuperação. Os dados reais de infecção podem ser usados ​​para extrapolar o comportamento da epidemia com modelos estatísticos.

p "Por causa das incertezas em ambos os parâmetros envolvidos nos modelos - taxa de infecção, período de incubação e tempo de recuperação - e a incompletude dos dados de infecções em diferentes países, extrapolações podem levar a uma gama incrivelmente grande de resultados incertos, "Faranda disse." Por exemplo, apenas supor uma subestimação dos últimos dados nas contagens de infecção de 20% pode levar a uma mudança nas estimativas de infecções totais de alguns milhares para alguns milhões de indivíduos. "

p O grupo também mostrou que essa incerteza se deve à falta de qualidade dos dados e também à natureza intrínseca da dinâmica, porque é ultrassensível aos parâmetros - especialmente durante a fase inicial de crescimento. Isso significa que todos devem ter muito cuidado ao extrapolar as quantidades-chave para decidir se devem implementar medidas de bloqueio quando uma nova onda do vírus começa.

p "As contagens de infecção final total, bem como a duração da epidemia são sensíveis aos dados que você coloca, " ele disse.

p O modelo da equipe lida com a incerteza de uma forma natural, portanto, planejam mostrar como a modelagem da fase pós-confinamento pode ser sensível às medidas tomadas.

p "Os resultados preliminares mostram que a implementação de medidas de bloqueio quando as infecções estão em uma fase de crescimento exponencial total apresenta sérias limitações para seu sucesso, "disse Faranda.