Optimal Control of an SIR Model with Noncompliance as a Social Contagion

Resumo Técnico: Controle Ótimo de um Modelo SIR com Não Conformidade como um Contágio Social

Formulação do Problema
O artigo aborda o desafio de incorporar a dinâmica do comportamento humano na modelagem epidemiológica, focando especificamente na propagação da não conformidade com intervenções não farmacológicas (NPIs). Os autores propõem um modelo compartimental Suscetível-Infectado-Recuperado (SIR) que divide a população em dois grupos distintos: aqueles que cumprem as medidas de saúde pública (conformes) e aqueles que não cumprem (não conformes).

Ao contrário dos modelos tradicionais onde o comportamento é tratado como um parâmetro fixo, este modelo trata a não conformidade como um "contágio social" que se espalha paralelamente à doença via um mecanismo de ação de massa. A população conforme ($S, I, R$) experimenta uma infectividade reduzida devido às NPIs, enquanto a população não conforme ($S^*, I^*, R^*$) não experimenta. O modelo inclui quatro variáveis de controle representando as intervenções do formulador de políticas:

1. $\alpha(t)$: Redução na infectividade/mistura para a população conforme (aplicação de NPIs).
2. $\eta(t)$: Aumento na taxa de recuperação para indivíduos infectados conformes (esforços de tratamento).
3. $\mu(t)$: Redução na taxa de propagação da não conformidade (iniciativas de informação de saúde pública).
4. $\nu(t)$: Taxa de "recuperação" da não conformidade (campanhas educativas).

O objetivo é formular um problema de controle ótimo onde um formulador de políticas minimiza um funcional de custo que equilibra os custos das infecções, os custos da não conformidade e os custos econômicos da implementação de controles.

Metodologia
Os autores empregam um rigoroso arcabouço matemático combinando teoria de sistemas dinâmicos, teoria de controle ótimo e análise numérica:

1. Análise do Modelo: Eles derivam o raio reprodutivo básico ($R_0$) para o sistema e analisam a estabilidade dos equilíbrios livres de doença (DFE). Estabelecem condições sob as quais o sistema permanece estável ou torna-se instável com base na interação entre a transmissão da doença e os parâmetros de transmissão comportamental.
2. Existência de Controles Ótimos: Uma contribuição teórica significativa é a prova da existência de controles ótimos. Os autores estabelecem isso para um cenário genérico onde:
   • As variáveis de controle aparecem de forma não linear na dinâmica.
   • Os custos de controle não precisam ser suaves ou fortemente convexos (permitindo custos de controle $L^1$).
   • O conjunto de controle admissível inclui mapas de controle descontínuos (especificamente, funções de variação limitada, $BV$).
     A prova utiliza o método direto no cálculo de variações, baseando-se no fechamento fraco do operador controle-estado e na semicontinuidade inferior do funcional de custo.
3. Resolução Numérica: Para resolver o problema de controle ótimo, os autores utilizam o método Hamiltoniano Quadrático Sequencial (SQH). Eles argumentam que o SQH é superior ao método de Varredura Direta-Inversa (FBSM) padrão porque possui uma teoria de convergência robusta. O algoritmo atualiza iterativamente os mapas de controle usando perturbações quadráticas do Hamiltoniano, garantindo a diminuição suficiente do funcional de custo em cada etapa. Os autores provam a convergência das iterações SQH.

Principais Resultados
O artigo apresenta simulações numéricas através de três cenários distintos para demonstrar como as estratégias ótimas dependem dos regimes de parâmetros e das preferências do formulador de políticas (codificadas nos pesos de custo):

• Cenário 1 (Linha de Base): Com taxas de infecção moderadas e uma população inicial conforme, a estratégia ótima depende fortemente das prioridades do formulador de políticas.

  • Um formulador de políticas "equilibrado" (pesando custos de infecção e não conformidade) emprega uma estratégia sinérgica: usando $\mu$ e $\nu$ para suprimir a não conformidade precocemente, permitindo que $\alpha$ e $\eta$ reduzam efetivamente o $R_0$ sem levá-lo abaixo de 1 imediatamente, aceitando assim um pequeno surto para minimizar o custo total.
  • Um formulador de políticas "orientado para a saúde pública" (alto custo de infecção, custo de não conformidade zero) utiliza agressivamente todos os controles para reduzir o $R_0 < 1$ e erradicar a doença, aproveitando a estabilidade do DFE totalmente conforme.
  • Sensibilidade: Remover o tratamento ($\eta=0$) reduz a eficácia dos esforços de controle em cerca de um terço. Remover os controles comportamentais ($\mu=\nu=0$) torna os controles de doença amplamente ineficazes, pois a população migra para a não conformidade, reduzindo a redução de custo para ~10%.
  • Custos L1: O método lida com sucesso com custos de controle $L^1$ (onde $d_2=0$), resultando em controles do tipo "bang-bang" para $\eta, \mu, \nu$ (assumindo apenas valores 0 ou máximos), enquanto $\alpha$ permanece suave devido à natureza quadrática da dinâmica em $\alpha$.

• Cenário 2 (Alta Propagação): Quando a taxa de infecção da doença e a taxa de propagação da não conformidade são altas, e uma parte significativa dos novos nascimentos é não conforme, os controles tornam-se menos eficazes. Apenas um formulador de políticas com pesos de custo de infecção muito altos ($c_1 \ge 6$) considera ótimo suprimir totalmente a doença; caso contrário, a estratégia ótima é deixar a doença seguir seu curso devido ao custo proibitivo do controle.

• Cenário 3 (Proclividade de Linha de Base): O aumento da proporção basal de novos nascimentos não conformes ($\xi$) revela um limiar crítico. Quando $\xi < 0,5$, é ótimo suprimir a não conformidade. No entanto, quando $\xi \ge 0,5$, os controles comportamentais ($\mu$) tornam-se ineficazes (caindo para zero), e o sistema não pode ser guiado para um equilíbrio livre de doença.

Significância e Alegações
O artigo alega três contribuições primárias:

1. Sociológica/Modelagem: Fornece um arcabouço mecanístico onde a adesão às NPIs é uma quantidade epidemiológica dinâmica em vez de um parâmetro fixo. Demonstra que as estratégias de controle ótimo são altamente sensíveis às preferências do formulador de políticas e que ignorar a dinâmica da não conformidade leva a estratégias subótimas ou ineficazes. Destaca que intervenções visando a não conformidade são justificadas por seus efeitos subsequentes na transmissão da doença, mesmo que a não conformidade em si não carregue custo direto.
2. Matemática (Existência): Fornece um arcabouço geral de existência para controles ótimos em modelos biológicos que permite dinâmicas não lineares, custos não suaves/não convexos (especificamente $L^1$) e controles descontínuos. Isso relaxa suposições comuns (como sistemas afins ao controle e custos $L^2$) frequentemente feitas para conveniência analítica, mas que são fisicamente irreais para certas intervenções políticas.
3. Numérica: Defende o uso do método SQH na epidemiologia, argumentando que oferece melhores propriedades de convergência do que o amplamente utilizado FBSM, mantendo-se implementável. Os autores demonstram que o SQH pode resolver eficazmente problemas complexos de controle ótimo envolvendo custos $L^1$ e soluções descontínuas.

Os autores concluem que, embora o estudo seja qualitativo, ele ressalta a necessidade de integrar a dinâmica comportamental em modelos epidemiológicos e sugere que trabalhos futuros poderiam incorporar estocasticidade, estruturas de rede, teoria dos jogos evolutivos e variáveis de controle mais granulares (ex: vacinação, controle de mídia).