Resumo Técnico: Modelagem de Dados Adversários em Epidemiologia

Definição do Problema

A modelagem epidemiológica depende cada vez mais de dados comportamentais coletados via crowdsourcing e autorrelatados (ex: status de vacinação, uso de máscaras, distanciamento social) para prever a transmissão de doenças e orientar intervenções não farmacológicas (INF). No entanto, esses dados não são amostrados passivamente; eles são relatados estrategicamente. Indivíduos frequentemente relatam comportamentos de forma errônea para evitar penalidades, acessar benefícios ou devido à desconfiança nas autoridades de saúde pública (ASP). Esse relato estratégico errôneo introduz vieses sistemáticos que os modelos tradicionais falham em considerar, tratando os dados relatados como observações verdadeiras em vez de entradas adversárias. Consequentemente, as ASPs podem subestimar parâmetros cruciais, levando a políticas ineficazes e à transmissão epidêmica sustentada. As abordagens existentes tratam a incerteza dos parâmetros majoritariamente como um problema de estimativa estática, em vez de um processo comportamental dinâmico impulsionado por incentivos.

Metodologia

Os autores propõem um arcabouço de teoria dos jogos que modela a interação entre uma população e uma ASP como um jogo de sinalização. Esta abordagem integra modelos de fala racional (RSA - Rational Speech Act) com a dinâmica epidemiológica compartimental estocástica.

Estrutura Central

1. Formulação do Jogo de Sinalização:

   • Emissores (Indivíduos): Uma população de indivíduos escolhe se relata seu tipo comportamental real (status de vacinação e uso de máscara) ou se engana. Eles atuam sob racionalidade limitada, pesando incentivos individuais (ex: evitar penalidades) contra a "perda semântica" (o custo de ser mal compreendido ou a degradação do sinal coletivo).
   • Receptor (ASP): A ASP observa as mensagens relatadas e os dados agregados de hospitalização (o único proxy de verdade fundamental disponível). Ela atualiza suas crenças sobre o comportamento da população usando inferência Bayesiana e ajusta parâmetros epidemiológicos (taxa de vacinação $\psi$, taxa de mascaramento $\eta$) para manter o número de reprodução controlado ($R_c$) abaixo de 1.
   • Funções de Utilidade:
     • Utilidade do Emissor: Maximiza os incentivos individuais provenientes do engano enquanto minimiza a perda semântica (imprecisão na interpretação do receptor) e considera o impacto econômico de um $R_c$ elevado (ex: fechamentos de negócios).
     • Utilidade do Receptor: Minimiza a distorção entre as trajetórias previstas e observadas de hospitalização enquanto maximiza o ganho de informação a partir das mensagens relatadas.

2. Modelo Epidemiológico:

   • O arcabouço utiliza um modelo compartimental SVEAIR (Suscetíveis, Vacinados, Expostos, Assintomáticos, Sintomáticos, Recuperados).
   • O modelo incorpora as taxas de vacinação e de mascaramento como parâmetros que reduzem as taxas de contato.
   • A ASP utiliza uma versão estimada dessas equações diferenciais ordinárias (ODEs) para prever contagens de hospitalização ($H(t)$) com base em parâmetros comportamentais inferidos.

3. Análise de Equilíbrio:
   O artigo caracteriza analiticamente três regimes distintos de equilíbrio baseados no grau de decepção:

   • Equilíbrio de Separação (Separating Equilibrium): Todos os indivíduos relatam a verdade. A ASP recupera parâmetros não enviesados, permitindo o controle epidêmico eficaz ($R_c < 1$).
   • Equilíbrio de Agrupamento (Pooling Equilibrium): Todos os indivíduos não conformes mentem e relatam conformidade total. A ASP não consegue distinguir os tipos, dependendo apenas de crenças prévias (priors) e dados de hospitalização, o que frequentemente leva à transmissão sustentada.
   • Equilíbrio de Agrupamento Parcial (Partial Pooling Equilibrium): Um estado misto onde alguns indivíduos mentem enquanto outros dizem a verdade. O artigo deriva as condições para a existência deste equilíbrio e caracteriza a "fronteira de tolerância" — o nível máximo de decepção que o sistema pode suportar mantendo o controle epidêmico.

4. Política Adaptativa:
   A ASP emprega uma política de feedback adaptativo. Ela atualiza as recomendações de intervenção ($\psi_r, \eta_r$) minimizando a distorção entre as hospitalizações observadas e as previsões do modelo, efetivamente ponderando os dados relatados pela credibilidade inferida.

Principais Contribuições

1. Modelo Epidêmico de Teoria dos Jogos: Os autores acoplam um modelo compartimental estocástico a um jogo de sinalização de dois jogadores. Isso permite que a ASP infira a credibilidade e considere o relato estratégico errôneo em vez de assumir a veracidade, projetando políticas robustas a dados adversários.
2. Caracterização de Equilíbrio e Design de Política: O artigo identifica analiticamente quando o relato verdadeiro emerge e como as alavancas de política podem ser ajustadas para dissuadir o engano. Propõe uma política de feedback adaptativo que pondera os dados pela credibilidade inferida para manter $R_c \leq 1$.
3. Pipeline de Simulação Generalizável: Um arcabouço integrando equilíbrios de jogos de sinalização com dinâmica epidemiológica é desenvolvido para estudar a interação entre decepção comportamental, adaptação de política e controle epidêmico. Isso permite a avaliação sistemática de intervenções sob variadas suposições comportamentais.

Resultados Experimentais

O arcabouço foi avaliado usando simulações de Monte Carlo de uma população de 10.000 pessoas ao longo de 26 semanas, juntamente com validação em conjuntos de dados do mundo real (CHECKED, CoAID, dados do CDC/HHS).

• Eficácia do Feedback Interativo: O feedback adaptativo e informado pelo sinal entre a população e a ASP é essencial para o controle epidêmico. Nas simulações, os equilíbrios de separação e de agrupamento parcial reduziram com sucesso o $R_c$ abaixo de 1, enquanto os equilíbrios de agrupamento e as linhas de base não interativas falharam em controlar a transmissão sob baixas taxas comportamentais de base.
• Valor Informativo de Dados Imperfeitos: Mesmo em equilíbrios de agrupamento parcial com decepção significativa, a ASP pôde extrair sinais acionáveis. As crenças posteriores do receptor permaneceram não triviais, permitindo ajustes de política eficazes em comparação com políticas aleatórias.
• Padrões de Decepção: A estrutura do equilíbrio domina o nível de desonestidade. Os equilíbrios de agrupamento exibiram as maiores taxas de decepção (começando em >0,8), enquanto os equilíbrios de separação mantiveram as menores (~0,3).
• Fronteiras de Tolerância: O estudo quantificou a "fronteira de tolerância", mostrando que, conforme a cobertura de vacinação e mascaramento se acumula, o sistema torna-se mais robusto à decepção ativa. Existe uma complementaridade entre intervenções; a adoção mais alta de uma pode compensar parcialmente a baixa adoção da outra em relação à robustez ao erro de relato.
• Validação no Mundo Real: A análise de dados de desinformação do mundo real revelou que as distorções comportamentais exibem padrões estruturados (altos coeficientes de Gini) em vez de ruído arbitrário. O arcabouço proposto superou abordagens mais simples em cenários com distorções estruturadas e dependentes de risco, reduzindo erros de status de vacinação em até 72%.
• Robustez: Testes de estresse indicaram que, embora o aumento da eficácia da vacina tenha melhorado significativamente o controle, variações moderadas nos incentivos comportamentais tiveram efeitos limitados nas dinâmicas de longo prazo. No entanto, uma alta parcela de não-responsividade (NRS) impactou negativamente os escores de controle de doenças, destacando a necessidade de participação suficiente.

Significância e Alegações

O artigo afirma avançar a compreensão de dados adversários em epidemiologia ao mudar a perspectiva de erros de estimativa estática para processos comportamentais estratégicos e dinâmicos. Argumenta-se que:

• O Relato Estratégico Erroneo é uma Entrada Adversária Canônica: Dados autorrelatados devem ser modelados como sinais estratégicos, não como observações passivas.
• A Estrutura de Equilíbrio Determina a Qualidade do Controle: O conteúdo informacional dos comportamentos autorrelatados e a qualidade alcançável do controle epidêmico são determinados diretamente pelo regime de equilíbrio (Separação > Agrupamento Parcial > Agrupamento).
• A Robustez é Possível: Mesmo sob decepção generalizada em equilíbrios de agrupamento parcial, estratégias bem desenhadas para o emissor e o receptor podem manter o controle epidêmico eficaz. (Nota: O artigo indica que os equilíbrios de agrupamento falham em atingir o limiar epidêmico dentro do horizonte de simulação devido à severamente degradada qualidade da informação).
• Padrões Estruturados Importam: As distorções comportamentais do mundo real são estruturadas, e arcabouços que contabilizam essa estrutura oferecem vantagens condicionais sobre métodos que assumem ruído arbitrário.

Os autores concluem que seu arcabouço oferece ferramentas para projetar modelos de saúde pública mais robustos na presença de comportamento estratégico do usuário, embora reconheçam limitações quanto à heterogeneidade individual e à complexidade de configurações de múltiplos agentes.