Infectious disease modeling for public health practice: projections, scenarios, and uncertainty in three phases of outbreak response

Resumo Técnico: Modelagem de Doenças Infecciosas para a Prática de Saúde Pública

Declaração do Problema
Os departamentos de saúde pública necessitam de projeções de cenários baseadas em evidências para apoiar a tomada de decisões durante surtos de doenças infecciosas. No entanto, os modelos tradicionais de doenças infecciosas são frequentemente não prontamente implantáveis ou responsivos às prioridades urgentes e em evolução dos departamentos de saúde locais. Além disso, a incerteza nos resultados dos modelos é frequentemente avaliada ou comunicada de forma inadequada, o que pode minar a confiança entre os profissionais e o público. Existe uma distinção crítica entre previsão (predizer resultados futuros específicos) e modelagem de cenários (projetar resultados sob condições de status quo ou alternativas), embora essa distinção seja frequentemente confundida, levando a expectativas equivocadas. O artigo aborda a necessidade de um framework que equilibre o fornecimento de números acionáveis com a comunicação precisa da incerteza, especificamente adaptado para a variabilidade na disponibilidade de dados e nas necessidades de modelagem ao longo das diferentes fases de um surto.

Metodologia
Os autores propõem um framework de modelagem em camadas dividido em três fases de resposta a surtos, utilizando fluxos de dados de casos relatados, hospitalizações e óbitos. A abordagem integra parâmetros de dados específicos: razão infecção–caso, razão caso–hospitalização, razão de letalidade por caso e atrasos de notificação para casos, hospitalizações e óbitos.

1. Fase 1: Projeções Preliminares (Pré-introdução Local)

   • Contexto: Antes da detecção de propagação local.
   • Modelo: Modelo de crescimento exponencial.
   • Método: As projeções são geradas com base em dados de surtos históricos ou em andamento. Como não existem dados locais, a incerteza é quantificada usando amostragem de Sobol' para gerar um grande número de combinações de parâmetros a partir de intervalos realistas. Intervalos de credibilidade são calculados para cada dia da projeção.
   • Objetivo: Estimar a velocidade e a magnitude potencial da propagação local para apoiar o planejamento avançado e solicitações de recursos.

2. Fase 2: Crescimento Exponencial Local

   • Contexto: Transmissão local sustentada, onde a epidemia está crescendo exponencialmente.
   • Modelo: Modelo de crescimento exponencial com parâmetros informados por dados locais recentes.
   • Método: Os modelos são ajustados aos dados locais (tipicamente uma janela de 2 semanas) usando estimativa de máxima verossimilhança (minimizando o log-verossimilhança negativa assumindo distribuições de Poisson). Parâmetros como contagens iniciais de casos, tempo de duplicação e razões de desfecho são estimados. Parâmetros não identificáveis (ex: razão infecção–caso) são tratados via análise de sensibilidade usando intervalos provenientes da Fase 1. A incerteza é capturada pela amostragem de combinações de parâmetros dentro de intervalos (ex: ±25% dos valores de melhor ajuste) para gerar intervalos de confiança.
   • Objetivo: Fornecer projeções de curto prazo (2 semanas) de status quo para guiar o planejamento imediato.

3. Fase 3: Transmissão Estabelecida com Potenciais Intervenções

   • Contexto: Transmissão estabelecida onde intervenções estão sendo consideradas.
   • Modelo: Modelo compartimental mecanístico (Suscetível–Latente–Infeccioso–Recuperado, ou SLIR) simulado via equações diferenciais.
   • Método: O modelo considera taxas de transmissão efetivas e atrasos entre compartimentos. Uma análise de incerteza de duas etapas é empregada:
     1. Amostragem de um grande número de combinações para parâmetros não identificáveis (ex: fração inicial de infectados, taxas de latência/recuperação).
     2. Para cada conjunto amostrado, estima-se os parâmetros identificáveis (ex: número de reprodução efetivo $R_e$, razões de notificação) via máxima verossimilhança.
     3. Descarte de conjuntos de parâmetros com log-verossimilhança negativa excedendo um limite acima do mínimo.
     4. Geração de projeções para os conjuntos restantes para plotar intervalos de credibilidade de 50% e 95%.
   • Análise de Cenários: O framework permite experimentos "in silico", como simular mudanças de ±25% no número de reprodução para ilustrar trajetórias potenciais sob diferentes cenários de intervenção ou mudanças comportamentais.

Principais Contribuições

• Framework de Modelagem por Fases: O artigo delineia estratégias de modelagem específicas apropriadas para três fases distintas de surtos, reconhecendo que a disponibilidade de dados e as necessidades de modelagem evoluem com o tempo.
• Distinção entre Previsão e Modelagem de Cenários: Ele enquadra explicitamente os modelos como ferramentas para planejamento de cenários (respondendo a perguntas do tipo "e se") em vez de previsões precisas, enfatizando que os desvios das projeções frequentemente refletem mudanças nos parâmetros subjacentes (ex: taxas de transmissão) e não falhas do modelo.
• Quantificação de Incerteza: Os autores fornecem uma abordagem estruturada para quantificar a incerteza, indo além de estimativas de ponto único para fornecer intervalos de melhor caso, pior caso e de credibilidade. Isso inclui o tratamento de parâmetros não identificáveis através de amostragem e análise de sensibilidade.
• Toolkit Prático: O trabalho oferece código de código aberto e exemplos (usando dados de COVID-19 de Michigan de 2020–2021) para servir como ponto de partida para parceiros de saúde pública e modeladores, visando reduzir a necessidade de "reinventar a roda" para cada novo surto.

Resultos
Usando dados de COVID-19 de Michigan, os autores demonstraram a aplicação de seu framework:

• Fase 1: Projetou resultados de 6 semanas a partir de uma única introdução, gerando intervalos amplos (ex: 1.500–15.100 casos relatados com IC de 95%) para ilustrar a magnitude potencial.
• Fase 2: Gerou projeções de status quo de 2 semanas baseadas em dados de novembro de 2020, estimando 6.600 casos relatados (IC 95%: 4.100–12.000) e 400 internações hospitalares, com um tempo de duplicação de melhor ajuste de 17,2 dias.
• Fase 3: Modelou a transmissão estabelecida (abril de 2021) usando um modelo SLIR, estimando um $R_e$ de 1,71. O modelo projetou uma mediana de 12.000 casos em quatro semanas sob o status quo. Crucialmente, o estudo mostrou como cenários alternativos (ex: um aumento ou diminuição de 25% no $R_e$) produziram trajetórias vastamente diferentes, e como um cenário retrospectivo com uma redução de 45% no $R_e$ se alinhou com os dados relatados reais, validando a utilidade da modelagem de cenários em retrospectiva.

Significância e Alegações
O artigo afirma fornecer um "guia conceitual e toolkit prático" para apoiar o uso mais transparente, oportuno e apropriado de modelos na resposta a surtos. Sua principal significância reside em:

• Acessibilidade: Demonstrar que abordagens analíticas relativamente simples e "de estimativa rápida" (como modelos de crescimento exponencial) podem ser altamente eficazes para profissionais de saúde pública se aplicadas de forma ponderada, em vez de exigir modelos mecanísticos complexos em todos os casos.
• Construção de Confiança: Ao comunicar rigorosamente a incerteza e distinguir entre projeções de status quo e previsões, o framework visa evitar a perda de confiança que ocorre quando os resultados reais se desviam de previsões excessivamente confiantes.
• Capacidade de Ação: Os modelos são desenhados para informar o planejamento (ex: capacidade hospitalar, necessidades de EPI) e motivar a ação, em vez de prever resultados precisos.
• Colaboração: Enfatiza a necessidade de um entendimento compartilhado entre modeladores e parceiros de saúde pública em relação aos objetivos, limitações e expectativas dos esforços de modelagem.

Os autores declaram explicitamente que estes modelos são pontos de partida destinados a serem modificados para surtos específicos e não são adequados para todas as dinâmicas de transmissão (ex: redes altamente agrupadas ou fontes pontuais zoonóticas). O trabalho serve como base para o Grupo de Trabalho de Orientação de Modelagem Insight Net para melhorar a preparação para futuros surtos.