Characterizing the impacts of disease on behavior across scales: Policy, perception, and potential for infection

Este estudo demonstra que, durante a pandemia de COVID-19 nos EUA, o distanciamento social foi impulsionado tanto pela percepção de risco quanto pelos dados objetivos de casos e políticas em escalas espaciais mais amplas (estatais), sugerindo que os modelos de doenças podem assumir respostas racionais da população baseadas em informações de larga escala.

O essencial

Imagine que uma epidemia é como um grande jogo de "pula-pula" entre o vírus e as pessoas. O vírus tenta pular de uma pessoa para outra, e as pessoas tentam se esquivar. A pergunta que os cientistas deste estudo queriam responder era: o que faz as pessoas se esquivarem?

Será que elas se escondem porque o governo mandou? Porque viram números altos de doentes no jornal? Ou porque sentiram medo, mesmo que os números não estivessem tão altos assim?

Os pesquisadores (da Universidade de Georgetown) fizeram uma investigação detalhada usando dados dos Estados Unidos durante a pandemia de COVID-19 (entre setembro de 2020 e janeiro de 2021). Eles olharam para o que as pessoas faziam (se socializavam ou ficavam em casa) e tentaram descobrir a "receita" por trás dessas decisões.

Aqui está o resumo da história, explicado de forma simples:

1. O Grande Detetive: O que controla o comportamento?

Os cientistas compararam três "chefes" que poderiam estar mandando nas pessoas:

• O Chefe da Lei (Políticas): As ordens do governo (fechar bares, obrigar máscaras).
• O Chefe dos Números (Risco Medido): Os dados reais de quantas pessoas estavam doentes no seu bairro.
• O Chefe do Medo (Percepção de Risco): O quanto as pessoas achavam que estavam em perigo.

A Descoberta Principal:
O "Chefe do Medo" (o que as pessoas sentiam) e o "Chefe da Lei" (o que o governo mandava) eram os mais fortes. Mas havia um detalhe curioso: as pessoas não olhavam apenas para o seu próprio quintal.

2. A Analogia do "Rádio do Vizinhança" vs. "A TV Nacional"

Você esperaria que as pessoas se preocupassem apenas com o que está acontecendo na rua onde moram (o "quintal"). Mas o estudo mostrou que elas olhavam para o estado inteiro.

• A Metáfora: Imagine que você mora em uma cidade pequena. Se o seu vizinho de porta adoecer, você pode ficar preocupado. Mas, segundo este estudo, as pessoas nos EUA estavam mais preocupadas se todo o estado estivesse com muitos casos, ou se a TV nacional estivesse mostrando números altos, do que se apenas o seu bairro específico estivesse doente.
• Por que isso acontece? Provavelmente porque as notícias locais eram confusas ou inexistentes, e as pessoas confiavam mais em fontes maiores (TV, redes sociais, notícias do estado). Além disso, as leis eram feitas pelos governadores (estado), não pelos prefeitos (cidade), então as pessoas seguiam o "tom" do estado.

3. O Efeito "Bola de Neve" (Contágio Social)

O estudo descobriu que as pessoas também são influenciadas por como elas se conectam, não apenas por onde elas moram.

• Vizinhança Física: Contágio por estar perto (bairros vizinhos).
• Vizinhança de Trabalho: Contágio por ir trabalhar (pessoas que vão e voltam de outras cidades).
• Vizinhança Digital: Contágio por amigos no Facebook.

A Descoberta Surpreendente: As pessoas eram mais influenciadas por amigos no Facebook e por pessoas que viajavam para o mesmo lugar do que apenas pelos vizinhos que moram na casa ao lado.

• Analogia: É como se o medo se espalhasse mais rápido pelo "WhatsApp do grupo" do que pela conversa no portão da garagem. Se seus amigos no Facebook estão assustados, você também fica, mesmo que o seu bairro esteja tranquilo.

4. A Grande Revelação: O Medo e a Realidade são "Gêmeos"

Aqui está a parte mais interessante para quem faz modelos de doenças (os cientistas que tentam prever o futuro).

Muitos cientistas assumem que as pessoas agem de forma "racional", olhando apenas para os números reais de doentes. Outros acham que as pessoas agem pelo "medo irracional".

• O Resultado: O estudo mostrou que, no final das contas, usar os números reais ou usar o nível de medo das pessoas dá quase o mesmo resultado quando tentamos prever como a doença vai se espalhar.
• A Metáfora: Imagine que você está tentando prever o trânsito. Você pode olhar para os sensores de carros (dados reais) ou perguntar para as pessoas se elas estão com pressa (medo). O estudo diz que, para prever o engarrafamento, ambos funcionam quase igual. Isso é ótimo! Significa que os cientistas não precisam gastar uma fortuna pesquisando o "medo" de cada pessoa; eles podem usar os dados de casos reais e ainda assim ter uma previsão boa.

Conclusão: O Que Aprendemos?

1. O Estado manda mais que a Cidade: As pessoas respondem mais ao que o governo do estado diz e aos números do estado do que aos do seu próprio condado.
2. O "Rádio" é mais forte que o "Vizinho": As pessoas reagem a informações de larga escala (estados, redes sociais) mais do que a informações locais.
3. Não precisa ser perfeito para ser útil: Mesmo que as pessoas não sejam "racionalistas" perfeitos, os modelos de doenças que usam dados simples de casos reais funcionam muito bem para prever o futuro.

Em resumo: Durante a pandemia, os americanos agiram mais como um "coro" que segue o maestro do estado e as notícias da TV, do que como indivíduos isolados olhando apenas para o seu próprio quintal. E, felizmente, para os cientistas, isso significa que eles podem prever o comportamento humano usando dados que já têm, sem precisar adivinhar o que está na cabeça de cada um.

Resumo técnico

Título: Caracterização dos Impactos da Doença no Comportamento em Múltiplas Escalas: Política, Percepção e Potencial de Infecção

1. Problema e Motivação

A dinâmica de doenças infecciosas e o comportamento humano estão intrinsecamente ligados por um ciclo de feedback. Embora a influência do comportamento na transmissão seja bem estudada, a direção inversa — como a doença e as políticas afetam o comportamento — permanece um desafio para a modelagem preditiva.

• Questões Centrais: Até que ponto a mudança de comportamento é impulsionada por políticas governamentais, informações objetivas sobre a doença (dados reais de casos) ou percepção subjetiva de risco?
• Desafio de Escala: Os indivíduos reagem a informações locais (condições do seu condado) ou globais (condições estaduais ou nacionais)?
• Limitação Atual: Muitos modelos epidemiológicos assumem que os indivíduos respondem racionalmente e localmente aos dados de prevalência, mas há pouca validação empírica dessas suposições, especialmente no contexto fragmentado dos EUA durante a pandemia de COVID-19, onde políticas e vigilância variavam drasticamente entre estados e condados.

2. Metodologia

Os autores utilizaram uma abordagem híbrida combinando análise estatística de dados observacionais e modelagem epidemiológica teórica.

A. Dados e Fonte

• Período: Setembro de 2020 a Janeiro de 2021 (EUA).
• Comportamento (Resposta): Número médio de contatos fora da residência (medida de distanciamento social) e proporção de indivíduos preocupados com a infecção (percepção de risco), derivados do COVID-19 Trends and Impact Survey (Carnegie Mellon/Delphi Group) com mais de 6 milhões de respondentes.
• Risco Objetivo: Dados diários de casos e mortes do COVID-19 (New York Times), agregados semanalmente.
• Políticas: Dados sobre ordens de restrição estaduais e de condados (fechamento de restaurantes, igrejas, indústrias, etc.) e o índice de resposta governamental do Oxford COVID-19 Government Response Tracker.
• Variáveis de Controle: Clima, densidade populacional, fatores socioeconômicos (renda, raça, educação) e indicadores de mobilidade.

B. Modelos Estatísticos (Regressão Espaço-Temporal)

• Utilizou-se o pacote R-INLA (Bayesian Inference via Integrated Nested Laplace Approximation) para criar modelos de regressão espaço-temporal.
• Escalas Espaciais Analisadas:
  1. Local: Condado focal.
  2. Administrativo: Estado.
  3. Intermediárias (Conectividade):
     • Condados Vizinhos: Proximidade geográfica.
     • Condados de Pendularidade (Commuting): Baseado em fluxos de deslocamento casa-trabalho.
     • Condados Socialmente Conectados: Baseado no Índice de Conectividade Social do Facebook (amizades online).
• O objetivo foi determinar qual escala e qual tipo de variável (risco medido vs. percebido vs. política) melhor explicavam a variação no distanciamento social.

C. Modelagem Epidemiológica (SIR Acoplado)

• Desenvolveu-se um modelo Suscetível-Infectado-Recuperado (SIR) discreto, parametrizado empiricamente.
• A população suscetível foi dividida em "preocupados" e "não preocupados".
• Simulação: Comparou-se cenários onde o comportamento de distanciamento era impulsionado por:
  1. Risco medido (casos reais).
  2. Risco percebido (preocupação relatada).
  3. Diferentes escalas espaciais (condado vs. estado).
• O objetivo foi avaliar como essas suposições afetam a dinâmica da epidemia (tamanho e tempo do pico).

3. Principais Resultados

Determinantes do Comportamento

• Percepção vs. Medição: Tanto o risco percebido quanto o risco medido são preditores significativos de mudanças no comportamento. No entanto, a percepção de risco em nível estadual foi o preditor mais forte para o aumento do distanciamento social.
• Escala Espacial: Variáveis em nível estadual foram mais preditivas do comportamento do que variáveis em nível de condado. Isso sugere que os indivíduos estavam reagindo a informações mais amplas ("globais") do que às condições locais imediatas.
• Conectividade: Condados socialmente conectados (via Facebook) e de pendularidade influenciaram o comportamento do condado focal mais do que condados apenas geograficamente adjacentes.
  • Em condados socialmente conectados, a percepção de risco foi um preditor mais forte que os casos reais.
  • Políticas em condados vizinhos (geográficos) foram pobres preditores, enquanto políticas em condados de pendularidade tiveram impacto significativo.
• Políticas: Restrições estaduais (especialmente em indústrias e recreação ao ar livre) estiveram associadas a mais distanciamento. Curiosamente, algumas restrições estaduais (como em entretenimento e religião) associaram-se a menos distanciamento, possivelmente devido a reações complexas ou evasão de políticas.

Impacto na Dinâmica da Doença

• Substituibilidade: No modelo de transmissão, o uso de dados de risco medido (casos) versus risco percebido (preocupação) produziu dinâmicas epidêmicas quase indistinguíveis.
• Validação de Suposições: A suposição comum de que os indivíduos respondem racionalmente aos dados de incidência (mesmo que em escala estadual) parece ser válida para fins de projeção de epidemias, sugerindo que dados de percepção de risco (difíceis de coletar) podem não ser estritamente necessários se os dados de casos estiverem disponíveis em escalas maiores.

4. Contribuições Chave

1. Validação Empírica de Escalas: Demonstra que, nos EUA, o comportamento de mitigação durante a COVID-19 foi guiado predominantemente por informações em escala estadual e por redes sociais/pendulares, e não apenas por condições locais de condado.
2. Equivalência Prática: Mostra que, para modelagem de dinâmica de doenças, usar dados objetivos de incidência (casos) como proxy para a percepção de risco é uma aproximação robusta, validando modelos que assumem racionalidade baseada em dados disponíveis.
3. Mecanismos de Influência: Evidencia que a conectividade social (redes) e a mobilidade física (pendularidade) são canais de influência comportamental tão ou mais importantes que a proximidade geográfica.
4. Implicações para Políticas: Sugere que políticas fragmentadas em nível de condado podem ser ineficazes se a população estiver reagindo a informações estaduais ou nacionais. A coordenação entre estados e a comunicação de risco em escala macro são essenciais.

5. Significado e Conclusões

O estudo conclui que a população dos EUA modificou seu distanciamento social em resposta à incidência de casos e políticas em escalas espaciais mais amplas, possivelmente refletindo a falta de vigilância localizada ou mandatos claros em nível de condado.

• Para Modeladores: É razoável assumir respostas humanas racionais à incidência da doença em escalas espaciais maiores (estaduais/nacionais) em modelos futuros, em vez de assumir reações puramente locais.
• Para Saúde Pública: A heterogeneidade de políticas locais pode levar a "fugas" de políticas (pessoas viajando para condados com regras mais frouxas). Investir em cobertura midiática local de riscos e políticas mais ágeis pode ajudar a alinhar a percepção de risco com a realidade local, tornando as intervenções mais eficazes.
• Limitação: A análise excluiu condados menos populosos devido a dados faltantes, sugerindo a necessidade de validação em áreas rurais.

Em suma, o trabalho fornece uma base empírica crucial para refinar modelos acoplados de doença-comportamento, destacando a importância de considerar a escala espacial da informação e a substitutibilidade entre dados objetivos e subjetivos na previsão de epidemias.