Incorporating county-level NO2 data into a metapopulation model: a case study of the first COVID-19 wave in Oklahoma

Resumo Técnico: Incorporação de Dados de NO2 em Nível de Condado em um Modelo de Metapopulação para a Primeira Onda de COVID-19 em Oklahoma

Declaração do Problema
Embora estudos epidemiológicos tenham estabelecido associações entre a exposição ao dióxido de nitrogênio (NO2) e o aumento da suscetibilidade a doenças infecciosas respiratórias, e evidências biológicas sugiram que o NO2 intensifica a vulnerabilidade à infecção, há uma escassez de modelos epidêmicos mecanísticos que integrem explicitamente dados de poluentes atmosféricos. Os modelos existentes frequentemente falham em considerar como fatores ambientais modulam diretamente a dinâmica de transmissão juntamente com a mobilidade humana.

Metodologia
Os autores introduzem um novo modelo de metapopulação informado por NO2 e mobilidade para analisar a primeira onda da pandemia de COVID-19 em Oklahoma. A metodologia integra dois fluxos primários de dados:

1. Dados Ambientais: Concentrações de NO2 em nível de condado são incorporadas diretamente nas taxas de infecção por meio de uma parametrização de primeira ordem.
2. Dados de Mobilidade: Padrões de mobilidade de alta resolução são utilizados para capturar a conectividade intercondados heterogênea.

O estudo utiliza simulações numéricas para explorar como níveis variados de sensibilidade ambiental afetam as trajetórias de surto. Além disso, o modelo é ajustado aos dados de incidência de COVID-19 por condado e rigorosamente comparado contra duas linhas de base:

• Um modelo SIR clássico ajustado independentemente para cada condado.
• Um modelo apenas de mobilidade, onde o NO2 é removido e as taxas de infecção são assumidas como homogêneas entre os condados.

O desempenho é avaliado utilizando métricas de erro padrão, especificamente o Erro Quadrático Médio normalizado (nRMSE), através de diferentes estágios epidêmicos: surto, pico, pós-pico e declínio.

Principais Resultados

• Dinâmica de Simulação: Simulações numéricas indicam que uma maior sensibilidade ambiental leva a surtos mais precoces e sincronizados entre os condados, enquanto uma menor sensibilidade resulta em trajetórias atrasadas e assíncronas.
• Desempenho do Modelo vs. SIR: Quando ajustado aos dados históricos, o modelo proposto superou o modelo SIR independente em mais de 75% dos condados de Oklahoma em todas as métricas de erro padrão.
• Precisão de Previsão: O modelo proposto demonstrou capacidades de previsão superiores em todos os estágios epidêmicos. As taxas de vitória contra o modelo SIR por nRMSE foram:
  • Surto: 59,74%
  • Pico: 87,01%
  • Pós-pico: 80,52%
  • Declínio: 88,31%
• Contribuição do NO2: Isolar o componente de NO2 revelou que ele melhorou significativamente as previsões durante períodos de alta incidência. Especificamente, a inclusão do NO2 melhorou as previsões por condado durante os estágios de surto (94,81% dos condados), pós-pico (88,31%) e pico (62,34%) em comparação com o modelo apenas de mobilidade. No entanto, o termo de NO2 não gerou melhorias durante os estágios iniciais e de declínio.

Significância e Alegações
O artigo afirma que a exposição ambiental, especificamente o NO2, pode ser diretamente integrada na estrutura de transmissão de um modelo epidêmico mecanístico. Os autores afirmam que essa integração produz ganhos mensuráveis de previsão, particularmente durante períodos de alta incidência, demonstrando que a combinação de dados ambientais com padrões de mobilidade fornece uma estrutura mais robusta para compreender e prever a dinâmica epidêmica do que apenas dados de mobilidade ou modelos compartimentais padrão.