Generalized SEIR model and a new reproduction number reflecting the real epidemic dynamics

Resumo Técnico: Modelo SEIR Generalizado e um Novo Número de Reprodução Refletindo a Dinâmica Epidêmica Real

Definição do Problema
Modelos matemáticos existentes para a dinâmica epidêmica, como o clássico modelo SIR, frequentemente falham ao não considerar fatores críticos, incluindo o período de incubação (o compartimento exposto), infecções ocultas (assintomáticas), reinfecções e os efeitos de vacinações e nascimentos. Modelos anteriores propostos pelo autor abordaram a dinâmica oculta e as reinfecções, mas negligenciaram o compartimento exposto ($E$). Além disso, as definições padrão do número de reprodução efetivo ($R_t$) baseiam-se exclusivamente em casos visíveis (sintomáticos), o que pode não refletir com precisão a verdadeira taxa de propagação da infecção quando uma parte significativa da população está assintomática ou não registrada. O artigo aborda a necessidade de um modelo mais abrangente que integre o compartimento exposto com a dinâmica oculta e propõe uma nova métrica para refletir melhor as tendências epidêmicas reais.

Metodologia
O autor propõe um modelo SEIR (Suscetível-Exposto-Infeccioso-Removido) Generalizado consistindo em seis equações diferenciais acopladas. Este modelo expande o trabalho anterior ao introduzir um compartimento para pessoas expostas ($E$) e dividir ambas as populações infecciosas ($I$) e removidas ($R$) em subcompartimentos visíveis (registrados) e ocultos (não registrados/assintomáticos).

As características principais da estrutura matemática incluem:

• Seis Equações Diferenciais: Regendo a dinâmica de Suscetíveis ($S$), Expostos ($E$), Infecciosos Visíveis ($I^v$), Infecciosos Ocultos ($I^h$), Removidos Visíveis ($R^v$) e Removidos Ocultos ($R^h$).
• Parâmetros: O modelo incorpora 14 parâmetros desconhecidos por onda epidêmica, incluindo taxas de infecção ($\alpha$), taxas de remoção ($\rho$), taxas de perda de imunidade ($\delta$), o coeficiente de visibilidade ($\beta$) e um coeficiente ($\mu$) que representa a taxa de variação líquida na população suscetível devido a nascimentos, vacinações e reinfecções.
• Identificação de Parâmetros: O autor propõe um método para identificar esses 14 parâmetros usando o método dos mínimos quadrados, ajustando o modelo aos números observados de casos registrados diários, semanais ou mensais ($D_j$). O modelo relaciona a derivada dos casos removidos visíveis aos dados observados.
• Novo Número de Reprodução ($R_\tau^E$): Um novo número de reprodução é definido com base na razão de pessoas expostas no tempo $t$ versus $t-\tau$. Crucialmente, o artigo demonstra que essa taxa pode ser estimada usando apenas a razão de casos registrados diários (ou semanais), vinculando efetivamente os dados visíveis à dinâmica da população exposta oculta.

Principais Contribuições

1. Estrutura do Modelo Generalizado: A introdução de um modelo SEIR de seis equações que contabiliza simultaneamente o período de incubação, infecções ocultas, reinfecções e mudanças demográficas (nascimentos/vacinações).
2. Método de Estimativa de Parâmetros: Um procedimento específico para estimar os 14 parâmetros do modelo usando dados epidemiológicos padrão (contagens de casos acumulados ou diários) sem a necessidade de observação direta dos casos ocultos.
3. Número de Reprodução Revisado: A proposta de um número de reprodução ($R_\tau^E$) que reflete a taxa crescente ou decrescente de pessoas expostas. O artigo estabelece que a razão de contagens consecutivas de casos registrados diários (ou semanais) serve como um estimador válido para essa taxa, fornecendo uma ferramenta prática para decisões de controle epidêmico.
4. Análise de Equilíbrio: O artigo fornece uma análise dos pontos de equilíbrio, observando que um equilíbrio não nulo (estado endêmico) só é possível quando a taxa de crescimento líquido de suscetíveis ($\mu$) é diferente de zero.

Resultados
O modelo foi aplicado para simular a epidemia de coqueluche na Inglaterra de 2023 a 2025.

• Cenários de Simulação:
  • $\mu = 0$: Simulações assumindo nenhum crescimento líquido na população suscetível (ex: vacinação perfeita equilibrando os nascimentos) resultaram em uma diminuição monotônica dos casos após um pico, sugerindo uma duração de epidemia limitada.
  • $\mu > 0$: Simulações incorporando uma taxa de crescimento líquido positiva (refletindo taxas de natalidade que excedem a eficácia da vacinação) produziram ondas epidêmicas oscilatórias com um período de aproximadamente 2500 dias (6,85 anos).
• Validação: O modelo com $\mu = 7,48 \text{ dia}^{-1}$ mostrou forte concordância com dados históricos e observações recentes (2025) de casos de coqueluche na Inglaterra.
• Previsão: Com base no modelo calibrado, o artigo prevê que o número de novos casos de coqueluche na Inglaterra começará a aumentar novamente em julho–setembro de 2027. O modelo indica que o número de pessoas expostas começará a subir imediatamente após o mínimo nos casos registrados diários.

Significância e Alegações
O artigo afirma que o modelo SEIR Generalizado proposto oferece uma representação mais realista da dinâmica epidêmica ao integrar o período de incubação e a transmissão oculta. A principal significância reside na capacidade de:

• Prever futuras ondas epidêmicas (especificamente a ressurgência da coqueluche em 2027 na Inglaterra) com alta precisão usando apenas dados de casos registrados.
• Fornecer uma definição prática e orientada por dados do número de reprodução que considere a dinâmica oculta, permitindo que epidemiologistas monitorem a verdadeira taxa de propagação da infecção usando dados de vigilância padrão.
• Demonstrar que, embora a vacinação intensiva possa teoricamente reduzir a duração da epidemia, ela pode ser insuficiente para evitar oscilações de longo prazo se as taxas de natalidade e a perda de imunidade não forem adequadamente compensadas.

O autor observa que o grande número de parâmetros (14) complica a otimização, sugerindo que pesquisas futuras utilizem Computação de Alto Desempenho (HPC) e métodos de IA para identificação de parâmetros em larga escala. O estudo conclui que o modelo consegue, com sucesso, preencher a lacuna entre a dinâmica de compartimentos teóricos e os dados observáveis do mundo real.