Retrospective Forecasting and Long-Term Projection of Alzheimer’s Disease Spreading

Resumo Técnico: Previsão Retrospectiva e Projeção de Longo Prazo da Disseminação da Doença de Alzheimer

Definição do Problema
A previsão da disseminação de doenças não transmissíveis (DNTs), especificamente a doença de Alzheimer e a demência, apresenta desafios metodológicos significativos devido à natureza multifatorial de sua etiologia. Diferente das doenças infecciosas, as DNTs são impulsionadas por interações complexas e dinâmicas de fatores genéticos, comportamentais, socioeconômicos e ambientais. As abordagens tradicionais de previsão frequentemente dependem da quantificação desses fatores de risco específicos ou assumem a estacionalidade do processo, ambos os quais têm dificuldade em lidar com a incerteza inerente e a não estacionalidade das dinâmicas de doenças de longo prazo. Além disso, os modelos existentes frequentemente focam em indicadores anuais voláteis, o que pode obscurecer tendências estáveis de longo prazo. Os autores postulam que uma previsão precisa é crítica para o planejamento estratégico de saúde, alocação de recursos e justificativa de financiamento de pesquisa, contudo, os métodos atuais muitas vezes falham em fornecer projeções decenais confiáveis sob condições de incerteza.

Metodologia
O artigo propõe uma metodologia inovadora baseada em um Modelo de Fluxo de Entrada-Saída Integral (IIOM, do inglês Integral Inflow-Outflow Model) com parâmetros estocásticos. Esta abordagem desloca o foco analítico do modelamento de fatores de risco individuais ou contagens anuais voláteis para o modelamento da dinâmica dos volumes cumulativos (integrais) de entrada (novos casos) e saída (mortalidade).

Componentes principais da metodologia incluem:

1. Estrutura do Modelo: A população com a doença é tratada como um "reservatório" definido por uma equação de balanço: $I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$, onde $I(t)$ é o número de casos ativos, $X_{inf}$ é a entrada cumulativa e $X_{of}$ é a saída cumulativa.
2. Taxas Estocásticas: O modelo utiliza taxas de variação para esses volumes cumulativos ($r_{inf}$ e $r_{of}$) em vez de contagens brutas.
3. Identificação de Tendências: Um achado central do estudo é que, embora as taxas anuais possam ser voláteis, as taxas dos fluxos de entrada e saída integrais exibem uma diminuição monotônica ao longo do tempo. Esta propriedade permite a construção de tendências lineares.
4. Mecanismo de Previsão:
   • Os autores calculam a taxa média anual de diminuição nos aumentos percentuais de entrada e saída ($\alpha_{inf}$ e $\alpha_{of}$) sobre uma janela histórica (ex: 10 anos).
   • Essas taxas são aproximadas por funções de potência via o método dos mínimos quadrados.
   • Tendências lineares para taxas estocásticas futuras ($\tilde{r}_{inf}$ e $\tilde{r}_{of}$) são extrapoladas usando a fórmula $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$, onde $k(t)$ representa o coeficiente de tendência derivado de dados históricos.
   • Essas taxas extrapoladas são substituídas de volta nas equações discretas do IIOM para gerar projeções de 10 anos e de longo prazo.
5. Validação: A precisão do modelo é avaliada usando o Erro Percentual Absoluto Médio (MAPE) contra dados retrospectivos do Institute for Health Metrics and Evaluation (IHME) para o período de 1990–2021.

Principais Contribuições
Os autores identificam três novidades primárias em sua abordagem:

1. Mudança no Foco de Modelagem: Mudança de figuras anuais voláteis para a dinâmica estocástica de volumes acumulados de casos para revelar tendências estáveis de longo prazo.
2. Operacionalização da Monotonicidade: Identificação e utilização da propriedade de diminuição monotônica nas taxas de entradas e saídas integrais como uma tendência linear previsível para previsão.
3. Técnica Prática: Desenvolvimento de uma técnica de previsão específica baseada na extrapolação dessas tendências lineares, que foi testada em processos não estacionários fundamentalmente diferentes (incluindo COVID-19 e mudanças demográficas) para confirmar a robustez.

Resultos
O estudo apresenta dois conjuntos principais de resultados:

• Previsões Retrospectivas de 10 Anos: Previsões amostrais foram geradas em 2005, 2010 e 2015 para o Mundo e várias regiões. O modelo demonstrou alta precisão. O resumo nota valores de MAPE para janelas de previsão de 10 anos no intervalo [0,23%; 2,73%], observando também valores específicos de MAPE no intervalo [0,08%; 0,75%]. Os valores regionais específicos de MAPE foram geralmente baixos, com a média Mundial de 0,43% (previsão de 2005), 0,2% (previsão de 2010) e 0,09% (previsão de 2015). A conclusão cita adicionalmente uma faixa de MAPE de 0,43% a 1,79% para as previsões retrospectivas.
• Projeção de Longo Prazo até 2050: Usando a abordagem baseada no modelo, os autores projetam um aumento constante no número absoluto de casos de Alzheimer globalmente. O número de casos é projetado para subir de 141,2 milhões em 2022 para 489,5 milhões em 2050.
  • A proporção de casos dentro da população idosa (65+) permanece relativamente estável (0,84–0,87), sugerindo que o envelhecimento demográfico é o principal motor, em vez de mudanças no risco específico por idade.
  • As disparidades regionais são significativas; a Europa Ocidental deve enfrentar a maior carga (65 milhões de casos), seguida pela América do Norte de Alta Renda (42,3 milhões) e Sudeste Asiático (16,3 milhões).
  • Em contraste, a América Latina Tropical e a África Subsaariana Oriental apresentam proporções moderadas (0,72–0,76) de casos em relação às suas populações idosas, refletindo diferentes estruturas demográficas.
  • O modelo confirma uma desaceleração monotônica nas taxas de crescimento, com o crescimento anual declinando de aproximadamente 5% no início da década de 2020 para 2,5% ao final do período de projeção.

Significância e Alegações
O artigo afirma que o Modelo de Fluxo de Entrada-Saída Integral oferece uma alternativa prática e confiável a modelos mais complexos e intensivos em dados (como meta-regressão Bayesiana ou CODEm) que exigem a avaliação precisa de inúmeros fatores de risco difíceis de quantificar. Ao reconhecer a natureza não estacionária da disseminação das DNTs e focar nas tendências estáveis das taxas cumulativas, a metodologia fornece uma ferramenta robusta para a tomada de decisão sob incerteza.

Os autores concluem que esta abordagem estabelece uma base sólida para:

• Planejamento estratégico de recursos de saúde.
• Justificativa de investimentos em prevenção e pesquisa.
• Monitoramento de tendências epidemiológicas.

O estudo posiciona o IIOM como uma ferramenta promissora para a previsão de saúde pública de longo prazo, facilitando a tomada de decisões baseada em evidências diante dos crescentes desafios impostos pelas doenças não transmissíveis, sem pretender resolver os mecanismos biológicos subjacentes da doença.