Disease spread in compartmental spaces: Markov and semi-Markov population models

No estudo de doenças infecciosas, os cientistas há muito dependem de modelos matemáticos para prever como uma enfermidade se move através de uma população. As abordagens tradicionais frequentemente assumem que as pessoas se misturam aleatoriamente, como gotas de tinta girando em um copo de água, onde cada indivíduo tem uma chance igual de encontrar qualquer outra pessoa. No entanto, o mundo real é muito mais estruturado. As pessoas movem-se através de ambientes específicos — escritórios, escolas, hospitais e centros comerciais — passando diferentes quantidades de tempo em diferentes salas e interagindo apenas com um subconjeto das pessoas ao seu redor. Essa organização espacial, combinada com o fato de que as pessoas entram e saem desses espaços constantemente, cria uma teia complexa de contatos que modelos simples frequentemente não captam. Compreender como a doença se espalha nesses espaços fechados e compartimentados é crucial para desenhar estratégias de saúde pública eficazes, especialmente quando a ventilação e o ar compartilhado desempenham um papel significativo na transmissão.

Uma equipe de pesquisadores do México desenvolveu uma nova maneira de modelar essa complexidade, indo além da suposição de mistura aleatória para criar uma estrutura que leva em conta o layout específico de um edifício e o movimento de pessoas dentro dele. O trabalho deles, publicado em um artigo de pesquisa, introduz duas abordagens matemáticas complementares para rastrear como uma infecção se espalha através de uma rede de salas conectadas. A primeira abordagem trata o ambiente como um sistema fechado, onde um número fixo de pessoas se move entre as salas, mas ninguém entra ou sai. A segunda abordagem, mais flexível, trata o ambiente como um sistema aberto, permitindo que pessoas cheguem de fora e partam a qualquer momento, enquanto também considera o fato de que as pessoas não passam o mesmo tempo em cada sala. Ao combinar esses padrões de movimento com um mecanismo específico de como a doença é contraída, os pesquisadores foram capazes de calcular o número esperado de pessoas saudáveis, portadoras e infectadas em qualquer dado momento.

Os pesquisadores dividiram a população em três grupos distintos para entender melhor o fluxo de infecção. O primeiro grupo consiste em indivíduos suscetíveis, que estão saudáveis, mas podem contrair a doença. O segundo grupo compreende portadores, que já abrigam o agente infeccioso e podem transmiti-lo a outros. O terceiro grupo inclui aqueles que se tornaram infectados durante seu tempo no sistema. Uma característica fundamental deste modelo é que ele distingue entre portadores e recém-infectados. Os pesquisadores assumiram que, uma vez que uma pessoa se torna infectada dentro do sistema, ela não se torna imediatamente contagiosa, mas sim permanece na categoria "infectada" sem propagar a doença adiante durante o tempo em que é observada. Essa distinção permite que o modelo se concentre especificamente no momento da transmissão de um portador para uma pessoa suscetível, em vez de uma reação em cadeia de infecções secundárias.

Para simular como as pessoas se movem, os pesquisadores utilizaram duas ferramentas matemáticas diferentes. No primeiro cenário, eles modelaram um edifício fechado onde o número total de pessoas permanece constante. As pessoas movem-se de sala em sala com base em probabilidades fixas, de forma muito semelhante a um jogo onde um jogador lança um dado para decidir qual sala entrar a seguir. Neste sistema fechado, os pesquisadores descobriram que podiam prever com precisão o número médio de pessoas em cada sala e como a infecção se espalharia ao longo do tempo. Eles verificaram essas previsões executando simulações computacionais com milhares de pessoas virtuais. Os resultados mostraram que, à medida que o número de pessoas na simulação aumentava, os resultados reais coincidiam quase perfeitamente com as previsões matemáticas, confirmando que suas fórmulas para o comportamento médio da população estavam corretas.

O segundo cenário abordou a realidade de que a maioria dos edifícios não são sistemas fechados. As pessoas entram pelas portas e saem pelas saídas, e o tempo que passam em uma sala varia amplamente. Para capturar isso, os pesquisadores utilizaram um modelo semi-Markoviano, que permite padrões de movimento mais realistas. Nesta estrutura, o tempo que uma pessoa passa em uma sala não é fixo a uma média padrão; em vez disso, pode seguir qualquer distribuição, refletindo o fato de que alguém pode permanecer em uma sala de espera por uma hora, mas passar apressadamente por um corredor em segundos. Este modelo também inclui "estados absorventes", que representam o mundo exterior. Uma vez que uma pessoa atinge um estado absorvente, ela saiu do sistema e não retornará. Esta configuração permitiu aos pesquisadores calcular não apenas quantas pessoas estão dentro, mas também quanto tempo permanecem e quantos saem saudáveis, portadores do vírus ou já infectados.

Os pesquisadores aplicaram seu modelo aberto a um exemplo específico envolvendo uma instalação com duas salas e duas entradas e saídas. Eles simularam a chegada de pessoas saudáveis e portadoras usando uma distribuição estatística padrão para chegadas aleatórias. Ao executar estas simulações, foram capazes de determinar os números de estado estacionário de pessoas saindo do edifício em cada categoria de saúde. Suas descobertas revelaram uma relação clara entre o fluxo de pessoas e a propagação da doença. À medida que o número de portadores entrando no sistema aumentava, o número de pessoas saudáveis saindo do sistema diminuía, indicando que mais infecções estavam ocorrendo dentro. Por outro lado, o número de pessoas saindo com a infecção aumentava conforme a taxa de entradas infectadas subia.

Uma descoberta particularmente interessante surgiu quando os pesquisadores compararam uma instalação com uma única entrada e saída com uma com múltiplas entradas e saídas. Eles descobriram que a configuração do edifício influenciava significamente o resultado. No modelo com uma única entrada e saída, o número de pessoas saudáveis saindo do sistema era menor, e o número de pessoas infectadas saindo era maior, em comparação com o modelo com múltiplos pontos de entrada e saída. Isso sugere que ter mais formas de entrar e sair de um espaço, o que pode parecer contraintuitivo, poderia na verdade reduzir o número total de infecções ao alterar os padrões de movimento e reduzir o tempo que as pessoas passam em contato próximo com portadores.

O estudo conclui que, ao integrar a estrutura física de um espaço com o movimento das pessoas e a mecânica de transmissão de doenças, é possível criar um quadro muito mais preciso de como um surto evolui. As expressões matemáticas derivadas pelos pesquisadores fornecem uma maneira de calcular o número esperado de indivíduos suscetíveis, portadores e infectados em qualquer ponto no tempo. Estas ferramentas podem ajudar autoridades de saúde pública e formuladores de políticas a compreender quais partes de um edifício ou quais padrões de movimento representam o maior risco. Embora o trabalho atual se concentre no quadro teórico e nas simulações, os autores sugerem que estes modelos poderão eventualmente ser aplicados a ambientes do mundo real, utilizando dados reais sobre como as pessoas se movem para desenhar melhores intervenções e reduzir a propagação de doenças infecciosas em espaços complexos e estruturados.