Contexto

Para encontrar as formas certas de lidar com um surto, é necessário fazer previsões sobre o comportamento futuro.

Isto levou a uma grande variedade de ferramentas matemáticas e computacionais de precisão e complexidade variáveis.

Muitos destes modelos são análogos aos usados em outros campos. Os modelos SIS, utilizados em doenças que não proporcionam imunização duradoura, como a gripe, podem ser utilizados para prever a variação das populações que estão relacionadas por uma teia alimentar dentro de um ecossistema, caso em que os chamamos de sistemas Lotka-Volterra.

Deste ponto de vista, não é surpreendente pensar que muitos dos comportamentos que se manifestam pela propagação de uma epidemia são também característicos de outros sistemas que também modelamos.

Por exemplo, a "percolação" ou "capacidade de atravessar um sistema" como um incêndio florestal pode atravessar uma floresta (existe percolação) ou pode auto-extinguir-se (sem percolação) dependendo da distribuição da massa florestal ou da sua componente de libertação de energia, é análoga à propagação de uma doença, dependendo da sua virulência, estrutura populacional e distância social, do conhecimento que temos sobre ela, etc.

Ou também "histerese" ou "dependência do estado anterior", o que determina que as decisões tomadas num determinado momento durante a gestão do surto só têm efeitos visíveis após um certo tempo. O conceito de histerese é comum a um número infinito de campos, mas talvez um dos mais conhecidos seja o da ciência dos materiais.

Mas se há algo que diferencia a propagação de uma epidemia de um incêndio ou o fluxo de água num solo granular, é a sua componente humana, que é difícil de parametrizar.

Esta situação é complicada quando consideramos que a resposta do sistema a muitos destes factores é aproximadamente sigmoidal. Muito pequenas variações em alguns dos seus parâmetros podem determinar a diferença entre uma holoendemia com uma taxa de infecção de 100% ou a auto-extinção do surto.

Neste projeto, geramos populações sintéticas de milhões de indivíduos virtuais. Cada um deles tem contactos sociais, com diferentes graus de proximidade e pertence a comunidades que se inter-relacionam de uma forma variável.

Simulamos uma epidemia que se espalha por essa comunidade, também com parâmetros diferentes. O objectivo final é reconstruir, através de métodos de aprendizagem automáticos e dos dados acumulados nestas simulações, os parâmetros da infecção e do seu ambiente durante uma epidemia real.

Especificamente, os dados que você nos fornecer nos ajudarão a modelar o fluxo de informações sobre medidas de prevenção e contenção dentro da rede de indivíduos.

Isto é importante no que diz respeito à adoção de medidas de prevenção e controle, pois a adoção muito precoce, na qual a percepção de risco é baixa em relação à severidade das medidas, levará a taxas de adesão muito baixas que dificultarão a adoção de medidas subseqüentes. Por outro lado, o atraso na tomada de decisões, mesmo em escalas de horas, pode fazer uma grande diferença para o resultado final.