Você está na página 1de 73

Modelo COVID

Brasil - v2
Autores: Samy Dana, Alexandre Simas, Bruno Filardi,
Rodrigo Rodriguez e José Gallucci Neto.
Estudo encomendado pela Easynvest
v2 – 28/04/2020
Sumário Executivo
Na nova versão, o estudo projeta a previsão de mortes pela Covid-19 e o pico da
doença em três estados brasileiros (São Paulo, Rio de Janeiro e Amazonas) e no Brasil.
Para isso, considera dois cenários, supondo que o isolamento permanece em vigor:
• Fila separada: pessoas com plano de saúde têm acesso à rede privada, mas caso
ela esteja lotada, podem utilizar o sistema público; pessoas sem plano só têm direito
aos leitos disponíveis pelo SUS.
• Fila única: pacientes graves, com ou sem plano de saúde, teriam o mesmo acesso a
leitos das redes pública ou privada, em um sistema unificado. Para isso, o sistema
público pagaria a rede privada pelo uso dos leitos, neste modelo já proposto por
grupos de especialistas.
Objetivo
• Obter maior precisão nas modelagens de dados específicos do Brasil.
• Ajudar com informações melhores para tomadas de decisões do
poder público, entidades e órgãos competentes.
• Estimar a quantidade necessária de leitos de UTI para evitar ao
máximo as mortes.
Leitos de UTI públicos e privados
• Modificamos o modelo para conseguir tratar a ocupação de leitos
de UTI públicos e privados.
• A suposição do modelo é que quem possui plano de saúde pode ir
para leitos de UTI privados e se estes estiverem lotados, podem ir
para leitos de UTI públicos.
• Quem está em leito de UTI público não pode ir para leito de UTI privado.
Leitos de UTI públicos e privados
• O modelo anterior trata os leitos de UTI seguindo a fila única, esta
versão do modelo diferencia os leitos. Com isso, conseguimos medir
o impacto social da fila única.
• A seguir apresentamos um diagrama com as mudanças nessa variação
do modelo.
Resultado – São Paulo – Fila Única UTI

• O modelo supõe que o isolamento fica em vigor durante


todo o período considerado na previsão.

• A estimativa do pico é devido ao modelo entender que


chegamos no cenário em que R0<1, ou seja, o número
de novos infectados passa a cair muito rápido.

• Curva de Mortes diárias previstas no estado de São


Paulo supondo fila únicade UTI.

• Pico: Mortes diárias de 139 a 569 com mediana em 210


no pico.

• Supondo fila única, com os dados atuais o modelo


estima que o pico ocorrerá entre os dias 30 de abril e 5
de maio de 2020.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – São Paulo – Fila Única UTI
• O modelo supõe que o isolamento fica em vigor
durante todo o período considerado na previsão.

• Mortes acumuladas totais no estado de São Paulo,


caso o isolamento seja mantido está sendo
estimada entre 6.374 e 14.371.

• No cenário mediano, o total de mortes, supondo fila


única de UTI, está na faixa de 8.994.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – São Paulo – Fila Única UTI

• O cenário mediano indica a ocupação de leitos de


UTI está em um nível confortável com o
isolamento atual.

• Estamos considerando como cenário que 70% do


total de leitos (15.753) estão disponíveis para o
COVID-19, a saber 11.027 leitos.

• Como os leitos costumam ser amplamente


ocupados por pessoas envolvidas em acidentes de
trânsito, o isolamento contribui para que mais leitos
estejam disponíveis.

• Uso da UTI:
Entre quem morre: 10 dias
Entre quem sobrevive: 14 dias

• Obs. Considerando o isolamento social em vigor


na data deste relatório
Resultado – São Paulo – Filas Separadas de UTI

• O modelo supõe que o isolamento fica em vigor durante


todo o período considerado na previsão.

• A estimativa do pico é devido ao modelo entender que


chegamos no cenário em que R0<1, ou seja, o número
de novos infectados passa a cair muito rápido.

• Curva de Mortes diárias previstas no estado de


São Paulo supondo filas separadas de UTI.

• Pico: Mortes diárias de 143 a 408 com mediana em 216


no pico.

• Supondo filas separadas, com os dados atuais o


modelo estima que o pico ocorrerá entre os dias 30 de
abril e 6 de maio de 2020.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – São Paulo – Filas Separadas de UTI

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• Mortes acumuladas totais no estado de São Paulo,


caso o isolamento seja mantido está sendo
estimada entre 6.598 e 13.320.

• No cenário mediano, o total de mortes, supondo


filas separadas de UTI, está na faixa de 9.267.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – São Paulo – Leitos de UTIs Públicas

• O cenário mediano indica que utilização de


leitos de UTI pública alcançará o nível de
80% de ocupação de leitos no estado durante
o pico.

• Estamos considerando como cenário


que temos 5063 leitos de UTI pública
disponíveis para o COVID-19.

• Na banda superior faltam leitos públicos de


UTI, o que mostra que não há tanto conforto
em termos de leitos públicos em São Paulo se
não houver fila única de UTI.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – São Paulo – Leitos de UTIs Privadas

• O cenário mediano indica a ocupação de leitos


de UTI privada está em um nível confortável
com o isolamento atual.

• Estamos considerando como cenário que


temos 5964 leitos de UTI privada disponíveis
para o COVID-19.

• Mesmo na banda superior vemos bastante


folga, caso o isolamento seja mantido.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – São Paulo – Leitos de UTIs Privadas

• Realizamos uma simulação supondo leitos de


UTI públicos e privados infinitos.

• Com isso, teremos uma ideia de quantos leitos


serão necessários para não termos uma
sobrecarga do sistema de saúde.

• Com isso, teremos uma ideia de quantos leitos


serão necessários para não termos uma
sobrecarga do sistema de saúde.

• Vemos que para termos um conforto maior e


conseguir cobrir a banda superior, precisamos
de cerca de mais 5000 leitos para a rede
pública.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Fila Única UTI

• O modelo supõe que o isolamento fica em vigor durante


todo o período considerado na previsão.

• A estimativa do pico é devido ao modelo entender que


chegamos no cenário em que R0<1, ou seja, o número
de novos infectados passa a cair muito rápido.

• Curva de Mortes diárias previstas no estado do Rio de


Janeiro supondo fila única de UTI.

• Pico: Mortes diárias de 63 a 307 com mediana em 95 no


pico.

• Supondo fila única, com os dados atuais o modelo


estima que o pico ocorrerá entre os dias 3 a 10 de maio
de 2020.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Fila Única UTI

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• Mortes acumuladas totais no estado do Rio de


Janeiro, caso o isolamento seja mantido está sendo
estimada entre 2.330 e 8.173.

• No cenário mediano, o total de mortes, supondo fila


única de UTI, está na faixa de 3.793.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Fila Única UTI

• O cenário mediano indica a ocupação de leitos de


UTI está em um nível confortável com o
isolamento atual se houver fila única.

• Estamos considerando como cenário que 70% do


total de leitos (7.424) estão disponíveis para o
COVID-19, a saber 5.197 leitos.

• Vemos que na banda superior há a exaustão dos


leitos disponíveis. Então, existe a possibilidade de
faltar leitos, porém, havendo fila única de UTI,
não é esperado que faltem leitos de UTI.
Resultado – Rio de Janeiro – Filas Separadas de UTI

• O modelo supõe que o isolamento fica em vigor durante


todo o período considerado na previsão.

• A estimativa do pico é devido ao modelo entender que


chegamos no cenário em que R0<1, ou seja, o número
de novos infectados passa a cair muito rápido.

• Curva de Mortes diárias previstas no estado de Rio de


Janeiro supondo filas separadas de UTI.

• Pico: Mortes diárias de 61 a 230 com mediana em 145


no pico.

• Supondo filas separadas, com os dados atuais o modelo


estima que o pico ocorrerá entre os dias 2 e 9 de maio
de 2020.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Filas Separadas de UTI

• O modelo supõe que o isolamento fica em


vigor durante todo o período considerado na
previsão.

• Mortes acumuladas totais no estado do Rio


de Janeiro, caso o isolamento seja mantido
está sendo estimada entre 2.929 e 8.694.

• No cenário mediano, o total de mortes,


supondo filas separadas de UTI, está na
faixa de 5.355.

• Importante notar o aumento de cerca de


40% do número de mortes no cenário
mediano de filas separadas quando
comparado com o cenário de fila única de
UTI.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Leitos de UTIs Públicas

• O cenário mediano indica que utilização de


leitos de UTI pública será de exaustão. O
modelo indica que não haverá leitos de UTI
pública para todas as pessoas.

• Estamos considerando como cenário


que temos 1130 leitos de UTI pública
disponíveis para o COVID-19.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Leitos de UTIs Privadas

• O cenário mediano indica a ocupação de leitos de


UTI privada está em um nível extremamente
confortável com o isolamento atual.

• Estamos considerando como cenário que temos


4066 leitos de UTI privada disponíveis para o
COVID-19.

• Mesmo na banda superior vemos bastante


folga, caso o isolamento seja mantido.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Rio de Janeiro – Leitos Infinitos de UTI
• Realizamos uma simulação supondo leitos de
UTI públicos e privados infinitos.

• Com isso, teremos uma ideia de quantos leitos


serão necessários para não termos uma
sobrecarga do sistema de saúde.

• Com isso, teremos uma ideia de quantos leitos


serão necessários para não termos uma
sobrecarga do sistema de saúde.

• O cenário mediano precisa de cerca de 2500 leitos


de UTI, 1370 a mais do que consideramos
disponível. É importante observar que parece haver
uma folga bem superior a este valor de leitos de
UTI privada disponíveis e que provavelmente não
serão utilizados no pico.

• Na banda superior são necessários 6900 leitos, o


que traria mais conforto sobre a capacidade do
sistema de saúde.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Amazonas – Fila Única UTI

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• A estimativa do pico é devido ao modelo entender que


chegamos no cenário em que R0<1, ou seja, o número
de novos infectados passa a cair muito rápido.

• Curva de Mortes diárias previstas no estado do


Amazonas supondo fila única de UTI.

• Pico: Mortes diárias de 16 a 67 com mediana em 41


no pico.

• Supondo fila única, com os dados atuais o modelo


estima que o pico ocorrerá entre os dias 22 a 30 de abril
de 2020.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Amazonas – Fila Única UTI

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• Mortes acumuladas totais no estado do Amazonas,


caso o isolamento seja mantido está sendo
estimada entre 611 e 1.644.

• No cenário mediano, o total de mortes, supondo fila


única de UTI, está na faixa de 951.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Amazonas – Fila Única UTI

• Mesmo com fila única de UTI, vemos uma


completa exaustão do sistema de saúde no
estado do Amazonas.

• Estamos considerando como cenário que 360


leitos de UTI estão disponíveis para o COVID-
19, juntando leitos públicos e privados.
Resultado – Amazonas – Filas Separadas de UTI

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• A estimativa do pico é devido ao modelo entender que


chegamos no cenário em que R0<1, ou seja, o número
de novos infectados passa a cair muito rápido.

• Curva de Mortes diárias previstas no estado do


Amazonas supondo filas separadas de UTI.

• Pico: Mortes diárias de 25 a 65 com mediana em 45


no pico.

• Supondo filas separadas, com os dados atuais o


modelo estima que o pico ocorrerá entre os dias 26 e
30 de abril de 2020.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Amazonas – Filas Separadas de UTI

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• Mortes acumuladas totais no estado do Amazonas,


caso o isolamento seja mantido está sendo
estimada entre 647 e 1.666.

• No cenário mediano, o total de mortes, supondo filas


separadas de UTI, está na faixa de 1.070.

• Aqui não vemos grandes diferenças entre a fila


única de saúde e filas separadas devido à grande
exaustão do sistema público de saúde e à baixa
capacidade do sistema privado.


Fonte: Modelo Alexandre Simas e Samy Dana
Resultado – Amazonas – Leitos de UTIs Públicas

• O cenário mediano indica que utilização de


leitos de UTI pública será de exaustão. O
modelo indica que não haverá leitos de UTI
pública para todas as pessoas.

• Estamos considerando como cenário que temos


187 leitos de UTI pública disponíveis para o
COVID-19.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Amazonas – Leitos de UTIs Privadas

• O cenário mediano indica a ocupação de leitos


de UTI privada está em um nível com algum
conforto, porém na banda superior vemos uma
tendência à exaustão.

• Estamos considerando como cenário


que temos 174 leitos de UTI privada disponíveis
para o COVID-19.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Amazonas – Leitos Infinitos de UTI

• Realizamos uma simulação supondo leitos de


UTI públicos e privados infinitos.

• Com isso, teremos uma ideia de quantos leitos


serão necessários para não termos uma sobrecarga
do sistema de saúde.

• Com isso, teremos uma ideia de quantos leitos


serão necessários para não termos uma sobrecarga
do sistema de saúde.

• O cenário mediano precisa de cerca de 820 leitos de


UTI, 633 a mais do que consideramos disponível.

• Para a banda superior, o que traria um certo


conforto, seriam necessários mais 1795 leitos.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Brasil – Fila Única

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• Curva de Mortes diárias previstas no Brasil supondo


fila única de UTI.

• Estimamos todas as regiões separadamente e


depois as juntamos para formar o Brasil.

• O modelo estima que o pico ocorrerá entre os dias 11


a 16 de maio de 2020.

• O número de mortes diárias é de 973 no pico, na


faixa entre 530 e 2012

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Brasil – Fila Única

• Considerando o isolamento social em vigor durante o


período de previsão.

• Mortes acumuladas totais no Brasil, caso o


isolamento seja mantido está sendo estimada entre
24.800 e 84.400.

• No cenário mediano, supondo fila única de UTI, o


total de mortes está estimado em 38.780.

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Brasil – Filas Separadas

• O modelo supõe que o isolamento fica em vigor


durante todo o período considerado na previsão.

• Curva de Mortes diárias previstas no Brasil supondo


filas separadas de UTl.

• Estimamos todas as regiões separadamente e


depois as juntamos para formar o Brasil.

• O modelo estima, sob a hipótese de filas separadas


de leitos de UTI que o pico ocorrerá entre os dias 10
e 17 de maio de 2020.

• O número de mortes diárias é de 950 no pico, na


faixa entre 492 e 2311

Fonte: Modelo Alexandre Simas e Samy Dana


Resultado – Brasil – Filas Separadas

• Mortes acumuladas totais no Brasil, caso o


isolamento seja mantido está sendo estimada
entre 21.700 e 99.200.

• No cenário mediano, e sob a hipótese de


separação de filas de UTI o total de mortes
está estimado em 42.472.

Fonte: Modelo Alexandre Simas e Samy Dana


O MODELO
Por quê os modelos falharam
no Brasil e no mundo?
• Os modelos epidemiológicos mais utilizados
são os modelos compartimentais.
• Dentre os modelos compartimentais, dois se destacam
como os mais comuns:
– SIR, que contém os compartimentos Suscetível,
Infectado e Removido.
– SEIR, que contém os compartimentos Suscetível,
Exposto, Infectado e Removido.
Por quê os modelos falharam
no Brasil e no mundo?
• Os modelos SIR e SEIR foram utilizados inicialmente
para a modelagem do COVID-19.
• Suas estimativas foram muito imprecisas,
errando por ordens de grandeza.
• O motivo para erros tão grosseiros foi a magnitude
das subnotificações (que até então era desconhecida).
Por quê os modelos falharam
no Brasil e no mundo?
• O impacto das subnotificações – Se temos 100 indivíduos infectados
detectados e 2 falecem, temos taxa de letalidade estimada de 2%.
– Se para cada infectado detectado, 39 não são detectados,
temos na realidade 4000 indivíduos infectados e a taxa
de letalidade real é de 0,05%.
Obs. Exemplo meramente ilustrativo, não implica na taxa real estimada
Por quê os modelos falharam
no Brasil e no mundo?
• Os problemas com o uso dos modelos SIR e SEIR
se agravam no Brasil pois:
– Temos muitos jovens no Brasil
– Temos muitas UTIs no Brasil
• Desta forma, a taxa de letalidade no Brasil é menor
do que em diversos países da Europa, por exemplo.
• Portanto, os modelos SIR e SEIR superestimam ainda
mais o número de mortos no Brasil.
Pirâmides Etárias do Brasil e Itália

Fonte: https://www.ibge.gov.br/estatisticas/sociais/populacao/9109-projecao-da-populacao.html?=&t=downloads Fonte: https://population.un.org/wpp/Download/Standard/Population/


Leitos de UTI no Brasil e na Itália

Fonte: 1 CNES – DATASUS


2 Phua et al. (2020) Intensive care management of coronavirus disease

2019 (COVID-19): challenges and recommendations.


https://doi.org/10.1016/S2213-2600(20)30161-2
Nosso Modelo para o COVID-19
• No Brasil temos poucos dados e estes de baixa qualidade.
• Desta forma os modelos usuais de estatística e/ou ciência
de dados não fornecem boas previsões.
• A solução é a utilização de modelos epidemiológicos,
que nasceram para modelar fenômenos de infecção.
• Porém, pelo que vimos anteriormente os clássicos SIR e SEIR
(e outros modelos compartimentais) não têm fornecido boas
previsões por falta de dados confiáveis sobre o número de pessoas
infectadas e de pessoas imunizadas.
Nosso Modelo para o COVID-19
• Para atacar o problema de forma satisfatória,
tomamos como base a modelagem do Report 13 do Imperial College.
• Assim, vamos utilizar um modelo Bayesiano, adaptativo,
que se baseia no número de mortos, que acreditamos
ser o dado mais confiável que temos atualmente no Brasil.
• O ajuste do modelo é realizado através de um algoritmo HMC
(Hamiltonian Monte Carlo).
Necessidade de um modelo flexível
• Nosso modelo precisa ser flexível, pois o Brasil é muito grande
e heterogêneo.
• A pirâmide etária, que influencia fortemente na taxa de letalidade
do COVID-19, varia bastante ao longo das diferentes regiões do Brasil.
• Outro fator importantíssimo, o número de leitos de UTI,
também varia muito ao longo das diferentes regiões do Brasil.
Pirâmides Etárias das Regiões do Brasil
• Podemos observar como
as diferentes regiões
possuem pirâmides distintas.

• Por exemplo, as regiões Norte


e Nordeste possuem pirâmides
mais jovens do que as regiões
Sul e Sudeste.

• Assim, não podemos utilizar


os mesmos parâmetros para
modelar São Paulo e Alagoas,
por exemplo.

*Centro-Oeste sem Distrito Federal


Leitos de UTI
• Uma variável extremamente importante é o número de leitos
de UTI disponível em cada estado, região, etc.
• O grande objetivo do isolamento é fazer com que os leitos
de UTI sejam capazes de atender a demanda por leitos
sem serem sobrecarregados.
Leitos de UTI nas diferentes regiões
• Observe que no geral o número
médio de leitos de UTI por região
é muito alto.

• Temos uma concentração


grande de leitos de UTI
no Distrito Federal.

• A região norte tem o menor número


de leitos por 100 mil habitantes,
a saber, 20.2, mas ainda assim
é muito superior ao número médio
de leitos da Itália que é de 12,5.

Fonte: CNES – DATASUS *Centro-Oeste sem Distrito Federal.


Dados Utilizados no Modelo
• Dados Oficiais do COVID-19 no Brasil: https://covid.saude.gov.br/
• Pirâmide Etária dos Estados do Brasil. Fonte: IBGE
• Dados sobre leitos de UTI dos Estados do Brasil. Fonte: CNES - DATASUS
Etapas do Modelo
• Definir a estrutura do número de mortes por COVID-19 em termos
de pessoas infectadas que necessitam ir à UTI.
• Definir a estrutura do número de pessoas infectadas que precisam
ir à UTI.

• Modelar a estrutura de filas de leitos da UTI.


Etapas do Modelo
• O modelo é construído em termos do número
de mortos divulgado diariamente pelo ministério da saúde.
• Seja Mt,R o número de mortos no t-ésimo dia na região R.

• Assumimos que $
𝑚!,#
Mt,R ~ Binomial Negativa (mt,R, mt,R+ 𝛹 )
Etapas do Modelo
• Vamos modelar o número de mortos através da modelagem
no número de pessoas que terão necessidade de ir para a UTI
por conta do COVID-19.
• Seja Nt,R o número de pessoas que necessitarão usar
a UTI no dia t na região R.
Etapas do Modelo
!('

• Temos que Nt,R = # 𝜁# 𝑐%,# 𝜉!(%,# ,


%&'

• onde: 𝑐%,# Indica o número de pessoas infectadas


no tempo (que será modelado adiante)
𝜁# Indica a probabilidade de uma pessoa infectada
na região R necessitar ir à UTI
𝜉!(%,# Indica a probabilidade da pessoa da região R ser
infectada no dia 𝜏 e necessitar ir à UTI no dia t,
supondo que ela necessitará ir à UTI.
Etapas do Modelo
• Para calibrarmos a probabilidade de uma pessoa
infectada necessitar ir à UTI, utilizamos a referência
Wang et al. (2020) e Verity et al. (2020).

• Apresentamos à direita a tabela com o IFR


(do inglês infection-fatality-ratio), isto é a probabilidade
de um indivíduo infectado morrer em uma determinada
faixa etária.

• É importante observar como essa taxa aumenta


vertiginosamente à medida que a faixa etária vai
aumentando, mostrando a extrema relevância
da pirâmide etária.

• Calibramos o risco de ir para a UTI, com base nos


dados de Wang et al. (2020) de tal forma que
a probabilidade de fatalidade resultante ficasse próxima
da tabela à direita, obtida por Verity et al. (2020).
Etapas do Modelo
• A variável 𝜉!(%,# é dada pela probabilidade de uma pessoa que
foi infectada na região R no dia 𝜏 necessite ir à UTI no dia t
seja dada pela discretização da distribuição da soma de duas
variáveis aleatórias independentes:

– Tinc : Tempo de incubação do vírus;


– TUTI : Tempo entre apresentar sintomas e precisar ir à UTI,
supondo que o indivíduo terá que ir para a UTI.
Etapas do Modelo

• Distribuição do tempo de incubação


(tempo de infecção até
a apresentação dos sintomas)

• As probabilidades referem-se apenas


a casos sintomáticos.

Fonte: Lauer et al (2020)


Etapas do Modelo
• Faremos a dinâmica para 𝑐%,# de forma análoga à realizada
no Report 13 do Imperial College:
!('

𝑐!,# = 𝑅!,# # 𝑐%,# 𝑔!(%


• onde %&'

– Rt,R é o número de reprodução, isto é, o número médio de pessoas


que cada pessoa infectada da região R no dia t infecta.
– 𝑔!(% é dado pelo intervalo serial, isto é, é a probabilidade
de uma pessoa que foi infectada no dia passar a infectar outras
𝜏
pessoas a partir do dia t.
Etapas do Modelo

• Probabilidade do tempo mínimo


entre ficar infectado e passar
a infectar outras pessoas.

• Casos assintomáticos foram


levados em consideração,
mas não se sabe quantificar
exatamente sua contribuição.

Fonte: Zhang et al. (2020)


Etapas do Modelo
• O número de reprodução Rt,R .

• Para estimar Rt,R utilizaremos, inicialmente, o número de casos


reportados e o número de mortos reportados.

– Esta forma de estimar o Rt,R forneceu boas previsões em países


onde a epidemia encontra-se em estágio mais avançado.
Etapas do Modelo
• Nos primeiros dias (até a primeira ocorrência de Caso confirmado)
utilizaremos um Rt,R dado por uma constante a ser calibrada
pelo modelo

• Rt,R = R0, t = 1,…, t*,


• onde R0 tem distribuição (truncada no zero) a priori dada por Normal
(2.4, |K|), K ~ Normal(0,1), e t* é o primeiro dia onde o número
de casos reportados é maior do que 1.
Etapas do Modelo
• Nos demais dias utilizamos um algoritmo Bayesiano adaptativo,
que supõe que as transmissões evoluem como um processo
de Poisson, para estimar 𝑅^!,# .
• Os detalhes deste método encontram-se no Apêndice 1 de Cori et al.
(2013).
• 𝑅^!,# é estimado em janelas fixadas de tempo e representa uma estimativa
do número de reprodução nessa janela.
• Tomamos 𝑅^!,# estimados em janelas de 2 semanas, para captar tanto a
tendência de longo prazo como as mudanças de curto prazo. O horizonte
de uma semana introduziu muito ruído devido à má qualidade dos dados
disponíveis pelo Brasil.
Etapas do Modelo
• Finalmente, definimos
• 𝑅!,# = 𝛽 ⋅ 𝑅^!,# ,

– onde
– 𝛽 ∼ 𝐺𝑎𝑚𝑎 1,1 .
• O parâmetro 𝛽 faz com que o modelo se adapte naturalmente
a efeitos que reduzam ou potencializem a morte, tais como
a vacinação em massa de BCG por parte dos idosos, ou o clima local.
Etapas do Modelo
• Com o número de pessoas que necessitam de UTI em mãos,
passamos para a modelagem do número de mortos.

• Sejam TLR o total de leitos de UTI da região R e LDt,R o total de leitos


de UTI disponíveis no dia t na região R.
• Supomos taxa de ocupação para as demais doenças constante.
Assim, falaremos de leitos totais para uso de pacientes
com COVID-19 e de leitos disponíveis para uso de paciente
com COVID-19.
Etapas do Modelo
• Enquanto Nt,R = 0, faça LDt,R = TLR.
• Quando Nt,R > 0, ocupe os leitos disponíveis até exaurir Nt,R,
ou até ocupar todos os leitos.
• Para cada indivíduo que necessite usar a UTI, utilizaremos
uma variável aleatória D ~ Beta(2,5) para determinar a probabilidade do
indivíduo que foi necessitou a utilização da UTI vir a falecer.
Etapas do Modelo
• Consideremos Ut,R o número de leitos ocupados de UTI
no dia t após a alocação dos leitos pelas pessoas com necessidade
de utilização para o COVID-19.

– 𝐷 ⋅ 𝑈𝑡,𝑅 morrerão na UTI e 1 − 𝐷 ⋅ 𝑈𝑡,𝑅 sobreviverão.


Etapas do Modelo
• Para cada indivíduo na UTI que venha a falecer, ele irá ocupar
um leito da UTI por um período Tmorte ~ Gama (3.15,0.28) (Wang et al. (2020))
• Assim, inicialize mt,R, o número médio de mortos no dia t
na região R, com todos zeros.

• Adicione 𝐷 ⋅ 𝑈𝑡,𝑅 ao número médio de mortos no dia t + Tmorte.


Etapas do Modelo

• Distribuição do tempo
de admissão na UTI até a morte.

• As probabilidades referem-se
apenas a pacientes que morreram.

Fonte: Zhang et al. (2020)


Etapas do Modelo
• Para cada indivíduo na UTI que venha a sobreviver
(que eventualmente terá alta), ele irá ocupar um leito da UTI
por um período

• Talta ~ Gama(16.33,1.16), estimado com base em Wang et al.(2020)


• Desta forma, 1 − D ⋅ U$,% leitos ficarão ocupados por um período de Talta
dias.
Etapas do Modelo
• Se Nt,R > LDt,R, teremos Nt,R – LDt,R indivíduos que necessitam
UTI, mas sem vagas.
• Se o indivíduo necessitar de acesso à UTI e não tiver,
ele morrerá após Tmorte sem UTI dias, onde
• Tmorte sem UTI ~ LogNormal(ln(2), 0.3)

• Assim, deve-se aumentar Nt,R – LDt,R unidades no número


médio de mortes no dia t + Tmorte sem UTI.
Etapas do Modelo
• Esta última etapa conclui a construção do modelo.

• O modelo é, então, estimado por um algoritmo HMC


(Hamiltonian Monte Carlo).

• Tomamos como cenário base do nosso modelo a mediana dos dados


amostrados.
Etapas do Modelo
Indivíduo infectado Necessita UTI? Não Vive!
Entra na conta dos
imunizados

Sim

Não
Tem vaga? Óbito

Óbito ocorre com


Sim Probabilidade 1.
Com probabilidade D Óbito Entra na conta
de mt,R após Óbito ocorre com
Tmorte dias. Probabilidade 1.
Com probabilidade 1 - D Entra na conta
Vive Entra na conta dos de mt,R após
imunizados Tmorte sem UTI dias.
Referências
• Cori, Ferguson, Fraser, Cauchemez. (2013) A new framework and software to estimate time-varying
reproduction numbers during epidemics. American Journal of Epidemiology.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3816335/

• Lauer et al. (2020) The Incubation Period of Coronavirus Disease 2019 (COVID-19) From Publicly Reported
Confirmed Cases: Estimation and Application. Ann. Intern. Med. https://doi.org/10.7326/M20-0504

• Wang et al. (2020) Clinical Course and Outcomes of 344 Intensive Care Patients with COVID-19.
American Journal of Respiratory and Critical Care Medicine. https://doi.org/10.1164/rccm.202003-0736LE

• Grasselli et al. (2020) Baseline Characteristics and Outcomes of 1591 Patients Infected With SARS-CoV-2
Admitted to ICUs of the Lombardy Region, Italy. https://doi.org/10.1001/jama.2020.5394

• Verity et al. (2020) Estimates of the severity of coronavirus disease 2019: a model-based analysis.
The Lancet. https://doi.org/10.1016/S1473-3099(20)30243-7
Obrigado