Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo: Estuda-se o espalhamento de uma doença distribuição inicial de infectados afeta a dinâmica da
contagiosa numa população em que cada indivíduo pode propagação [10].
interagir com outros que estão a uma distância máxima pré- Monteiro e colaboradores investigaram recentemente
determinada. Esse estudo é realizado com equações como o tamanho da população afeta a preservação de uma
diferenciais ordinárias e com autômatos celulares em que as determinada doença contagiosa nessa população [4,5]. Este
transições de estado são probabilistas e a topologia de artigo apresenta uma extensão desses trabalhos.
acoplamento é aleatória. Investiga-se como controlar a Normalmente, nos modelos epidemiológicos baseados em
propagação da doença, alterando-se a topologia das autômato celular, os indivíduos formam uma matriz de n × n
conexões. células com condições de contorno periódicas. A população
é dividida em três grupos, como no modelo SIR clássico
Palavras-chave: autômato celular, epidemiologia, equações formulado em termos de equações diferenciais [1-3]. Assim,
diferenciais cada célula representa um indivíduo que pode estar em um
de três estados, que são:
1. INTRODUÇÃO
• o estado S, quando o indivíduo é suscetível, ou
Modelos de propagação de epidemias vêm sendo
seja, quando está sujeito a se contaminar devido
formulados desde o século XVIII, com o objetivo de
à interação com vizinhos infectados;
entender e controlar o espalhamento de doenças contagiosas.
Muitos modelos epidemiológicos baseiam-se em equações • o estado I, quando o indivíduo está infectado e
diferenciais ordinárias [1-3]. Com essa abordagem, pode transmitir a doença a suscetíveis que estão
entretanto, é complicado levar em conta a variabilidade em contato com ele;
natural da resposta de cada indivíduo quando exposto a um • o estado R, chamado de removido, que engloba
agente infeccioso. E é difícil, também, modelar diferentes os que se curaram (e agora estão imunes àquela
topologias de acoplamento entre os indivíduos. Normal- doença); assim, a cura confere imunidade.
mente, em modelos baseados em equações diferenciais,
pressupõe-se que suscetíveis, infectados e removidos estão Em vários trabalhos, a topologia de acoplamento entre os
homogeneamente espalhados no espaço. Assume-se, indivíduos é regular e essas conexões existem apenas entre
também, que os tempos envolvidos para cura e morte, em os vizinhos espacialmente mais próximos [4-10]. Aqui,
função da infecção, são idênticos para todos os indivíduos. assume-se que cada indivíduo mantém contato com C
Com autômatos celulares, as limitações citadas acima vizinhos que se distribuem em torno dele dentro de uma
sobre a construção de um modelo epidemiológico podem matriz quadrada com lado formado por 2r+1 células. Isto é,
ser superadas de maneira simples. De fato, autômatos cada indivíduo ocupa a posição central numa matriz de
celulares podem ser usados como um método alternativo de vizinhança, em torno do qual localizam-se C vizinhos com
modelagem de propagação de doenças, em que os processos os quais ele faz contato. Quando C=8 e r=1 tem-se a
de infecção, de cura e de morte são implementados clássica vizinhança de Moore de raio unitário [11].
computacionalmente de maneira natural, isto é, O objetivo deste trabalho é estudar a influência dos
considerando-se as particularidades dos indivíduos que valores de r e C na evolução temporal das populações de
compõem a população [4,5]. suscetíveis, infectados e removidos; a fim de encontrar
Como exemplos de modelos epidemiológicos usando estratégias de controle da propagação da epidemia.
autômatos celulares, podem ser citados aqueles que lidam O modelo de autômato celular probabilista (ACP)
com o HIV [6] e o vírus responsável pela hepatite B [7]. empregado neste estudo é descrito na seção 2. Com esse
Em outros estudos epidemiológicos com autômatos modelo, realizam-se simulações numéricas com o objetivo
celulares, investiga-se, por exemplo, a influência do de caracterizar o transiente e o regime permanente dessa
intervalo de tempo em que um indivíduo está infectado, mas dinâmica populacional. Então, na seção 3, esse modelo é
ainda é incapaz de disseminar o agente infeccioso [8]; comparado a um outro equivalente, formulado em termos de
estudam-se os efeitos de movimentação e de vacinação equações diferenciais ordinárias (EDO). As conclusões são
sobre o espalhamento da doença [9]; e analisa-se como a apresentadas na seção final.
1290
Influência da Topologia na Propagação de Epidemias em Autômatos Celulares Probabilistas Aleatoriamente Conectados
Schimit P.H.T., Monteiro L.H.A
r +1− i (1)
Um autômato celular [11] é definido pela dimensão do qi = r
reticulado, pelos estados em que pode estar cada célula que r2 + r − ∑ j
forma o reticulado, pelas regras de transição dos estados, e j =1
pela topologia de acoplamento entre as células (sua
vizinhança). A cada passo de tempo, cada célula está em um sendo qi a probabilidade de se estabelecer uma conexão
determinado estado, que pode ser alterado no passo de entre o indivíduo central e um outro da camada i (i=1,..., r).
tempo seguinte em função do seu próprio estado e do estado Por exemplo, no caso em que r=3, a tabela 1 mostra as
das células que formam sua vizinhança. As regras de probabilidades de conexão com cada uma das camadas.
transição de estados podem ser deterministas ou
probabilistas.
O autômato celular probabilista aqui usado possui três
estados e está representado na figura 1.
1291
6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
UNESP – Campus de São José do Rio Preto, SP, Brazil
Dincon’2007
1292
Influência da Topologia na Propagação de Epidemias em Autômatos Celulares Probabilistas Aleatoriamente Conectados
Schimit P.H.T., Monteiro L.H.A
Desvio- Desvio-
padrão do Instante de padrão
C r Pico de I pico de I pico T de T
1 529 45 8,5 1,6
2 1344 121 27,1 19,6
2 3 2297 134 19,1 1,9
4 2974 158 16,2 1,4
7 4238 189 14,4 0,7
Figura 8. Dinâmica populacional (ACP) para C=8 e r=1 10 4906 142 13,2 0,6
1 2916 160 18,8 2,8
2 4719 144 12,3 0,9
3 3 6087 220 10,6 0,5
4 7276 240 9,9 0,3
7 9175 199 9 0
10 10109 195 8,4 0,5
1 4830 99 12,4 0,8
4 4 9781 315 8 0
7 12588 424 7 0
10 13991 248 7 0
1 5712 200 10,7 0,6
5 4 11048 558 7 0
7 14484 536 6 0
10 16471 420 6 0
1 6406 133 9,7 0
6 4 12769 367 6 0
7 16044 479 6 0
10 17967 504 5 0
1 6803 218 8,8 0,4
7 4 13094 881 6 0
7 17138 397 5 0
10 19254 489 5 0
1 7052 251 8,4 0,5
8 4 13731 482 5,1 0,3
7 18238 861 5 0
10 20211 589 5 0
1293
6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
UNESP – Campus de São José do Rio Preto, SP, Brazil
Dincon’2007
S I R S* = N ; I* = 0 ; R* = 0 (4)
C r permanente desvio permanente desvio permanente desvio
1 39668 99 32 14 299 86
2 32450 448 1064 58 6485 396 e:
2 3 28192 241 1679 52 10128 202
4 26238 296 1973 66 11788 247
N eN 1 bN 1 (5)
7 24425 245 2234 35 13340 225 S* = ; I* = 1 − ; R* = 1 −
10 23901 158 2277 34 13821 133 R0 e + b R0 e + b R0
1 25993 402 1988 64 12018 364
2 20865 171 2735 40 16399 149
3 3 18776 112 3041 31 18181 98 com:
4 17811 103 3178 32 19011 79
7 16747 47 3322 21 19930 48 aN
10 16433 72 3376 25 20189 75 R0 ≡
1 20123 223 2842 49 17034 196 b+c
4 4 13850 72 3733 25 22417 67
7 13075 69 3848 19 23077 55 Observe que (4) representa uma solução de equilíbrio
10 12810 77 3880 28 23308 63
1 17157 132 3284 25 19559 125 livre da doença, e (5) uma solução de equilíbrio em que a
5 4 11497 30 4075 33 24427 38 doença permanece.
7 10849 48 4174 22 24976 44 No caso de populações homogeneamente misturadas no
10 10698 54 4197 34 25104 40
1 15154 99 3546 35 21299 85
espaço, o sistema de equações (2) pode ser usado para
6 4 10015 52 4281 14 25703 53 produzir um comportamento dinâmico similar aos obtidos
7 9430 40 4370 27 26199 22 com os autômatos celulares. Uma dificuldade é encontrar
10 9259 38 4390 25 26374 23
1 13608 157 3770 42 22621 128
valores numéricos apropriados dos parâmetros a, b, c e e
7 4 8897 37 4436 30 26666 33 que correspondam às probabilidades usadas nas simulações
7 8412 21 4512 23 27075 30 com o autômato celular. Tais valores, entretanto, podem ser
10 8274 17 4527 14 27197 20
estimados das simulações com o autômato celular através
1 12679 75 3897 16 23424 72
8 4 8096 27 4563 17 27340 23 das seguintes expressões:
7 7650 17 4624 21 27725 32
10 7517 42 4651 24 27831 39 ∆I (t ) S → I ∆R (t ) I → R
a≈ b≈
S (t ) I (t )∆t I (t ) ∆t
3. O MODELO EPIDEMIOLÓGICO BASEADO EM ∆S (t ) I →S ∆S (t ) R → S (6)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) c≈ e≈
I (t ) ∆t R(t ) ∆t
Quando as populações de suscetíveis S(t), infectados I(t) ∆I(t)S→I /∆t é o acréscimo por passo de tempo de indivíduos
e removidos R(t) estão homogeneamente distribuídas pelo infectados devido ao processo de infecção; ∆R(t)I→R /∆t é o
espaço, equações diferenciais ordinárias podem ser usadas acréscimo por passo de tempo de indivíduos removidos pelo
para representar a propagação de uma epidemia [1-3]. O processo de cura da doença; ∆S(t)I→S /∆t é o acréscimo de
conjunto de equações que corresponde ao diagrama da indivíduos suscetíveis por iteração devido à morte causada
figura 1 é escrito como [4,5]: pela doença; e ∆S(t)R→S /∆t é o acréscimo de indivíduos
suscetíveis por iteração devido à morte por outras causas.
dS (t ) Para calcular os valores numéricos dos parâmetros a, b, c
= − aS (t ) I (t ) + cI (t ) + eR(t ),
dt e e correspondentes a uma simulação com o autômato
dI (t ) dR(t ) (2) celular, tomam-se as 20 últimas iterações da simulação (nas
= aS (t ) I (t ) − bI (t ) − cI (t ), = bI (t ) − eR(t )
dt dt últimas 20 iterações, o sistema encontra-se em seu regime
permanente) e realizam-se os cálculos descritos pelas
sendo a a constante de taxa de infecção; b a constante de expressões (6). Os resultados estão apresentados na tabela 4.
taxa de cura; c a constante de taxa de morte relativa à Obviamente, o parâmetro a é aquele afetado pela variação
doença; e e a constante de taxa de morte causada por outras em r e C, já que tal parâmetro está relacionado com a
causas. O número total de indivíduos permanece constante, propagação da infecção, que depende da topologia de
pois: acoplamento entre os indivíduos. Observe que o valor de a
cresce com r e C.
dS (t ) dI (t ) dR(t ) De acordo com as expressões (6), então tem-se b ≈ Pc ,
+ + =0
dt dt dt c ≈ (1–Pc)Pd (a regra 2 do ACP é aplicada antes da regra 1)
e e ≈ Pn. Os valores de tais parâmetros independem da
ou: topologia de acoplamento; eles variam apenas com os
números de indivíduos em cada um dos três estados.
S (t ) + I (t ) + R(t ) = N (3)
1294
Influência da Topologia na Propagação de Epidemias em Autômatos Celulares Probabilistas Aleatoriamente Conectados
Schimit P.H.T., Monteiro L.H.A
desvio
C r a (10-5) (10-5) b desvio c desvio e desvio
1 1,766 0,363 0,591 0,087 0,135 0,046 0,104 0,016
2 2,184 0,102 0,595 0,018 0,122 0,010 0,100 0,004
2 3 2,539 0,063 0,603 0,011 0,119 0,007 0,100 0,004
4 2,765 0,069 0,595 0,015 0,121 0,011 0,100 0,003
7 2,927 0,069 0,600 0,012 0,122 0,007 0,101 0,002
10 3,014 0,057 0,601 0,009 0,120 0,006 0,099 0,002
1 2,767 0,072 0,604 0,014 0,121 0,010 0,099 0,003
2 3,414 0,073 0,598 0,010 0,119 0,007 0,100 0,002
3 3 3,826 0,062 0,600 0,010 0,120 0,005 0,101 0,002
4 4,010 0,084 0,602 0,009 0,118 0,007 0,100 0,002
7 4,307 0,093 0,599 0,009 0,122 0,006 0,100 0,002
10 4,380 0,077 0,600 0,009 0,120 0,005 0,100 0,001
1 3,577 0,057 0,599 0,008 0,119 0,007 0,100 0,002
4 4 5,215 0,112 0,603 0,010 0,119 0,005 0,100 0,002
7 5,550 0,097 0,601 0,008 0,120 0,004 0,100 0,002
10 5,635 0,076 0,597 0,007 0,121 0,006 0,100 0,003
1 4,227 0,075 0,598 0,008 0,120 0,005 0,101 0,002
5 4 6,247 0,115 0,599 0,008 0,120 0,005 0,101 0,002
7 6,680 0,109 0,596 0,006 0,122 0,005 0,100 0,002
10 6,766 0,092 0,600 0,007 0,122 0,007 0,100 0,002 Figura 11. Dinâmica populacional (EDO) para C=2 e r=2
1 4,684 0,082 0,602 0,007 0,119 0,005 0,100 0,002
6 4 7,183 0,112 0,603 0,006 0,119 0,004 0,099 0,002
7 7,613 0,117 0,600 0,007 0,120 0,005 0,100 0,002
10 7,832 0,000 0,600 0,007 0,121 0,005 0,100 0,002
1 5,313 0,094 0,599 0,008 0,123 0,006 0,100 0,002
7 4 8,092 0,098 0,599 0,007 0,120 0,004 0,100 0,002
7 8,557 0,097 0,600 0,007 0,120 0,004 0,101 0,002
10 8,680 0,124 0,603 0,009 0,118 0,005 0,100 0,002
1 5,699 0,098 0,597 0,007 0,121 0,006 0,100 0,002
8 4 8,878 0,114 0,600 0,007 0,121 0,005 0,100 0,002
7 9,374 0,127 0,598 0,007 0,119 0,005 0,101 0,002
10 9,626 0,163 0,599 0,006 0,121 0,005 0,100 0,002
Figura 10. Dinâmica populacional (EDO) para C=2 e r=1 Figura 13. Dinâmica populacional (EDO) para C=5 e r=1
1295
6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
UNESP – Campus de São José do Rio Preto, SP, Brazil
Dincon’2007
4. CONCLUSÕES
Aumentar o número de vizinhos C e/ou o raio máximo r
no qual tais vizinhos existem (no modelo baseado em ACP)
implica aumentar o valor do parâmetro a (no modelo
baseado em EDO). Isso provoca aumento no valor de pico
dos infectados, antecipação desse pico, elevação da
concentração de infectados em regime permanente e a
diminuição da duração do transiente. Portanto, para cada
doença, o controle de sua propagação pode ser realizado
diminuindo-se r e/ou C abaixo de valores críticos, como
mostram as figuras 3 e 10. Pretende-se aplicar esse modelo
para o estudo de doenças reais (como sarampo, ebola).
5. AGRADECIMENTOS
LHAM agradece o apoio ao CNPq.
BIBLIOGRAFIA
[1] J.D. Murray, “Mathematical Biology II: Spatial Models and
Biomedical Applications” (Springer) 2003.
[2] L. Edelstein-Keshet, “Mathematical Models in Biology”
(McGraw-Hill) 1988.
[3] L.H.A. Monteiro, “Sistemas Dinâmicos” (Livraria da Física)
2006.
[4] L.H.A. Monteiro, H.D.B. Chimara, J.G. Chauí-Berlinck, “Big
Cities: Shelters for Contagious Diseases”, Ecological
Modelling Vol. 197, pp. 258-262, 2006.
[5] L.H.A. Monteiro, J.B. Sasso, J.G. Chauí-Berlinck, “Continuous
and Discrete Approaches to the Epidemiology of Viral
Spreading Taking into Account the Delay of Incubation
Time”, Ecological Modelling Vol. 201, pp. 553-557, 2007.
[6] R.M. Zorzenon dos Santos, “Using Cellular Automata to Learn
about the Immune System”, International Journal of Modern
Physics C Vol. 9, pp. 793–799, 1998.
Figura 15. Dinâmica populacional (EDO) para C=8 e r=1
[7] E. Ahmed, H.N. Agiza, S.Z. Hassan, “On Modeling Hepatitis B
Transmission Using Cellular Automata”, Journal of
Statistical Physics Vol. 92, pp. 707-712, 1998.
[8] M.A. Fuentes, M.N. Kuperman, “Cellular Automata and
Epidemiological Models with Spatial Dependence”, Physica
A Vol. 267, pp. 471-486, 1999.
[9] G. Ch. Sirakoulis, I. Karafyllidis, A. Thanailakis, “A Cellular
Automaton Model for the Effects of Population Movement
and Vaccination on Epidemic Propagation”, Ecological
Modelling Vol. 133, pp. 209-223, 2000.
[10] S. Yakowitz, J. Gani, R. Hayes, “Cellular Automaton
Modeling of Epidemics”, Applied Mathematics And
Computation Vol. 40, pp. 41-54, 1990.
[11] S. Wolfram, “Cellular Automata and Complexity” (Addison-
Wesley) 1994.
[12] L.H.A. Monteiro, D.C. Paiva, J.R.C. Piqueira, “Spreading
Depression in Mainly Locally Connected Cellular
Automaton”, Journal of Biological Systems, Vol. 14, pp.
671-629, 2006.
Figura 16. Dinâmica populacional (EDO) para C=8 e r=7
1296