See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/352039431

Modelo epidêmico SEIHR aplicado à COVID-19 na cidade de São Paulo

Preprint · June 2021

DOI: 10.13140/RG.2.2.31320.21761

CITATIONS READS

0 104

2 authors:

Rodrigo Malagutti Marcio Eisencraft

University of São Paulo University of São Paulo
6 PUBLICATIONS 0 CITATIONS 170 PUBLICATIONS 671 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Signal Processing and Machine Learning in Astrophysics View project

Practical Aspects of Chaos-Based Communication Systems View project

All content following this page was uploaded by Rodrigo Malagutti on 01 June 2021.

The user has requested enhancement of the downloaded file.

XXXIX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS - SBrT 2021, 26–29 DE SETEMBRO DE 2021, FORTALEZA, CE
Modelo epidêmico SEIHR aplicado à COVID-19 na
cidade de São Paulo
Rodrigo M. Malagutti e Marcio Eisencraft
Resumo— Neste trabalho, aplica-se um modelo epidêmico
de tipo Suscetível-Exposto-Infectado-Hospitalizado-Recuperado
(SEIHR) compartimental da doença coronavírus 2019 (COVID-
19) na cidade de São Paulo. São traçados os princípios básicos
do modelo, explicadas as equações diferenciais e apresentados os
resultados relativos à previsão do futuro da epidemia na cidade.
Principalmente, mostra-se a correlação substancial do prazo para
contenção da doença com as taxas de isolamento da população.
Palavras-Chave— Modelos epidêmicos, COVID-19, suscetível-
infectado, sistemas dinâmicos
Abstract— In this work, an epidemic Susceptible-Exposed-
Infected-Hospitalized-Recovered (SEIHR) model of the coronavi-
rus disease 2019 (COVID-19) is applied to the city of São Paulo.
The basic principles of the model are outlined, the differential
equations are explained, and results are presented regarding
the forecast of the future of the epidemic in the city. Mainly,
results show the substantial correlation between the effectiveness
of curbing further spread of disease and isolation rates of the
general population.
Keywords— Epidemic models, COVID-19, susceptible-infected,
dynamic systems
I. I NTRODUÇÃO
Com a crise global de saúde causada pela COVID-19 a
partir do final de 2019, a relevância do estudo de modelos
epidêmicos se tornou evidente para o manejo e previsão de
recursos de saúde [1], [2], [3]. Para o Brasil, como um dos
países mais impactados, é de especial interesse público obter
informações sobre a potencial evolução da situação [4], [5].
A utilização de métodos matemáticos para o estudo de
epidemias segue uma tradição de mais de 250 anos, come-
çando com d’Alembert e Daniel Bernoulli buscando maneiras
de verificar a validade da recém-inventada inoculação para
a varíola na expectativa de vida de indivíduos imunizados
[6], [7]. Hodiernamente, a modelagem computacional de epi-
demias é dividida em dois tipos de abordagens: modelos
compartimentais, baseados em equacionamentos individuais
de cada estado epidêmico como grupos da população [9],
e modelos de redes, em que indivíduos e suas relações são
representados individualmente [2].
Modelos compartimentais, baseados na linha de pesquisa
estabelecida em [9], são especialmente interessantes por pos-
sibilitarem a divisão de grandes populações em grupos mane-
jáveis de indivíduos com características de interesse especial.
Rodrigo M. Malagutti, EP-PME, USP, São Paulo - SP, e-mail: ro-
drigo.malagutti123@usp.br; Marcio Eisencraft, EP-PTC, USP, São Paulo -
SP, marcelo@lcs.poli.usp.br. Marcio Eisencraft foi parcialmente financiado
por CNPq 311039/2019-7. Rodrigo Malagutti foi financiado pelo Programa
Unificado de Bolsas da Pró-Reitoria de Graduação da Universidade de São
Paulo - 2020-2621.
No caso epidêmico, esses grupos, ou compartimentos, denotam
o estado de doença e as características epidêmicas que o
indivíduo médio do compartimento apresenta. Quando lidando
com populações grandes, como no contexto brasileiro, essa
abordagem é especialmente adequada [8].
O modelo epidêmico compartimental apresentado em [10]
se revelou adequado para imitar as características da COVID-
19, principalmente as peculiaridades em relação à grande
taxa de contaminação causada por indivíduos assintomáticos.
Especificamente, em [10] compara-se e contrasta os resulta-
dos experimentais com os dados para uma série de regiões,
principalmente à cidade de Hong Kong, China.
O objetivo deste trabalho é aplicar esse modelo ao Brasil,
especificamente ao município de São Paulo, assumido como
demograficamente similar a Hong Kong, de forma a proporci-
onar alguma perspectiva sobre a evolução da doença no país.
Ele é dividido em 6 seções, incluindo esta introdução como
I. Na seção II, revisa-se a base teórica para desenvolvimento
do modelo; na seção III, a metodologia usada é detalhada; na
seção IV, inclui-se os resultados e os gráficos obtidos; na seção
V, tais resultados são discutidos; na seção VI, sumariza-se o
trabalho e são sugeridas pesquisas futuras.
II. M ODELO EPIDÊMICO UTILIZADO
O modelo Suscetível-Exposto-Infectado-Hospitalizado-
Recuperado (SEIHR) para modelagem em epidemias, como
definido em [10], é baseado na separação da população de
interesse em 5 estados correspondentes a cada letra. O estado
S, susceptible, indica indivíduos saudáveis que não foram
afetados pela doença; E, exposed, refere-se àqueles que foram
infectados e podem transmitir, mas estão assintomáticos; I,
infected, indica os sintomáticos; H, hospitalized, representa
os que se encontram infectados, mas hospitalizados e, assim,
não transmissores. Finalmente, R, recovered, corresponde a
indivíduos que foram infectados previamente, não apresentam
mais o vírus e não transmitem por estarem imunes ou
mortos. Tal variedade de estados permite grande flexibilidade
para a divisão da população em estados de interesse [8],
sendo especialmente útil para doenças epidêmicas como a
COVID-19.
As maiores vantagens desse modelo são que ele viabiliza
a análise do impacto de indivíduos assintomáticos que ainda
transmitem a doença, além de incluir a população hospitali-
zada. Assim, o modelo pode ajudar a prever a carga sobre o
sistema de saúde conforme a epidemia se alastra na população.
Para simular tal evolução, utiliza-se um sistema de equações
diferenciais, que separam a população em compartimentos de
XXXIX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS - SBrT 2021, 26–29 DE SETEMBRO DE 2021, FORTALEZA, CE

para o compartimento em I. Alternativamente, eles mantêm-

Fig. 1: Diagrama de estados de epidemia SEIHR.
se incógnitos até a sua auto-imunização ou morte, combinadas
em uma mesma probabilidade δE de serem movidos para R.
Similarmente, indivíduos I apresentam a probabilidade γIH de
serem hospitalizados, ou uma chance δI de moverem para R.
Finalmente, indivíduos H só podem ser movidos para R, com
probabilidade δH . Indivíduos em R atingiram o compartimento
final e não são mais movidos entre estados.

III. M ETODOLOGIA
acordo com o estado que cada indivíduo ocupa. As transição Para a tarefa da solução numérica das equações, foi ne-
entre estados é o mecanismo central da dinâmica do modelo, cessária a criação de uma função própria com as equações
descrita na Figura 1. Indivíduos suscetíveis - em S - ao serem e os mecanismos de troca de p, de forma a ser possível
contaminados são considerados inicialmente assintomáticos, otimizar tal parâmetro para encaixar a curva produzida com os
E. Tais indivíduos podem então contaminar outros S, além dados de [12]. Como argumentos, adotaram-se as constantes
de eventualmente evoluírem para se tornar R, ou avançarem δE = δI = δH = 0.1, τEI = 1/7 = 0,14285 , γIH = 1,
para o estado sintomático, em I, após um período de latência,. como usados em [10], e N = 12325232, correspondendo
Indivíduos I podem então transmitir para indivíduos S em à população de São Paulo [11]. Como condições iniciais,
taxas mais elevadas, mas tornam-se passíveis de evoluírem assumiu-se S(0) = N − 1, E(0) = 1 e I(0) = H(0) =
para I, além de continuarem podendo virar R. Finalmente, no R(0) = 0.
estado I considera-se que o indivíduo não transmite mais a Para os ajustes de p, foi necessário dividir a epidemia em
doença, mas continua infectado até fazer a transição para R. fases. Primeiramente, dividiu-se o período a partir da primeira
A evolução dos estados do modelo é descrita pelo seguinte contaminação em relação às taxas de isolamento da população,
conjunto de equações diferenciais: de forma que foram formados 3 percentis que separaram a
 h i linha do tempo em 6 momentos distintos, vistos na Figura
dS(t)
= −pVSE S(t) = −pε E(t) I(t) 2. Consequentemente, o dia de mudança de cada período
N − pα N S(t);

 dt

 dE(t) correspondeu ao momento de troca de p utilizado na função
= pVSE S(t) − (τEI + δE )E(t);


 dt
dI(t)
de otimização.
= τEI E(t) − (γIH + δI )I(t); (1)
 dt
dH(t) % de isolamento em São Paulo,

 = γIH I(t) − δH H(t);
2020-02-26 a 2021-03-25

 dt
dR(t) 60

= δE E(t) + δI I(t) + δH H(t).

dt
Os parâmetros utilizados são explicados na Tabela I. 55

50
TABELA I: Parâmetros usados no modelo.
45
Parâmetro Definição
 Taxa de transmissão de assintomáticos 40

α Taxa de transmissão de sintomáticos 35

δE Taxa de recuperação de assintomáticos 30

0-03 0-05 0-07 0-09 0-11 1-01 1-03
δI Taxa de recuperação de sintomáticos 202 202 202 202 202 202 202

δH Taxa de recuperação de hospitalizados Fig. 2: Taxas de isolamento na cidade de São Paulo; vermelho
é acima de 45%, amarelo é acima de 42,1% e verde é
τEI Coeficiente para período latente de nós acima de 31.3%. Roxo será o período de análise e previsões.
assintomáticos
Especificamente, as trocas ocorreram para p1 em 21/03/20; p2
γIH Taxa de hospitalização de sintomáticos em 20/07/20; p3 em 05/11/20; p4 em 20/12/20; p5 em 28/01/21
e p6 em 04/03/20. Dados de [12]
p Índice de intervenção

N População total A partir da função base, tornou-se possível executar o

O mecanismo de interações entre compartimentos funciona
da seguinte maneira. Cada contato de um indivíduo em S
com indivíduos em E ou I tem a probabilidade α ou ,
respectivamente, de causar uma contaminação, transformando
o indivíduo S em E. Indivíduos em E apresentam a probabili-
dade τEI diária de serem identificados como vetores e movidos
processo numérico. Foi usado o método de Runge-Kutta de
quarta ordem, chegando à curva dos resultados numéricos das
equações. Em seguida, otimizou-se os parâmetros pn com a
função scipy.optimze.curve_f it() da biblioteca SciPy [13]
do Python, de forma a aproximar os resultados das diferenciais
com os dados de contaminações [12]. Especificamente, envia-
se diferentes p para cada momento crítico t previamente
identificado, até achar a curva mais próxima do maior número
XXXIX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS - SBrT 2021, 26–29 DE SETEMBRO DE 2021, FORTALEZA, CE

de pontos de dado possível. Assim, obtém-se os valores de p não obtidos, podendo reproduzir padrões de médio prazo com
mais apropriados para a maior proximidade possível da curva alguma fidelidade.
obtida aos dados reais.
7000
Dados, São Paulo
IV. S IMULAÇÕES E RESULTADOS 6000 H(t)
Com os dados detalhados na seção anterior, executou-se o 5000 p5= 0.528

Infectados diários
processo para obter o valor p para cada período limitado pelos 4000
índices de intervenção. p1 = 0.557 p3 = 0.579
3000
Com os momentos de troca sabidos, executou-se a função
de otimização para o sistema de equações e os dados diários 2000
disponíveis. Os resultados até o dia 12 de março de 2021 1000
podem ser vistos nas Figuras 3 e 4. É possível observar que o 0 p2 = 0.479 p4 = 0.528
procedimento apresenta um nível razoável de adequação para 0-03 020-05 020-07 020-09 020-11 021-01 021-03 021-05 021-07
202 2 2 2 2 2 2 2 2
aproximar os resultados numéricos aos dados. Data

5000 Fig. 5: Dados preditivos do modelo SEIHR em comparação

Dados, São Paulo
Infectados, média móvel semanal

H(t) com dados reais da media móvel semanal de casos diários.

4000 Dados obtidos a partir da fase roxa são resultados somente
p3 = 0.647 p5= 0.549 das equações diferenciais, dados reais apresentados são para
3000
p1 = 0.563 comparação
2000

1000
p2 = 0.455 p4 = 0.466 Dados, São Paulo
800000 H(t) cumulativo
0 p5= 0.528
0-03 0-05 0-07 0-09 0-11 1-01 1-03
202 202 202 202 202 202 202 600000
Infectados totais

Data p1 = 0.557 p3 = 0.579

400000
Fig. 3: Media móvel semanal de casos diários de COVID-19
na cidade de São Paulo comparados aos dados obtidos com o 200000
modelo SEIHR até o dia 12/03/2021.
0 p2 = 0.479 p4 = 0.528

0-03 0-05 0-07 020-09 020-11 021-01 021-03 021-05 021-07

600000
202 202 202 2 2 2 2 2 2
Dados, São Paulo Data
500000 H(t) cumulativo
Fig. 6: Dados preditivos do modelo SEIHR em comparação
400000
Infectados totais

com dados reais de contaminações totais. Dados obtidos a

300000 p5= 0.549 partir da fase roxa são resultados somente das equações
p1 = 0.563 p3 = 0.647
200000
diferenciais, dados reais apresentados são para comparação

100000
p2 = 0.455
0 contaminações similares a da semana mais controlada da
0-03 0-05 0-07
202 202 202
Fig. 4: Casos totais de COVID-19 na cidade de São Paulo
comparados aos dados obtidos com o modelo SEIHR até o
dia 12/03/2021.
Finalmente, foram feitos testes para analisar a capacidade
preditiva do processo. Com a otimização da curva limitada
somente até 28 de janeiro de 2021, aplicou-se o mesmo
procedimento de obtenção de p, sendo que o p da fase roxa foi
imposto como sendo igual ao do período anterior. Os resulta-
dos podem ser vistos nas Figuras 5 e 6. Pela proximidade
dos dados obtidos com os reais a partir da data limite de
otimização em 28 de janeiro, percebe-se que o modelo pode
ser de algum interesse para extrapolar dados futuros ainda
p4 = 0.466 Com o objetivo de obter a semana de retorno a taxa de
0-09 0-11 1-01 -03 epidemia na cidade, identificada como a semana do dia 11 de
1
202 202 202 202 outubro de 2020, estudou-se o tempo necessário para a média
Data
móvel de casos retornar à dessa semana em função do valor
de p aplicado a partir de 2021-04-20. Os resultados obtidos
são mostrados na Figura 8. Na Figura 9, vê-se o número de
contaminados nas respectivas datas finais para cada p. Na
Figura 7, vê-se a taxa de contaminados diários para alguns
valores de p finais diferentes, e os respectivos dias para retorno
ao mínimo.
V. D ISCUSSÃO
As simulações permitem fazer algumas previsões relevantes
à compreensão da evolução epidêmica na cidade. Primeira-
mente, existe uma alta correlação entre a variação no índice
de isolamento populacional e na força epidêmica da doença.
Após a explosão inicial de casos, mesmo sendo o momento
XXXIX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS - SBrT 2021, 26–29 DE SETEMBRO DE 2021, FORTALEZA, CE

7000 pondem a recuperações mais rápidas, com um grande aumento

Dados, São Paulo
6000 até a região de p ' 0.6. Contudo, após esse ponto, a redução
5000 pf = 0.542, no período volta a ocorrer. Combinado com o conjunto de
dia de mín = 2023-03-04
Infectados diários

4000
dados na Figura 9, esse traço indica que o modelo reproduz o
fenômeno da imunidade de rebanho, em que, com grande parte
3000
pf = 0.479,
da população sendo infectada e consequentemente imunizada,
2000 dia de mín = 2021-08-16 a doença perde seu momento. Fica também evidente que uma
1000 pf = 0.338, abordagem intermediária de intervenção é a que mais prolonga
dia de mín = 2021-04-28
0 a epidemia.
0-04 020-07 020-10 021-01 021-04 021-07 021-10 022-01 Adicionalmente, é importante destacar algumas ressalvas
202 2 2 2 2 2 2 2 importantes. O modelo não considera nenhum dos esforços
Data
de vacinação da população, o que causa com que a parcela
Fig. 7: Exemplo de diferenças entre p no último período. p1 = suscetível da população só reduza ao ser contaminada. Além
0,557; p2 = 0,479; p3 = 0,583; p4 = 0,504; p5 = 0,542. pf disso, o modelo é limitado a faixas de previsões, uma vez
foram definidos, de cima pra baixo, como pf = p5, pf = p2 que variações de curto prazo apresentam grande turbulência,
e pf = 0,338. Este último foi um p de Hong Kong, cidade e é restrito a análises gerais, por modelar populações como
similar a São Paulo [10] homogêneas.
Mesmo assim, a praticidade computacional do modelo e o
grau de proximidade aos dados reais são promissores. Espera-
2023-10
se que os resultados obtidos possam ser de alguma ajuda para
2023-07
dar perspectiva do efeito do isolamento populacional como
Mês de retorno ao mínimo

2023-04
2023-01 recurso de intervenção em epidemias.
2022-10
2022-07 VI. C ONCLUSÕES
2022-04
2022-01
Nesse artigo, foi reproduzido um modelo compartimental
2021-10 para simulação computacional de epidemias de tipo SEIHR,
2021-07 especificamente a pandemia de COVID-19 como ocorrida na
2021-04 cidade de São Paulo. Pela otimização de equações diferenciais
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 paramétricas, contribuiu-se com a demonstração da correlação
p no último período
substancial entre a redução de isolamento populacional com o
Fig. 8: Relação entre a data de mínimo e p no último período aumento do número de contaminações. Quantifica-se a eficácia
desse isolamento como medida de prevenção com um índice
1e6 de intervenção, que permite a previsão de resultados para
5
períodos futuros com boa fidelidade.
Possíveis trabalhos futuros podem explorar outros métodos
4 para determinar o parâmetro de intervenção, ou aplicar o
Infectados no final

método a outras populações. Alternativamente, existem pos-

3 sibilidades na verificação da influência da tomada de medidas
governamentais na progressão da epidemia, ou outros possíveis
2
fatores sociais como catalisadores de mudança no ritmo da
1 doença.

0 AGRADECIMENTOS
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
p no último período
Agradece-se o apoio dado à pesquisa pela Universidade de
Fig. 9: Relação entre total de contaminados e p no último São Paulo. Rodrigo Malagutti é apoiado através do Programa
período. Unificado de Bolsas da Pró-Reitoria de Graduação da Uni-
versidade de São Paulo (2020-2621). Marcio Eisencraft foi
parcialmente apoiado pelo CNPq (311039/2019-7).
de maior isolamento para a população, momentos de aumento
de p e o consequente aumento de infectados correspondem R EFERÊNCIAS
fortemente com a redução da proporção de isolamento, visto [1] CLARK, A. et al. Global, regional, and national estimates of the popu-
principalmente na Figura 3. Assim, fica claro que o isolamento lation at increased risk of severe COVID-19 due to underlying health
conditions in 2020: a modelling study. The Lancet Global Health, v. 8,
da população é uma medida central e efetiva para o controle n. 8, p. e1003–e1017, aug 2020. DOI: 10.1016/s2214-109x(20)30264-3
da doença. [2] PASTOR-SATORRAS, R.; CASTELLANO, C.; MIEGHEM, P. V.;
De especial interesse é o gráfico da relação de p até o VESPIGNANI, A. Epidemic processes in complex networks Rev. Mod.
Phys., 2015, 87. DOI: 10.1103/RevModPhys.87.925
momento de minimização da taxa diária de contaminações. [3] NEWMAN, M.. Networks: An introduction, Oxford University Press,
Como visto na Figura 8, taxas maiores de isolamento corres- cap. 17, 2010
XXXIX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS - SBrT 2021, 26–29 DE SETEMBRO DE 2021, FORTALEZA, CE

[4] BASTOS, S. B.; CAJUEIRO, D. O. Modeling and forecasting the early

evolution of the covid-19 pandemic in brazil.ScientificReports, v. 10, n.
1, nov 2020. DOI: 10.1038/s41598-020-76257-1
[5] SOUZA, W. M. de et al. Epidemiological and clinical characteristics of
the COVID-19 epidemic in brazil. Nature Human Behaviour, v. 4, n. 8,
p. 856–865, jul 2020. DOI: 10.1038/s41562-020-0928-4
[6] Dietz, K. Heesterbeek, J.. Daniel Bernoulli’s epidemiological model
revisited Mathematical Biosciences, Elsevier BV, 2002, 180, 1-21. DOI:
10.1016/S0025-5564(02)00122-0 Sci., Paris, (1766)
[7] D’ALEMBERT, J.: Onzième mémoire, Sur l’application du calcul des
probabilités à l’inoculation de la petite vérole. Opuscules mathéma-
tiques, Tome second, pp. 26–95. David, Paris (1761). Acesso em:
https://books.google.com.br/books?id=J7BJAAAAMAAJ
[8] GRASSLY, N. C.; FRASER, C. Mathematical models of infectious
disease transmission. Nature Reviews Microbiology, v. 6, n. 6, p.
477–487, may 2008. DOI: 10.1038/nrmicro1845
[9] KERMACK, W. O.; MCKENDRICK, A. G. A contribution to the
mathematical theory of epidemics,.Proc. R. Soc. Lond.A, Math. Phys.
Sci., 1927. DOI: 10.1098/rspa.1927.0118
[10] Niu, R. et al. Modeling the covid-19 pandemic using an SEIHR model
with human migration. IEEE Access, v. 8, p. 195503–195514, 2020.
DOI: 10.1109/ACCESS.2020.3032584
[11] https://www.ibge.gov.br/cidades-e-estados/sp/sao-paulo.html
[12] Fundação Sistema Estadual de Análise de Dados (SEADE).
https://github.com/seade-R/dados-covid-sp. Acesso em 24/04/2021
[13] VIRTANEN, P.; et al. SciPy 1.0: Fundamental Algorithms for Scientific
Computing in Python, Nature Methods, 2020, v.17, pgs. 261–272. DOI:
10.1038/s41592-019-0686-2

View publication stats