Dinâmica da COVID-19 utilizando dados georreferenciados para o Estado do Rio Grande do Sul

Joice Chaves Marques, Deivid Cristian Leal Alves, Paulo Victor de Araújo Brito Lisboa, Adriano De Cezaro, Matheus Lazo, Dinalva Aires de Sales

Resumo


Nesta contribuição apresentamos uma ferramenta preditiva desenvolvida para auxiliar no gerenciamento da evolução da pandemia de COVID-19 no estado do Rio Grande do Sul (RS).  Resultado da análise de dados georreferenciados suportados pela dinâmica do modelo do tipo SIR (Suscetíveis, Infectados e Recuperados ou Removidos) definido em uma estrutura espacial e com interação de múltiplas populações que correspondem aos agrupamentos do distanciamento controlado  (Aj, para Z = 1, • • • , 21) propostos pelas autoridades governamentais e de saúde pública do RS. Os resultados preditivos, atualizados quinzenalmente, fornecem três cenários distintos (otimista, realista e pessimista), para um horizonte mensal e são disponibilizados na forma de WebSIGs (Sistema de Informação Geográfico on line) em [4]. Os cenários otimista e pessimista são obtidos a partir do cenário médio, com mudanças nas taxas de contágio de cada um dos Ai agrupamentos, que são calibradas a partir dos dados reportados do número de infectados disponibilizados pela Secretaria de Saúde (SES/RS). As previsões da modelagem mostram-se bastante satisfatórias para uma janela de tempo quinzenal (as primeiras duas semanas), cujos erros variam no intervalo de 0% á 5,13% dos infectados reportados em cada um dos agrupamentos Ai, aumentando gradativamente para um horizonte de tempo maior, chegando á 52% ao final dos 28 dias.


Palavras-chave


SARS-CoV-2; Modelo tipo SIR estruturado; Múltiplas populações interagindo; WebSIGs; Projeção

Texto completo:

PDF

Referências


Calvetti, D. and Hoover, A. and Rose, J. and Somersalo, E. Bayesian dynamical estimation of the parameters of an SE(A)IR COVID-19 spread model, preprint, 2020.

Comitê de dados COVID-19 Coronavírus. Regiões de saúde e seus municípios: modelo de distanciamento controlado do Rio Grande do Sul (RS). Gov.RS, 2020. Disponível em: . Acesso em: 01 de nov. de 2020.

De Cezaro, A. and Marinho de Oliveira, A. and Travessini De Cezaro, F. Identificação de parâmetros em Equações Diferenciais: Teoria e Aplicações. UFPI, Piauí, 2012.

Equipe exactum. Projeções da dinâmica de infectados.. Disponível em: .

Govaert, J. Coronavírus: UK changes course amid death toll fears.. BBC NEWS, 2020. Disponível em: . Acesso em: 17 de mar. de 2020.

Hethcote, H. W. The mathematics of infectious diseases. SIAM review, 42, 4, 599-653, 2000.

Marques, J. C. and De Cezaro, A. and Lazo, M. On a emerging plateau in a multi-population SIR model, preprint, 2021.

Organization, W.H. WHO Coronavirus Disease (COVID-19) Dashboard. World Health Organization, 2020. Disponível em: . Acesso em: 15 de out. de 2020.

Park, A. Here’s How Scientists and Public-Health Experts Recommend the U.S. Gets Back to ’Normal’. TIME, 2020. Disponível em: . Acesso em: 30 de ab. de 2020.




DOI: https://doi.org/10.5540/03.2021.008.01.0398

Apontamentos

  • Não há apontamentos.


SBMAC - Sociedade de Matemática Aplicada e Computacional
Edifício Medical Center - Rua Maestro João Seppe, nº. 900, 16º. andar - Sala 163 | São Carlos/SP - CEP: 13561-120
 


Normas para publicação | Contato