Utilizando Modelos SIR e SIRV com Criptografia Totalmente Homomórfica
DOI:
https://doi.org/10.5540/03.2025.011.01.0510Palavras-chave:
SIR, SIRV, Criptografia Totalmente Homomórfica, Privacidade, SegurançaResumo
Neste trabalho, apresentamos um estudo de caso utilizando os modelos Suscetíveis-Infectados-Removidos (SIR) e Suscetíveis-Infectados-Removidos-Vacinados (SIRV), sistemas que modelam a transmissão dinâmica de doenças em populações com três e quatro compartimentos, respectivamente. Para resolver numericamente o sistema de equações diferenciais ordinárias (EDO) acopladas associado a esses modelos, empregamos o método das diferenças finitas. Após o estudo teórico, aplicamos os modelos aos casos dos vírus Influenza A (H1N1), com surto no Brasil em 2009, e COVID-19, emergente em 2019, ambos escolhidos por sua relevância global. Nosso objetivo principal é comparar os resultados obtidos, com e sem o uso de Criptografia Totalmente Homomórfica, em inglês Fully Homomorphic Encryption (FHE), protegendo as informações dos modelos SIR e SIRV e garantindo a integridade dos dados. Os dados são armazenados no Brasil, em um banco de dados do Sistema Único de Saúde (SUS), e devem manter sua autenticidade. Demonstramos que o uso da Criptografia Totalmente Homomórfica preserva a equivalência dos resultados, garantindo a segurança e precisão das informações sem comprometê-las.
Downloads
Referências
A. Algarni, A. B. Hamed, M. Hamdi, H. Elmannai e S. Meshoul. “Mathematical COVID-19 model with vaccination: a case study in Saudi Arabia”. Em: Peer J Comput Sci 8.1 (2022), pp. 2–20. doi: 10.7717/peerj-cs.959.
I. Cooper, A. Mondal e C. Antonopoulos. “A SIR model assumption for the spread of COVID-19 in different communities”. Em: Chaos Solitons Fractals 139:110057 (out. de 2020). doi: 10.1016/j.chaos.2020.110057.
S. Fulchand. “Covid-19 and cardiovascular disease”. Em: BMJ 369 (2020). doi: 10.1136/bmj.m1997. eprint: https://www.bmj.com/content/369/bmj.m1997.full.pdf. url: https://www.bmj.com/content/369/bmj.m1997.
M. Girard e et al. “The 2009 A (H1N1) influenza virus pandemic: A review”. Em: Vaccine 28.31 (2010), pp. 4895–4902. issn: 0264-410X. doi: 10.1016/j.vaccine.2010.05.031. url: https://www.sciencedirect.com/science/article/pii/S0264410X1000719X.
J. Jonnalagadda. “Epidemic Analysis and Mathematical Modelling of H1N1 (A) with Vaccination”. Em: Nonautonomous Dynamical Systems 9.1 (2022), pp. 1–10. doi: 10.1515/msds-2020-0143. url: https://doi.org/10.1515/msds-2020-0143.
Y. Kim, A. Barber e S. Lee. “Modeling influenza transmission dynamics with media coverage data of the 2009 H1N1 outbreak in Korea”. Em: PLOS ONE 15.6 (jun. de 2020), pp. 1–21. doi: 10.1371/journal.pone.0232580. url: https://doi.org/10.1371/journal.pone.0232580.
I. Moneim. “Modeling and simulation of the spread of H1N1 flu with periodic vaccination”. Em: International Journal of Biomathematics 09 (2016), p. 1650003. doi: 10.1142/S1793524516500030. url: https://api.semanticscholar.org/CorpusID:123722768.
A. Mutalik. “Models to predict H1N1 outbreaks: a literature review”. Em: International Journal Of Community Medicine And Public Health 4.9 (ago. de 2017), pp. 3068–3075. doi: 10.18203/2394-6040.ijcmph20173814. url: https://www.ijcmph.com/index.php/ijcmph/article/view/1751.
G. Neumann, T. Noda e Y. Kawaoka. “Emergence and pandemic potential of swine-origin H1N1 influenza virus”. Em: Nature 459 (2019), pp. 931–939. doi: 10.1038/nature08157.
R. Verity e et al. “Estimates of the severity of coronavirus disease 2019: a model-based analysis”. Em: The Lancet Infectious Diseases 20.6 (2020), pp. 669–677. issn: 1473-3099. doi: 10.1016/S1473-3099(20)30243-7. url: https://www.sciencedirect.com/science/article/pii/S1473309920302437.
X. Zhou e Z. Guo. “Analysis of an influenza A (H1N1) epidemic model with vaccination”. Em: Arab. J. Math. 1 (2012), pp. 267–282. doi: 10.1007/s40065-012-0013-6.
