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

Autores

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

DOI:

https://doi.org/10.5540/03.2021.008.01.0398

Palavras-chave:

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

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.

Downloads

Não há dados estatísticos.

Biografia do Autor

Joice Chaves Marques

IMEF/FURG, Rio Grande, RS

Deivid Cristian Leal Alves

IMEF/FURG, Rio Grande, RS

Paulo Victor de Araújo Brito Lisboa

IMEF/FURG, Rio Grande, RS

Adriano De Cezaro

IMEF/FURG, Rio Grande, RS

Matheus Lazo

IMEF/FURG, Rio Grande, RS

Dinalva Aires de Sales

IMEF/FURG, Rio Grande, RS

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: <https://distanciamentocontrolado.rs.gov.br>. 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: <https://exactum.furg.br/mapas-interativos>.

Govaert, J. Coronavírus: UK changes course amid death toll fears.. BBC NEWS, 2020. Disponível em: <https://www.bbc.com/news/health-51915302>. 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: <https://covidl9.who.int>. 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: <https://time.com/5829387/coronavirus-reopening-science>. Acesso em: 30 de ab. de 2020.

Downloads

Publicado

2021-12-20

Edição

Seção

Trabalhos Completos