COVID-19: Uso de funções sigmóides para representação do número de infecções e óbitos

• Ano de defesa: 2021
• Autor(a) principal: Caldeira, Fabiana Mara [UNIFESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: COVID-19; Epidemiologia; Modelagem matemática; Previsão; Otimização numérica; Generalização de Validação Cruzada
• Link de acesso: https://hdl.handle.net/11600/63756

Introdução: Durante toda a história da humanidade, pandemias implicam grandes desafios sanitários, econômicos e sociais. O último surto global foi da doença COVID-19. Modelos matemáticos são importantes nessas ocasiões para auxiliar na melhor compreensão da disseminação das doenças e otimização das medidas de controle. Objetivo: Este estudo propõe um modelo matemático para estudar a COVID-19, realizando a previsão do número de casos e óbitos consequentes da doença, com a vantagem da possibilidade de calibração automática do processo, tornando-o mais acessível e rápido. Métodos: A metodologia usa a curva sigmóide assimétrica para descrever os dados históricos, relativos ao número diário de casos e falecimentos por COVID-19 dados pela fonte digital Our World In Data. Os dados de treinamento foram retirados dos países Argentina, Brasil, Hungria, Luxemburgo, Panamá e Paraguai, que apresentam particularidades nas suas características epidemiológicas, índice de desenvolvimento humano, políticas de saúde implementadas durante toda a pandemia, tamanho e densidade demográfica. Resultados: as previsões tiveram de boa precisão e acurácia, especialmente para períodos curtos de previsão. Conclusões: Esta metodologia é bastante útil, podendo ser utilizada para qualquer lugar do mundo, mas é mais eficiente em locais com maior quantidade de dados disponíveis. Também pode ser adaptada para descrever a dinâmica de outras epidemias. O principal destaque é o fornecimento de informações que podem ajudar a orientar as políticas públicas de saúde. Como em outros modelos, é ideal para previsões de curto prazo, onde fatores externos tem menor impacto.