Identificação de sistemas dinâmicos não lineares estocásticos para modelagem de epidemias.

• Ano de defesa: 2024
• Autor(a) principal: Prete Junior, Carlos Augusto
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Blood donors; COVID 19; COVID-19; Doadores de sangue; Epidemic modelling; Identificação de sistemas; Markov Chain Monte Carlo; Modelagem de epidemia; Processamento de sinais; Processos estocásticos; Seroreversion; Signal processing; Sororeversão; Stochastic processes; System identification
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-16102024-072703/

Algoritmos de aprendizado de modelos não-lineares têm recebido muita atenção nos últimos anos, especialmente devido ao sucesso de redes neurais profundas em diversas aplicações de reconhecimento de padrões e pela ampla utilização de modelos Bayesianos na modelagem de epidemias de SARS-CoV-2. A inferência em tempo real de parâmetros epidemiológicos como soroprevalência e número de reprodução efetivo é fundamental para o monitoramento de epidemias emergentes e predição das trajetórias futuras de epidemias. Neste trabalho, técnicas de processamento de sinais são aplicadas para modelagem e identificação de sistemas estocásticos não-lineares que representam mecanismos de propagação de doenças infecciosas. Sao apresentadas metodologias para estimar a taxa de ataque e métricas de severidade utilizando testes sorológicos imperfeitos levando em consideração o decaimento do nível de anticorpos. Estas abordagens foram aplicadas na análise da epidemia de SARS-CoV-2 em oito capitais brasileiras utilizando doadores de sangue. Também foram desenvolvidos métodos para estimar a taxa de reinfecção, a proteção contra reinfecção conferida por infecção prévia e limiares para a taxa de ataque. Aplicando estas técnicas na segunda onda de SARS-CoV-2 de Manaus, dominada pela variante Gamma, conclui-se que reinfecções foram comuns e que a variante Gamma tem maior severidade intrínseca comparada `as linhagens circulando previamente em Manaus. Derivou-se um método para estimar o número de reprodução efetivo local (por exemplo, desagregado por linhagem) utilizando intervalos de geração locais, melhorando também a estimativa global. Além disso, desenvolveu-se um modelo Bayesiano para estimar conjuntamente o número de reprodução efetivo e o intervalo de geração, eliminando a necessidade de um conhecimento a priori do intervalo de geração local. Finalmente, foi introduzido um modelo mecanístico para estimar a distribuição do intervalo serial com um número limitado de amostras, inferindo-a para o SARS-CoV-2 no Brasil. Além disso, mostrou-se que a distribuição dos intervalos de geração e incubação pode ser recuperada a partir da distribuição exata do intervalo serial, e foram propostos modelos Bayesianos para inferir estas quantidades a partir de amostras do intervalo serial.