Exploração interativa das estratégias de saída COVID-19

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


[Esteartigofoipublicadopelaprimeiravezem[Thisarticlewasfirstpublishedon Fabian Dablander, e gentilmente contribuiu para os R-blogueiros]. (Você pode relatar um problema sobre o conteúdo desta página aqui)


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.

A pandemia do COVID-19 terminará apenas quando um número suficiente de pessoas se tornar imune, impedindo futuros surtos. Principalmente, os chamados estratégias de saída diferem se a imunidade é alcançada através de infecções naturais ou se é alcançada através de uma vacina. Países do mundo todo estão se esforçando para encontrar uma estratégia de saída adequada, com sucesso diferencial.

Para modelar diferentes estratégias de saída do ponto de vista epidemiológico, de Vlas e Coffeng (2020) desenvolveram um modelo SEIR estocástico baseado em indivíduo que permite diferenças interindividuais na eficácia com que os indivíduos espalham o vírus e quão bem os indivíduos aderem às medidas projetadas para conter o vírus. transmissão. O modelo também permite a mistura preferencial de indivíduos com taxas de contato semelhantes. Uma inovação chave do modelo é que ele estratifica a população em comunidades e regiões nas quais a transmissão ocorre principalmente. O artigo deles é excelente e perspicaz, e encorajo você a lê-lo.

Para tornar o modelo subjacente mais facilmente acessível, Luc Coffeng e eu desenvolvemos um aplicativo Shiny que permite explorar essas estratégias de saída interativamente. Nesta postagem do blog, forneço uma breve visão geral do aplicativo Shiny e idéias sobre possíveis extensões de modelo. Observe que eu não sou um epidemiologista e meu objetivo aqui não é endossar diferentes estratégias de saída nem fazer recomendações de políticas.

Este trabalho foi realizado sob a égide da Science versus Corona, uma iniciativa que fundei com Denny Borsboom, Tessa Blanken e Charlotte Tanis.

Modelando estratégias de saída

As duas figuras abaixo ilustram parametrizações específicas de cinco estratégias de saída diferentes: Abertura radical, Elevador de controle em fases, Bloqueio intermitente, Achatamento da curva e Rastreamento de contato. As quatro primeiras estratégias visam um aumento (controlado) da imunidade do rebanho por meio de uma infecção natural, enquanto o Contact Tracing visa minimizar os casos até que uma vacina esteja disponível.

Como o modelo é estocástico, ou seja, os eventos nas simulações ocorrem aleatoriamente de acordo com probabilidades predefinidas, as linhas sólidas pretas nas figuras abaixo mostram uma série de trajetórias possíveis. Observe que as linhas verticais tracejadas abaixo indicam intervenções, com linhas antes do dia 0 indicando intervenções específicas da Holanda durante o bloqueio inicial e linhas do dia 0 em diante intervenções específicas das estratégias de saída.

A abertura radical eleva todas as medidas de uma vez no dia 0, resultando em um grande aumento no número de infecções por milhão, como mostra o painel superior. A linha vertical tracejada indica o número de infecções em que a capacidade de terapia intensiva é atingida na Holanda, que é de 6000 infecções por milhão de habitantes. O segundo painel mostra o número simulado de novos casos em terapia intensiva por dia, com os pontos vermelhos mostrando o número real de casos em terapia intensiva na Holanda. O terceiro painel mostra o número de casos que estão presentes em terapia intensiva por milhão; a linha vertical tracejada indica o número de leitos por milhão – 115 – disponíveis para os casos COVID-19 na Holanda. A Abertura Radical supera massivamente essa capacidade, o que resultaria em um grande número de mortes em excesso. O painel inferior mostra que a imunidade do rebanho é alcançada rapidamente, mas ultrapassa.

O elevador de controle em fases, conforme proposto por de Vlas e Coffeng (2020), divide um país em unidades geográficas e, uma de cada vez, eleva as medidas nessa parte; os pontos no tempo em que as medidas são levantadas são indicados pelas linhas pontilhadas verticais. A elevação gradual do controle, conforme apresentado aqui, não leva a uma sobrecarga do sistema de saúde e, portanto, a nenhum excesso de morte em comparação à abertura radical (observe a diferença de eixo $ y $). No entanto, a estratégia ainda visa alcançar a imunidade do rebanho naturalmente e, portanto, dependendo de quem exatamente é infectado, haverá mortes proporcionais à taxa de mortalidade de casos dessa subpopulação. O Phased Lift of Control permite uma epidemia natural na região onde as medidas estão sendo levantadas e, portanto, supera a imunidade do rebanho regionalmente e, portanto, também nacionalmente, como visto no painel inferior. Como observação lateral, o excesso não ocorre quando 25% dos participantes “permanecem escondidos” quando as medidas de controle são levantadas (Luc Coffeng, comunicação pessoal), o que me parece um cenário realista; No geral, o Phased Lift of Control é robusto a essa não participação (ver Suplemento 3 em de Vlas e Coffeng, 2020).

Leia Também  Aprimore suas visualizações de dados do {ggplot2} com {ggtext}

A intenção do bloqueio intermitente é restabelecer as medidas de bloqueio imediatamente antes que as unidades de terapia intensiva estejam em plena capacidade. Em comparação com o Phased Lift of Control, a estratégia de saída do bloqueio intermitente não utiliza a capacidade de terapia intensiva de forma eficiente, pois alguns leitos de terapia intensiva permanecem sem uso durante os períodos de bloqueio (consulte os dias 200 – 600). Além disso, a estratégia apresenta um alto risco de ultrapassar a capacidade de terapia intensiva (ver dias 0 – 200 e dias 600 – 750).

O achatamento da curva visa equilibrar o número de infecções para que o sistema de saúde não fique sobrecarregado por intervenções relaxantes após um bloqueio inicial. Se não houver intervenções suficientes (como neste exemplo), a imunidade do rebanho dificilmente se desenvolverá (por exemplo, consulte o dia 400). Por outro lado, se forem levantadas muitas intervenções (ou as pessoas não aderem às intervenções), o número de casos pode aumentar além da capacidade de assistência à saúde (por exemplo, ver dia 500). Como mostra o painel inferior, esta versão do Flattening the Curve não atinge a imunidade do rebanho mesmo após 1200 dias.

Ao contrário de todas as estratégias até agora, a estratégia de saída de rastreamento de contatos não visa imunidade natural ao rebanho. Em vez disso, visa manter o número de infecções baixo até que uma vacina seja desenvolvida, sendo o desenvolvimento da vacina uma tarefa altamente complexa que pode levar anos. Até esse ponto, devido à baixa proporção de pessoas que adquiriram imunidade, grandes surtos são possíveis o tempo todo, e é isso mesmo que mostra a figura acima. Há um debate sobre como o teste, o rastreamento e o isolamento de casos infecciosos e expostos funcionarão na prática, e você pode brincar com esses parâmetros no aplicativo Shiny. A heterogeneidade pode funcionar a nosso favor, no entanto. Estimativas recentes sugerem que a disseminação do novo coronavírus é amplamente motivada por eventos superespecíficos (ver também Althouse et al. 2020), que têm ramificações para o controle. A heterogeneidade em redes que conectam indivíduos também pode aumentar a eficiência do rastreamento de contatos (Kojaku et al., 2020).

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

O aplicativo Shiny descreve essas estratégias de saída e suas diferentes parametrizações com mais detalhes e permite comparar interativamente variações delas. Exceto pela abertura radical, todas as estratégias de saída que visam a imunidade do rebanho apresentadas acima levam uma quantidade extraordinária de tempo para alcançá-la. De fato, a modelagem sugere, e estudos recentes de soroprevalência confirmam que estamos longe da imunidade do rebanho. Não estou adotando esse tipo de estratégias de saída aqui e elas me deixam um pouco desconfortável (compare o caso da Suécia). Uma avaliação dessas e de outras estratégias de saída que não visam a imunidade do rebanho por meio de infecção natural requer informações de várias disciplinas e vai muito além desta publicação no blog e do aplicativo Shiny. O objetivo do aplicativo Shiny é permitir que você veja o quão robustas são as estratégias de saída para as mudanças em seus parâmetros e como elas se comparam entre si do ponto de vista puramente epidemiológico.

Leia Também  Resultados da pesquisa: Qual o melhor grau para ciência de dados?

Extensões de modelo

O trabalho de modelagem de de Vlas e Coffeng (2020) é impressionante, e eu novamente encorajo você a ler sobre ele; veja especialmente o Suplementar 1. Aqui, quero mencionar brevemente várias dimensões interessantes ao longo das quais o modelo pode ser estendido, sendo algumas mais realistas que outras.

Primeiro, o modelo atualmente assume imunidade por toda a vida (ou pelo menos durante a simulação), o que não é realista. Dependendo da duração exata da imunidade, a dinâmica das simulações das estratégias de saída apresentadas acima mudará. Para uma investigação de como a sazonalidade e a imunidade podem influenciar o curso da pandemia, consulte Kissler et al. (2020).

Segundo, o modelo atualmente não estratifica a população de acordo com a idade, o fator de risco mais importante para a mortalidade. Estender o modelo dessa maneira permitiria modelar intervenções direcionadas a uma determinada faixa etária, além de avaliar as mortalidades de maneira mais detalhada. Atualmente, o modelo também não simula a mortalidade e deve ser calculado usando o número de infecções e uma estimativa da taxa de mortalidade de casos. Escusado será dizer que, se a prevalência de pessoas que necessitam de terapia intensiva exceder a capacidade de terapia intensiva, a mortalidade será muito maior.

Terceiro, o modelo pressupõe que os indivíduos vivam em aglomerados (por exemplo, aldeias), parte dos super aglomerados (por exemplo, províncias), que juntos formam um país. Permite heterogeneidade entre taxas de contato e mistura preferencial de indivíduos com comportamento de contato semelhante, mas atualmente não incorpora uma estrutura de rede explícita. Em vez disso, pressupõe que, com exceção da mistura preferencial muito forte, todo indivíduo está conectado a qualquer outro indivíduo. Adicionar uma estrutura de rede resultaria em uma avaliação mais realista de intervenções como rastreamento de contatos, com ramificações potencialmente grandes (por exemplo, Kojaku et al., 2020).

Quarto, as estratégias de saída apresentadas acima são um tanto monolíticas. Exceto pela Abertura Radical e Rastreamento de Contato, eles funcionam reduzindo a transmissão durante um determinado período de tempo no qual as medidas são tomadas. O rastreamento de contatos está um pouco mais envolvido e você pode ler mais detalhes no aplicativo Shiny. Essa abordagem de granulação grossa ignora as escolhas de granularidade mais fina que os governos precisam fazer; as escolas devem ser reabertas? E os cabeleireiros e os cultos da igreja? Viagem internacional? Uma exploração mais detalhada do efeito das estratégias de saída associaria cada uma dessas intervenções a uma redução na transmissão e simularia o que aconteceria quando elas fossem levantadas ou aplicadas. Escusado será dizer que isso requer uma boa compreensão de como essas intervenções reduzem a propagação do vírus (ver, por exemplo, Chu et al., 2020), uma compreensão que nos falta atualmente. A experimentação sistemática pode ajudar.

Avaliação multidisciplinar

Por fim, a pandemia afeta não apenas a saúde física dos cidadãos, mas também infligiu graves danos econômicos e psicológicos. Embora os modelos que se concentrem em um único aspecto da pandemia possam produzir informações valiosas, eles devem idealmente combinar diferentes perspectivas disciplinares para fornecer uma avaliação holística das estratégias de saída. Recentemente, vários trabalhos combinaram modelagem econômica e epidemiológica. Por exemplo, usando o Reino Unido como um estudo de caso, Pichler et al. (2020) comparam estratégias que diferem em quais setores eles reabririam; mesmo uma abertura radical reduziria o PIB em 16 pontos percentuais em comparação com os níveis anteriores ao bloqueio, mantendo o número reprodutivo efetivo $ R_t $ acima de 1.

Leia Também  {catchpole} Redux e hash de arquivos e sites com {ssdeepr}

Mas existem outras disciplinas que poderiam se interessar além da epidemiologia e da economia, como psicologia, direito e história. Alguns forneceriam uma avaliação quantitativa, por exemplo, formalizando o efeito de diferentes intervenções, como abrir escolas ou fechar igrejas. Quais são os efeitos epidemiológicos da abertura de escolas? Como o fechamento da escola afeta adversamente o desenvolvimento educacional das crianças? De que maneira eles aumentam as desigualdades econômicas existentes? Quais são as implicações legais de “proteger os idosos”, que parece sensato, mas tem um tom discriminatório? De uma perspectiva histórica, que lições podemos aprender do comportamento dos cidadãos – como protestos anti-máscara – em pandemias passadas? Todas essas intervenções e efeitos interagem de maneiras complexas, complicando severamente a análise; mas quem disse que seria fácil?

Conclusão

Nesta postagem do blog, descrevi um aplicativo Shiny que permite explorar interativamente diferentes estratégias de saída usando o modelo epidemiológico descrito em de Vlas e Coffeng (2020). Eu discuti possíveis extensões de modelo e a necessidade de uma avaliação multidisciplinar das estratégias de saída. No geral, a modelagem sugere que as estratégias de saída destinadas ao acúmulo controlado de imunidade levarão muito tempo; mas pode estar esperando uma vacina. Melhor se preparar para o longo curso.


Quero agradecer a Luc Coffeng por uma colaboração perspicaz e comentários valiosos nesta postagem do blog. Agradecemos também a Denny Borsboom, Tessa Blanken e Charlotte Tanis pelos comentários úteis sobre este post do blog e por serem uma ótima equipe.


Esta postagem no blog também foi publicada no blog Science versus Corona.

Referências

  • Althouse, B.M., Wenger, E. A., Miller, J. C., Scarpino, S. V., Allard, A., Hébert-Dufresne, L., e Hu, H. (2020). Estocástico e heterogeneidade na dinâmica de transmissão de SARS-CoV-2. pré-impressão do arXiv arXiv: 2005.13689.
  • Chu, D. K., Akl, E. A., Duda, S., Solo, K., Yaacoub, S., Schünemann, H. J., … & Hajizadeh, A. (2020). Distanciamento físico, máscaras faciais e proteção ocular para impedir a transmissão de SARS-CoV-2 e COVID-19 de pessoa a pessoa: Uma revisão sistemática e metanálise. The Lancet.
  • de Vlas, S.J. & Coffeng, L.E. (2020). Um elevador de controle em fases: uma estratégia prática para obter imunidade de rebanho contra o Covid-19 no nível do país. medRxiv.
  • Flaxman, Mishra, Gandy et al. (2020) Estimativa dos efeitos de intervenções não farmacêuticas no COVID-19 na Europa. Natureza3164.
  • Kojaku, S., Hébert-Dufresne, L., & Ahn, Y. Y. (2020). A eficácia do rastreamento de contatos em redes heterogêneas. pré-impressão do arXiv arXiv: 2005.02362.
  • Pichler, A., Pangallo, M., del Rio-Chanona, R.M., Lafond, F., & Farmer, J.D. (2020). Redes de produção e disseminação de epidemias: como reiniciar a economia do Reino Unido?

var vglnk = {key: ‘949efb41171ac6ec1bf7f206d57e90b8’};

(função (d, t) {
var s = d.createElement
s.src = ‘//cdn.viglink.com/api/vglnk.js’;
var r = d.getElementsByTagName
} (documento, ‘script’));

Para Deixe um comentário para o autor, siga o link e comente no blog: Fabian Dablander.

R-bloggers.com oferece atualizações diárias por email sobre notícias e tutoriais do R sobre o aprendizado do R e muitos outros tópicos. Clique aqui se você deseja publicar ou encontrar um emprego em ciência da dados / R.


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.



cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br