PROCEDIMENTOS PARA ESTIMATIVA DA VELOCIDADE DE DISSEMINAÇÃO DE DOENÇAS – UM ESTUDO DE CASO COM DADOS DA COVID-19 NO ESTADO DO PARANÁ
DOI:
https://doi.org/10.14393/Hygeia2069790Palavras-chave:
Epidemiologia, Surto, COVID-19Resumo
Caracterizar e quantificar a velocidade com a qual uma doença se espalha em uma região é fundamental para entender e comparar o processo de disseminação em diferentes localidades e intervalos de tempo. Durante a pandemia de COVID-19, pesquisadores do Brasil e do mundo engendraram esforços para entender e caracterizar a dinâmica de contaminação e espalhamento da doença. A presente pesquisa tem como objetivo analisar diferentes possibilidades de caracterização da velocidade de surgimento de novos casos e dispersão do COVID-19 no estado do Paraná. A pesquisa utilizou dados de 205328 casos (teste RT-PCR) de 396 municípios, relativos a 244 dias do período pandêmico para cálculo da média móvel, de seu valor comparado com o observado 14 dias antes (viés) e de outros cinco diferentes procedimentos de cálculo baseados na inclinação da reta que caracteriza a frequência acumulada de ocorrência de novos casos a cada mil habitantes (valor de beta, inclinação/tangente do período analisado, máximo valor de inclinação observado nos intervalos quintílico e quartílico e a soma dos valores de inclinação diários observados). A pesquisa identificou que no Paraná o município que apresentou maior velocidade de espalhamento do COVID-19 foi o de Itambé e que 37 localidades podem ser caracterizadas como com ocorrência de surto para o período analisado. Ainda, identificou que os valores de beta e inclinação/tangente do período analisado podem ser utilizados para caracterizar a velocidade de dispersão da doença em escala municipal, bem como que valores superiores à 0,15 e 0,3 podem ser utilizados como indicativos de surto para intervalos maiores de tempo e para a semana epidemiológica, respectivamente.
Downloads
Referências
ALBERCA, R. W. et al. Obesity as a risk factor for COVID-19: an overview. Critical Reviews in Food Science and Nutrition, v. 61, n. 13, p. 2262–2276, 2021. https://doi.org/10.1080/10408398.2020.1775546
BRASIL. MINISTÉRIO DA SAÚDE. Guia para Investigações de Surtos ou Epidemias. 2. ed. Brasília: Ministério da Saúde, 2022.
CHAUHAN, P.; KUMAR, A.; JAMDAGNI, P. Regression Analysis of COVID-19 Spread in India and its Different States. medRxiv, p. 2020.05.29.20117069, 29 maio 2020. https://doi.org/10.1101/2020.05.29.20117069
CLIFF, A.; HAGGETT, P. Methods for the measurement of epidemic velocity from time-series data. International Journal of Epidemiology, v. 11, n. 1, p. 82–89, 1982. https://doi.org/10.1093/ije/11.1.82
DELAMATER, P. L. et al. Complexity of the basic reproduction number (R0). Emerging Infectious Diseases, v. 25, n. 1, p. 1–4, 2019. https://doi.org/10.3201/eid2501.171901
DUTRA, C. Estimativa do número básico de reprodução R0 do COVID-19 nos países da América do Sul. InterAmerican Journal of Medicine and Health, v. 3, p. 1–7, 2020. https://doi.org/10.31005/iajmh.v3i0.127
GRISOTTI, M. Pandemia de covid-19: Agenda de pesquisas em contextos de incertezas e contribuições das ciências sociais. Physis: Revista de Saúde Coletiva. Instituto de Medicina Social da UERJ, 2020. https://doi.org/10.1590/s0103-73312020300202
GUERRA, F. M. et al. The basic reproduction number (R0) of measles: a systematic review. The Lancet Infectious Diseases, v. 17, n. 12, p. e420–e428, 2017. https://doi.org/10.1016/S1473-3099(17)30307-9
HASAN, I. et al. Data analytics and knowledge management approach for COVID-19 prediction and control. International journal of information technology : an official journal of Bharati Vidyapeeth’s Institute of Computer Applications and Management, v. 15, n. 2, p. 937–954, 2023. https://doi.org/10.1007/s41870-022-00967-0
HE, Y. et al. Moving Average Based Index for Judging the Peak of the COVID-19 Epidemic. International Journal of Environmental Research and Public Health, v. 17, n. 15, 2020a. https://doi.org/10.3390/ijerph17155288
HE, Y.-T. et al. Moving-average based index to timely evaluate the current epidemic situation after COVID-19 outbreak. medRxiv, p. 2020.03.24.20027730, 30 mar. 2020b.
JOSÉ, L. et al. O uso da média móvel como indicador de tendência: do mercado financeiro ao acompanhamento dos casos de covid-19. Negócios em Projeção, v. 12, n. 2, p. 73–81, 26 nov. 2021.
LEIGHTNER, J.; INOUE, T.; MICHEAUX, P. L. DE. Variable Slope Forecasting Methods and COVID-19 Risk. Journal of Risk and Financial Management 2021. Vol. 14, Page 467, v. 14, n. 10, p. 467, 3 out. 2021. https://doi.org/10.3390/jrfm14100467
LÓPEZ-FLORES, M. M. et al. Equações diferenciais e modelos epidemiológicos. Rio de Janeiro: Instituto de Matemática Pura e Aplicada, 2021.
LYNCH, C. J.; GORE, R. Application of one-, three-, and seven-day forecasts during early onset on the COVID-19 epidemic dataset using moving average, autoregressive, autoregressive moving average, autoregressive integrated moving average, and naïve forecasting methods. Data in Brief, v. 35, p. 106759, 1 abr. 2021. https://doi.org/10.1016/j.dib.2021.106759
MASUM, M. et al. Comparative study of a mathematical epidemic model, statistical modeling, and deep learning for COVID-19 forecasting and management. Socio-Economic Planning Sciences, v. 80, p. 101249, 2022. https://doi.org/10.1016/j.seps.2022.101249
MEDINA, M. A. Preliminary Estimate of COVID-19 Case Fatality Rate in the Philippines using Linear Regression Analysis. SSRN Electronic Journal, 7 abr. 2020. https://doi.org/10.2139/ssrn.3569248
MEROW, C.; URBAN, M. C. Seasonality and uncertainty in global COVID-19 growth rates. Proceedings of the National Academy of Sciences of the United States of America, v. 117, n. 44, p. 27456–27464, 3 nov. 2020. https://doi.org/10.1073/pnas.2008590117
NICOLELIS, M. A. L. et al. The impact of super-spreader cities, highways, and intensive care availability in the early stages of the COVID-19 epidemic in Brazil. Scientific Reports, v. 11, n. 1, p. 13001, 2021. https://doi.org/10.1038/s41598-021-92263-3
OVERTON, C. E. et al. Using statistics and mathematical modelling to understand infectious disease outbreaks: COVID-19 as an example. Infectious Disease Modelling, v. 5, p. 409–441, 1 jan. 2020. https://doi.org/10.1016/j.idm.2020.06.008
PINTO, A. DE S. et al. COVID-19 epidemic curve in Brazil: a sum of multiple epidemics, whose inequality and population density in the states are correlated with growth rate and daily acceleration. An ecological study. Revista da Sociedade Brasileira de Medicina Tropical, v. 55, 2022. https://doi.org/10.1590/0037-8682-0118-2021
SADOWSKI, A. et al. Big data insight on global mobility during the Covid-19 pandemic lockdown. Journal of Big Data, v. 8, n. 1, p. 1–33, 1 dez. 2021. https://doi.org/10.1186/s40537-021-00474-2
SEYEDALINAGHI, S. A. et al. Genetic susceptibility of COVID-19: a systematic review of current evidence. European Journal of Medical Research, v. 26, n. 1, p. 1–12, 1 dez. 2021. https://doi.org/10.1186/s40001-021-00516-8
SILVA, L.; FILHO, D. F.; FERNANDES, A. The effect of lockdown on the COVID-19 epidemic in Brazil: evidence from an interrupted time series design. Cadernos de Saúde Pública, v. 36, n. 10, p. e00213920, 19 out. 2020. https://doi.org/10.1590/0102-311x00213920
TUAN, N. H.; MOHAMMADI, H.; REZAPOUR, S. A mathematical model for COVID-19 transmission by using the Caputo fractional derivative. Chaos, Solitons and Fractals, v. 140, 1 nov. 2020. https://doi.org/10.1016/j.chaos.2020.110107
WAMOYI, J.; RANGANATHAN, M.; STÖCKL, H. COVID-19 social distancing measures and informal urban settlements. Bulletin of the World Health Organization, v. 99, n. 6, p. 475, 6 jun. 2021. https://doi.org/10.2471/BLT.20.265942
