README.md

Modelo COVID-19 Brasil

COVID-19 Modeling work at UNINOVE for Brazil.

Website at https://codatmo.github.io/UNINOVE_Brazil/.

Team

• Senior Researcher: Breck Baldwin
• Lead Researcher: Jose Storopoli
• Associate Researcher: Alessandra Pellini
• Assistant Researcher: Andre Santos
• Undergraduate Senior Assistant: João Vinícius Vieira Nóia
• Undergraduate Assistants:
  • Elias Noda
  • Paula Fraga
  • Camila Brichta
  • Leandro dos Santos
  • Junior De Sousa Silva

Modelo Epidemiológico Compartimental Usando o Truque de Corrente Linear para COVID-19

Abstract (in Portuguese)

Demonstrar o uso do truque de corrente linear (linear chain trick - LCT) em modelos epidemiológicos compartimentais para COVID-19. LCT modela tempos de espera em transições de compartimentos usando subcompartimentos com uma distribuição Erlang. MÉTODOS: Demonstramos LCT usando dados de óbitos por COVID-19, obtidos dos boletins das Secretarias Estaduais de Saúde desde 25/02/2020 até 04/05/2021. O modelo é composto por compartimentos: (S) susceptible, (E) exposed, (I) infectious, (R) recovered, (T) terminally ill, e (D) dead. Os compartimentos que usam LCT são E, I e T, dando origem a subcompartimentos E1, E2, I1, I2, T1, T2, recebendo a nomenclatura de SEEIITTD. A taxa de contaminação é modelada com funções lineares por partes para cada semana. O modelo foi elaborado e implementado usando estatística Bayesiana e solucionadores de equações diferenciais estocásticas com o software Stan. RESULTADOS: O modelo obteve taxa de erro de ±85 mortes semanais usando mortes previstas versus mortes reais. A mediana das medianas diárias das taxas de reprodução semanais é 1,03 e a mediana da taxa de letalidade global das 63 semanas é 0,99%. CONCLUSÕES: O LCT é uma técnica recente na literatura e prática epidemiológica de modelos compartimentais; porém, já é adotado por instituições como University of Cambridge e University of Liverpool. LCT implementa pressupostos de tempos de espera com uma distribuição Erlang ao decompor compartimentos em subcompartimentos, o que ocasiona pressupostos de tempo de espera com propriedades desejáveis: e.g. falta de memória fraca (weak memorylessness).

Métodos

Fontes de Dados:

• Mortes: Consórcio de Veículos da Imprensa
• Terminalmente Doentes: Internações por SRAG

Modelos Bayesianos epidemiológicos usando Stan