Um Novo Modelo para Previsões de Pandemia

Pandemias existem há muito tempo e podem causar uma bagunça enorme. Lembra da Peste Bubônica no século 14? Não foi fácil! Avançando para o século 18, tivemos um surto de varíola. E mais recentemente, o mundo enfrentou a COVID-19, uma pandemia que nos pegou de jeito em 2020. Mesmo com toda a nossa ciência e tecnologia moderna, milhões de pessoas perderam a vida nesse período.

Uma coisa crucial que precisamos melhorar é em prever quão grave uma pandemia pode ser logo no começo. Estudos mostram que, com previsões melhores e ações rápidas, poderíamos reduzir as mortes iniciais em até 90%. Mas aqui está o detalhe: fazer previsões precisas é muito difícil. Um grande obstáculo é que muitas vezes não temos dados bons o suficiente. Quando subestimamos a gravidade de um surto, corremos o risco de sobrecarregar os hospitais e perder a chance de ajudar na hora certa, o que pode piorar a situação. Por outro lado, se a gente acha que um surto vai ser pior do que realmente é, podemos acabar desperdiçando recursos e causando pânico desnecessário.

#Os Modelos Que Usamos

Atualmente, muitos modelos de previsão de pandemia funcionam com um sistema chamado modelos compartimentais. Com esses modelos, olhamos para cada local separadamente, dependendo muito dos dados apenas do surto atual. O lado negativo? Nem sempre temos dados suficientes, especialmente nos primeiros dias, quando as coisas mudam rápido. Embora pandemias passadas possam nos dar informações valiosas, esses modelos atuais não combinam essas informações de maneira eficaz.

Temos um monte de dados históricos sobre pandemias, que, mesmo sendo trágicos, podem ser super úteis para fazer previsões melhores. Então, pensamos: por que não criar um modelo que use essas informações históricas? É aí que entra o Modelo Compartimental Guiado pela História (HG-DCM). Esse modelo mistura dados de pandemias passadas com dados novos para nos ajudar a prever surtos atuais com mais precisão.

#Como o HG-DCM Funciona

O HG-DCM usa uma mistura única de tecnologia para criar previsões melhores. Ele combina um tipo especial de rede neural com um modelo compartimental chamado DELPHI. A rede neural ajuda a aprender com várias pandemias e locais, permitindo que ele incorpore insights de surtos passados em suas previsões. Isso nos dá uma ideia mais clara de como as coisas podem acontecer durante uma nova pandemia.

Quando testamos o HG-DCM nas previsões da COVID-19 em 227 locais, ele se saiu melhor do que o modelo DELPHI original em prever os estágios iniciais da pandemia. Isso sugere que usar dados históricos pode melhorar significativamente nossa precisão nessas previsões. Nossas comparações mostraram que o HG-DCM superou outros modelos modernos de aprendizado profundo e modelos compartimentais em tarefas de previsão iniciais.

#Um Pouco de Olhar Para Trás

Os modelos de previsão de pandemia existem há um tempo já. O mais básico deles é o modelo SIR, que significa Suscetíveis, Infectados e Removidos. Desde então, diversos modelos compartimentais foram desenvolvidos para acompanhar pandemias sazonais. Esses modelos são bem vistos por serem fáceis de entender. Cada parâmetro nesses modelos geralmente representa um aspecto específico do surto, fornecendo insights valiosos.

Mas, como tudo, eles têm seus próprios problemas. Como os dados podem ser bem bagunçados, esses modelos podem ficar imprecisos quando não há dados suficientes. Além disso, como esses modelos focam em pandemias em áreas específicas, é difícil usar informações de outras pandemias para ajudar a melhorar as previsões.

Enquanto isso, o aprendizado de máquina está se tornando uma ferramenta popular em várias áreas, incluindo previsões de ações e clima. Alguns pesquisadores tentaram aplicar modelos avançados de aprendizado profundo para prever pandemias, mas esses modelos geralmente se concentram em um surto em uma área só. Frequentemente, eles faltam interpretabilidade, o que torna difícil entender as previsões, especialmente nos primeiros dias de um surto.

#Construindo o Novo Modelo

Aqui entra o HG-DCM. Esse modelo combina uma rede neural profunda com um modelo compartimental, permitindo que a gente tenha o melhor dos dois mundos: a flexibilidade de um modelo de aprendizado profundo e a interpretabilidade de um modelo compartimental.

Esse modelo usa dados de séries temporais e outros detalhes relevantes junto com um modelo de aprendizado profundo para fazer previsões. O processo funciona assim: o modelo pega os dados, prevê os parâmetros e depois usa esses parâmetros para gerar uma curva de incidência cumulativa, que mostra como a pandemia pode se desenrolar ao longo do tempo.

#Como o Modelo é Estruturado

O HG-DCM é composto por duas partes principais: aprendizado profundo e modelagem compartimental. A parte de aprendizado profundo prevê os parâmetros para o modelo compartimental, e então o modelo compartimental usa essas previsões para criar uma curva de casos cumulativos.

Para a parte de aprendizado profundo, usamos um tipo de rede neural conhecida como Rede Neural Convolucional Residual (RCNN). Treinamos esse modelo com dados de pandemias atuais e passadas. Para garantir que temos dados suficientes, usamos técnicas como deslocamento de janela e mascaramento. O modelo também observa como os números diários de casos podem variar de lugar para lugar para melhorar suas previsões.

Depois, adicionamos Metadados, que contêm informações importantes sobre o surto, como como a doença se espalha e detalhes sobre demografia. Esses dados passam por camadas adicionais na rede para criar um panorama completo antes de serem enviados para o modelo compartimental.

#O Modelo Compartimental

Para nossa modelagem compartimental, usamos o DELPHI, que é um modelo compartimental avançado. Esse modelo se baseia em um modelo mais básico chamado SEIR, levando em conta coisas como subdetecção e respostas sociais durante surtos. O DELPHI organiza a pandemia em 11 estados diferentes, como suscetíveis, expostos e infectados. A partir daí, ele usa vários parâmetros, previstos pelo HG-DCM, para criar a curva de incidência cumulativa.

#Objetivo: Fazendo Previsões

O principal objetivo do HG-DCM é minimizar a diferença entre números previstos e números reais de pandemias passadas e atuais. O modelo se concentra em ser preciso equilibrando como os erros de surtos passados e presentes afetam as previsões.

#Experimentando com o Modelo

Como não conseguimos encontrar um banco de dados publicamente disponível contendo dados históricos de pandemias, fizemos nosso próprio conjunto de dados. Esse banco contém dados de séries temporais sobre pandemias passadas e metadados, cobrindo surtos importantes como COVID-19, Ebola e Dengue.

Para nossos testes, usamos o HG-DCM para prever números de casos para vários locais, começando com apenas algumas semanas de dados. Comparamos nosso modelo com outros, focando principalmente em como ele poderia prever números de casos.

Os resultados foram bem impressionantes. O HG-DCM consistently superou tanto o DELPHI quanto um modelo de aprendizado profundo chamado Unidades Recurrentes Controladas (GRU) em diferentes comprimentos de treinamento. Isso mostrou como usar dados históricos pode melhorar previsões nos estágios iniciais de uma pandemia.

#O Poder de Comparar Modelos

Quando olhamos para as previsões, vimos que o modelo DELPHI frequentemente superestimava os números. Em um caso na Suíça, por exemplo, os números do DELPHI estavam muito errados porque ele se baseou demais em dados iniciais. Por outro lado, o HG-DCM usou dados históricos para criar previsões que combinaram mais com a realidade.

Também analisamos a distribuição de erros de ambos os modelos, e ficou claro que o DELPHI tinha uma margem de erro maior nas previsões. Em contrapartida, o HG-DCM apresentou um desempenho mais estável, mostrando que ele conseguiu lidar melhor com erros extremos.

Outra coisa legal sobre o HG-DCM é que ele se manteve estável até nos primeiros dias bagunçados de uma pandemia, quando os relatórios podem ser inconsistentes. Ao usar insights históricos e metadados, ele pode fornecer uma imagem mais confiável, tornando-se uma ferramenta crucial para autoridades de saúde quando precisam tomar decisões rápidas.

#Consistência de Desempenho

Durante os experimentos, o HG-DCM também mostrou que superou o modelo GRU em várias tarefas. Ele alcançou reduções significativas em erros de previsão, enfatizando que a combinação de aprendizado profundo e modelagem compartimental foi a chave.

Uma das razões pelas quais o HG-DCM se saiu tão melhor é que ele combinou os pontos fortes de ambos os tipos de modelos. Não se tratava apenas de usar aprendizado profundo; mas também de usar as informações estruturadas que um modelo compartimental fornece.

#Insights sobre Parâmetros

Uma das melhores coisas sobre usar o HG-DCM é que ele nos dá detalhes compreensíveis sobre o surto. Ao contrário de outros modelos complexos, o HG-DCM decompõe os principais fatores que impulsionam os resultados, permitindo insights acionáveis.

Exploramos os parâmetros previstos tanto pelo HG-DCM quanto pelo DELPHI. Os parâmetros do DELPHI mostraram uma variação ampla, o que tornou as previsões menos estáveis e mais propensas a erros. Em contraste, o HG-DCM criou um conjunto de parâmetros mais consistente usando dados históricos, o que ajudou a melhorar as previsões.

Usando testes estatísticos, encontramos diferenças significativas em parâmetros importantes, como a taxa de infecção e a rapidez com que ações são tomadas durante o surto. Isso mostrou como o HG-DCM poderia se adaptar melhor a situações em mudança, levando a previsões mais confiáveis.

#Uma Análise Mais Profunda do Modelo

Para entender o quão bem o HG-DCM funciona, fizemos um estudo de ablação. Isso significa que removemos certos elementos do modelo para ver como ele se sairia.

Quando removemos os dados históricos e metadados, o modelo teve um desempenho pior em todos os testes. Isso realmente destacou quão importante é incorporar informações de fundo na estrutura para melhorar as previsões, especialmente nos estágios iniciais de uma pandemia.

#Testando com a Monkeypox

Para provar que o HG-DCM poderia ser útil para pandemias futuras, aplicamos ele ao surto inicial de Monkeypox em 2022. Usamos a mesma abordagem que fizemos com a COVID-19 e descobrimos que o HG-DCM novamente se saiu melhor do que o DELPHI e o GRU.

Isso mostra que o HG-DCM não é apenas um modelo único; ele pode se adaptar e fazer previsões precisas em diferentes pandemias.

#Conclusão: Uma Nova Esperança para Previsão de Pandemias

Depois de examinar o HG-DCM, fica claro que este modelo representa um avanço empolgante para prever pandemias. Ao combinar dados históricos e metadados para melhorar as previsões iniciais, ele oferece esperança para um futuro mais saudável.

Não só o HG-DCM mostra uma forte capacidade preditiva, mas também fornece insights compreensíveis sobre padrões de doenças. Isso é vital para os oficiais de saúde pública que precisam tomar decisões informadas rapidamente.

Além disso, o design do HG-DCM é flexível. Usamos uma rede neural específica e um modelo compartimental, mas conforme novos modelos surgem, o HG-DCM pode incorporá-los de forma tranquila.

Em um mundo que já viu muitas doenças infecciosas, ter ferramentas como o HG-DCM à nossa disposição pode fazer uma grande diferença. Vamos torcer para que possamos aprender com pandemias passadas e usar esse conhecimento para lidar melhor com as próximas.