Respondendo ao surto de Mpox: um desafio de saúde pública

Em 2022, teve um surto significativo de mpox (antigamente conhecido como varíola dos macacos), que foi a primeira grande crise de doença infecciosa desde a pandemia de COVID-19. A Organização Mundial da Saúde declarou isso como uma Emergência de Saúde Pública de Interesse Internacional em 23 de julho de 2022. Até abril de 2023, quase 87.000 casos confirmados foram relatados em mais de 100 países. Ao contrário da COVID-19, o mpox é normalmente encontrado na África Ocidental e Central, onde está presente há muitos anos. Essa doença é causada pelo vírus da varíola dos macacos, que se espalha de animais para humanos.

Os sintomas clássicos do mpox incluem febre, dor de cabeça, dores no corpo, cansaço, linfonodos inchados e erupções cutâneas. O vírus se espalha entre as pessoas através do contato próximo com materiais infectados, gotículas respiratórias durante interações prolongadas cara a cara ou objetos contaminados como roupas de cama. O surto de 2022 começou em maio e se espalhou rapidamente fora da África, principalmente através do contato físico próximo, especialmente durante atividades sexuais. Esse surto teve um impacto notável em homens gays, bissexuais e outros homens que fazem sexo com homens.

#Tomada de Decisão Rápida Durante uma Crise de Saúde

Durante emergências de saúde como o surto de mpox, os tomadores de decisão enfrentam escolhas difíceis com informações limitadas. Modelos preditivos de doenças infecciosas podem ajudar os formuladores de políticas estimando a escala e a duração do surto, examinando como o vírus se espalha e formulando planos de vacinação. No entanto, esses modelos podem ser complexos e podem incorporar Dados de várias fontes com muitas suposições, o que pode levar a mal-entendidos na hora de compartilhar os resultados.

A pandemia de COVID-19 viu grandes avanços nos métodos de análise de Surtos. Novas ferramentas para estimar indicadores-chave da doença foram desenvolvidas e distribuídas rapidamente. Por exemplo, o número efetivo de reprodução (RT) descreve quantos casos secundários uma pessoa infectada causará em uma grande população. Monitorar o Rt é crucial para avaliar como o surto está se desenrolando e o sucesso de ações de saúde pública como vacinação e isolamento.

Vários grupos de pesquisa ao redor do mundo produziram previsões em tempo real para ajudar os tomadores de decisão a avaliar possíveis medidas de controle. Essas previsões podiam prever futuros casos, mortes ou hospitalizações e fornecer insights imediatos sobre o estado atual do surto.

#Previsão e Análise do Surto de Mpox

Para nossa análise, focamos em casos prováveis e confirmados de mpox nos Estados Unidos de maio de 2022 a março de 2023. Utilizamos vários métodos para coletar dados, que vieram de departamentos de saúde estaduais e locais. Diferentes formatos foram usados para relatar casos, e às vezes o mesmo caso foi enviado várias vezes ou atualizado após o relatório inicial. Os dados foram processados através de um sistema seguro que ajuda autoridades de saúde pública a compartilhar e analisar informações.

Examinamos três métodos para estimar o Rt, que estavam disponíveis através de diferentes pacotes de software. Inicialmente, todos os três enfoques foram usados para medir o nível nacional de Rt e para áreas com muitos casos. As estimativas iniciais do tempo entre os casos se basearam em dados anteriores, que refletiam principalmente a transmissão dentro de casas. No entanto, à medida que o surto se desenvolveu e novos modos de transmissão se tornaram evidentes, estimativas atualizadas se tornaram necessárias. Em junho de 2022, tínhamos dados mais precisos sobre o tempo entre o início dos sintomas em diferentes casos, permitindo decisões de modelagem melhores.

Em julho de 2022, mudamos para um método diferente de estimar o Rt. Essa nova abordagem considerou os atrasos nos relatórios e ajudou a suavizar flutuações temporárias causadas pelos finais de semana. À medida que coletávamos mais dados, esses métodos nos permitiram estimar não apenas o Rt, mas também o número de novos casos e seu crescimento ao longo do tempo.

#Comunicando Descobertas

Durante nossa análise, compartilhamos regularmente nossas descobertas com autoridades de saúde pública e o público. Atualizações sobre o Rt foram enviadas em relatórios e disponibilizadas em sites de saúde pública. Nosso objetivo era distribuir essas estimativas pelo menos uma vez por semana para melhorar a compreensão do surto e guiar ações futuras.

Para avaliar como nossas previsões funcionaram, selecionamos datas-chave ao longo do surto para avaliar previsões de curto prazo. Usamos três métricas para medir a precisão das nossas previsões. A primeira métrica observou quão próximas os valores previstos estavam dos casos realmente relatados. Um escore de erro mais baixo indicava melhor precisão. Também examinamos estimativas pontuais e a cobertura de nossas previsões para ver quão bem elas se alinhavam com o que realmente aconteceu.

#Desafios na Previsão

Apesar dos esforços para coletar dados precisos, houve desafios com os relatórios. As agências de saúde eram obrigadas a reportar casos, mas os dados enviados tendiam a ser mínimos. Com o tempo, isso levou a inconsistências nos dados recebidos. Atualizações nos requisitos de relatório também aumentaram a complexidade. Isso dificultou a realização de análises detalhadas, especialmente porque muitos detalhes demográficos estavam faltando.

A submissão de dados variou entre diferentes jurisdições de saúde. Algumas relataram novos casos rapidamente, enquanto outras enviaram atualizações em massa, levando a picos artificiais nos dados relatados. Essa inconsistência nos obrigou a monitorar de perto a saída de nossos modelos e fazer ajustes conforme necessário.

Em julho de 2022, enfrentamos atrasos nos relatórios que impactaram a precisão dos nossos dados. Durante esse período, algumas jurisdições relataram mais casos publicamente do que haviam sido submetidos ao CDC. Tivemos que ajustar nossos métodos para criar uma nova data de relatório que refletisse melhor quando os casos foram diagnosticados. Isso envolveu priorizar certas datas para melhorar como visualizávamos a progressão do surto.

#Sucessos na Previsão

Apesar dos desafios, encontramos sucessos em usar dados disponíveis publicamente para complementar nossas análises. Isso envolveu extrair dados de sites de departamentos de saúde locais, ajudando a fornecer melhor contexto para o surto em regiões específicas.

Ao refinar nossos métodos de relatório, criamos um novo sistema que priorizava certas datas para melhorar nossas estimativas. Com essas entradas aprimoradas, conseguimos atualizar nossas estimativas de parâmetros-chave como o tempo que pode levar para os sintomas aparecerem.

Também adaptamos a apresentação de nossas descobertas para atender diferentes públicos. Para relatórios científicos e técnicos, fornecemos informações detalhadas, mas para o público, simplificamos a visualização de dados para facilitar a compreensão.

#Avaliando o Desempenho

Avaliar o desempenho dos nossos métodos de previsão em comparação com outras abordagens estatísticas foi importante. Embora um método tenha mostrado leves vantagens nas fases iniciais, no geral, nosso método principal superou as alternativas durante as fases posteriores do surto. Encontramos algumas discrepâncias nos pontos em que previmos casos, especialmente em torno do pico do surto.

Nossos resultados gerais mostram que as estimativas do nosso modelo previram contagens de casos de forma razoável, embora houvesse momentos em que não corresponderam perfeitamente à realidade. Isso se deveu frequentemente a mudanças na definição das datas de relatório, o que complicou nossa análise.

Ao realizar análises em nível sub-regional, conseguimos identificar diferenças em como a epidemia se desenrolou em diferentes áreas. Variações na composição populacional e nas atividades de saúde pública provavelmente contribuíram para essas diferenças. No entanto, essa abordagem também destacou os desafios de considerar dados enviados em massa e movimentos entre jurisdições.

#Recomendações para Coleta de Dados Futura

Para garantir que previsões futuras sejam o mais precisas possível, é crucial focar na melhoria da qualidade dos dados. Os dados de vigilância subjacentes precisam ser oportunos e completos para uma previsão eficaz. Ao longo do surto de mpox, a velocidade e a qualidade da coleta de dados mostraram sinais de melhoria. Manter linhas de comunicação abertas com as agências de saúde sobre os dados necessários pode aprimorar ainda mais essa qualidade.

As ferramentas de previsão que usamos revelaram algumas limitações, especialmente em sua facilidade de uso e no tempo necessário para análises. Versões futuras devem incluir melhor documentação e, possivelmente, uma interface amigável para facilitar a navegação e análise. Isso ajudaria mais pessoas a usar os métodos de previsão disponíveis de forma eficaz.

A eficiência computacional também é uma preocupação. Conseguimos usar múltiplos núcleos de processamento para acelerar nossas análises, mas realizar análises repetidas pode se tornar complicado. Explorar computação em nuvem pode levar a tempos de processamento mais rápidos e consistentes.

Além disso, nossos métodos não levaram em conta a subnotificação de casos, o que poderia impactar a percepção da gravidade do surto. Entender melhor o número real de casos durante um surto exigiria mais pesquisas e metodologias.

#Estratégias para Previsão de Futuros Surtos

Para surtos futuros, desenvolver estratégias aprimoradas para coleta e armazenamento de dados é crítico. Rastrear instantâneas históricas de dados pode ajudar em análises sistemáticas e melhorar a compreensão geral da situação durante momentos-chave do surto.

Usar modelos de conjunto-combinando previsões de várias abordagens de modelagem-tem se mostrado eficaz em outros surtos de doenças. Em situações futuras, podemos implementar pelo menos duas ferramentas de previsão mais simples para comparar suas previsões e melhorar a precisão.

Uma melhoria que beneficiaria métodos de previsão futuros seria permitir mais flexibilidade na manipulação de datas faltantes para casos. Modelos atuais frequentemente lutam com informações incompletas, mas novas abordagens poderiam usar modelagem hierárquica para lidar melhor com a distribuição das datas disponíveis.

A comunicação eficaz continua sendo vital durante surtos. Relatórios sobre o status do surto, resultados de modelagem e mudanças relevantes são cruciais para guiar as autoridades de saúde pública e garantir que os recursos sejam alocados de maneira eficiente.

Em resumo, previsão e monitoramento em tempo real são essenciais para avaliar a eficácia das medidas de saúde pública. Garantir dados precisos e oportunos é uma prioridade para melhorar os esforços futuros. Simplificar processos de modelagem e aprimorar as experiências dos usuários facilitará uma melhor tomada de decisão em surtos futuros, ajudando, em última análise, a proteger a saúde pública.