Comparação entre cenários

Última revisão em 19 de maio, 2020 (15:38, Horário de Brasília)

O que os modelos nos contam do passado e do futuro da epidemia? Confira projeções de médio prazo para a epidemia de Covid-19 no Município de São Paulo.


Selecione uma análise >
Reuse · Contribua

Analisando o passado

As medidas tomadas até agora surtiram algum efeito?

As simulações de curvas epidêmicas, isto é, gráficos do número de infectados ativos em cada dia, que são apresentadas nas figuras ao lado, ilustram o importante efeito das medidas de distanciamento social implementadas até agora: o pico de infectados, em um cenário sem quaisquer medidas de distanciamento adotadas, poderia já ter ocorrido no início de abril e contado com milhões de casos (cenário (a)), mas devido às medidas de mitigação já tomadas, esse pico foi adiado e achatado.

Estima-se que o número real de infectados no começo de abril foi, ao menos, 10 vezes menor, se comparado ao pico que teria sido observado no cenário hipotético de evolução descontrolada da doença.

Analisando possíveis futuros

O que podemos esperar daqui para frente?

Se expandirmos os resultados da simulação para os próximos meses, podemos ter uma idéia da importância das medidas de distanciamento social a médio prazo.

Abaixo comparamos cenários em que, a partir de 31 de maio de 2020, (b) as medidas atuais são completamente descontinuadas e (c) as medidas atuais são mantidas indefinidamente com cobertura contínua e consistente com a do início das recomendações de distanciamento no município.

Nota-se que o pico de infectados, que poderia ter ocorrido no início de abril e contado com milhões de casos (cenário (a)), foi adiado e achatado (cenários (b) e (c), que aparecem sobrepostos nas figuras até 31 de maio).

Note-se, no entanto, que se abandonássemos as atuais medidas de mitigação no dia 31 de maio, a epidemia voltaria a se expandir formando um novo pico ao final do mês de maio, com um número de mortes quase tão alto quanto ao do cenário de expansão descontrolada da doença. Assim, o esforço feito até então seria em grande parte perdido.

Já no caso de manutenção de medidas (cenário (c)), a curva epidêmica se manteria com pico estimado para o final de maio e o achatamento evidente implicaria em cerca de 10 vezes menos infectados e mortos.

Casos hospitalizados

Qual o impacto que esperamos no sistema hospitalar?

Aqui apresentamos uma comparação entre casos hospitalizados em leitos comuns (à esquerda) e casos hospitalizados em unidades de tratamento intensivo (UTI) (à direita) nos cenários em que (a) nenhuma medida de distanciamento social tivesse sido aplicada; (b) as medidas e aderências nos níveis atuais fossem mantidas apenas até 31 de maio e (c) as medidas atuais fossem mantidas indefinidamente, com níveis de adesão iguais aos do início do distanciamento social. As linhas horizontais tracejadas indicam a capacidade aproximada do sistema de saúde municipal para cada tipo de leito, baseada em dados do Cadastro Nacional de Estabelecimentos de Saúde (CNES) de fevereiro de 2020 [4].

Note que o cenário (c) é o único entre os três cenários estudados que não prevê um colapso iminente do sistema de saúde, dado que o número de hospitalizações em leitos comuns e unidades de tratamento intensivo (UTI) ficariam em valores inferiores ao limite máximo comportado pelo município de São Paulo.

Ressaltamos ainda que os limiares representados nos gráficos devem ser apenas tomados como escala, pois estimam o total de leitos no município em fevereiro de 2020 e não o total atual disponível para tratamento de casos COVID-19. Como outras doenças requerem os mesmos leitos, poderíamos já estar em um nível de ocupação que baixasse muito este limiar. Por outro lado o número de leitos pode ter variado, podendo inclusive ter crescido, desde o início da epidemia. No entanto, dados atualizados de número e ocupação de leitos no município não estão publicamente disponíveis, dificultando uma análise mais assertiva.

Sobre

Sobre o modelo

As previsões de médio prazo apresentadas aqui são feitas utilizando-se um modelo matemático de compartimentos que simula as características epidemiológicas da COVID-19, desenvolvido em colaboração com o Covid-19 International Modelling Consortium.

Cada compartimento populacional representa uma classe de pessoas (suscetíveis, expostas, infectadas e recuperadas, conforme imagem abaixo) e é estruturado por faixas etárias em intervalos de 5 anos.

Para parametrizar e ajustar o modelo, nos baseamos em estudos clínicos internacionais sobre o espectro de apresentação clínica da doença, matrizes de contato estimadas para o Brasil [2], dados demográficos municipais do IBGE [4] e incidência e número de óbitos de SRAG e COVID-19 em residentes de São Paulo, corrigidos pela técnica de correção de atrasos (nowcasting) apresentada na página São Paulo.

Covid-19 International Modelling Consortium (CoMo)

O CoMo é um consórcio internacional de modelagem criado pela Prof. Lisa White (Universidade de Oxford) visando utilizar modelagem matemática para contribuir no planejamento de políticas públicas de combate à pandemia de COVID-19. Dezenas de cientistas de diversas nacionalidades constituem subgrupos do CoMo, cada qual adequando a modelagem ao seu contexto específico regional.

O grupo brasileiro adaptou estrutura e parâmetros da modelagem à realidade paulistana, visto que é o local com maior concentração de casos e maior disponibilidade de dados atualmente, devido à nossa colaboração com o GT COVID-19 Sampa.

Sobre os dados no município de São Paulo

O Observatório Covid-19 BR participa do Grupo Técnico de Assessoramento em Epidemiologia e Modelagem Matemática COVID19 (GT COVID-19 Sampa) da Secretaria de Saúde do Município de São Paulo. Este grupo analisa as bases de dados oficiais para o município, para subsidiar tomada de decisão.

Referências
  1. CoMo Consortium, the COVID-19 pandemic modelling in context. Website of the Center for Tropical Medicine and Global Health, Nuffield Department of Medicine, University of Oxford.
  2. Prem, K.; Cook, A. R.; Jit, M.. Projecting social contact matrices in 152 countries using contact surveys and demographic data. PLoS Comput Biol 13(9): e1005697. 2017.
  3. Projeções da População do Brasil e Unidades da Federação por sexo e idade: 2010-2060, IBGE. Dados de 2020 e 2018.
  4. Banco de dados do Cadastro Nacional de Estabelecimentos de Saúde (CNES) em "Recursos Físicos" do TABNET. Dados de fevereiro de 2020.
  5. Tabela 2679: Nascidos vivos, por ano de nascimento, idade da mãe na ocasião do parto, sexo e lugar do registro, IBGE. Dados de 2018.
  6. Tábua completa de mortalidade para o Brasil - 2018, IBGE. Dados de 2018.
  7. Tapiwa Ganyani, Cecile Kremer, Dongxuan Chen, Andrea Torneri, Christel Faes, Jacco Wallinga, Niel Hens. Estimating the generation interval for COVID-19 based on symptom onset data. medRxiv 2020.03.05.20031815
  8. The Incubation Period of COVID-19 From Publicly Reported Confirmed Cases.
  9. Roman Woelfel, Victor Max Corman, Wolfgang Guggemos, Michael Seilmaier, Sabine Zange, Marcel A Mueller, Daniela Niemeyer, Patrick Vollmar, Camilla Rothe, Michael Hoelscher, Tobias Bleicker, Sebastian Bruenink, Julia Schneider, Rosina Ehmann, Katrin Zwirglmaier, Christian Drosten, Clemens Wendtner. Clinical presentation and virological assessment of hospitalized cases of coronavirus disease 2019 in a travel-associated transmission cluster. medRxiv 2020.03.05.20030502
  10. Linton, N.M.; Kobayashi, T.; Yang, Y.; Hayashi, K.; Akhmetzhanov, A.R.; Jung, S.-M.; Yuan, B.; Kinoshita, R.; Nishiura, H. Incubation Period and Other Epidemiological Characteristics of 2019 Novel Coronavirus Infections with Right Truncation: A Statistical Analysis of Publicly Available Case Data. J. Clin. Med. 2020, 9, 538.
  11. Steven Sanche, Yen Ting Lin, Chonggang Xu, Ethan Romero-Severson, Nick Hengartner, Ruian Ke. The Novel Coronavirus, 2019-nCoV, is Highly Contagious and More Infectious Than Initially Estimated. medRxiv 2020.02.07.20021154
  12. Google COVID-19 Community Mobility Report. Dados de março de 2020.