Ferramenta de USP e Unesp tenta prever curva de infectados e mortos por Covid-19

Pesquisadores da USP e da Unesp desenvolveram uma ferramenta para projetar o número de infecções, óbitos e pacientes recuperados da Covid-19 em São Paulo. A partir dos dados fornecidos pelas prefeituras, analisados por modelos matemáticos e técnicas de inteligência artificial, os professores conseguem antever o comportamento da doença em cada uma das 22 sub-regiões do Estado no período de sete a dez dias com 95% de acerto.

De acordo com a atualização dessa última segunda-feira (24), as previsões do número efetivo de reprodução e de novos casos ativos apontam que Araçatuba, Grande SP, Sudeste e Norte (subdivisões da Grande São Paulo), São João da Boa Vista, Registro e Piracicaba são regiões com “provável controle da transmissão”.

Por outro lado, Barretos, Franca, Grande SP Leste (Suzano, Santa Isabel, Poá, Mogi, Itaquá, Guarulhos, Ferraz de Vasconcelos, Arujá) e Sudoeste (Vargem Grande Paulista, Taboão, Itapecerica, Embu e Cotia) são regiões com “provável aumento no número de casos” nos próximos dias.

Disponível na internet para acesso público, a plataforma SP Covid Info Tracker reúne informações sobre 91 cidades que hoje correspondem a aproximadamente 92% do número de casos e de óbitos no Estado. É um universo de 35 milhões de pessoas. Para os governos, prever o comportamento da Covid significa estimar a demanda por leitos hospitalares e planejar a retomada das atividades econômicas, entre outras ações. Para a população, é a oportunidade de acompanhar o controle da pandemia em sua própria região, sem se descuidar das medidas de prevenção.

Para chegar a essas conclusões, os pesquisadores coletam diariamente as informações da pandemia junto às prefeituras com alto grau de detalhamento. O dado é coletado no mesmo dia de sua ocorrência, o que permite um monitoramento em “tempo real” do avanço do novo coronavírus. O estudo está alinhado à divisão do estado em sub-regiões feita pela Secretaria Estadual da Saúde.

Para projetar o comportamento da doença, o primeiro passo é a análise do histórico da doença nos últimos 60 dias em cada município. É uma forma de “treinar” o modelo matemático, baseado na modelagem SIR (Suscetível-Infectado-Recuperado) e bastante utilizado na análise da dinâmica de epidemias.

Com a inteligência artificial, os pesquisadores apontam as tendências para os próximos dias das curvas de infecções, óbitos e recuperações. O “pulo do gato” da pesquisa é a variação dos parâmetros no modelo epidemiológico de acordo com os dados de cada região. A inteligência artificial permite descobrir quais parâmetros modelam melhor cada localidade. Parâmetros como a taxa de infecção, por exemplo, diferem das cidades que vivem alta de casos em relação aos locais que controlaram a pandemia.

“A inteligência artificial busca uma análise dos padrões a partir dos próprios dados que alimentam a ferramenta”, explica Wallace Casaca, pesquisador do Centro de Ciências Matemáticas Aplicadas à Indústria da USP São Carlos e responsável pela coleta de dados na pesquisa.

Projeções curtas

As previsões, no entanto, devem ser assertivas. Quando delimitam um período de sete a dez dias para a predição, os estudiosos garantem um índice de 5% de erros, número baixo de acordo com a literatura científica. Previsões mais longas significam queda no percentual de acertos.

“Estamos medindo aceleração ou desaceleração do número de casos. Com dados atuais e projeções curtas, é possível ser mais assertivo nos resultados”, explica Cássio Oishi, professor da Unesp em Presidente Prudente e responsável pelas projeções da plataforma.

Fonte: Agencia Brasil