Views: 32
– Um estudo de como 98 milhões de americanos se movimentam a cada dia sugere que a maioria das infecções ocorre em locais “superespalhadores” que colocam as pessoas em contato por longos períodos e detalha como os padrões de mobilidade ajudam a impulsionar as taxas de infecção mais altas entre as populações de minorias e de baixa renda.
Cortesia de Stanford por Tom Abate: Uma equipe de pesquisadores criou um modelo de computador que previu com precisão a propagação de infecções por Covid-19 em 10 grandes cidades nesta primavera, analisando três fatores que impulsionam o risco de infecção: para onde as pessoas vão no decorrer do dia, como quanto tempo eles demoram e quantas outras pessoas estão visitando o mesmo lugar ao mesmo tempo.
“Construímos um modelo de computador para analisar como pessoas de diferentes origens demográficas e de diferentes bairros visitam diferentes tipos de lugares que estão mais ou menos lotados. Com base em tudo isso, podemos prever a probabilidade de novas infecções ocorrerem em qualquer lugar ou hora ”, disse Jure Leskovec, o cientista da computação de Stanford que liderou o esforço, que envolveu pesquisadores da Northwestern University.
O estudo, publicado hoje na revista Nature, mescla dados demográficos, estimativas epidemiológicas e informações anônimas de localização de celulares, e parece confirmar que a maioria das transmissões COVID-19 ocorrem em sites “superespalhados”, como restaurantes com serviço completo, academias de ginástica e cafés, onde as pessoas permanecem fechadas por longos períodos.
Os pesquisadores afirmam que a especificidade de seu modelo pode servir como uma ferramenta para que os funcionários ajudem a minimizar a propagação de infecções por COVID-19 à medida que reabrem empresas, revelando as compensações entre novas infecções e vendas perdidas se os estabelecimentos abrirem, digamos, em 20% ou 50% de capacidade.
O coautor do estudo David Grusky, professor de sociologia da Escola de Humanidades e Ciências de Stanford, disse que essa capacidade preditiva é particularmente valiosa porque fornece novos insights úteis sobre os fatores por trás das taxas desproporcionais de infecção de minorias e pessoas de baixa renda.
“No passado, presumia-se que essas disparidades eram causadas por condições preexistentes e acesso desigual aos cuidados de saúde, enquanto nosso modelo sugere que os padrões de mobilidade também ajudam a impulsionar esses riscos desproporcionais”, disse ele.
Grusky, que também dirige o Centro de Stanford sobre Pobreza e Desigualdade, disse que o modelo mostra como a reabertura de empresas com limites de ocupação mais baixos tende a beneficiar mais os grupos desfavorecidos.
“Como os locais que empregam minorias e pessoas de baixa renda costumam ser menores e mais lotados, os limites de ocupação em lojas reabertas podem reduzir os riscos que enfrentam”, disse Grusky. “Temos a responsabilidade de construir planos de reabertura que eliminem – ou pelo menos reduzam – as disparidades que as práticas atuais estão criando.”
Leskovec disse que o modelo “oferece a evidência mais forte até agora” de que as políticas de permanência em casa promulgadas nesta primavera reduziram o número de viagens fora de casa e diminuíram a taxa de novas infecções.
Um novo modelo de computador prevê as infecções de COVID-19 contra a compensação de atividade para Chicago. De acordo com a figura, as infecções por COVID-19 aumentarão à medida que o número de visitas a empresas e locais públicos se aproxima dos níveis pré-pandêmicos. No entanto, restringir a ocupação máxima pode atingir um equilíbrio efetivo; por exemplo, um limite de ocupação de 20 por cento ainda permitiria 60 por cento das visitas pré-pandemia enquanto arriscava apenas 18 por cento das infecções que ocorreriam se os locais públicos fossem totalmente reabertos. (Crédito da imagem: Serina Yongchen Chang)
Seguindo passos
O estudo rastreou os movimentos de 98 milhões de americanos em 10 das maiores áreas metropolitanas do país por meio de meio milhão de estabelecimentos diferentes, de restaurantes e academias de ginástica a lojas de animais e concessionárias de carros novos.
A equipe incluiu os alunos de PhD de Stanford, Serina Chang, Pang Wei Koh e Emma Pierson, que se formaram neste verão, e os pesquisadores da Northwestern University Jaline Gerardin e Beth Redbird, que reuniram dados de estudo para as 10 áreas metropolitanas. Em ordem populacional, essas cidades incluem: Nova York, Los Angeles, Chicago, Dallas, Washington, D.C., Houston, Atlanta, Miami, Filadélfia e São Francisco.
A SafeGraph, uma empresa que agrega dados de localização anônimos de aplicativos móveis, forneceu aos pesquisadores dados que mostram quais dos 553.000 locais públicos, como lojas de ferragens e estabelecimentos religiosos, as pessoas visitam a cada dia; por quanto tempo; e, crucialmente, qual era a metragem quadrada de cada estabelecimento para que os pesquisadores pudessem determinar a densidade de ocupação por hora.
Os pesquisadores analisaram os dados de 8 de março a 9 de maio em duas fases distintas. Na fase um, eles alimentaram seu modelo de dados de mobilidade e projetaram seu sistema para calcular uma variável epidemiológica crucial: a taxa de transmissão do vírus sob uma variedade de circunstâncias diferentes nas 10 áreas metropolitanas.
Na vida real, é impossível saber com antecedência quando e onde uma pessoa infecciosa e suscetível entra em contato para criar uma potencial nova infecção. Mas em seu modelo, os pesquisadores desenvolveram e refinaram uma série de equações para calcular a probabilidade de eventos infecciosos em diferentes lugares e horários.
As equações foram capazes de resolver as variáveis desconhecidas porque os pesquisadores alimentaram o computador com um fato conhecido importante: quantas infecções COVID-19 foram relatadas aos funcionários de saúde em cada cidade a cada dia.
Os pesquisadores refinaram o modelo até conseguir determinar a taxa de transmissão do vírus em cada cidade. A taxa variava de cidade para cidade dependendo de fatores que vão desde a frequência com que as pessoas se aventuravam fora de casa até os tipos de locais que visitavam.
Depois que os pesquisadores obtiveram as taxas de transmissão para as 10 áreas metropolitanas, eles testaram o modelo durante a fase dois, pedindo-lhe para multiplicar a taxa de cada cidade em relação ao seu banco de dados de padrões de mobilidade para prever novas infecções por COVID-19. As previsões acompanharam de perto os relatórios reais das autoridades de saúde, dando aos pesquisadores confiança na confiabilidade do modelo.
Prevendo infecções
Combinando seu modelo com dados demográficos disponíveis em um banco de dados de 57.000 grupos de blocos do censo – bairros de 600 a 3.000 pessoas – os pesquisadores mostram como as pessoas de minorias e de baixa renda saem de casa com mais frequência porque seus empregos exigem, e compram em lojas menores, mais estabelecimentos lotados do que pessoas com rendas mais altas, que podem trabalhar em casa, usam a entrega em domicílio para evitar compras e patrocinar negócios mais amplos quando saem de casa.
Por exemplo, o estudo revelou que é quase duas vezes mais arriscado para as populações não brancas comprar mantimentos em comparação com os brancos. “Ao combinar conjuntos de dados de mobilidade, demográficos e epidemiológicos, pudemos usar nosso modelo para analisar a eficácia e a equidade de diferentes políticas de reabertura”, disse Chang.
A equipe tornou suas ferramentas e dados disponíveis publicamente para que outros pesquisadores possam replicar e desenvolver as descobertas.
“Em princípio, qualquer pessoa pode usar este modelo para compreender as consequências de diferentes decisões de política de fechamento de empresa e estadia em casa”, disse Leskovec, cuja equipe agora está trabalhando para desenvolver o modelo em uma ferramenta amigável para legisladores e saúde pública funcionários.
Jure Leskovec é professor associado de ciência da computação na Stanford Engineering, membro do Stanford Bio-X e do Wu Tsai Neurosciences Institute. David Grusky é Professor Edward Ames Edmonds na Escola de Humanidades e Ciências, e membro sênior do Instituto de Pesquisa de Política Econômica de Stanford (SIEPR).
Esta pesquisa foi apoiada pela National Science Foundation, a Stanford Data Science Initiative, o Wu Tsai Neurosciences Institute e o Chan Zuckerberg Biohub.
Artigo relacionado: Pandemia na Itália – COVID-19 – Experiência e recomendações