Inferência de Parâmetros em um Modelo Epidemiológico em Rede para Simulação da Propagação da Dengue em Contexto Intramunicipal
Resumo
A modelagem em redes da propagação de doenças permite compreender padrões espaço-temporais de disseminação e apoiar estratégias de vigilância epidemiológica. Um desafio recorrente neste tipo de modelagem é estimar a probabilidade de espalhamento da infecção de um nó para outro da rede. Para tanto, propomos uma abordagem baseada no Modelo de Infecção Inversa Generalizado (GIIM) aplicada a dados reais heterogêneos, integrando atributos estruturais (fluxo potencial de pessoas se movimentando entre regiões), epidemiológicos (incidência local) e ambientais (variáveis climáticas) em um grafo dirigido representando as vias principais de ligação entre regiões. A probabilidade de transmissão entre regiões é modelada por meio de uma função logística parametrizada sobre esses atributos, com coeficientes estimados por meio de Algoritmos Genéticos visando predizer o momento de início de surtos locais. O processo inclui simulações estocásticas via modelo Suscetível-Infectado (SI) e avaliação pelo método de Monte Carlo. A contribuição do artigo reside na adaptação e emprego de um arcabouço reprodutível para calibração de modelos epidemiológicos em uma rede real de escala intramunicipal, combinando integração de dados heterogêneos, otimização evolutiva e avaliação quantitativa rigorosa, com potencial aplicação em sistemas de apoio à decisão em saúde pública. Os resultados obtidos indicam elevada capacidade preditiva do modelo na identificação do início de surtos locais e sugerem que fatores epidemiológicos e ambientais exercem influência mais significativa na propagação da dengue do que os fluxos potenciais de mobilidade entre regiões.
Referências
Bomfim, R., Pei, S., Shaman, J., Yamana, T., Makse, H. A., Andrade, J. S., Lima Neto, A. S., and Furtado, V. (2020). Predicting dengue outbreaks at neighbourhood level using human mobility in urban areas. Journal of the Royal Society Interface, 17(171).
Bóta, A. and Gardner, L. (2023). A generalized framework for the estimation of edge infection probabilities. Algorithms, 16(8):390.
Bóta, A., Holmberg, M., Gardner, L., and Rosvall, M. (2021). Socioeconomic and environmental patterns behind H1N1 spreading in Sweden. Scientific Reports, 11(1):22512.
Brasil, I. (2023). Censo demográfico 2022. Dados nacionais. Fundaçao Instituto Brasileiro de Geografia e Estatıstica. Brasil.
Brockmann, D. and Helbing, D. (2013). The hidden geometry of complex, network-driven contagion phenomena. science, 342(6164):1337–1342.
Capoani, L. (2023). Review of the gravity model: origins and critical analysis of its theoretical development. SN Business & Economics, 3(5):95.
Chen, X. and Moraga, P. (2025). Dengue forecasting and outbreak detection in Brazil using LSTM: integrating human mobility and climate factors. Infectious Disease Modelling.
Gad, A. F. (2024). Pygad: An intuitive genetic algorithm python library. Multimedia tools and applications, 83(20):58029–58042.
Gardner, L. M., Bota, A., Gangavarapu, K., Kraemer, M. U., and Grubaugh, N. D. (2018). Inferring the risk factors behind the geographical spread and transmission of zika in the Americas. PLoS neglected tropical diseases, 12(1):e0006194.
Hong, I. and Jung, W.-S. (2016). Application of gravity model on the korean urban bus network. Physica A: Statistical Mechanics and its Applications, 462:48–55.
Kiang, M. V., Santillana, M., Chen, J. T., Onnela, J.-P., Krieger, N., Engø-Monsen, K., Ekapirat, N., Areechokchai, D., Prempree, P., Maude, R. J., et al. (2021). Incorporating human mobility data improves forecasts of dengue fever in Thailand. Scientific reports, 11(1):923.
Leandro, A. S., Chiba de Castro, W. A., Garey, M. V., and Maciel-de Freitas, R. (2024). Spatial analysis of dengue transmission in an endemic city in Brazil reveals high spatial structuring on local dengue transmission dynamics. Scientific reports, 14(1):8930.
Liu, K., Zhang, M., Xi, G., Deng, A., Song, T., Liid, Q., Kang, M., and Yin, L. (2020). Enhancing fine-grained intra-urban dengue forecasting by integrating spatial interactions of human movements between urban regions. PLoS Neglected Tropical Diseases, 14(12):1–22.
Reyna-Lara, A., Soriano-Paños, D., Arias-Castro, J. H., Martínez, H. J., and Gómez-Gardeñes, J. (2022). A metapopulation approach to identify targets for Wolbachia-based dengue control. Chaos, 32(4).
Sood, S. K., Sood, V., Mahajan, I., and Sahil (2023). An intelligent healthcare system for predicting and preventing dengue virus infection. Computing, 105(3):617–655.
Xavier, L. L., Honório, N. A., Pessanha, J. F. M., and Peiter, P. C. (2021). Analysis of climate factors and dengue incidence in the metropolitan region of Rio de Janeiro, Brazil. Plos one, 16(5):e0251403.
