Identificação de sistemas dinâmicos não lineares estocásticos para modelagem de epidemias.

Autor(es)

Carlos Augusto Prete Junior

• Tipo de documento: Tese de Doutorado
• Imprenta: São Paulo.
• Instituição: Universidade de São Paulo (USP). Escola Politécnica (EP/BC)
• Data de defesa: 2024-07-31

Membros da banca

Vitor Heloiz Nascimento; Marcelo Gomes da Silva Bruno; Rodrigo Malavazi Corder; Wesley Francis Costa Cota; Sergio Muniz Oliva Filho

• Orientador: Vitor Heloiz Nascimento; Ester Cerdeira Sabino

Resumo

Algoritmos de aprendizado de modelos não-lineares têm recebido muita atenção nos últimos anos, especialmente devido ao sucesso de redes neurais profundas em diversas aplicações de reconhecimento de padrões e pela ampla utilização de modelos Bayesianos na modelagem de epidemias de SARS-CoV-2. A inferência em tempo real de parâmetros epidemiológicos como soroprevalência e número de reprodução efetivo é fundamental para o monitoramento de epidemias emergentes e predição das trajetórias futuras de epidemias. Neste trabalho, técnicas de processamento de sinais são aplicadas para modelagem e identificação de sistemas estocásticos não-lineares que representam mecanismos de propagação de doenças infecciosas. Sao apresentadas metodologias para estimar a taxa de ataque e métricas de severidade utilizando testes sorológicos imperfeitos levando em consideração o decaimento do nível de anticorpos. Estas abordagens foram aplicadas na análise da epidemia de SARS-CoV-2 em oito capitais brasileiras utilizando doadores de sangue. Também foram desenvolvidos métodos para estimar a taxa de reinfecção, a proteção contra reinfecção conferida por infecção prévia e limiares para a taxa de ataque. Aplicando estas técnicas na segunda onda de SARS-CoV-2 de Manaus, dominada pela variante Gamma, conclui-se que reinfecções foram comuns e que a variante Gamma tem maior severidade intrínseca comparada `as linhagens circulando previamente em Manaus. Derivou-se um método para estimar o número de reprodução efetivo local (por exemplo, desagregado por linhagem) utilizando intervalos de geração locais, melhorando também a estimativa global. Além disso, desenvolveu-se um modelo Bayesiano para estimar conjuntamente o número de reprodução efetivo e o intervalo de geração, eliminando a necessidade de um conhecimento a priori do intervalo de geração local. Finalmente, foi introduzido um modelo mecanístico para estimar a distribuição do intervalo serial com um número limitado de amostras, inferindo-a para o SARS-CoV-2 no Brasil. Além disso, mostrou-se que a distribuição dos intervalos de geração e incubação pode ser recuperada a partir da distribuição exata do intervalo serial, e foram propostos modelos Bayesianos para inferir estas quantidades a partir de amostras do intervalo serial. (AU)

• Processo FAPESP: 19/21858-0 - Modelos bayesianos para estimação da taxa de ataque de epidemias
• Beneficiário: Carlos Augusto Prete Junior
• Modalidade de apoio: Bolsas no Brasil - Doutorado