Epidemiologia Matem´
atica e Computacional
Guilherme Galante
26 de fevereiro de 2008
Sum´
ario
1 Introdu¸c˜ao 2
2 Modelos Compartimentais 4
2.1 Modelos elementares . . . 5
3 O processo de transmiss˜ao 7 4 Abordagens Matem´aticas e Computacionais na Modelagem de Epidemias 9 4.1 Baseado em Equa¸c˜oes . . . 9
4.2 Autˆomatos Celulares . . . 10
4.3 Modelos Baseados em Agentes . . . 11
4.4 Redes Complexas . . . 12
4.4.1 Redes de Mundo Pequeno . . . 12
4.4.2 Redes de Escala Livre . . . 12
5 Redes de Escala Livre 14 5.1 Constru¸c˜ao de Redes de Escala Livre . . . 14 6 Implementa¸c˜ao e Resultados 16
Cap´ıtulo 1
Introdu¸
c˜
ao
Epidemiologia ´e uma ciˆencia que estuda quantativamente a distribui¸c˜ao dos fenˆomenos de sa´ude-doen¸ca, e seus fatores condicionantes, nas popula¸c˜oes humanas. Alguns autores tamb´em incluem na defini¸c˜ao que a epidemiologia permite ainda a avalia¸c˜ao da efic´acia das interven¸c˜oes realizadas no ˆambito da sa´ude p´ublica [15].
A pesquisa epidemiol´ogica ´e respons´avel pela produ¸c˜ao do conhecimento sobre o pro-cesso sa´ude-doen¸ca por meio de estudos de freq¨uˆencia e distribui¸c˜ao das doen¸cas na pop-ula¸c˜ao humana com a identifica¸c˜ao de seus fatores determinantes.Do ponto de vista indi-vidual, o percurso de uma doen¸ca ´e descrito pelo que se passa entre o momento em que o indiv´ıduo come¸ca a ter sintomas da doen¸ca e o momento em que estes acabam. Do ponto de vista epidemiol´ogico, por´em, ´e muito mais importante a distribui¸c˜ao no tempo e no espa¸co dos contactos infecciosos tidos pelo indiv´ıduo infectado com outros indiv´ıduos e a forma como isso se repercute na propaga¸c˜ao da infec¸c˜ao pela popula¸c˜ao [6].
Embora ao nivel individual a sintomatologia, patologia e os mecanismos de transmis-s˜ao da maioria das doen¸cas infecciosas estejam razo´avelmente compreendidos, existem um n´umero muito grande de fatores supra-indiv´ıduo que complicam a investiga¸c˜ao. Entre estes fatores incluem-se a biologia do agente infeccioso (ciclo de vida, taxas de reprodu¸c˜ao e de mortalidade), as caracter´ısticas populacionais do hospedeiro (natalidade e mortalidade, taxas de contato entre indiv´ıduos, grau de imunidade dos indiv´ıduos, sex ratio, aspec-tos comportamentais etc.) e as caracter´ısticas da doen¸ca em si (forma de transmiss˜ao, dependˆencia relativamente a factores clim´aticos, etc.).
Devido a relevˆancia deste assunto, v´arios pesquisadores vˆem desenvolvendo modelos matem´aticos que possam contribuir para a compreens˜ao e erradica¸c˜ao de doen¸cas infec-ciosas. Esta ´area denominada epidemiologia matem´atica vem se fortalecendo nos ´ultimos tempos e o interesse em modelar doen¸cas infecciosas tem sido objeto de estudos de in´umeros trabalhos em todo o mundo [7].
Os primeiros desenvolvimentos em Epidemiologia Matem´atica parecem ter sido realiza-dos por Daniel Bernoulli na ´ultima metade do s´eculo XVIII. No entanto, somente a partir da segunda metade do s´eculo XIX, com o avan¸co do conhecimento m´edico sobre as causas das doen¸cas infecciosas, ocorreu o desenvolvimento de teorias matem´aticas para fenˆomenos
Em uma publica¸c˜ao de 1906, W. H. Hamer postulou que o desenvolvimento de uma epidemia depende da taxa de contato entre indiv´ıduos suscet´ıveis e infecciosos. Este pos-tulado, hoje conhecido como o princ´ıpio de a¸c˜ao das massas, tornou-se o mais importante conceito da epidemiologia matem´atica. Este conceito ´e traduzido pela id´eia de que a dis-semina¸c˜ao da epidemia em uma popula¸c˜ao ´e proporcional ao produto da densidade de indiv´ıduos suscet´ıveis pela densidade de indiv´ıduos infecciosos. O princ´ıpio de Hamer foi originalmente formulado atrav´es de um modelo de tempo discreto, mas, em 1908, Sir Ronald Ross (que descobriu que a mal´aria ´e transmitida por mosquitos) o generalizou para tempo cont´ınuo, em seus trabalhos sobre a dinˆamica da mal´aria.
Em 1927, W. O. Kermack e A. G. McKendrick estenderam a teoria com o princ´ıpio do limiar, estabelecendo que a introdu¸c˜ao de indiv´ıduos infecciosos em uma comunidade n˜ao pode levar a um surto epidˆemico a menos que a densidade de indiv´ıduos suscet´ıveis esteja acima de um certo valor cr´ıtico. Este princ´ıpio, em conjunto com o princ´ıpio de a¸c˜ao das massas, constitui a base da epidemiologia matem´atica moderna.
A partir destes estudos, uma grande variedade de modelos est´a sendo desenvolvido e aplicado a doen¸cas infecciosas. Os modelos atuais envolvem aspectos como imunidade passiva, imunidade parcial, est´agios de infec¸c˜ao, vetores de doen¸cas, estrutura social e et´aria, esquemas de vacina¸c˜ao entre outros. Exemplos de modelos desenvolvidos para doen¸cas como rub´eola, gripe avi´aria, difteria, var´ıola, mal´aria, dengue, herpes, s´ıfilis, AIDS entre outras s˜ao citados nas referˆencias deste trabalho [7, 8, 11, 13, 3].
Sob este escopo, objetiva-se estudar e desenvolver modelos computacionais epidemi-ol´ogicos que poder˜ao servir como ferramentas auxiliares em estudos de transmiss˜ao e con-trole de doen¸cas infecciosas, podendo auxiliar, por exemplo, na compreens˜ao de infec¸c˜oes com padr˜oes complexos de transmiss˜ao e na melhora do processo de vacina¸c˜ao.
Cap´ıtulo 2
Modelos Compartimentais
Um dos fundamentos de alguns modelos determin´ısticos ´e dividir a popula¸c˜ao em com-partimentos, que referem-se ao momento ou estado em que os indiv´ıduos se encontram no desenvolvimento da doen¸ca. De acordo com a literatura, compartimentos rotulados com as letras M, S, E, I e R s˜ao geralmente utilizados para as diferentes classes epidemiol´ogicas [1].
A classe M refere-se aos individuos com imunidade passiva. Esse tipo de imunidade acontece quando alguns anticorpos s˜ao transferidos pela m˜ae atrav´es da placenta, dessa forma, o rec´em-nascido possui imunidade tempor´aria a algum tipo de infec¸c˜ao. Ap´os o desaparecimento destes anticorpos, o indiv´ıduo ´e movido para a classe dos suscet´ıveis (S). Crian¸cas que nascem sem a presen¸ca de anticorpos automaticamente pertencem `a classe S. A classe S inclui todos os indiv´ıduos que podem contrair a infec¸c˜ao.
Um contato adequado1
entre um indiv´ıduo suscet´ıvel e um indiv´ıduo infectado faz com que o suscet´ıvel mova-se para a classe dos expostos (E). A classe E inclui os indiv´ıduos que est˜ao na fase de latˆencia, ou seja, j´a foram infectados pelo parasita mas que ainda n˜ao s˜ao capazes de o transmitir a outros indiv´ıduos. Ap´os o per´ıodo de latˆencia, o indiv´ıduo entra na classe dos infectados (I), na qual os indiv´ıduos s˜ao capazes de transmitir a doen¸ca a outros. Podem ter ou n˜ao sintomas de doen¸ca. Quando o per´ıodo infeccioso termina, o indiv´ıduo entra na classe dos recuperados (R). A classe R inclui todos os indiv´ıduos que se recuperaram da infec¸c˜ao e adquirem imunidade, mesmo que tempor´aria, `a doen¸ca. Pode-se modelar padr˜oes distintos de comportamentos de doen¸cas, baseados nas diferentes maneiras em que um indiv´ıduo flutua entre tais compartimentos.
Os n´umeros absolutos de indiv´ıduos pertencentes a cada uma destas categorias, s˜ao simbolizadas por: M = imunes passivos, S = suscept´ıveis, E = latentes, I = infecciosos, R = removidos. Admitindo que as cinco categorias cobrem de forma exaustiva todos os indiv´ıduos da popula¸c˜ao,
M+ S + E + I + R = N
1Designa-se por contato adequado um contacto em que a doen¸ca pode ser transmitida. O adjectivo
“adequado” serve portanto para distinguir entre contactos em que n˜ao possa haver cont´agio e os que permitem cont´agio.
sendo N o n´umero total de indiv´ıduos na popula¸c˜ao. As propor¸c˜oes de indiv´ıduos em cada categoria s˜ao representadas por letras min´usculas: s= S/N, e = E/N, i=I/N, r = R/N. A sua soma iguala a unidade:
m+ s + e + i + r = 1
2.1
Modelos elementares
Doen¸cas infecciosas de causadas por microparasitas podem ser separadas em dois grupos: • Grupo das doen¸cas que conferem imunidade ao infectado uma vez recuperado. A maioria das doen¸cas pertencentes a este grupo s˜ao de origem viral, como por exemplo o sarampo, a varicela entre outras.
• Grupo das doen¸cas em que o indiv´ıduo uma vez recuperado volta a ser suscet´ıvel. Normalmente essas doen¸ca s˜ao causadas por agentes bacterianos, como ´e o caso da peste, ou por protozo´arios, como ´e o caso da mal´aria.
Levando em conta os diversos estados relacionados com o processo infeccioso, os modelos epidemiol´ogicos se dividem em trˆes grandes grupos:
• SIS: Modelo Suscet´ıvel-Infectado-Suscet´ıvel, utilizado em casos em que a doen¸caa n˜ao confere imunidade, assim o indiv´ıduo pode passar de infectado para suscet´ıvel novamente. Um caso particular deste modelo ´e quando o indiv´ıduo infeccioso, uma vez infectado, nunca recupera-se da doen¸ca. Neste caso tem-se o modelo SI. Os mod-elos SIS s˜ao apropriados para v´arias doen¸cas causadas por agentes bacterianos, nas quais a recupera¸c˜ao n˜ao protege contra uma reinfec¸c˜ao, como a meningite meningoc´o-cica, a peste, muitas doen¸cas ven´ereas, e tamb´em por protozo´arios, como a mal´aria e a doen¸ca do sono.
• SIR: Modelo Suscet´ıvel-Infectado-Recuperado, relacionado com as doen¸cas em que os indiv´ıduos infecciosos podem recuperar-se e adquirir imunidade permanente. Doen¸cas infecciosas que ocorrem com maior freq¨uˆencia na infˆancia, como rub´eola, varicela, sarampo e caxumba s˜ao exemplos de doen¸cas que costumam ser modeladas atrav´es de modelos SIR.
• SIRS: Modelo Suscet´ıvel-Infectado-Recuperado-Suscet´ıvel, idˆentico ao anterior, por´em aplic´avel a casos em que a imunidade adquirida pelo indiv´ıduo ao recuperar-se n˜ao ´e permanente, assim o indiv´ıduo volta a ser suscet´ıvel depois de um certo tempo(imunidade tempor´aria) ou, no caso em que a imunidade obtida, desde o primeiro momento, n˜ao proporciona prote¸c˜ao total (imunidade parcial). O v´ırus da gripe ´e talvez o exem-plo mais familiar. A gripe adquirida num inverno confere imunidade apenas parcial contra a gripe do inverno seguinte.
A escolha por quais compartimentos incluir em um modelo depende das caracter´ısticas particulares da doen¸ca a ser modelada. As classes dos imunes passivos M e dos latentes E s˜ao normalmente omitidos, porque n˜ao s˜ao cruciais na intera¸c˜ao suscet´ıvel-infeccioso. Dessa forma, pode-se obter uma s´erie de modelos, tais como o MSEIR, MSEIRS, SEIR, SEIRS, SIR, SIRS, SEI, SEIS, SI, e SIS [7]. Segundo Gomes [6], o comportamento qualitativo dos modelos ´e essencialmente idˆentico, quer se inclua o per´ıodo de latˆencia e imunidades passivas quer n˜ao.
Na Figura 2.1 apresenta-se o modelo MSEIR, onde rec´em nascidos com imunidade passiva (M) tornam-se suscet´ıveis (S), e em caso de infec¸c˜ao passam por um per´ıodo de latˆencia (E), infec¸c˜ao (I) e recupera¸c˜ao (R), com imunidade permanente. Um modelo MSEIRS ´e similar, mas a imunidade na classe R ´e tempor´aria, dessa forma o indiv´ıduo volta para a classe dos suscet´ıveis quando a imunidade acaba.
Figura 2.1: Diagrama para o modelo MSEIR (Adaptado de [7])
Outro fato que deve-se considerar ´e que freq¨uentemente, os modelos compartimentais levam em considera¸c˜ao as taxas vitais da popula¸c˜ao do hospedeiro, isto ´e, as taxas de natal-idade e mortalnatal-idade, respectivamente, b e d. Desconsiderando a possibilnatal-idade da ocorrˆencia de transmiss˜ao vertical, ou seja, n˜ao havendo a possibilidade de nascerem crian¸cas j´a in-fectadas, a taxa de natalidade afeta somente a categoria dos suscet´ıveis. J´a as taxas de mortalidade afetam todas as categorias e podem variar entre elas.
´
E muito frequente pressupˆor que N, o efetivo populacional, ´e aproximadamente con-stante ou, pelo menos, que varia numa escala temporal muito longa, comparativamente `a escala temporal em que decorre o processo epidemiol´ogico em estudo. De um modo geral, este pressuposto ´e adequado a muitas popula¸c˜oes de grandes dimens˜oes, como ´e o caso da popula¸c˜ao humana. Contudo, para o estudo de fenˆomenos epidemiol´ogicos que decorrem numa escala temporal de muitos anos numa popula¸c˜ao em crescimento, pode n˜ao ser ade-quado pressupˆor N constante. No caso das popula¸c˜oes humanas dos pa´ıses desenvolvidos, o pressuposto parece em geral apropriado. Para popula¸c˜oes humanas em pa´ıses em vias de desenvolvimento raramente o pressuposto ser´a apropriado [6].
Cap´ıtulo 3
O processo de transmiss˜
ao
A capacidade de transmiss˜ao do agente patogˆenico ´e uma propriedade fundamental das doen¸cas transmiss´ıveis e desempenha um papel crucial na sua dinˆamica. Durante um certo per´ıodo de tempo(dia por exemplo), um indiv´ıduo infeccioso estabelece contatos adequados com outros indiv´ıduos da popula¸c˜ao, sejam eles da fra¸c˜ao M, S, E, I ou R.
O primeiro fator a ser levado em conta ´e o numero m´edio de contatos β de um indiv´ıduo infeccioso em um dia com indiv´ıduos de todas as categorias (M, S, E, I, R) da popula¸c˜ao. Dessa forma se os indiv´ıduos pertencentes a todas estas categorias est˜ao homogeneamente misturados e que a populacao ´e muito grande. O n´umero m´edio de contatos com indiv´ıduos suscetiveis por diaser´a:
βs
Se um infectado origina em m´edia βs s novos infectados por dia, para saber qual o n´umero total de novos infectados por dia, isto ´e, a incidˆencia di´aria da doen¸ca, basta multiplicar βs pelo n´umero total de infectados, ou seja I. Assim, a incidˆencia di´aria, ser´a:
βsI
At´e o presente momento utilizamos um dia como medida de tempo, mas na verdade pode-se utilizar qualquer outra unidade de tempo, desde que a popula¸c˜ao fosse suficien-temente grande para que os parˆametros B, s e I n˜ao ase alterassem muito durante essa unidade de tempo. ´E mais natural exprimir o n´umero de novos infectados numa unidade de tempo menos arbitr´aria, mais adaptada `as caracter´ısticas de cada doen¸ca - o per´ıodo m´edio de infec¸c˜ao (pmi), que representa o tempo m´edio durante o qual um indiv´ıduo est´a na categoria dos infecciosos. O pmi depende do tempo que um indiv´ıduo leva para sair da classe dos infecciosos, por recupera¸c˜ao ou morte. Se a taxa de mortalidade dos infecciosos (d) for muito forte, os indiv´ıduos n˜ao permanecer˜ao muito tempo dentro desta categoria e o periodo m´edio de estadia no estado infeccioso ser´a curto. J´a se a taxa de recupera¸c˜ao (c) for elevada, a tendˆencia ´e que o pmi seja mais longo. Assim:
pmi= 1 (c + d)
Para saber qual o n´umero m´edio de contatos de um infeccioso, e necess´ario multiplicar β pelo pmi. O n´umero m´edio de contatos, por infeccioso, ´e entao:
R0 = β
1 (c + d)
O valor R0 ´e fundamental em epidemiologia. R0 ´e o n´umero m´edio de infec¸c˜oes
se-cund´arias causadas pela infec¸c˜ao prim´aria numa popula¸c˜ao inteiramente suscet´ıvel. Se a popula¸c˜ao for t˜ao grande que se possa desprezar as infec¸c˜oes que v˜ao sendo produzidas, R0 mede a velocidade inicial de crescimento da epidemia, pois cada ind´ıviduo infectado
ramifica-se em R0 novos infectados que, por sua vez, originam R0 infectados cada um,
e assim sucessivamente. Quando R0 ´e maior que 1, a doen¸ca tem capacidade para
in-vadir uma popula¸c˜ao totalmente suscept´ıvel, enquanto que, se R0 <1, a doen¸ca acaba por
Cap´ıtulo 4
Abordagens Matem´
aticas e
Computacionais na Modelagem de
Epidemias
A modelagem matem´atica e computacional de fenˆomenos epidemiol´ogicos consiste na efe-tiva constru¸c˜ao de modelos computacionais. Ela inicia com a modelagem l´ogica ou matem´atica do fenˆomeno, onde o modelo matem´atico ´e constru´ıdo sob hip´oteses e considera¸c˜oes f´ısicas, fisiol´ogicas e biol´ogicas.
Ocorre que a intera¸c˜ao entre a Matem´atica, a Computa¸c˜ao e a Biologia n˜ao ´e um acontecimento novo. As ´areas da Biomatem´atica ou Bioinform´atica j´a integram v´arios laborat´orios ou departamentos de muitos centros de pesquisa, nacional e mundial.
Nas pr´oximas se¸c˜oes s˜ao apresentadas algumas das abordagens computacionais que podem ser empregadas na modelagem de fenˆomenos epidemiol´ogicos. Destaca-se que a modelagem matem´atica e computacional agrega conhecimentos, procedimentos e t´ecnicas que permitem construir um modelo computacional a partir do problema ou fenˆomeno real, e isso significa que um modelo computacional fornece uma aproxima¸c˜ao da realidade.
4.1
Baseado em Equa¸
c˜
oes
Um dos grandes triunfos da epidemiologia matem´atica, desde as primeiras d´ecadas do s´eculo 20, foi o desenvolvimento de modelos muito simples, capazes de reproduzir este tipo de dinˆamica. Seguidamente apresenta-se a formula¸c˜ao gr´afica e matem´atica destes modelos para microparasitas.
O estudo da dinˆamica de uma doen¸ca consiste essencialmente em esclarecer como ´e que a abundˆancia dos indiv´ıduos pertencentes a cada um dos compartimentos varia `a medida que o tempo passa. Numa grande popula¸c˜ao, a varia¸c˜ao do efetivo de cada um dos compartimentos ocorre a todo o instante. Matematicamente, a varia¸c˜ao de uma vari´avel Y em fun¸c˜ao de outra, X, ´e medida pela derivada de Y em ordem a X. Se, por exemplo, o n´umero de infecciosos (I) na popula¸c˜ao for representado em fun¸c˜ao do tempo, i.e. I = f (t),
ent˜ao a varia¸c˜ao de I `a medida que t varia ´e medida pela derivada de I em ordem a t, dI
dt
e o mesmo se poderia dizer da abundˆancia dos indiv´ıduos em qualquer categoria da popu-la¸c˜ao. Desta forma, os modelos epidemiol´ogicos podem ser representados matematicamente por sistemas de equa¸c˜oes diferenciais.
O procedimento geral consiste em construir as equa¸c˜oes apropriadas para cada tipo de modelo epidemiol´ogico, justificando em detalhe todos os termos das mesmas. Em seguida apresenta-se a solu¸c˜ao das equa¸c˜oes e a ˆenfase ´e colocado nas consequˆencias epidemiol´ogicas dessas solu¸c˜oes.
A modelagem para as classes epidemiol´ogicas que geram os modelos do tipo comparti-mental (Cap´ıtulo 2) podem ser representados por sistemas de equa¸c˜oes diferenciais. Mode-los determin´ısticos podem ser resolvidos quando discretizados e solucionados por m´etodos num´ericos apropriados como, por exemplo, os de Runge-Kutta, quando a abordagem ´e expl´ıcita. Para abordagens impl´ıcitas ou semi-impl´ıcitas empregam-se m´etodos iterativos estacion´arios ou n˜ao estacion´arios, como o SOR ou o gradiente conjugado ou GMRES, respectivamente. A an´alise das caracter´ısticas do esquema num´erico obtido a partir das equa¸c˜oes discretizadas conduz `a adequada escolha por esta ou aquela estrat´egia de solu¸c˜ao.
Alguns exemplos de modelos pode ser visto no trabalho de Pan [9].
4.2
Autˆ
omatos Celulares
Os Autˆomatos Celulares (AC) foram introduzidos nos anos 50 pelo matem´atico John von Neumann numa tentativa de modelar processos naturais de auto-reprodu¸c˜ao.
Os AC consistem de simula¸c˜oes discretas no tempo, espa¸co e no estado do sistema. A id´eia b´asica destes modelos consiste em considerar cada posi¸c˜ao (ou regi˜ao) do dom´ınio espacial como sendo uma c´elula, `a qual ´e atribu´ıdo um estado. O estado de cada c´elula ´e modificado de acordo com o seu estado e o de suas vizinhas na etapa de tempo anterior, atrav´es de uma s´erie de regras simples que tentam imitar as leis f´ısicas ou biol´ogicas que regem o sistema [10].
Nesta abordagem, as vari´aveis de estado do sistema, assim como o tempo, s˜ao discretos. O sistema ´e representado espacialmente atrav´es de um reticulado de c´elulas que interagem obedecendo a algumas regras de mudan¸ca de estado. A dinˆamica do sistema como um todo depende desta intera¸c˜ao local entre as c´elulas. Cada c´elula representa um indiv´ıduo, que pode estar em um compartimento M, S,E I ou R.
A chance de que um indiv´ıduo suscet´ıvel se torne infectado vai depender do n´umero de contatos que ele estabelece com outros indiv´ıduos no intervalo de tempo adotado e tamb´em da probabilidade de que cada contato resulte em transmiss˜ao. A chance com que cada indiv´ıduo se recupere da doen¸ca ´e tamb´em levada em conta.
Figura 4.1: Exemplo de Autˆomato Celular: transmiss˜ao de um estado entre c´elulas
4.3
Modelos Baseados em Agentes
Modelos baseados em agentes podem ser utilizados para simular fenˆomenos reais atrav´es da constru¸c˜ao de agentes computacionais individuais com propriedades espec´ıficas e sim-ular intera¸c˜oes entre eles. Um agente apresenta um comportamento que ´e conseq¨uˆencia de suas percep¸c˜oes sobre o ambiente e de suas intera¸c˜oes com outros agentes. Das inter-a¸c˜oes entre muitos agentes podem emergir fenˆomenos globais incluindo comportamentos coletivos. Assim, empregam-se agentes computacionais para compreender o impacto dos comportamentos individuais sobre os fenˆomenos coletivos nos casos em que n˜ao ´e poss´ıvel compreendˆe-los de maneira dedutiva ou anal´ıtica.
Basicamente existem trˆes abordagens multiagente aos sistemas complexos: anal´ıtica quando a ˆenfase est´a em cada um dos elementos (economia neocl´assica, propriedade, indi-v´ıduo, entre outras); hol´ıstica ou sistˆemica quando a ˆenfase est´a no comportamento global do sistema (macro-economia, modelos com compartimentos, modelos estat´ısticos); constru-tivismo a ˆenfase est´a na articula¸c˜ao entre os comportamentos individuais dos elementos e o comportamento global do sistema [4].
Figura 4.2: Exemplo de intera¸c˜oes entre agentes
Apesar de os modelos baseados em agentes n˜ao serem recentes, ´e ainda recente sua utiliza¸c˜ao na modelagem de sistemas complexos e simula¸c˜oes. Nesses casos, a modelagem
de um ambiente como um todo (macro) ´e feita definindo os n´ıveis mais detalhados (micro) das rela¸c˜oes entre os agentes com propriedades espec´ıficas [14]. Com o uso de agentes computacionais pode-se buscar compreender as estruturas complexas das intera¸c˜oes sociais.
4.4
Redes Complexas
Muitos modelos epidemiol´ogicos assumem que os contatos entre os indiv´ıduos das diversas classes s˜ao homogˆeneos, sem levar em considera¸c˜ao aspectos espaciais e que os contatos s˜ao feitos atrav´es de intera¸c˜oes individuais. Dessa forma, estes modelos podem obter resultados que n˜ao condizem com a realidade.
Uma das formas utilizadas na literatura para a modelagem dos contatos ´e o uso de redes complexas. Tais redes podem ser representadas em grafos onde os v´ertices s˜ao as pessoas e as arestas representam os poss´ıveis contatos pelos quais as doen¸cas se propagam.
A utiliza¸c˜ao de redes complexas na dinˆamica de epidemias tem sido estudado recente-mente de maneira geral em diversos tipos de redes, tal como as redes de mundo pequeno e redes de escala livre.
4.4.1
Redes de Mundo Pequeno
O conceito de redes Small-World foi introduzido no contexto de redes sociais pelo soci´ologo Stanley Milgram e baseia-se na observa¸c˜ao de que existe na natureza uma variedade de sistemas cujos elementos est˜ao relativamente pr´oximos uns dos outros, apesar do tamanho significativamente grande destes sistemas (Koehler, 2004).
O objetivo do modelo de redes de Mundo Pequeno ´e descrever apropriadamente a pe-quena distˆancia entre os elementos e ao mesmo tempo obter um alto ´ındice de aglomera¸c˜ao. Estas duas caracter´ısticas, conhecidas como efeito Mundo Pequeno, s˜ao observadas em v´arios sistemas sociais e podem ser interpretadas como resultado dos padr˜oes de intera¸c˜ao entre os indiv´ıduos destes sistemas, independentemente das limita¸c˜oes geogr´aficas.
Em termo epidemiologicos, redes de pequeno mundo implicam que o nivel de infec-ciosidade requerido para a doen¸ca depedem da alta sensibilidade da conex˜ao topologica da popula¸c˜ao. A alta clusteriza¸c˜ao nestas redes implica que a doen¸ca propaga-se localmente de maneira muito r´apida enquanto que o curto caminho da rede permite que a doen¸ca atinja grandes distˆancias no grafo.
4.4.2
Redes de Escala Livre
O modelo para redes de escala livre mais utilizado atualmente ´e o modelo de Barab´asi-Albert (BA). Neste modelo as redes apresentam uma ordem na dinˆamica de estrutura¸c˜ao, com caracter´ısticas bem espec´ıficas.
Uma das principais caracter´ısticas, denominada conex˜ao preferencial, ´e a tendˆencia de um novo v´ertice se conectar a um v´ertice da rede que tem um grau elevado de conex˜oes.
Essa caracter´ıstica implica em redes com poucos v´ertices altamente conectados, denomina-dos hubs, e muito v´ertices com poucas conex˜oes. Desta maneira, n˜ao faz sentido falar de escala ou n´umero m´edio de arestas [12].
Aborda-se mais detalhadamenta as Redes de Escala Livre no pr´oximo cap´ıtulo, j´a que esta ´e a abordagem escolhida para a implementa¸c˜ao dos modelos epidemiol´ogicos propostos neste trabalho.
Cap´ıtulo 5
Redes de Escala Livre
Como vimos anteriormente, grande parte dos modelos propostos para o estudo da dinˆamica de epidemias s˜ao baseados em equa¸c˜oes diferenciais. Tais modelos assumem que os contatos entre os indiv´ıduos das diversas classes s˜ao homogˆeneos, sem levar em considera¸c˜ao aspectos espaciais e que os contatos s˜ao feitos atrav´es de intera¸c˜oes individuais. Dessa forma, estes modelos podem obter resultados que n˜ao condizem com a realidade [5].
Uma das formas utilizadas na literatura para a modelagem dos contatos ´e o uso de redes de rela¸c˜oes. Tais redes podem ser representadas em grafos onde os v´ertices s˜ao as pessoas e as arestas suas inter-rela¸c˜oes. Tais inter-rela¸c˜oes podem ser la¸cos de amizade, alian¸cas comerciais ou mesmo parentesco. Neste trabalho, utiliza-se um caso espec´ıfico de grafo chamado redes de escala livre [12].
O modelo para redes de escala livre mais utilizado atualmente ´e o modelo de Barab´asi-Albert (BA). Neste modelo as redes apresentam uma ordem na dinˆamica de estrutura¸c˜ao, com caracter´ısticas bem espec´ıficas.
Uma das principais caracter´ısticas, denominada conex˜ao preferencial, ´e a tendˆencia de um novo v´ertice se conectar a um v´ertice da rede que tem um grau elevado de conex˜oes. Essa caracter´ıstica implica em redes com poucos v´ertices altamente conectados, denomina-dos hubs, e muito v´ertices com poucas conex˜oes [2]. Desta maneira, n˜ao faz sentido falar de escala ou n´umero m´edio de arestas.
5.1
Constru¸
c˜
ao de Redes de Escala Livre
Barab´asi e Albert [2] sugeriram um mecanismo dinˆamico simples e plaus´ıvel para o aparec-imento de redes de escala livre com nodos altamente conectados. A ideia b´asica do modelo ´e a de que as redes n˜ao s˜ao constru´ıdas de uma s´o vez, mas sim ao longo do tempo, e que apesar do processo de constru¸c˜ao ter ingredientes aleat´orios, obedece tamb´em a certas re-gras. Mais precisamente, consideraram que `a medida que a rede cresce e que novos n´os s˜ao acrescentados, estes v˜ao-se ligar preferencialmente aos n´os com maior grau. Este cen´ario ´e plaus´ıvel para muitas redes grandes.
A cada itera¸c˜ao adiciona-se um novo v´ertice `a rede, conectando-o a um n´umero m, sendo que m ≤ m0.
A escolha dos v´ertices ´e feita obedecendo `a caracter´ıstica da conex˜ao preferencial. Em cada itera¸c˜ao cada v´ertice possui uma probabilidade (p) de adquirir uma nova conex˜ao. Esta probabilidade ´e calculada dinamicamente, e depende do n´umero de conex˜oes que o v´ertice possui em cada instante de tempo. A probabilidade de que um v´ertice receba uma nova conex˜ao ´e expressa pela equa¸c˜ao:
p(ci) =
ci
P
jcj
ou seja, a probabilidade de que um v´ertice i seja conectado ao novo v´ertice introduzido ´e expressa como a raz˜ao entre seu n´umero atual de conex˜oes (ci) e o n´umero total de conex˜oes
na rede. Assim, pode-se notar que os v´ertices com maior n´umero de conex˜oes tˆem maior probabilidade de receber novas conex˜oes.
Ao final do processo de crescimento de uma rede de N + m0 v´ertices, obt´em-se um grafo
cuja distribui¸c˜ao de conectividades segue uma lei de potˆencias da forma P (k) = 2m2
c−γ,
com γ = 3 e conectividade m´edia hci = 2m.
Ao final do processo de constru¸c˜ao da rede obt´em-se o padr˜ao de contatos entre os indiv´ıduos da popula¸c˜ao que ser´a utilizado na simula¸c˜ao. Note que este padr˜ao pode ser modificado ao longo das itera¸c˜oes pela modifica¸c˜ao da conectividade da rede que pode representar, por exemplo, uma altera¸c˜ao do comportamento da popula¸c˜ao, pela inser¸c˜ao ou remo¸c˜ao de v´ertices representando nascimentos, ´obitos e/ou migra¸c˜ao de indiv´ıduos.
Cap´ıtulo 6
Implementa¸
c˜
ao e Resultados
O estudo da dinˆamica de uma doen¸ca transmiss´ıvel consiste essencialmente em esclarecer como a quantidade de indiv´ıduos pertencentes a cada um dos compartimentos varia `a medida que o tempo passa. Em uma popula¸c˜ao grande, a vari˜a¸c˜ao do n´umero de indiv´ıduos em cada um dos compartimentos ocorre a todo o instante.
Referˆ
encias Bibliogr´
aficas
[1] AMAKU, M. Estudo de parˆametros epidemiol´ogicos atrav´es de mod-elamento matem´atico:aspectos estacion´arios, espaciais e temporais. S˜ao Paulo: Instituto de F´ısica, USP, 2001. 104p p. Tese (doutorado em ciˆen-cias).
[2] BARABASI, A.-L.; BONABEAU, E. Scale-free networks. Scientific Amer-ican, [S.l.], v.1, p.50–59, Mai, 2003.
[3] BARRETT, S. Global disease eradication. Journal of the European Eco-nomic Association, [S.l.], v.1, p.591–600, 2003.
[4] BOMEL, P. Sistemas multi-agentes e gest˜ao de recursos renov´aveis. Simp´osio Brasileiro de Sensoriamento Remoto, [S.l.], v.1, 2007.
[5] FUKS, H.; LAWNICZAK, A. T.; DUCHESNE, R. Effects of population mixing on the spread of SIR epidemics.
[6] GOMES, M. Modela¸c˜ao da transmiss˜ao de doen¸cas. Lisboa: Universidade de Lisboa, 2003. Relat´orio t´ecnico .
[7] HETHCOTE, H. W. The mathematics of infectious diseases. SIAM Rev., Philadelphia, PA, USA, v.42, n.4, p.599–653, 2000.
[8] LILJEROS, F.; EDLING, C. R.; AMARAL, L. A. N. Sexual networks: im-plications for the transmission of sexually transmitted infections. Microbes and Infection, [S.l.], v.1, n.5, p.189–196, 2003.
[9] PAN, C. Z. Epidemiologia Matem´atica: conceitos, processos e mod-elos.
[10] PEIXOTO, M. S.; BARROS, L. C. Um estudo de autˆomatos celulares para o espalhamento geogr´afico de epidemias com parˆametro fuzzy. Tema, S˜ao Carlos, SP, v.5, n.1, 2004.
[11] POLI, G. I.; YANG, M. H. Modelo matem´atico aplicado para imunologia de hiv. Tema, S˜ao Carlos, SP, v.7, n.2, 2006.
[12] PASTOR-SATORRAS, R.; VESPIGNANI, A. Epidemics and immuniza-tion in scale-free networks.
[13] S. CIRINO, J. A. L. D. S. Modelo epidemiol´ogico seir de transmiss˜ao da dengue em redes de popula¸c˜oes acopladas. Tema, S˜ao Carlos, SP, v.5, n.1, p.55–64, 2004.
[14] SUN, Y.; CHENG, L. A survey on agent-based modelling and equation-based. Atlanta: Department of Computer Science - Georgia State University. Relat´orio t´ecnico .
[15] WALDMAN, E. A. Vigilˆancia em Sa´ude P´ublica, v.7. S˜ao Paulo: Fun-da¸c˜ao Petr´opolis, 1998.