Identifique propagadores ocultos da pandemia em redes de rastreamento de contatos

Sep 18, 2023

Scientific Reports volume 13, Artigo número: 11621 (2023) Citar este artigo

239 Acessos

1 Altmétrico

Detalhes das métricas

Os casos de infecção por COVID-19 aumentaram globalmente, causando devastações tanto para a sociedade como para a economia. Um factor-chave que contribui para a propagação sustentada é a presença de um grande número de propagadores assintomáticos ou ocultos, que se misturam entre a população susceptível sem serem detectados ou colocados em quarentena. Devido ao contínuo surgimento de novas variantes do vírus, mesmo que as vacinas tenham sido amplamente utilizadas, a detecção de pessoas infectadas assintomáticas ainda é importante no controle da epidemia. Com base nas características únicas da dinâmica de propagação do COVID-19, propomos aqui um arcabouço teórico que captura as probabilidades de transição entre diferentes estados infecciosos em uma rede e o estendemos a um algoritmo eficiente para identificar indivíduos assintóticos. Descobrimos que, utilizando equações de propagação física pura, os espalhadores ocultos da COVID-19 podem ser identificados com notável precisão, mesmo com informações incompletas das redes de rastreamento de contratos. Além disso, a nossa estrutura pode ser útil para outras doenças epidêmicas que também apresentam propagação assintomática.

Como a pandemia de COVID-19 continua a espalhar-se a taxas rápidas1,2,3, e o desenvolvimento de tratamentos farmacológicos eficazes ainda é incerto, de acordo com a OMS, as intervenções não farmacológicas, como o isolamento de pessoas infecciosas através de quarentenas4,5, são as mais eficazes e possivelmente a única forma de conter os surtos contínuos, uma vez que reduz eficazmente as transmissões de pessoa para pessoa 6. No entanto, ao contrário de outras doenças infecciosas como a SARS e o Ébola, a COVID-19 é única porque uma grande parte da sua população infectada é ligeira ou assintótica7. Mesmo algumas das infecções assintóticas não apresentam quaisquer sintomas clínicos até a auto-recuperação8,9. Sem ser detectada e subsequentemente colocada em quarentena, a população assintomática (ou seja, propagadores ocultos) sustenta a propagação contínua da doença para a população susceptível, sem o saber10,11. Isto representa um grande desafio na mitigação eficaz da propagação da pandemia. Além disso, estudos empíricos demonstraram que tais infecções assintomáticas representam uma grande proporção da população12,13,14,15,16,17,18, chegando a 80%18. Atualmente, a estimativa dos casos assintomáticos é feita através da triagem exaustiva dos contactos próximos dos casos infetados conhecidos nas redes de rastreio de contactos17. Este método não direcionado requer uma grande quantidade de recursos e é demorado, o que por sua vez leva a intervenções ineficazes ou atrasadas para colocar em quarentena os casos assintomáticos. Por outro lado, a combinação de uma rede de rastreio de contactos baseada em aplicações móveis19 e um quadro estatístico20 mostra o potencial para localizar com precisão espalhadores de alto risco21,22. Portanto, é pertinente uma triagem direcionada na rede de rastreamento de contatos, de modo que os indivíduos assintomáticos possam ser estimados com alta precisão para intervenção e mitigação da propagação.

Aqui incorporamos as características empíricas da dinâmica de propagação da COVID-19 num processo Markoviano, ou seja, vectores que representam as diferentes fases da infecção e as suas probabilidades de transição associadas. Ao incorporar o processo de transição em uma rede de rastreamento de contatos que inclui os nós infectados conhecidos (indivíduos), desenvolvemos um método que prevê os estados infecciosos do resto da rede com alta precisão. Ao combinar tais previsões com a estrutura da rede, derivamos então o poder de propagação de cada nó, tendo em conta tanto o seu estado infeccioso como a sua localização específica na rede, de modo que o rastreio dos assintomáticos possa ser priorizado em conformidade. A eficácia do nosso método é validada por dados empíricos de duas redes de transmissão COVID-19 em Singapura. Além disso, no experimento simulado de transmissão de COVID-19 da rede de rastreamento de contatos, descobrimos que um esquema de triagem projetado pela estrutura computacional proposta supera várias linhas de base de aprendizado de máquina projetadas neste trabalho e a triagem aleatória de vizinhos infectados. Este último foi amplamente utilizado nos primeiros surtos de COVID-19 na China. Além disso, mesmo na situação realista de informações incompletas na rede de rastreamento de contactos, com ligações perdidas ou sub-redes constituídas apenas por contactos dos casos infectados, o nosso método mantém uma elevada precisão. Assim, nosso método é altamente eficaz na estimativa de casos assintomáticos e pode ser implementado em qualquer rede de rastreamento de contatos construída manualmente23,24 ou através de meios tecnológicos25, como Bluetooth26,27, GPS28 e tecnologias digitais de check-in e check-out (por exemplo, códigos QR de saúde29 amplamente utilizado na China).