Este documento discute os conceitos-chave de modelagem matemática de doenças infecciosas, incluindo: (1) os objetivos de aprender sobre a dinâmica de transmissão e usar modelos para avaliar intervenções; (2) por que desenvolver modelos para entender epidemias e prever tendências; (3) como doenças infecciosas diferem de não infecciosas.
2. Objetivos
• Aprender sobre a dinâmica de transmissão e sua
relevância na epidemiologia de doenças
infecciosas
• Usando infecções sexualmente transmissíveis
como um exemplo:
– Para aprender sobre os parâmetros-chave na dinâmica
de transmissão
– Para avaliar o uso de modelos de transmissão
matemática para estimar o impacto de intervenções
de prevenção (por exemplo, vacinas).
3. Por que desenvolver um modelo?
• Compreender o sistema de transmissão de infecções
em uma população
• Para ajudar a interpretar as tendências epidemiológicas
observadas
• Identificar os principais determinantes das epidemias
Para orientar a coleta de dados
• Prever a direção futura de uma epidemia
• Avaliar o impacto potencial de uma intervenção
4. Como as doenças infecciosas são
diferentes das não infecciosas?
• A prevalência afeta a incidência, um caso pode
ser um fator de risco:
– Prevalência não é apenas uma medida de carga de
doença em uma população, mas também a
probabilidade de encontrar uma pessoa infectada
– Padrões de contato entre as pessoas são críticos
• As pessoas podem ser imunes.
5. Alguns termos-chave para descrever a doença
infecciosa
• Susceptível: não infectado, mas capaz de se infectar se
exposto
• Infeccioso: infectado e capaz de transmitir a infecção a
outros indivíduos susceptíveis
• Imune: possuindo anticorpos mediados por células ou
anticorpos humorais contra uma infecção
• Doença/infecção clínica: implica a presença de sinais
clínicos de patologia (não sinônimo de infeccioso)
• Infecção latente/infecção subclínica: implica a presença de
agente infeccioso mas ausência de doença clínica
• Portador: implica um estado infectado prolongado com
liberação do agente infeccioso. Os portadores podem estar
doentes, em recuperação ou saudáveis.
7. Alguns termos-chave para descrever a doença
infecciosa ao nível populacional
• Epidemia: A ocorrência em uma comunidade ou região de casos de
uma doença claramente acima da expectativa normal.
• Surto: uma epidemia limitada ao aumento localizado na incidência
de uma doença
• Endemia: A presença constante de uma doença ou agente
infeccioso dentro de uma dada área geográfica ou grupo
populacional
• Pandemia: Uma epidemia que ocorre em uma área muito larga,
cruzando fronteiras internacionais e geralmente afetando um
grande número de pessoas
• Sindemia: é definida como a interação entre doenças ou agravos à
saúde em populações, que magnificam os efeitos deletérios umas
das outras.
8. Rotas de transmissão
Direta Indireta
Entre membranas mucosas - DST Pela água – hepatite A
Pela placenta– toxoplasmosis Pelo ar – varicela
Pelo sangue – hepatite B Pela comida – salmonella
Pela pele – HPV Vectores – malária
Espirro ou tosse – sarampo e flu Objectos/fômites –
estreptococcos
Giesecke J. Modern Infectious Disease Epidemiology. 2002. p. 16
9. Taxa Reprodutiva
• Também chamado “número reprodutivo”
• Representa o número de infecções causadas
por um indivíduo infeccioso.
• Em uma população 100% suscetível
– Taxa Reprodutiva Básica, R0
• Em uma população onde <100% são
suscetíveis
– Taxa Reprodutiva Efetiva, R = proporção dos
suscetíveis x R0
10.
11. Determinantes do R0
Para um patógeno com transmissão direta pessoa-a-
pessoa (ex: influenza)
R0 = βcD
Onde β é a probabilidade de transmissão mediante o
contato entre infeccioso e suscetível
c é a taxa de contato
D duração da infectividade
13. Modelo Suscetível-Infeccioso-Recuperado
(SIR)
• Considere os seguintes valores
– Probabilidade de transmissão, β = 0.15
– Taxa de contato, c = 12 contatos por semana
– Duração da infecção, D = 1 semana
• Taxa Reprodutiva Básica: R0 = 0.15 * 12 * 1 = 1.8
• Taxa Reprodutiva Efetiva no tempo: Rt = St * R0
14.
15. Imunidade Rebanho - conceito
básico
• Qual a proporção da população devo imunizar para que
a infecção não se espalhe?
• Considere um R0=5
• Recordar é viver:
– R <1 Infecção desaparece
– Rt = St * R0
• P é a proporção de imunizados
• Logo o S= (1-P)
• Assim temos (1-P).R0<1
• Portanto, precisamos imunizar pelo menos 80% da
população
16. Modelo Suscetível-Infeccioso-Recuperado
(SIR)
• Pressupostos
– A população é fixa (sem entradas/nascimentos ou
saídas/mortes)
– O período latente é zero
– Período infeccioso = duração da doença
– Após a recuperação, os indivíduos estão imunes
• As pessoas podem estar em um dos 3 estados
– Suscetíveis (S)
– Infectados e infecciosos (I)
– Recuperados/imunes (R*)
Giesecke J. Modern Infectious Disease Epidemiology. 2002. pp. 126-130
* Não confundir com o R0
20. Fontes de dados para os parâmetros do modelo:
o exemplo das doenças sexualmente transmissíveis
• Considere os três parâmetros:
– Probabilidade de transmissão(β)
– Duração da infecção(D)
– Taxa de contato (c)
• De onde vem estas estimativas?
21. Transmissibilidade(β): Medida
• Medida como a probabilidade de transmissão de um
parceiro infectado para um parceiro suscetível (taxa de
ataque)
• Fontes de dados
– Rastreamento de contatos
– Casais discordantes
– Estudos de indivíduos sexualmente ativos que relatam parceiros
com status de DST conhecidos, ou se a prevalência da DST no
pool de parceiros é bem conhecida
• Desafios
– A inscrição de parceiros sexuais pode ser difícil
– Identificação de contatos entre infectados e susceptíveis e
direção de transmissão
– O que é um "contato"?
22. Duração da infectividade (D): Medida
• Fontes de dados
– Duração da doença clínica
– Duração da infecção
• Desafios
– Duração da doença = duração da infecciosidade?
– Assintomáticos versus sintomáticos
– Obrigação ética de tratar infecções identificadas
– Talvez precise confiar em dados históricos de qualidade
questionável
23. Mistura aleatória e a taxa de contato (c)
• Uma suposição dos modelos simples vistos até agora é
que a mistura é aleatória
• Cada indivíduo tem uma chance igual de formar uma
parceria com cada outro indivíduo
• Os dados do inquérito mostram que a mistura não é
aleatória para muitas características (por exemplo,
idade, etnia, religião, educação), mas tende a ser
assortativa - ”semelhantes" misturam com
”semelhantes”.
• Mas está misturando de forma assortativa com respeito
à história sexual passada?
24. Taxa de contato (c)
• Tipicamente medido como a taxa de aquisição de novo
parceiro (por exemplo, por ano)
• O modelo até agora assume homogeneidade na taxa
de contato
• Fonte de dados são pesquisas de comportamento
sexual
– População em geral
– Populações seleccionadas (por exemplo, adolescentes, adultos
com idade entre 18-45 anos, estudantes, homens gays e
bissexuais, consumidores de drogas)
25. Número de parceiros sexuais nos últimos 5 anos. British National
Survey of Sexual Attitudes and Lifestyles (NATSAL), 2000
0
10
20
30
40
50
60
Percentage
0 1 2 3 to 4 5 to 9 10 or
more
Female Male
Johnson AM et al. Lancet 2001; 358:1835-42.
26. Taxa de contato (c)
• Claramente, a taxa de contato é heterogênea
• Não se pode supor que todos os indivíduos têm a
mesma taxa de contato
• Para o comportamento sexual, um conceito importante é
o "núcleo do grupo"
– Um pequeno grupo de indivíduos com alta taxa de contato que
contribuem desproporcionalmente para a disseminação das
DST s na população
– A DST concentra-se neste grupo central
27. Taxa de Contato (c): desafios para medida
• Pesquisas de indivíduos obtêm dados sobre seu
comportamento sexual, mas serão incompletas para
seus parceiros
• Estudos de redes sexuais obtêm dados detalhados de
parceiros, mas geralmente são localizados e podem não
ser generalizáveis
• Os inquéritos gerais à população são mais
representativos da maioria, mas podem captar
insuficientemente os membros do núcleo
• Validade do comportamento sexual auto-relatado e viés
de desejabilidade social
28. Estimativas β, c, e D: crítica
• Incerteza e limitações nas estimativas de parâmetros
• Documentos bem escritos
– Identificar a fonte ou raciocínio por trás das estimativas de
parâmetros
– Realizar análise de sensibilidade para determinar quanto os
resultados do modelo dependem dos valores dos parâmetros
• Às vezes, o modelo de transmissão identificará uma falta de
conhecimento nesses parâmetros e pode direcionar pesquisas
empíricas para obter mais dados
• Calibração de modelos pode ser usada para estimar parâmetros,
como o β.