Modelagem matemática: ferramenta estratégica para vigilância em saúde pública

Texto e vídeo: Marina Sousa

A modelagem matemática tem se consolidado como uma ferramenta essencial para a vigilância epidemiológica e a tomada de decisões em saúde pública. Ao unir conceitos da estatística e matemática com dados da epidemiologia, essa abordagem permite compreender como doenças se propagam, prever cenários de surtos e avaliar a efetividade de intervenções, como por exemplo campanhas de vacinação.

Durante a pandemia de COVID-19, o uso da modelagem ganhou destaque ao orientar políticas públicas em um momento crítico. Projeções de contágio, cenários de colapso hospitalar e impactos das medidas de distanciamento social foram alguns dos temas amplamente debatidos com base em modelos matemáticos, estatísticos e computacionais. Posteriormente, os modelos foram importantes para avaliar o impacto da evolução de novas variantes do SARS-COV2 e os efeitos das campanhas de vacinação. As análises e simulações ajudaram gestores e cientistas a interpretarem a epidemia de forma racional, a partir de dados e hipóteses bem fundamentadas, ainda que houvesse muito pouco conhecimento sobre as propriedades epidemiológicas do novo vírus.

No Centro de Excelência em Tecnologia e Inovação em Sáude (Ceti-Saúde), da Universidade Federal de Goiás (UFG), o Núcleo de Modelagem é coordenado pelo professor José Alexandre Felizola, do Instituto de Ciências Biológicas (ICB). O objetivo principal do núcleo é subsidiar a tomada de decisão em saúde pública a partir do desenvolvimento e aplicação de modelos estatísticos e computacionais voltados à análise de dados epidemiológicos e avaliação de tecnologias em saúde, a fim de apoiar gestores do Sistema Único de Saúde (SUS), especialmente a Secretaria de Estado da Saúde de Goiás (SES-GO), em ações de prevenção, controle e alocação de recursos.

As atividades a serem desenvolvidas pelo núcleo incluem a organização e análise de grandes bases de dados de saúde a fim de otimizar planos de gestão e fornecer estimativas de parâmetros epidemiológicos que, por sua vez, permitam construir modelos preditivos de impacto de intervenções sob diferentes cenários futuros, inclusive os efeitos da mudança climática. Além disso, o núcleo atuará em capacitações para profissionais da SES-GO e estudantes de graduação e pós-graduação, promovendo formação em análise de dados e modelagem computacional aplicada à saúde pública.

Pingue-pongue com o professor José Alexandre Felizola, coordenador do Núcleo de Modelagem do Ceti-Saúde UFG

1. Professor, em termos simples, como a modelagem matemática contribui para decisões rápidas e eficazes na saúde pública?

Existe uma enorme quantidade de dados na área de saúde que precisam ser trabalhados para que a gente possa entender como certas doenças se propagam e como podemos controlá-las ou mitigar seus efeitos. Ai é que entra a ideia de modelagem, em um sentido amplo. Podemos usar ferramentas estatísticas e de simulação computacional para sintetizar esses dados e analisar padrões no tempo ou no espaço geográfico. Isso nos permite, em um segundo momento, construir modelos que nos ajudem tanto a entender os fatores de risco envolvidos, quanto estudar a eficiência de intervenções (como vacinação ou introdução de novos medicamentos) por políticas públicas sob diferentes cenários de mudança ambiental ou no perfil sócio-econômico da população. Podemos também usar essas ferramentas para otimizar o uso de recursos financeiros e humanos e ampliar a efetividade das ações em saúde.

2. Quais foram os principais aprendizados e desafios ao aplicar modelagem durante a pandemia de COVID-19?

A pandemia mostrou o potencial da modelagem e, ao mesmo tempo, seus limites. Aprendemos que modelos simples, rápidos e transparentes são os mais úteis em situações emergenciais, especialmente considerando que, no início da pandemia, se sabia muito pouco sobre os parâmetros epidemiológicos, o que foi um desafio global. Mas à medida que o tempo passava, conseguíamos entender melhor o que estava acontecendo e, por exemplo, quando as novas variantes genéticas de preocupação (as VOCs) começaram a surgir (na onda no início de 2021), já estávamos um pouco mais bem preparados e conseguimos trabalhar melhor com as informações. Outro ponto essencial, e outro grande desafio, foi aprender a traduzir resultados técnicos da modelagem em uma linguagem acessível para gestores e para a população (o que foi ainda mais complicado considerando o negacionismo que cresceu muito desde aquela época)

3. Como você enxerga o futuro da modelagem matemática em um cenário de saúde cada vez mais complexo e interconectado?

Há vários pontos importantes que temos que considerar nesse sentido de maior complexidade das situações, considerando o objetivo da modelagem. Sem dúvida vai ser preciso ter métodos cada vez mais sofisticados para lidar com tanta informação, com diferentes origens e obtidas com diversas finalidades. Ao mesmo tempo, o desafio da modelagem é sempre encontrar padrões que possam ser simplificados a fim de responder a problemas específicos. Tradicionalmente, é sempre um grande desafio equilibrar generalidade, precisão e realismo nesse processo, e isso fica ainda mais difícil quando, além de explicar e padrões, precisamos também considerar os contextos sociais, econômicos e políticos que tendem a ser muito dinâmicos e incertos.
A seguir, confira mais detalhes sobre essa importante ferramenta preditiva: