.
Imagine um momento em que sua cobertura facial de bloqueio de vírus é como um guarda-chuva. Na maioria dos dias, ele fica no seu armário ou guardado em algum lugar do seu carro. Mas quando um surto de COVID-19 está previsto, você pode colocá-lo em uso.
Além disso, uma previsão viral inclemente pode induzi-lo a escolher uma mesa ao ar livre ao encontrar um amigo para um café. Se pegar o coronavírus provavelmente o deixará gravemente doente, você pode optar por trabalhar em casa ou assistir aos cultos online até que a ameaça passe.
Tal futuro pressupõe que os americanos atenderão aos avisos de saúde pública sobre o vírus pandêmico – e isso é um grande E se. Também pressupõe a existência de um sistema que pode prever com segurança surtos iminentes com poucos alarmes falsos e com pontualidade e precisão geográfica suficientes para que o público confie em suas previsões.
Um grupo de aspirantes a previsores diz que tem os ingredientes para tal sistema. Sua proposta para a construção de um boletim meteorológico viral foi publicada esta semana na revista Science Advances.
Boletim de Notícias
Receba nosso boletim informativo gratuito sobre o Coronavírus Hoje
Inscreva-se para receber as últimas notícias, as melhores histórias e o que elas significam para você, além de respostas para suas perguntas.
Ocasionalmente, você pode receber conteúdo promocional do Los Angeles Times.
Como os modelos meteorológicos que impulsionam as previsões meteorológicas, o sistema para prever surtos de COVID-19 surge de um rio de dados alimentado por centenas de fluxos de informações locais e globais. Eles incluem pesquisas na Internet com registro de data e hora para sintomas como aperto no peito, perda de olfato ou exaustão; tweets geolocalizados que incluem termos como “corona”, “pandemia” ou “compra de pânico”; dados de localização agregados de smartphones que revelam o quanto as pessoas estão viajando; e um declínio nas solicitações de orientações on-line, indicando que menos pessoas estão saindo.
O volume resultante de informações é demais para os humanos administrarem, quanto mais interpretar. Mas com a ajuda de poderosos computadores e softwares treinados para filtrar, interpretar e aprender com os dados, um mapa começa a surgir.
Se você comparar esse mapa com os dados históricos – neste caso, dois anos de experiência pandêmica em 93 condados – e atualizá-lo de acordo, poderá ter o resultado de um sistema de previsão de surtos de doenças.
Isso é exatamente o que a equipe liderada por um cientista da computação da Northeastern University fez. Em sua tentativa de criar um sistema de alerta precoce para surtos de COVID-19, os autores do estudo construíram um sistema de “aprendizado de máquina” capaz de mastigar milhões de rastros digitais, incorporando novos desenvolvimentos locais, refinando seu foco em sinais precisos de doenças e gerando avisos oportunos de surtos locais iminentes de COVID-19.
Entre as muitas pesquisas na Internet que vasculhou, uma provou ser um sinal de alerta particularmente bom de um surto iminente: “Quanto tempo dura o COVID?”
Quando testado contra dados do mundo real, o método de aprendizado de máquina dos pesquisadores antecipou aumentos de propagação viral local com até seis semanas de antecedência. Seus sinos de alarme disparariam aproximadamente no ponto em que cada pessoa infectada provavelmente espalharia o vírus para pelo menos mais uma pessoa.
Posto à prova de antecipar 367 surtos reais em todo o condado, o programa forneceu avisos precisos de 337 – ou 92% – deles. Dos 30 surtos restantes, reconheceu 23 exatamente quando eles se tornariam evidentes para as autoridades de saúde humana.
Uma vez que a variante Omicron começou a circular amplamente nos Estados Unidos, o sistema de alerta precoce foi capaz de detectar evidências precoces de 87% dos surtos no nível do condado.
Um sistema preditivo com esses recursos pode ser útil para autoridades de saúde pública locais, estaduais e nacionais que precisam planejar surtos de COVID-19 e alertar cidadãos vulneráveis de que o coronavírus está ameaçando um ressurgimento local iminente.
Mas “estamos olhando além” do COVID, disse Mauricio Santillana, que dirige o Grupo de Inteligência de Máquinas do Nordeste para a Melhoria da Saúde e do Meio Ambiente.
“Nosso trabalho visa documentar quais técnicas e abordagens podem ser úteis não apenas para isso, mas para a próxima pandemia”, disse ele. “Estamos ganhando a confiança das autoridades de saúde pública para que não precisem de mais convencimento” quando outra doença começa a se espalhar pelo país.
Isso pode não ser uma venda fácil para as agências estaduais de saúde pública e os Centros de Controle e Prevenção de Doenças, que lutaram para acompanhar os dados da pandemia e incorporar novos métodos de rastreamento da propagação do vírus. A incapacidade do CDC de se adaptar e se comunicar de forma eficaz durante a pandemia levou a alguns “erros bastante dramáticos e públicos”, reconheceu a Dra. Rochelle Walensky, diretora da agência. Somente “mudar a cultura” preparará a agência federal para a próxima pandemia, alertou ela.
Os esforços medíocres do CDC para desenvolver ferramentas de previsão também não abriram caminho para uma aceitação fácil. Uma avaliação de 2022 dos esforços de previsão usados pelo CDC concluiu que a maioria “não conseguiu prever mudanças rápidas de forma confiável” nos casos e hospitalizações de COVID-19. Os autores dessa avaliação alertaram que os sistemas desenvolvidos até o momento “não devem ser usados para decisões sobre a possibilidade ou o momento de mudanças rápidas nas tendências”.
Anasse Bari, especialista em aprendizado de máquina da Universidade de Nova York, chamou o novo sistema de alerta precoce de “muito promissor”, embora “ainda experimental”.
“Os métodos de aprendizado de máquina apresentados no artigo são bons, maduros e muito bem estudados”, disse Bari, que não participou da pesquisa. Mas ele alertou que, em uma emergência única na vida, como a pandemia, seria arriscado depender fortemente de um novo modelo para prever eventos.
Para começar, observou Bari, o primeiro encontro deste coronavírus com a humanidade não produziu o longo registro histórico necessário para testar totalmente a precisão do modelo. E o período de três anos da pandemia deu pouco tempo para os pesquisadores reconhecerem o “ruído” que surge quando tantos dados são jogados em uma panela.
O CDC e os departamentos estaduais de saúde apenas começaram a usar técnicas epidemiológicas, como sequenciamento genético filodinâmico e vigilância de águas residuais, para monitorar a propagação do coronavírus. Usar o aprendizado de máquina para prever a localização dos próximos surtos virais pode exigir outro salto de imaginação para essas agências, disse Santillana.
De fato, aceitar ferramentas de alerta precoce como a desenvolvida pelo grupo de Santillana também pode exigir alguns saltos de fé. À medida que os programas de computador digerem grandes quantidades de dados e começam a discernir padrões que podem ser reveladores, eles geralmente geram “recursos” surpreendentes – variáveis ou termos de pesquisa que ajudam a prever um evento significativo, como um surto viral.
Mesmo que esses sinais aparentes provem prever com precisão tal evento, sua relevância para uma emergência de saúde pública pode não ser imediatamente clara. Um sinal surpreendente pode ser o primeiro sinal de alguma nova tendência – um sintoma inédito causado por uma nova variante, por exemplo. Mas também pode parecer tão aleatório para as autoridades de saúde pública que lança dúvidas sobre a capacidade de um programa de prever um surto iminente.
Santillana, que também leciona na Escola de Saúde Pública de Harvard, disse que os revisores dos primeiros trabalhos de seu grupo responderam com algum ceticismo a alguns dos sinais que surgiram como sinais de alerta de um surto iminente. Um deles – tuítes referindo-se à “compra de pânico” – parecia um sinal errante de máquinas que se prenderam a um evento aleatório e o infundiram de significado, disse Santillana.
Ele defendeu a inclusão do sinal de “compra de pânico” como um sinal revelador de um surto local iminente. (Afinal, os primeiros dias da pandemia foram marcados pela escassez de itens básicos, incluindo arroz e papel higiênico.) Mas ele reconheceu que um sistema de alerta precoce que é muito “caixa preta” pode encontrar resistência das autoridades de saúde pública. que precisam confiar em suas previsões.
“Acho que o medo dos tomadores de decisão é uma preocupação legítima”, disse Santillana. “Quando encontramos um sinal, ele deve ser confiável.”
.
