Quantificação de incertezas em modelos epidêmicos mecanicistas
Résumé
Este trabalho introduz uma nova abordagem baseada em dados para estimativa de parâmetros e quantificação de incertezas de modelos epidêmicos. A metodologia proposta combina dois elementos principais: (i) a identificação das condições iniciais através de estados dinâmicos plausíveis que se alinham com os dados observados, permitindo uma representação mais precisa do estado inicial da epidemia; (ii) a integração de um método baseado em entropia cruzada para aprender uma distribuição informativa a priori para os parâmetros do modelo, aumentando a confiabilidade da estimativa dos parâmetros. O modelo epidêmico empregado apresenta uma estrutura SEIR generalizada com taxas de transmissão dependentes do tempo, casos assintomáticos e hospitalizações. Um problema de otimização multiobjetivo é formulado, considerando dois termos de custos relacionados a hospitalizações e óbitos, levando à identificação de doze parâmetros do modelo. O modelo calibrado não só fornece uma descrição consistente dos dados disponíveis, mas também permite previsões de curto prazo, oferecendo informações valiosas em tempo real para a modelização da epidemia. Esta estrutura de computação bayesiana aproximada baseada em dados contribui para melhorar a estimativa de parâmetros, a quantificação de incertezas e as capacidades de previsão, facilitando a tomada de decisões baseadas em evidências e melhorando a compreensão geral e a gestão de surtos epidêmicos.