Modelo matemático criado por cientista da USP ajuda a estimar a demanda de leitos de UTI para a Covid-19

Rodrigo Veiga
Instituto de Física, Universidade de São Paulo

A COVID-19, causada pelo novo coronavírus Sars-CoV2 e identificada primeiramente em Wuhan, na China, em dezembro de 2019, se alastrou rapidamente pelo mundo. Em 30 de janeiro de 2020, a Organização Mundial da Saúde (OMS) declarou o surto como uma Emergência de Saúde Pública de Importância Internacional, quando havia sido identificada até então transmissão comunitária em 19 países. Em 11 de março, foi declarada pandemia e a doença estava presente em 114 países, com cerca de 118 mil casos confirmados e mais de 4200 mortes. Até 04/06, o vírus afetava 213 países com 6,6 milhões de casos registrados, bem como a triste marca de mais de 389 mil mortes, sendo mais de 34 mil no Brasil.

Apesar de as pesquisas indicarem que o Sars-CoV2 apresenta uma taxa de letalidade média menor do que a de outros membros da família de coronavírus como Sars e Mers, o alto índice de transmissibilidade, mesmo em pacientes assintomáticos aliado a necessidade prolongada de infraestrutura hospitalar para casos graves, fez com que o novo coronavírus de tornasse um desafio para os sistemas de saúde ao redor de todo o mundo. A situação é dramática mesmo em países desenvolvidos. Em países extremamente desiguais, com distribuição populacional e de leitos hospitalares não uniformes como o Brasil, a preocupação é amplificada. 

Estima-se que o tempo médio de ocupação de um leito de UTI por um paciente grave seja da ordem de semanas. Portanto, além da mortalidade, é vital que se acompanhe a evolução da ocupação de leitos de UTI, pois os recursos são limitados e mesmo o paciente grave recuperado ocupará um leito por um tempo considerável. Desse modo, modelos matemáticos capazes de estimar a necessidade de leitos de UTI durante a curso da epidemia podem ser valiosos para a definição de públicas. 

Tais modelos são ditos paramétricos, isto é, incorporam informações sobre a epidemia como taxa de transmissão por meio de parâmetros, os quais muitas vezes são desconhecidos – ainda mais para o Sars-CoV2 que é um vírus conhecido pela humanidade há alguns meses.  Comumente, os parâmetros são estimados por meio de dados. Infelizmente, apesar de diversas iniciativas voluntárias, há ainda um grave problema na disponibilidade de dados públicos consistentes no Brasil para a análise da dinâmica epidêmica, principalmente para ocupação de leitos de UTI por região. Além disso, é sabido que há uma grande subnotificação. 

De qualquer forma, procuramos construir um método que incorpora a estrutura etária da população susceptível em uma estimativa da necessidade de leitos de UTI.  Assim como a taxa de letalidade varia de acordo com a idade do paciente, a probabilidade de que um doente evolua para um estágio grave e necessite de um leito de UTI também depende da estrutura etária. Estudos preliminares constatam que é maior para indivíduos de idade avançada, muito embora não seja desprezível para pessoas de meia idade.

Como os números da epidemia seguem crescendo no Brasil, construímos cenários simples com base em países que comprovadamente passaram pelo pico da curva de casos. Nossas estimativas supõem que o Brasil ou uma particular região seguiria, proporcionalmente à população, um desses cenários. Escolhemos a Espanha como cenário mais pessimista, uma vez que apresenta alto número de infectados por milhão, e a Suíça como um cenário menos pessimista. Nas figuras abaixo mostramos os cenários projetados juntamente com os dados para o Estado de São Paulo (esquerda) e a cidade de São Paulo (direita). O cenário Espanha é a linha vermelha, o da Suíça a linha verde e os dados oficiais até o dia 17/05/2020 são os pontos azuis. 

Em seguida, utilizando a estrutura etária por Estado, obtida no site do IBGE (figura abaixo à esquerda), construímos por um método de amostragem estatística à evolução do número de casos por idade. Por fim, com o mesmo método de amostragem e utilizando os dados preliminares de probabilidade de internação por idade do CDC (figura abaixo à direita), calculamos o número de leitos de UTI previsto pelo modelo nos diferentes cenários. Consideramos que um paciente grave fica, em média, 14 dias na UTI. 

As curvas obtidas para a ocupação de UTI, juntamente com os intervalos de incerteza, são como as mostradas abaixo. À esquerda mostramos as previsões para o Estado de São Paulo, enquanto à direita para a cidade de São Paulo.

É interessante observar que nosso método permitiria estimar o fator de subnotificação para casos graves, o qual contabilizaria os casos graves fatais não testados, bem efeitos de atraso de notificação: casos em que o tempo para a notificação foi maior do que 14 dias. No entanto, seria necessário conhecer a evolução da ocupação de leitos de UTI nas regiões do país. 

Não há divulgação clara do número de leitos destinados à COVID-19, o que compromete qualquer tentativa de predição do colapso do sistema de saúde de atendimento intensivo. Certamente seria benéfico à sociedade que a comunidade científica construísse modelos mais assertivos, a partir de dados consistentes, o que beneficiaria a construção de políticas públicas conscientes e, consequentemente, à população.

Referência: https://arxiv.org/abs/2006.06530

Compartilhe:

Compartilhar no facebook
Facebook
Compartilhar no twitter
Twitter
Compartilhar no pinterest
Pinterest
Compartilhar no linkedin
LinkedIn
Leia também

Relacionados

Iniciativas

Conheça nossas frentes

Conectando quem precisa de ajuda com os que podem ajudar. De um lado estão cadastradas as necessidades do sistema de saúde e apoio aos vulneráveis. Do outro, as empresas que podem ajudar com os seus recursos.

Informações da pandemia em tempo real, que permitem acompanhar e simular o avanço da Covid-19 por regiões, cidades e até bairros. Utiliza dados de mobilidade e propagação fornecidos por fontes oficiais.

Um espaço onde você também pode compartilhar informações para ajudar a mapear e conter o avanço da Covid-19 no país.

O Covid Radar é o resultado da coalizão de diversas organizações que estâo contribuindo para minimizar os impactos da COVID-19 no país. Juntos estamos desenvolvendo soluções para apoiar instituições de saúde, empresas públicas e privadas, mídia e sociedade.