| Summary: | O estudo de propagação de epidemias tem gerado uma série de trabalhos propondo distintos modelos que buscam representar possíveis cenários para que se possa ter um maior controle sobre a propagação. O grande objetivo destes estudos _e a capacidade de não somente reproduzir a evolução de epidemias passadas mas poder prever e, na medida do possível, evitar o surgimento de novos surtos epidêmicos ou erradicar um estado endêmico. Boa parte destes trabalhos utilizam como base o modelo Suscetível-Infectante-Removido, ou modelo SIR, de Kermack e McKendrick. No entanto, abordagens semelhantes porém via modelos matemáticos e simulações computacionais têm apresentado distintos comportamentos devido ao fato de que o primeiro assume uma taxa de remoção constante, o que representa uma distribuição exponencial do período de infecção na população, enquanto as simulações em geral utilizam um período de infecção fixo e idêntico para todos os indivíduos da população. Em função disto, utilizamos um modelo matemático que vem a ser uma generalização do modelo SIR utilizando equações com atraso, de forma que podemos inserir explicitamente o tipo de distribuição nas equações. Desta forma, vimos que o modelo matemático consegue reproduzir tanto o comportamento temporal médio das simulações para diversas distribuições como também reproduz o resultado do modelo SIR original quando é utilizada uma distribuição exponencial. Fizemos estas comparações tanto para os modelos sem dinâmica vital como para os modelos em que tal dinâmica está presente e vimos que o modelo com atraso sempre consegue reproduzir o comportamento médio das simulações para as distribuições testadas. Além disto, vimos que a evolução temporal da epidemia depende fortemente da distribuição do período de infecção, e que no caso em que a dinâmica vital está presente esta dependência também aparece no limiar epidêmico e no estado endêmico. Como este modelo permite inserir a distribuição populacional do período de infecção, o aplicamos para estudar políticas de tratamento em que o efeito deste leva à redução do período de infecção e vimos que é possível determinar a fração mínima da população que deve receber tratamento para que uma situação de epidemia iminente seja contida. Embora o modelo SIR seja muito útil para modelar uma grande variedade de doenças, ele se aplica somente aquelas em que os indivíduos infectados adquirem imunidade permanente ou morrem com a enfermidade. No entanto, existe uma classe de doenças na qual esta imunidade adquirida é apenas temporária, onde os indivíduos voltam a ser suscetíveis após transcorrido um certo período de tempo. Tais doenças possuem uma evolução t__- pica representada pelo modelo Suscetível-Infectante-Recuperado-Suscetível, ou modelo SIRS. Estas doenças normalmente apresentam um quadro endêmico com surtos epidêmicos cíclicos. A existência de tais oscilações em epidemias é, há muito tempo, um desafio para a formulação de modelos epidemiológicos. Se elas são resultado de agentes externos e sazonais, ou se surgem da dinâmica intrínseca da doença é uma questão em aberto. É sabido que termos de atraso temporal fixos desestabilizam o estado estacionário do modelo SIRS padrão, dando origem a oscilações sustentadas para certos valores dos parâmetros epidemiológicos. Neste trabalho, partindo do modelo SIRS padrão, estudamos uma generalização dos termos relativos ao tempo em que os agentes permanecem infectantes ou imunes. Apresentamos diagramas de oscilação (para as amplitudes e períodos de oscilação) em termos dos parâmetros do modelo, que mostram como a forma das distribuições destes tempos característicos (de infectividade e imunidade) influencia as oscilações. A formulação é feita em termos de equações diferenciais com atraso analisadas através de integração numérica e linearização. Também apresentamos uma simulação deste modelo ressaltando onde ela reforça os resultados do modelo determinístico e, onde isto não ocorre, o porque das divergências. Além destes modelos de campo médio, construímos um modelo de agentes para estudarmos a influência da mobilidade dos agentes na propagação de uma doença com dinâmica Suscetível-Infectante-Suscetível (SIS). Neste modelo, ao definirmos a taxa reprodutiva básica da doença com base nos parâmetros relevantes, vimos que a dependência do estado endêmico segue a mesma regra dos modelos de campo médio, porém o limiar epidêmico _e o mesmo que se obtém para a aplicação do modelo SIS em uma rede bidimensional. Outro resultado importante desta abordagem é o fato de que, dependendo da densidade de agentes, é possível obter estados endêmicos oscilatórios, que é o que em geral se vê na realidade mas que não _e reproduzido nos modelos de campo médio, apenas em modelos em que os contatos entre os agentes é definido através de uma rede. === The study of epidemic propagation has generated a series of researches proposing di erent models that tries to represent possible scenarios so that we could have more control over the propagation process. The aim of these studies is the ability not only of reproducing past epidemic evolutions but to forecast and, if possible, avoid new epidemic bursts or eradicate endemic states. Most of the research n this area are based on the Susceptible-Infective- Removed model, or SIR model, proposed by Kermack and McKendrick. Nevertheless, similar approaches using mathematical models or computational simulations have presented distinct behavior due to the fact that the rst assumes a constant removal rate, which represents an exponential distribution of the infectious period in the population, while simulations in general uses a xed infectious period identical to each individual in the population. In view of that, we have used a mathematical model which is a generalization of the SIR model using delayed equations, so that we can insert those time distributions explicitly into the equations. With this model, we show that the mathematical model can reproduce the average behavior of the time evolution given by simulations for several distributions and also the standard SIR model when we use an exponential distribution. We have done comparisons for model with and without vital dynamics and we show that the model with time delay can always reproduce the mean behavior of the simulations for all distributions tested. In addition, we can see that the time evolution of the epidemic spread is highly dependent on the infectious period distribution. When adding vital dynamics this dependence is also present in the epidemic threshold and endemic state. Given that this model allows us to use the population distribution of the infectious period, we applied it to study treatment policies where the e ect of such treatment reduces this period and we show that is possible to determine the minimum fraction of the population that must be treated in order to prevent an epidemic burst or an endemic state. Although the SIR model is very useful to model a great variety of diseases, it can only be applied to those where the infected individuals acquire permanent immunity or die with the disease. Nevertheless, there is a huge class of diseases where the acquired immunity is only temporary, so that the individuals become susceptible again after a given period. Such diseases have a typical evolution represented by the Susceptible-Infective- Removed-Susceptible model, or SIRS model. They usually have an endemic state with cyclic epidemic bursts. The existence of such oscillations in epidemics has been, since a very long time, a challenge for the formulation of epidemiological models. If they result from external and seasonal forces or if they emerge from the intrinsic dynamics of the disease is an open question. It is known that xed time delays destabilize the stationary states of the standard SIRS model, given rise to sustained oscillations for certain values of the epidemiological parameters of the model. In this work, starting from the standard SIRS model, we study a generalization of the terms relative to the infectious and immunity periods. We present oscillation diagrams (for the amplitude and period of oscillations) in terms of the parameters of the model, which shows how the shape of those characteristic time distributions (infectious and immunity) in uence the oscillations. The model formulation is made with integro-di erential equations with delay analyzed by numerical integration and linearization of the system. We also present a simulation of this model highlighting where it agrees with the results of the deterministic model and, when it diverges, explaining why it diverges. Along with those mean eld models, we have also built an agent based model to study the impact of agent mobility in the disease propagation of a Susceptible- Infective-Susceptible (SIS) dynamic. In this model, by de ning the basic reproduction rate in terms of the relevant parameters, we show that the endemic state has the same dependency on it as the mean eld models, but the epidemic threshold is the same as the one obtained by the implementation of the SIS model in a bidimensinal lattice. Another important result of this approach is the fact that, given the agents density, it is possible to obtain oscillatory endemic states, a common result in real diseases but absent in the mean eld models, being present only when the contact between agents is de ned by a network.
|
|---|
