Coronavírus: como tecnologia e matemática se tornaram arma contra a doença

Para prever a evolução da epidemia de coronavírus, todas as armas são úteis, incluindo os modelos matemáticos e as simulações por computador, embora sua margem de erro seja um risco, segundo especialistas.

Para construir esses modelos, são levados em consideração vários parâmetros relacionados ao vírus (como probabilidade de transmissão, probabilidade de morte, ou de cura de um indivíduo infectado) e ao comportamento das populações, começando por seus deslocamentos (tráfego aéreo, por exemplo).

Relacionadas

Coronavírus: app rastreia pessoas na China e alerta contato com infectado

Cidade fantasma: imagens de satélite mostram Wuhan antes e após coronavírus

Coronavírus na internet: hackers aproveitam surto para disseminar malware

Esses modelos matemáticos dão às autoridades sanitárias pistas sobre a amplitude da crise e sobre as medidas que se deve tomar.

Na sexta-feira, a ministra francesa da Saúde, Agnès Buzyn, declarou que o grupo dos países mais industrializados do mundo, o G7, está trabalhando em "modelos de diferentes cenários em função (...) da gravidade, da contagiosidade" da epidemia.

"Mas há um preço a pagar: quanto mais se tenta refinar o modelo, mais difícil será manipulá-lo e mais incerteza pode gerar", explica à AFP o pesquisador Arnaud Banos, do Centro de Pesquisas Científicas francês (CNRS).

Para tentar refletir o mais adequadamente possível a situação em tempo real, os pesquisadores fazem simulações injetando novos dados, constantemente, à medida que vão surgindo.

"Por exemplo, a aparição de um novo foco, ou de uma nova medida política, ou de saúde pública que o modelo não podia prever", acrescentou Banos.

Graças a esse tipo de modelo, uma equipe britânica da London School of Hygiene & Tropical Medicine estimou, esta semana, que, entre meados e final de fevereiro deve-se chegar ao pico da epidemia de coronavírus na cidade chinesa de Wuhan, seu epicentro.

"De qualquer maneira, subsistem várias incertezas sobre o momento exato em que isso acontecerá e sobre o número de casos que representará", adverte um dos autores, Adam Kucharski.

"Esta análise está assinada por uma equipe experiente e talentosa, mas, como sempre, a falta de dados disponíveis corre o risco de afetar suas previsões", comentou um cientista que não participou deste trabalho, professor Rowland Kao, da Universidade de Edimburgo.

No início de uma epidemia, os modelos podem induzir a erros, devido às inúmeras interrogações que permanecem. Este foi o caso, por exemplo, da segunda forma humana do mal da vaca louca, na segunda metade dos anos 1990.

"Alguns modelos, elaborados por prestigiosas equipes de pesquisa, haviam previsto até 136.000 casos até 2020, com muita incerteza sobre as previsões", lembra o epidemiologista francês, Arnaud Fontanet.

"Essas incertezas repousavam, em grande parte, sobre as hipóteses emitidas em torno da duração da incubação da doença", acrescenta.

A confiabilidade desse tipo de previsão "depende, porém, da natureza do processo modelizado e dos conhecimentos e incertezas que se incorporam ao modelo", destaca Arnaud Banos.

A Inteligência Artificial ganhou terreno na elaboração desses modelos.

"O objetivo é detectar o que se chamam sinais fracos, por exemplo, indivíduos em redes sociais que compartilham possíveis sintomas", explica Banos.

"A ideia é rastrear permanentemente quantidades gigantescas de dados para detectar esses sinais fracos automaticamente, para relacioná-los com a evolução de uma possível doença, a partir de um grande número de situações passadas", completou.

SIGA TILT NAS REDES SOCIAIS

• Twitter: https://twitter.com/tilt_uol
• Instagram: https://www.instagram.com/tilt_uol/
• WhatsApp: https://uol.page.link/V1gDd
• Grupo no Facebook Deu Tilt: http://bit.ly/FacebookTilt