Close

Multi-Model Outbreak Decision Support (MMODS)

O problema

A abundância de modelos para a COVID-19, com estruturas diferentes, cenários epidemiológicos, parâmetros e apresentações variados e, por vezes, projeções conflitantes, é um desafio para os tomadores de decisão. Em um artigo recente, propusemos um método para aproveitar a capacidade de diferentes modelos, utilizando ferramentas de análise de decisão, o parecer de especialistas e a agregação de modelos (Shea et al. 2020). Este projeto visa implementar a proposta no contexto da COVID-19. Nosso objetivo é gerar projeções agregadas imparciais e bem calibradas para diferentes intervenções, englobando a incerteza científica e logística, para melhor informar as decisões administrativas. Nessa abordagem, os insights podem ser compartilhados entre os grupos para informar a mesma decisão, mantendo a lógica de grupos individuais como parte da expressão total da incerteza.

 

Os objetivos gerais deste projeto são implementar esses procedimentos para uma série de decisões relacionadas à COVID-19; envolver um conjunto diversificado de grupos de modelagem com experiência em projeções estruturadas, colaborativas e por conjuntos; e desenvolver processos logísticos eficientes para gerenciar nosso esforço comunitário mais amplo. É um esforço complementar ao Hub de Previsão da COVID-19 desenvolvido por Nick Reich e seus colegas, com foco explícito em intervenções e decisões.

 

Especificamente, executaremos vários exercícios de projeção para abordar as principais decisões enfrentadas pelos gestores da COVID-19, incluindo quando e como flexibilizar as principais intervenções de distanciamento social (exercício I). Nos exercícios posteriores, usaremos conjuntos de modelos para avaliar estratégias de reabertura parcial mais sutis, decisões de intervenção em nível estadual e nacional, onde melhor testar vacinas e medicamentos, como priorizar a testagem e como otimizar a implementação de intervenções médicas. Solicitaremos para cada grupo participante criar um ou mais modelos que sintetizem sua melhor compreensão sobre a pandemia (ou seja, trataremos cada modelo como uma hipótese sobre a pandemia). Os resultados serão mantidos em sigilo dentro do grupo até a publicação ou a apresentação para os tomadores de decisão. Quando apresentados fora do grupo, somente a participação do modelo será divulgada (os resultados de modelos individuais serão anonimizados).

 

Procedimento

Usaremos princípios de análise de decisão para ajudar a estruturar as projeções e as análises dos modelos e adotaremos métodos consolidados na literatura especializada para que os resultados de vários grupos de modelagem possam contribuir com insights sobre o mesmo contexto de decisão e colaborar para uma resolução sucinta e de longo prazo para a pandemia.

 

Para cada exercício, seguiremos as seguintes etapas:

      1. Configuração. Apresentaremos um cenário de decisão, especificando o histórico epidemiológico (localização, trajetória da epidemia), os alvos do tomador de decisão (por exemplo, reduzir mortes, duração da epidemia etc.) e as intervenções a serem analisadas. Dados epidemiológicos e demográficos relevantes serão compartilhados.

      2. Projeções individuais 1. Solicitaremos para cada grupo de modelagem estimar de forma independente os resultados desejados para as intervenções alternativas, dando particular atenção à expressão da incerteza. Solicitaremos as distribuições de probabilidade para cada cenário de resultado e intervenção.

      3. Discussão em grupo. Compilaremos os resultados dos diferentes grupos de modelagem e os mostraremos (de forma anônima) em um formato que permita comparação rápida. Convocaremos uma discussão em grupo com todos os grupos de modelagem para explorar as semelhanças e diferenças, compartilhar insights e discutir as fontes de incerteza.

      4. Projeções individuais 2. Solicitaremos para cada grupo de modelagem projetar de forma independente os mesmos alvos para as intervenções alternativas, considerando os insights da discussão em grupo como acharem necessário. Solicitaremos novamente as distribuições de probabilidade.

      5. Agregação e análise. Agregaremos a segunda rodada de resultados em uma série de projeções por conjuntos que capture a incerteza dos grupos de modelagem e entre eles. Também realizaremos uma análise do valor da informação para identificar as fontes de incerteza que mais afetam a escolha de uma intervenção. O resumo deste trabalho deve ser uma análise que transmita ao tomador de decisão o desempenho esperado de cada uma das intervenções, usando as projeções por conjuntos, com uma compreensão do papel da incerteza.

 

Exercício I de elicitação: estratégias pós-lockdown

Observe que o Exercício 1 está em andamento e encontra-se fechado para novos participantes. Se quiser receber mais informações sobre elicitações futuras, envie um e-mail para os coordenadores do projeto: mmods@midasnetwork.us.

 

Cenário e condições iniciais:

Considere o cenário de um município de 100.000 habitantes nos EUA, que segue a distribuição de idade típica dos EUA e que iniciou e aderiu de forma preventiva às rigorosas orientações de distanciamento social (ou seja, restrição completa, com serviços não essenciais e escolas fechados) até 15 de maio de 2020. Até o dia 15 de maio de 2020, a cidade já tinha registrado 180 casos confirmados e 6 mortes (as séries cronológicas para ambos são apresentadas). Suponha que as restrições de viagens atuais (ou seja, parciais) permaneçam em vigor durante todo o exercício, de modo que nenhuma importação internacional seja permitida e as importações nacionais sejam limitadas.

 

O responsável pela tomada de decisão é o executivo da cidade, que tem autoridade para especificar orientações sobre a abertura dos estabelecimentos. O foco está nas decisões sobre distanciamento social e reabertura nos próximos meses, antes do início da temporada de gripe.

 

Resultados/objetivos da projeção:

O executivo do município indicou que está interessado em ponderar as compensações entre uma série de resultados, incluindo o impacto da doença na saúde pública, nos recursos hospitalares e na economia local. Para refletir esses objetivos, solicitamos aos grupos de modelagem participantes que abordassem cinco resultados (métricas):

      1. número acumulado de todos os indivíduos infectados até 15 de novembro
      2. número acumulado de mortes relacionadas à COVID de 15 de maio a 15 de novembro
      3. pico de hospitalizações de 15 de maio a 15 de novembro
      4. probabilidade de um novo surto local (mais de 10 novos casos notificados/dia) de 15 de maio a 15 de novembro
      5. número total de dias em que ambientes trabalho permaneceram fechados de 15 de maio a 15 de novembro

Intervenções:

Neste primeiro exercício, consideraremos apenas a flexibilização relacionada aos locais de trabalho. Solicitamos projeções de modelo para os quatro cenários de intervenção a seguir:

 

      1. manutenção do fechamento de serviços não essenciais e escolas de 15 de maio a 15 de novembro
        (cenário de linha de base com controle total)
      2. relaxamento do distanciamento social atual duas semanas depois do pico:
        ▪ abertura de serviços não essenciais apenas (as escolas permanecem fechadas até 15 de novembro)
      3. relaxamento do distanciamento social quando o número de novos casos diários atingir 5% do pico
        ▪ abertura de serviços não essenciais apenas (as escolas permanecem fechadas até 15 de novembro)
      4. relaxamento imediato de todas as restrições atuais em relação a serviços não essenciais
        (as escolas permanecem fechadas até 15 de novembro)

 

Por enquanto, não presuma nenhum teste local/rastreamento de contato físico e isolamento de indivíduos infectados; voltaremos a avaliar isso em uma elicitação futura. No entanto, fique à vontade para definir e apresentar os resultados de qualquer outro processo de relaxamento que você considere relevante ou interessante.

 

Os modelos devem fornecer uma distribuição de probabilidade completa dos resultados de cada intervenção, de modo que as probabilidades de cauda para o 2º e o 98º quantis sejam relativamente estáveis. Ou seja, queremos a distribuição de probabilidade dos resultados de cada intervenção, especificando a função de distribuição acumulada (ou seja, com 100 quantis).

 

Informações gerais sobre o seu modelo: forneça uma breve descrição do seu modelo, incluindo as suposições feitas sobre os principais parâmetros epidemiológicos, com incerteza paramétrica (por exemplo, transmissão, recuperação, R0, intervalo serial). Documente todas as fontes de variação em seu modelo usando a lista de verificação fornecida. Buscamos a expressão completa da incerteza nessas projeções. Por exemplo, a incerteza pode ser estrutural (ex.: pessoas assintomáticas devem ser modeladas explicitamente?) ou paramétrica em relação à biologia (ex.: qual é o tempo esperado entre casos sequenciais em uma cadeia de transmissão?), ao ambiente (ex.: qual é a taxa presumida de importações domésticas?) ou às intervenções (ex.: qual é o impacto esperado do distanciamento social?), ou pode haver outras fontes de estocasticidade. Outras incertezas importantes que podem ser analisadas incluem: capacidade de controle do distanciamento social, probabilidade de novas incursões capazes de desencadear uma segunda onda de infecções locais etc. Detalhes de qualquer calibração de modelo ou estrutura de inferência usada devem ser fornecidos (a lista de verificação será fornecida). Se algo não foi especificado, use o bom senso e inclua em sua modelagem da incerteza (e informe-nos em sua descrição do modelo e na lista de verificação). Não deixe de enviar suas dúvidas para mmods@midasnetwork.us, e forneça qualquer informação que achar pertinente para que possamos atualizar nossa lista de verificação para exercícios futuros.

Materiais:

Equipe principal do MMODS:

Katriona Shea1, Michael C. Runge2, Shou-Li Li3, William J.M. Probert4, Emily A. Howerton1, Rebecca K. Borchering1, Tiffany L. Bogich1, Wilbert van Panhuis5, Cécile Viboud6

 


 

1Departamento de Biologia e Centro de Dinâmica de Doenças Infecciosas, Universidade Estadual da Pensilvânia, Parque Universitário, PA, EUA.

2U.S. Geological Survey, Patuxent Wildlife Research Center, Laurel, MD, EUA.

3State Key Laboratory of Grassland Agro-ecosystems, Center for Grassland Microbiome e College of Pastoral, Agriculture Science and Technology, Universidade de Lanzhou, Lanzhou, República Popular da China.

4Big Data Institute, Li Ka Shing Centre for Health Information and Discovery, Universidade de Oxford, Oxford, RU.

5Departamento de Epidemiologia, Escola de Saúde Pública da Universidade de Pittsburgh, Pittsburgh, PA, EUA.

6Fogarty International Center, NIH, Bethesda, MD, EUA.

This site is registered on wpml.org as a development site.