Dois grandes eventos recentes caracterizam o objeto de estudo deste eixo: o desastre da barragem da Empresa Vale em Brumadinho e a pandemia da COVID-19. Por razões diversas, eventos agudos de grande intensidade causam enorme estresse às pessoas e aos sistemas de saúde. Há a necessidade imediata de planejamento de ações de atendimento das vítimas e mitigação de risco. Com muita frequência, os desastres e epidemias não podem ser planejados e são inéditos em sua natureza, significando que dados que possam ajudar no planejamento para lidar com os mesmos são inexistentes ou pouco robustos.
Usar a aprendizagem obtida com desastres e epidemias anteriores pode ser útil para orientar ações de saúde para lidar com doenças inéditas como a COVID-19. Ações de planejamento em saúde incluem atendimento rápido, adequado e equitativo dos sistemas de saúde para o aumento expressivo da demanda de indivíduos doentes, entendimento da distribuição da doença e definição dos grupos de risco (que mais se beneficiaram de vacinas e novos medicamentos quando disponíveis). No contexto da COVID-19, um uso importante da IA tem sido para observar e predizer a evolução da pandemia, lidando com uma quantidade enorme e sem precedentes de dados derivados da vigilância em saúde pública, monitoramento de surtos epidêmicos em tempo real, previsão/projeção de tendências, informações e atualizações regulares da situação de instituições e organismos governamentais e informações sobre a utilização dos serviços de saúde.99 Em um estudo recente, avaliamos o impacto de intervenções não farmacêuticas na transmissão de vírus e disseminação do SARS-CoV-2 no Brasil. O sequenciamento genômico de 427 novos genomas e a análise de um conjunto de dados genômicos geograficamente representativos de 21 dos 27 estados brasileiros identificaram mais de 100 introduções internacionais do SARS-CoV-2 no Brasil. Viagens aéreas nacionais durante esse período coincidiram com a disseminação do SARS-CoV-2 dos grandes centros urbanos para o resto do país. Nossos dados sugerem que as intervenções atuais permanecem insuficientes para manter a transmissão do vírus sob controle no Brasil.100 A experiência com a COVID-19 tem sido fundamental para entendermos como usar a IA no sentido de predizer o comportamento da epidemia na tentativa de melhor informar os gestores de saúde para organizarem os serviços e definirem intervenções não farmacêuticas, como o isolamento social. Um enorme desafio é colocar na equação da predição as grandes diferenças sociais, em especial nas grandes cidades, e dentro de um território que é maior do que toda a Europa.
Ao contrário da COVID-19, existem epidemias que se repetem com frequência obedecendo padrões apenas em parte esperados e previsíveis. A dengue, por exemplo, acontece apenas em épocas de chuva e calor, uma vez que necessita o crescimento do mosquito vetor Aedes aegypti, e obedece um ciclo de cada 2 ou 4 anos, a depender da cidade ou país em estudo. Aplicando um modelo de inferência bayesiana em casos geo-localizados de dengue, mostramos que os clusters de transmissão se expandem aumentando linearmente seu diâmetro com tempo. O diâmetro do cluster, a duração e o tamanho da epidemia são proporcionalmente menores quando as intervenções de controle foram mais oportunas e intensas.101 De fato, usando um modelo de transmissão estocástica baseado em dados entomológicos, epidemiológicos e populacionais detalhados e estimamos que o uso de inseticida de ultra-baixo volume evitou cerca de 24% dos casos sintomáticos ocorridos na área durante a temporada epidêmica de 2015-2016.102 Entretanto, apesar de sabermos bastante acerca da expansão do mosquito vetor, da necessidade de chuva e temperaturas adequadas para seu crescimento, que ciclos de doença ocorrem a cada 2-4 anos, é muito difícil prever com precisão o momento de entrada de dengue em determinado local.103 As duas últimas grandes epidemias de dengue em Belo Horizonte tiveram 160 mil e 115 mil casos em 2016 e 2019, respectivamente (dados da Secretaria de Saúde de Belo Horizonte). A primeira começando no final de Dezembro do ano anterior e a outra apenas em março de 2019. Sabendo que não existem formas de controle adequado da dengue ou de outras arboviroses (vacinas ou medidas adequadas de controle vetorial), preparar o sistema de saúde para lidar de forma coordenada e equitativa a este aumento de demanda não é simples. Em um estudo recente, avaliamos quantitativamente a utilidade de dados adquiridos pelo Twitter para a detecção e monitoramento precoces das epidemias de dengue,18 semanalmente, tanto ao nível de país quanto o de cidade. Demonstramos que os tweets podem estimar a incidência de dengue na semana atual (nowcasting), mas também prever a dengue em até 4 semanas no futuro, tanto no país quanto na cidade com alta capacidade de estimativa. Os dados obtidos do Twitter foram melhores que os dados disponíveis na web, no Google Trends e os registros de acesso à Wikipedia para prever o risco de dengue 18. De fato, o uso de Tweets com outros dados epidemiológicos apresenta boa performance na previsão de entrada e propagação de dengue em um centro urbano.103 Por outro lado, obter dados que permitam uma melhor definição geográfica da distribuição da doença em grande centros urbanos (regiões ou bairros) e que permitam uma boa separação entre dengue e outras arboviroses, como a zika e a chikungunya, é um enorme desafio. Em nossa experiência prévia com o Observatório da Dengue, notamos que o gestor municipal, aquele que toma as decisões que mais importam à população, tem dificuldade em entender o potencial do uso de IA para acompanhar epidemias e planejar ações de saúde para mitigar seus efeitos.
Os desastres ambientais são cada vez mais frequentes em todo mundo, causando, muitas vezes, transtornos mentais e doenças diversas nas populações afetadas. As cidades de Mariana e Brumadinho foram palco de graves desastres provocados pelo rompimento de barragens de rejeitos de minério, com enormes repercussões sociais, ambientais e de saúde. Estudos mostram que a crise pós-desastre afeta inicialmente a estrutura típica diária, o que impacta principalmente grupos vulneráveis, como crianças e idosos. Esse público está em fases da vida mais sensíveis aos transtornos mentais e são ainda mais vulneráveis diante da desorganização da estrutura social e do núcleo familiar. A mudança brusca da realidade e as perdas podem trazer danos fisiológicos e psíquicos, levando a quadros preocupantes como comprometimento do desenvolvimento cognitivo, ansiedade, depressão e suicídio. Assim, somado à grande ênfase na mitigação, mais pesquisa em níveis regional e local são necessárias, para compreender adequadamente, preparar e adaptar frente aos impactos dos desastres ambientais 104–106. Uma abordagem disciplinada, de longo prazo, para estudar esses problemas, envolvendo órgãos de saúde pública e comunidades clínicas e acadêmicas, é necessária para se compreender de forma abrangente o significado do impacto desses eventos na saúde das populações afetadas.
Em comum os desastres e os eventos epidêmicos trazem o enorme desafio de planejar as ações de saúde de forma coordenada e equitativa, para que o impacto dos eventos nas populações seja o menor possível. Mais ainda, levar com que os “gestores na ponta da linha” (municipais) compreendam seu valor, seu uso, limites e vantagens, para que ações possam ser tomadas de forma rápida e eficaz.
Pesquisadores principais: Mauro Teixeira, Cesar Victora, Marco Romano-Silva, Carla Freitas, Jaime Ramirez, Jussara Almeida
Referências:
18. Marques-Toledo C de A, Degener CM, Vinhal L, Coelho G, Meira W, Codeço CT, et al. Dengue prediction by the web: Tweets are a useful tool for estimating and forecasting Dengue at country and city level. PLoS Negl Trop Dis. 2017 Jul;11(7):e0005729.
99. Bragazzi NL, Dai H, Damiani G, Behzadifar M, Martini M, Wu J. How Big Data and Artificial Intelligence Can Help Better Manage the COVID-19 Pandemic. Int J Environ Res Public Health [Internet]. 2020 May 2;17(9). Available from: http://dx.doi.org/10.3390/ijerph17093176
100. Candido D da S, Claro IM, de Jesus JG, Souza WM de, Moreira FRR, Dellicour S, et al. Evolution and epidemic spread of SARS-CoV-2 in Brazil [Internet]. Infectious Diseases (except HIV/AIDS). medRxiv; 2020. Available from: https://www.medrxiv.org/content/10.1101/2020.06.11.20128249v1
101. Guzzetta G, Marques-Toledo CA, Rosà R, Teixeira M, Merler S. Quantifying the spatial spread of dengue in a non-endemic Brazilian metropolis via transmission chain reconstruction. Nat Commun. 2018 Jul 19;9(1):2837.
102. Marini G, Guzzetta G, Marques Toledo CA, Teixeira M, Rosà R, Merler S. Effectiveness of Ultra-Low Volume insecticide spraying to prevent dengue in a non-endemic metropolitan area of Brazil. PLoS Comput Biol. 2019 Mar;15(3):e1006831.
103. Marques-Toledo CA, Bendati MM, Codeço CT, Teixeira MM. Probability of dengue transmission and propagation in a non-endemic temperate area: conceptual model and decision risk levels for early alert, prevention and control. Parasit Vectors. 2019 Jan 16;12(1):38.
104. Adeola FO. Hazardous Wastes, Industrial Disasters, and Environmental Health Risks [Internet]. 2011. Available from: http://dx.doi.org/10.1057/9780230339538
105. Shultz JM. Perspectives on disaster public health and disaster behavioral health integration [Internet]. Vol. 2, Disaster Health. 2014. p. 69–74. Available from: http://dx.doi.org/10.4161/dish.24861
106. Goldstein BD. Broadening the Mandate of the Incident Command System to Address Community Mental and Behavioral Health Effects as Part of the Federal Response to Disasters. Curr Environ Health Rep [Internet]. 2020 Jun 27; Available from: http://dx.doi.org/10.1007/s40572-020-00283-4
