Mudanças na definição de vacina/vacinação do CDC

Fonte: Hakan Nural em unsplas

CDC é a sigla do Centro para Controle e Prevenção de Doenças, o órgão público americano para acompanhamento de todos os tipos de doença nos Estados Unidos. Anteriormente chamado de Centro para Doenças Comunicáveis, teve a palavra Prevenção incluida no seu nome em 1992 como consequência direta da tendência que se estabelecia naquele momento de enfatizar a prevenção como ferramenta indispensável para o combate e o controle de qualquer doença. 

Como agência sanitária do país que mais investe em ciência (e medicina), trata-se de um instituto com inserção de protagonista em qualquer assunto ligado à saude da humanidade. Assim, ele rivaliza com a Organização Mundial de Saude em termos de relevância e estabelecimento de padrões para compreensdão da saude no nosso planeta. Essa rivalidade é em geral amistosa e colaborativa mas não passa desapercebida pela mídia. 

Sendo uma referência mundial, é no minimo ilustrativo ver as definições que esse organismo atribui a palavras tão relevantes como vacina e vacinação. Para isso, basta acessar aqui. Mas o ponto relevante aqui é que essa definição acaba de ser divulgada. Portanto, vale a pena comparar as definições atuais e anteriores e entender o que mudou e porque mudou.

A definição anterior para vacina dizia "um produto que estimula o sistema imune de uma pessoa a produzir imunidade contra uma doença específica", enquanto o texto anterior para vacinação dizia "o ato de introduzir uma vacina em um corpo para produzir imunidade contra uma doença específica". A mudança foi julgada necessária porque, embora ambos os trechos não dissessem isso, as definições poderiam ser interpretadas (e efetivamente o foram) como garantia de imunidade total, ou seja, obtida com 100% de certeza. Isso nenhuma vacina oferece mas muitos agentes no atual cenário exploraram essa inevitável dose de incerteza para gerar desconhecimento e promover a campanhas contra essa particular vacinação.

Em linha com as preocupações externadas na nossa última postagem, o CDC resolveu se precaver contra possíveis maus usos de suas afirmações e promoveu as mudanças. No caso de vacinação, a palavra imunidade, que é comumente associada a certezas, foi trocada por proteção, que não carrega o fardo da infalibilidade. Para a definição de vacina, a troca foi mais abrangente e trocou a frase citada no parágrafo acima por "um preparado que é usado para estimular o sistema imune de uma pessoa contra doenças".  A chave foi remover a expressão "promover imunidade", de novo com o mesmo objetivo.

A interpretação feita acima sobre os motivos para a mudança foram apresentados por um assessor de imprensa do próprio CDC, como informado pela midia americana. Mesmo com todo esse cuidado, foram levantadas especulações sobre outros possíveis motivos para a mudança, como atesta o tweet de um congressista americano.

Era esperado que uma mudança como essa em plena pandemia não passasse imune a críticos em geral, especialmente entre aqueles que são contra vacinação ou que nutrem dúvidas a respeito de sua eficácia. De fato, as vacinas não garantem a imunidade com 100% de certeza. Associar alguma incerteza, por menor que seja, a algum procedimento necessário abre a possibilidade de sua adoção ser questionada. E isso pode levar até à rejeição do procedimento, dependendo da penetração desse questionamento em determinados setores da sociedade.

Sendo assim, não custa reafirmar que a introdução das vacinas contra a COVID19 pode não ter conseguido erradicar a doença como alguns acreditaram mas foram extremamente relevantes para diminuição de número e severidade dos casos confirmados. Além disso, promoveram uma significativa redução na mortalidade associada a essa doença. Como o próprio assessor do CDC cuidou de ressaltar, o mais importante não é a mudança na nomenclatura mas sim "o fato que a vacina e a vacinação preveniram milhões de doenças e salvaram um incontável número de vidas".

Os números por trás da vacinação infantil contra a COVID19

 

Fonte: Andrew Medichini/AP

A postagem desta semana volta ao tema da vacinação contra a COVID19. Até o momento, o Brasil adquiriu uma taxa de cobertura vacinal igual ou até mesmo superior à de alguns paises desenvolvidos. Isso só foi possivel graças à enorme capilaridade do sistema de vacinação implantado no país. Entretanto, essa taxa ainda se mostrou insuficiente para atingir a chamada imunidade de rebanho e conter o avanço da pandemia, especialmente com o surgimento de novas variantes como a Ômicron. 

Países ao redor do mundo se depararam com essa situação e tomaram o aumento da cobertura para outras parcelas da população como estratégia de mitigação dos efeitos adversos. Paralelamente, começaram a haver experimentos científicos ao redor do mundo para verificar a viabilidade da utilização da imunização para crianças entre 5 e 11 anos. Esses estudos mostraram que a estratégia era benéfica e iniciaram suas campanhas de vacinação em massa para crianças nessa faixa etária. O renomado Center for Disease Control (CDC) dos Estados Unidos foi bastante enfático ao recomendar sem hesitação que todos indivíduos acima de 5 anos sejam vacinados. A foto acima foi tomada na campanha realizada na Itália.

Obviamente, todos os cuidados foram tomados especialmente no que diz respeito aos possíveis aspectos adversos da vacina, os chamados efeitos colaterais. Foi detectado que a vacina da Pfizer se servia bem a esses propósitos (com dosagem inferior à adotada para adultos). No caso específico de miocardite, um dos principais efeitos colaterais da vacina, foi verificado que entre os mais de 7 milhões de vacinas aplicadas a crianças, apenas 8 relataram a presença de miocardite, todas com sintomas moderados e nenhuma delas indo a óbito. Essa conta leva a uma taxa de cerca de 1 caso (não letal) a cada 1 milhão de crianças. 

Esse número pode ser comparado com a mortalidade de crianças com 5 a 11 anos aqui no Brasil. De acordo com nota técnica do CONASS (Conselho Nacional de Secretarias de Saude), já houve 301 mortes por COVID19 para essa faixa etária. O número parece baixo e até vem sendo usado para justificar a não adoção da imunização para essa faixa etária. Obviamente, esse número é enorme para as 301 famílias enlutadas.

Entretanto, temos cerca de 20,5 milhões de brasileiros nessa faixa etária. Ao fazer as contas, verificamos que a taxa de mortalidade é de 14,6 mortes para cada 1 milhão de crianças. Essa taxa é muito superior à taxa de ocorrência dos efeitos colaterais mais preocupantes com a vacina

Assim a escolha é adotar uma medida que tem risco de adoecimento (e não morte!) de 1 a cada 1 milhão ou manter o estado atual de 14,6 mortes a cada 1 milhão? A resposta me parece óbvia.

Então, porque está havendo reação adversa ao uso imediato da vacina no Brasil para crianças entre 5-11 anos? Não sei explicitar os motivos mas o que vejo em alguns sites é um uso deliberado de informação de maneira parcial, a ponto de negar o que o próprio detentor da informação preconiza (ao ponto de dizerem que essa vacina não é uma vacina). Além disso, os que se posicionam contra a adoção da vacina entendem que seria preciso esperar vários anos para que pudesse ser estabelecida a relevância da adoção dessa vacina.

O próprio caso da vacinação mundial de adultos é a maior evidência contra esse argumento. A drástica redução nos casos e, principalmente, nas mortes experimentadas ao redor do mundo após a introdução da imunização deveriam ser prova mais do que eloquente do acerto dessas medidas. Num entendimento mais geral, a Ciência não se baseia em achados eventuais. Ela define critérios claros necessários para certificação de uma prática em qualquer que seja a área do saber. No caso específico da Medicina, a humanidade já acumulou séculos de experiência para lidar com as avaliações de risco inerentes a qualquer prática de intervenção em seres humanos. Já existe um robusto arsenal de ferramentas que indicam os melhores caminhos a serem adotados. [Os poucos números que apresentei acima são apenas um exemplo, para o caso de COVID19 em crianças.]

É claro que se quisessemos poderiamos colocar uma lupa apenas nos aspectos negativos de uma medida que não nos agrade e ignorar os aspectos positivos. Essa é uma opção de vida. No meu caso, prefiro acreditar na Ciência e na sua capacidade de acumular coerentemente conhecimento. Só isso irá permitir uma ponderada avaliação dos riscos associados a cada medida e de adotar sempre aquela de menor risco. É isso que o CDC dos Estados Unidos, a ANVISA do Brasil e outros órgãos reguladores da saude em todo o mundo vem fazendo.

Projeto CovidLP 2021

Fonte: www.routledge.com/Building-a-Platform-for-Data-Driven-Pandemic-Prediction-From-Data-Modelling/Gamerman-Prates-Paiva-Mayrink/p/book/9780367709976

Antes de escrever qualquer frase, gostaria de desejar um Feliz ano de 2022 para todos os apoiadores/leitores do StatPop. 

Estou há mais de 1 ano sem postar e 2 anos sem retornar ao regime usual do StatPop de postagens semanais. O primeiro pedido que devo fazer é o de desculpas àqueles que se acostumaram a ler essas postagens das 3as feiras. Como todos estão cientes, a humanidade sofreu mudanças drásticas devido à pandemia de COVID-19. Várias pessoas tiveram modificações profundas nos seus hábitos tanto pessoais quanto profissionais e o StatPop não ficou imune.

Por motivos profissionais, me envolvi em inúmeros projetos interessantes e com forte impacto para a sociedade, em consonância com o compromisso deste blog. Mas o fato é que eles acabaram desviando o foco do StatPop. Um desses projetos é um outro blog de popularização da Estatística, desenvolvido pelo International Statistical Institute. Fui convidado para ser contribuinte com textos eventuais, como já havia informado aqui, sendo o ultimo publicado em fevereiro de 2021. Outro projeto fascinante é o de utilização de metodologia estatística que recentemente desenvolvemos para entender aspectos da história de ocupação da Amazônia pelo homem, desde antes da sua "colonização". Pretendo tratar desses assuntos interessantes em postagens futuras.

Mas o maior responsável pelo afastamento do StatPop foi sem dúvida o Projeto CovidLP.  Esse projeto já superou e muito as expectativas originais, quando da sua criação e segue crescendo. Ele contou em 2020 com uma extraordinária equipe de colaboradores voluntários, basicamente alunos de pós-graduação da UFMG. Em 2021, a equipe diversificou para incluir também alunos de outras instituições (UFRJ) e alunos de graduação.

Até agora, o projeto já gerou um site com informações sobre ele, um aplicativo contendo as previsões de casos e óbitos, o software PandemicLP contendo os códigos necessários para usuários reproduzirem nossas análises em seus conjuntos de dados e, mais recentemente, o livro Building a Platform for Data-Driven Pandemic Prediction: From Data Modelling to Visualisation - The CovidLP Project, publicado pela Chapman & Hall. A capa do livro é a imagem do início desta postagem

Com 382 páginas e 105 figuras ou diagramas, o livro foi publicado em setembro do ano passado, com um sumário de toda a informação gerada no projeto tanto em termos de metodologia estatística quanto em termos que avanço computacional com vistas à disponibilização de dados e de previsões. Todo esse trabalho foi realizado sobre a base gerada pela equipe de 2020, que permaneceu até início de 2021.

O projeto trabalha com uma equipe renovada de voluntários desde maio de 2021. Desde então, parte do tempo foi consumida para treinar a nova equipe para entender em que situação se encontrava o projeto e o que já havia sido atingido. Só assim foi possível habilita-los a encarar os desafios do projeto. Essa equipe também teve um desempenho exemplar e ao final do ano já podiam ser vislumbradas algumas novas funcionalidades. O projeto deverá em breve incorpora-las em breve após realizar testagem mais abrangente sobre elas. 

As mais importantes novidades serão o uso de distribuições amostrais mais flexíveis para os dados, com uma mais apropriada atribuição de incerteza nas previsões, e a recuperação da história do projeto, com a disponibilização da sequencia de previsões que o projeto gerou para cada pais/estado em um formato dinâmico. Além disso, haverá aumento de funcionalidades e do número de opções do PandemicLP. O StatPop irá repercutir esses novos avanços à medida que eles sejam alcançados.

Mais geralmente, pretendemos voltar a manter este blog ativo, com alguma periodicidade. Retomar a periodicidade semanal seria o ideal mas isso talvez seja pedir muito agora. Uma das leis da natureza é que os filhos eventualmente saem de casa/ninho e dependem progressivamente menos da tutela paterna para progredir de forma mais autonoma e viverem suas vidas. 

Isso vale também para os projetos, como o CovidLP, que funcionam como "filhos", oriundos da profissão de cada um. Esse projeto já adquiriu maturidade e o estágio atual do CovidLP já permite aos seus membros maior autonomia. Com isso, facilita ao direcionamento de parte da nossa atenção para outros projetos de disseminação da ciência que nos são igualmente caros, como o StatPop. Essa é intenção para 2022.

 

Como pensar como um epidemiologista

https://www.nytimes.com/ (James Steinberg)

O texto com o título acima, escrito pela jornalista canadense Siobhan Roberts, foi publicado na semana passada pelo jornal americano The New York Times com o sub-título "Não se preocupe, um pouco de análise Bayesiana não lhe fará mal". O texto faz um apanhado de como a inferência Bayesiana pode ser útil em análises práticas, inclusive no período da pandemia. Ele reflete posições externadas em repetidas postagens aqui no StatPop. Mas como é um texto recente, atual e veiculado em mídia de alcance internacional, achei por bem reproduzi-lo aqui em português, para a compreensão de todos. Segue abaixo o texto da matéria...

"Há uma réplica de um estatístico - às vezes oferecida como uma crítica irônica, às vezes como um conselho honesto - que dificilmente poderia ser um lema melhor para nossos tempos: "Atualize suas prioris!"

No jargão das estatísticas, prioris são seus conhecimentos e crenças anteriores, inevitavelmente confusos e incertos, antes de ver as evidências. As evidências promovem uma atualização; e, em seguida, mais evidências solicitarão atualizações adicionais, e assim por diante. Este processo iterativo aprimora maior certeza e gera um acúmulo coerente de conhecimento.

No início da era pandêmica, por exemplo, a transmissão aérea da Covid-19 não era considerada provável, mas no início de julho a Organização Mundial da Saúde, com crescentes evidências científicas, admitiu que era um fator, especialmente em ambientes fechados. A OMS atualizou seus antecedentes e mudou seus conselhos.

Este é o cerne da análise bayesiana, em homenagem a Thomas Bayes, um ministro presbiteriano do século 18 que fazia matemática paralelamente. Ele captura a incerteza em termos de probabilidade: o teorema, ou regra, de Bayes é um dispositivo para atualizar racionalmente suas crenças e incertezas anteriores com base em evidências observadas.

O reverendo Bayes expôs suas idéias em “Um ensaio para a solução de um problema na doutrina das chances”, publicado postumamente em 1763; foi refinado pelo pregador e matemático Richard Price e incluiu o teorema de Bayes. Alguns séculos depois, as estruturas e métodos bayesianos, movidos por computação, estão no centro de vários modelos em epidemiologia e outros campos científicos.

Como Marc Lipsitch, epidemiologista de doenças infecciosas de Harvard, observou no Twitter, o raciocínio bayesiano chega muito perto de sua definição de racionalidade. “À medida que aprendemos mais, nossas crenças devem mudar”, disse Lipsitch em uma entrevista. “Um extremo é decidir o que você pensa e ser imune a novas informações. Outro extremo é privilegiar demais a última coisa que você aprendeu. Em termos gerais, o raciocínio bayesiano é uma maneira baseada em princípios de integrar o que você pensava anteriormente com o que aprendeu e chegar a uma conclusão que incorpora os dois, dando-lhes pesos apropriados.”

Com uma nova doença como a Covid-19 e todas as incertezas que ela traz, há um grande interesse em estabelecer os parâmetros dos modelos: Qual é o número de reprodução básico, a taxa com que surgem novos casos? Quão mortal é isso? Qual é a taxa de mortalidade por infecção, a proporção de pessoas com o vírus que ele mata?

Mas não adianta tentar estabelecer números fixos, disse Natalie Dean, professora assistente de bioestatística da Universidade da Flórida.

“Devemos nos concentrar menos em encontrar a única 'verdade' e mais em estabelecer um intervalo razoável, reconhecendo que o valor verdadeiro pode variar entre as populações”, disse o Dr. Dean. “As análises bayesianas nos permitem incluir essa variabilidade de forma clara e, em seguida, propagar essa incerteza por meio do modelo.”

Uma aplicação de livro-texto do teorema de Bayes é o teste de sorologia para Covid-19, que procura a presença de anticorpos para o vírus. Todos os testes são imperfeitos e a precisão de um teste de anticorpos depende de muitos fatores, incluindo, de maneira crítica, a raridade ou prevalência da doença.

O primeiro teste de anticorpos contra SARS-CoV-2 aprovado pelo F.D.A., em abril, parecia estar errado com a mesma frequência com que estava certo. Com o teorema de Bayes, você pode calcular o que você realmente deseja saber: a probabilidade de que o resultado do teste esteja correto. Como dito em um comentário do Twitter: "Compreender o teorema de Bayes é uma questão de vida ou morte agora."

A lógica da incerteza

Joseph Blitzstein, um estatístico de Harvard, investiga a utilidade da análise bayesiana em seu popular curso “Estatística 110: Probabilidade”. Para uma cartilha, na aula um, ele diz: “Matemática é a lógica da certeza, e estatística é a lógica da incerteza. Todo mundo tem incerteza. Se você tem 100 por cento de certeza sobre tudo, há algo errado com você. ”

No final da aula quatro, ele chega ao teorema de Bayes - seu teorema favorito porque é matematicamente simples, mas conceitualmente poderoso.

“Literalmente, a prova é apenas uma linha de álgebra”, disse Blitzstein. O teorema se reduz essencialmente a uma fração; expressa a probabilidade P de algum evento A acontecer, dada a ocorrência de outro evento B.

"Ingenumente, você pensaria: quanto você poderia conseguir com isso?" Dr. Blitzstein disse. “Acontece que tem consequências incrivelmente profundas e é aplicável a quase todos os campos de investigação” - desde finanças e genética até ciências políticas e estudos históricos. A abordagem bayesiana é aplicada na análise das disparidades raciais no policiamento (na avaliação das decisões dos policiais para revistar os motoristas durante uma parada de trânsito) e nas operações de busca e resgate (a área de busca diminui à medida que novos dados são adicionados). Os cientistas cognitivos perguntam: "O cérebro é bayesiano?" Os filósofos da ciência postulam que a ciência como um todo é um processo bayesiano - assim como o senso comum.

Considere o teste de diagnóstico. Neste cenário, a configuração do teorema de Bayes pode usar eventos rotulados como "T" para um resultado de teste positivo - e "C" para a presença de anticorpos Covid-19:

Agora, suponha que a prevalência de casos seja de 10 por cento (era assim na cidade de Nova York na primavera) e você tenha um resultado positivo de um teste com precisão de 87,5 por cento de sensibilidade e 97,5 por cento de especificidade. Passando os números pelas engrenagens bayesianas, a probabilidade de que o resultado esteja correto e de que você realmente tenha anticorpos é de 79,5%. Probabilidades decentes, considerando tudo. Se você quer mais certeza, peça uma segunda opinião. E continue a ser cauteloso.

Uma colaboração internacional de pesquisadores, médicos e desenvolvedores criou outra estratégia bayesiana, combinando o resultado do teste com um questionário para produzir uma estimativa melhor se o resultado pode ser um falso negativo ou um falso positivo. A ferramenta, que ganhou dois hackathons, coleta informações contextuais: Você foi trabalhar durante o bloqueio? O que você fez para evitar pegar a Covid-19? Alguém em sua casa teve Covid-19?

“É um pouco semelhante a ter dois 'especialistas médicos'”, disse Claire Donnat, que recentemente concluiu seu doutorado em Estatística em Stanford e fazia parte da equipe. Um especialista tem acesso aos sintomas e antecedentes do paciente, o outro ao teste; os dois diagnósticos são combinados para produzir uma pontuação mais precisa e estimativas de imunidade mais confiáveis. As prioris são atualizadas com uma agregação de informações.

“À medida que novas informações chegam, atualizamos nossas prioris o tempo todo”, disse Susan Holmes, uma estatística de Stanford, através da instável internet da zona rural de Portugal, onde ela inesperadamente passou 105 dias de pandemia, enquanto visitava sua mãe.

Essa foi a base a partir da qual o Dr. Holmes refinou um artigo recente, em coautoria com o Dr. Donnat, que fornece outro exemplo de análise bayesiana, em termos gerais. Observando as primeiras pesquisas em março sobre como a pandemia pode evoluir, eles notaram que os modelos epidemiológicos clássicos tendem a usar parâmetros fixos, ou constantes, para o número de reprodutibilidade - por exemplo, com um R0 de 2,0.

Mas, na realidade, o número de reprodução depende de fatores aleatórios e incertos: cargas virais e suscetibilidade, comportamento e redes sociais, cultura e classe socioeconômica, clima, ar condicionado e outros fatores desconhecidos.

Com uma perspectiva bayesiana, a incerteza é codificada na aleatoriedade. Os pesquisadores começaram supondo que o número de reprodutibilidade tinha várias distribuições (os prioris). Em seguida, eles modelaram a incerteza usando uma variável aleatória que flutua, assumindo uma faixa de valores tão pequena quanto 0,6 e tão grande quanto 2,2 ou 3,5. Em algo semelhante a um processo de aninhamento, a própria variável aleatória tem parâmetros que flutuam aleatoriamente; e esses parâmetros também têm parâmetros aleatórios (hiperparâmetros), etc. Os efeitos se acumulam em uma "hierarquia bayesiana" - "tartarugas por todo o lado", disse Holmes.

Os efeitos de todas essas flutuações aleatórias para cima e para baixo se multiplicam, como os juros compostos. Como resultado, o estudo descobriu que o uso de variáveis ​​aleatórias para números de reprodutibilidade prevê de forma mais realista os eventos de cauda arriscados, os eventos de superespalhamento mais raros, porém mais significativos.

Os humanos sozinhos, no entanto, sem um modelo bayesiano de bússola, são notoriamente ruins em compreender o risco individual.

“As pessoas, incluindo crianças muito pequenas, podem usar a inferência bayesiana inconscientemente”, disse Alison Gopnik, psicóloga da Universidade da Califórnia, em Berkeley. “Mas eles precisam de evidências diretas sobre a frequência dos eventos para fazer isso.”

Muitas das informações que orientam nosso comportamento no contexto da Covid-19 são probabilísticas. Por exemplo, por algumas estimativas, se você for infectado com o coronavírus, há uma chance de 1 por cento de morrer; mas, na realidade, as chances de um indivíduo podem variar em mil vezes ou mais, dependendo da idade e de outros fatores. “Para algo como uma doença, a maioria das evidências é geralmente indireta, e as pessoas são muito ruins em lidar com informações probabilísticas explícitas”, disse Gopnik.

Modelagem de Humildade 

Mesmo com evidências, revisar crenças não é fácil. A comunidade científica lutou para atualizar suas prioris sobre a transmissão assintomática de Covid-19, mesmo quando surgiram evidências de que é um fator e que as máscaras são uma medida preventiva útil. Isso provavelmente contribuiu para a lenta resposta do mundo ao vírus.

“Os problemas surgem quando não atualizamos”, disse David Spiegelhalter, estatístico e presidente do Centro Winton para Comunicação de Evidências e Riscos da Universidade de Cambridge. “Você pode interpretar o viés de confirmação, e muitas das maneiras pelas quais reagimos mal, por sermos lentos demais para revisar nossas crenças.”

Existem técnicas que compensam as deficiências bayesianas. Dr. Spiegelhalter gosta de uma abordagem chamada lei de Cromwell. “É o paraíso”, disse ele. Em 1650, Oliver Cromwell, Lorde Protetor da Comunidade da Inglaterra, escreveu em uma carta à Igreja da Escócia: “Eu te suplico, nas entranhas de Cristo, pense possível que você esteja enganado”.

No mundo bayesiano, a lei de Cromwell significa que você deve sempre "mantenha um pouquinho - um pouco que seja de probabilidade, mesmo minúsculo - para o fato de que você pode estar errado", disse o Dr. Spiegelhalter. “Então, se aparecerem novas evidências que contradigam totalmente sua principal crença anterior, você pode rapidamente abandonar o que pensava antes e pular para essa nova forma de pensar.”

“Em outras palavras, mantenha a mente aberta”, disse o Dr. Spiegelhalter. “Essa é uma ideia muito poderosa. E não precisa necessariamente ser feito técnica ou formalmente; pode estar apenas no fundo da sua mente, como uma ideia. Chame isso de 'modelagem de humildade'. Você pode estar errado.”

Statisticians React to the News

https://blog.isi-web.org/react/

Essa postagem é para divulgar mais uma iniciativa do International Statistical Institute (ISI), agora voltada para a discussão de como o estatístico deve se comunicar com a mídia e uma avaliação de como a Estatística deve ser tratada pela mídia. O tema é bastante amplo e contempla a questão da comunicação do estatístico com a sociedade. 

A idéia do ISI é fazer um blog com postagens semanais tendo reflexões de estatísticos ao redor do mundo sobre a comunicação de Estatística através da mídia. O nome do blog é Statisticians React to the News, que seria traduzido como algo do tipo Estatísticos Reagem às Notícias. Trata-se portanto de um blog muito similar em espírito ao StatPop, embora seja voltado mais para a questão da divulgação pela mídia formal. O StatPop tem um foco mais amplo envolvendo todo tipo de divulgação da Estatística, incluindo artigos científicos, artigos de divulgação, congressos, uso de Estatística pelas outras áreas da Ciência e também, por que não, a divulgação pela mídia tradicional.

Tive o prazer de ser convidado para fazer parte da equipe de articulistas desse blog e aceitei o desafio de imediato. Embora eu não conheça nenhum outro membro da equipe, acredito que ela deva ser bastante ampla pois demanda de postagens solicitada é de 2 por ano. Também foram aventadas outras formas de colaboração com o blog. Assim, estimo que devam ao menos algumas dezenas de membros na equipe. 

O blog acaba de ser lançado na semana passada. A postagem inicial não podia ser sobre algo diferente de uma reflexão da cobertura da mídia sobre as estatísticas da pandemia. Essa questão foi determinante para que os proponentes do blog criassem esse forum com a proposta mais ampla descrita acima. Ele serviria para que os estatísticos tivessem um espaço próprio para refletir sobre questões desta natureza. 

Assim, pareceu natural que eu propusesse minha postagem sobre algum dos vários aspectos da pandemia que tenho trazido aqui para o StatPop. Dada a natureza internacional do blog, a postagem que me pareceu mais relevante foi a postagem divulgada em meados do mes passado. Enviei uma tradução essa proposta para a editora do blog, uma pesquisadora de Estatística, responsável pela captação e adequação do material. Junto com o comitê consultivo, também formado por pesquisadores de Estatística, ela decide os temas e autores das postagens e a ordem com que eles serão tratados e veiculados no blog.

Para minha surpresa, ela gostou do que leu. Após algumas muito boas sugestões de revisão do material, o texto foi finalizado e saiu publicado hoje. Fiquei feliz de fazer parte de mais esse esforço de divulgação da Estatística, agora a nível internacional. Espero que outros textos instigadores sejam publicados e que esse blog cumpra a função para a qual foi criado e abraçado pelo ISI.

Atualizações na pandemia e no projeto CovidLP

http://est.ufmg.br/covidlp/home/pt/home/instrucoes

O projeto CovidLP foi descrito aqui há algumas postagens. Desde então muita coisa aconteceu dentro e fora do projeto com relação à Covid19. Gostaria de falar aqui sobre algumas delas. Elas envolvem novas manifestações da pandemia e a resposta do projeto a elas, bem como outras novidades do projeto. Procurarei descrevê-las aqui na medida do seu relacionamento com o projeto.

O primeiro e mais importante aspecto dessa pandemia é o afastamento do padrão estabelecido para pandemias/epidemias. Normalmente uma epidemia apresenta um comportamento de aumento de casos seguido de um decréscimo nos casos. Esse padrão segue a lógica do crescente aumento da infecção devido ao maior número de suscetíveis, seguido do decréscimo decorrente da diminuição desse último número. Entretanto, esse padrão tem sido quebrado pela mudança no nível de isolamento. Com o relaxamento do isolamento, novos grupos de suscetíveis se expõe ao contágio, permitindo uma nova onda de crescimento. Essa epidemia já havia exibido esse comportamento em alguns poucos países. O caso mais vistoso era o do Iran. Neste momento, que vários países já encerraram um seu (primeiro?) ciclo, estamos vendo esse ressurgimento de crescimento de contagens em uma série de países, como Estados Unidos.

Um fenômeno aparentemente similar tem sido observado em alguns países. Se o país é muito heterogêneo, o comportamento da pandemia em suas diferentes regiões tem diferenças marcantes. O início da pandemia varia muito temporalmente. No caso do Brasil, a pandemia começou pelos estados de Rio de Janeiro e São Paulo, onde estão situados os principais pontos de entrada de estrangeiros no país: os aeroportos. Além disso, o próprio formato do crescimento depende de políticas de testagem e, principalmente de políticas de isolamento, sobre os quais as decisões em esfera estadual tem grande relevância. Apesar de diferentes, esse fenômeno pode ter uma expressão em número de casos e de mortes muito parecida com a que identificamos com os fenômenos descritos no parágrafo que o antecedeu. Eles são são usualmente denominados de 2a onda.   

A forma mais simples que pode ser usada para representar matematicamente essa 2a onda, ou mais geralmente qualquer onda adicional, é a inclusão de uma curva logística adicional na formulação do modelo. Embora conceitualmente simples, a implementação dessa idéia não é tão simples quanto parece. O maior problema advém da dificuldade do modelo saber separar as 2 curvas que se somam para descrever uma única série temporal observada. Várias tentativas estão sendo adotadas para permitir essa identificação e estão sendo testadas. Espero poder reportar sobre elas em breve. 

Outro aspecto relevante a ser considerado é a correta especificação da variabilidade dos dados. O projeto CovidLP vem utilizando a especificação Poisson, por ser a mais natural para lidar com contagens. Entretanto, experimentos realizados com os dados dessa epidemia mostram que a variabilidade dos dados tem se revelado muito maior que a permitida pela Poisson. Faz-se necessária uma especificação que permita essa sobredispersão. Existem várias opções disponíveis na literatura estatística, incluindo a mais conhecida: a binomial negativa. Entretanto, todos os experimentos realizados até agora apontaram para uma especificação que, embora mais adequada em termos de ajuste, tem levado a previsões com muita incerteza. Após poucos dias a frente, os intervalos que refletem a incerteza das previsões ficam tão largos que praticamente tornam inócua qualquer inferência. Tentativas de minimizar o tamanho da incerteza, sem chegar à estreiteza dos intervalos oriundos da Poisson, ainda estão em curso.

Outro aspecto que tem sido muito comentado por aqueles que tem trabalhado com dados da pandemia é a dificuldade de obter estabilidade nas sucessivas projeções que são rotineiramente feitas e de atribuir confiabilidade nas previsões a longo prazo. Efetivamente, tem sido observadas mudanças constantes nas estimações não apenas pela pouca robustez dos modelos utilizados. As condições sobre as quais se desenvolve a pandemia em muitos países tem exibido flutuações consideráveis o que torna previsões de longo prazo ainda mais incertas. Uma busca na literatura mostra que essa não é uma prerrogativa dessa pandemia. Críticas à performance de modelos de previsão para epidemias tem sido publicadas. A fala do reitor da UEM ao fim de minha palestra a essa universidade ajuda a entender porque as projeções seguem sendo usadas apesar de todas as ressalvas. Ele essencialmente disse que as previsões não são feitas para indicar o caminho mas tão somente para jogar luz sobre ele.

A disseminação do projeto deu origem a vários instrumentos de interações com a academia e a sociedade. De fato, o projeto foi feito para isso. O aplicativo já deu origem a um site e um blog. O site divulga aspectos associados ao aplicativo, como detalhamento da metodologia, instruções para melhor compreensão dos resultados (ilustrado na figura acima) e repercussões na sociedade (mais sobre isso no próximo parágrafo). O blog serve como um espaço para interação mais direta com os usuários. Embora ainda subutilizado, ele serve para ouvirmos sugestões e até críticas. 

Vários convites para apresentações do aplicativo foram feitos para a equipe responsável. Além disso, houve interesse para utilização dos resultados em algumas instâncias oficiais, tanto a nível municipal quanto a nível estadual. Esperamos poder atingir ainda mais secretarias de saude municipais e estaduais espalhadas pelo país.

A mais recente ferramenta a ser disponibilizada é o pacote. Ele vem atender uma demanda que rotineiramente recebemos de usuários, interessados em analisar as regiões de seus interesses pessoais.  ele está sendo desenvolvido com descrição, exemplos e ajuda. Esperamos que essa facilidade tenha o potencial de angariar uma maior utilização dessa ferramenta.

Navegar ao sabor do vírus*

https://g1.globo.com/fantastico/noticia/

Navegar ao sabor do vírus
Abrimos mão de controlar a pandemia e o vírus está nos levando para onde deseja

por Fernando Reinach,  Professor Titular da USP

Navegar ao sabor do vento significa içar vela e deixar que o vento nos leve para onde soprar. É abrir mão de comandar o futuro. O Brasil está navegando ao sabor do vírus. Abrimos mão de controlar a pandemia e o vírus está nos levando para onde deseja. Talvez mais lentamente do que poderia, pois não levantamos completamente a vela: lavamos as mãos, usamos máscaras e fazemos um mínimo de isolamento. Sem dúvida estamos caminhando em direção à tragédia, mas em câmera lenta, e não temos planos para retomar o controle. É a consumação da estratégia que chamei em 9 de maio de imunidade de rebanho por incompetência.

Ao sabor do vírus a pandemia no Brasil só terminará quando atingirmos a imunidade de rebanho, o único mecanismo biológico conhecido que inibe a propagação do vírus sem intervenção humana. Navegar ao sabor do vírus pode custar a vida de até 1% dos contaminados. A imunidade de rebanho geralmente ocorre quando 70% a 80% da população suscetível tiver sido infectada. Talvez ocorra antes, mas chegaremos lá antes de a vacina estar disponível. Isso é quase uma certeza. Quais são as evidências de que navegamos ao sabor do vírus? O gráfico abaixo, cortesia do meu amigo Cal, mostra nossa rota desde a chegada do vírus no Brasil.

No eixo vertical estão os números de novos casos por dia, por milhão de habitantes, em cada um de quatro países. Os dados diários foram plotados como uma média móvel de sete dias. O Brasil registra hoje por volta de 150 novos casos, a cada dia, por milhão de habitantes (sem contar as subnotificações), um número maior que os 90 registrados nos Estados Unidos. No eixo horizontal estão os dias que se passaram desde que cada país registrou um caso por milhão de habitantes. Isso ocorreu quando o Brasil registrou 220 novos casos por dia, os EUA, 330, o Reino Unido, 66, e a Itália, 60.

É fácil observar como a Itália, após um crescimento rápido do número de casos por dia, impôs um lockdown rigoroso após o dia 30 e tomou controle do barco. Passados 90 dias, estava com a pandemia sob controle. O Reino Unido demorou para responder e o lockdown veio mais tarde. Mas desde o dia 60 conseguiu reduzir o número de novos casos por dia. Os EUA também se assustaram com o crescimento rápido dos novos casos, implementaram um lockdown nas principais cidades, conseguiram estabilizar o número de novos casos, mas quando começaram a tomar pé da situação relaxaram o distanciamento social. Os resultados da abertura são gritantes, o crescimento rápido do número de novos casos por dia já está ocorrendo.

O mais impressionante é o barco brasileiro. Medidas brandas de distanciamento social retardaram o crescimento da pandemia, que cresceu lenta e livremente por 80 dias. Quando as medidas estavam começando a fazer efeito, veio o relaxamento do distanciamento social e a pandemia voltou a crescer mais rapidamente do que antes, totalmente fora de controle.

O pior no Brasil é que simplesmente não temos um plano para controlar esse crescimento. O exemplo mais claro dessa atitude é o anúncio da abertura das escolas no Estado de São Paulo. Ele deve ocorrer no início de setembro caso todas as áreas do Estado estejam com níveis de propagação classificadas como verde já no início de agosto. O problema é que não foi anunciado simultaneamente um plano capaz de garantir que o Estado de São Paulo atinja essa condição no início de agosto. Sem executar algum plano seguramente não chegaremos lá, pois São Paulo está batendo todos os dias os recordes de novos casos por dia e número de mortes por dia. Ou seja, as escolas não abrirão em setembro se o governo cumprir o que decretou.

Até agora as medidas anunciadas são inócuas para controlar a pandemia. Oferecer mais leitos de UTI ajuda os pacientes graves, o que é importante, mas não diminui o número de casos. E esse aumento tem limite, que eram respiradores, mas de agora em diante serão profissionais da saúde capazes de atender um número crescente de leitos. Liberar gradativamente as atividades ao menor sinal de desocupação de leitos vai seguramente na direção oposta do controle, pois cada liberação significa levantar um pouco mais a vela desse barco que navega ao sabor do vírus.

E a testagem em massa? Ela tem sido um fracasso em nosso Estado e em todo o País. Os governos sequer detalham o que significa esse termo e como ele pode levar ao controle da pandemia. O número de testes de RT-PCT, que detectam pessoas durante a fase em que estão transmitindo o vírus, e podem ser usados para isolar pessoas que estão transmitindo a doença, são executados em número ínfimo. Pululam iniciativas governamentais baseadas em testes sorológicos, que, sabemos muito bem, somente identificam pessoas que já passaram pela fase crítica da doença e já contaminaram quem deveriam contaminar. São inúteis para controlar a doença e uma bênção para o vírus.

Em suma, não existe nenhuma medida em andamento que tenha alguma chance de reverter o andamento da pandemia nos próximos meses. Nenhuma.

A impressão é que nossos governantes esperam por algum milagre, alguma intervenção divina que provoque a diminuição do espalhamento da doença de maneira mágica, sem que eles tenham de executar algum plano que tenha embasamento científico. Como a fração da população já infectada ainda é baixa, não existe nada no horizonte que vai conter o crescimento diário do número de novos casos em 2020. Estamos navegando ao sabor do vírus com a vela a meio mastro.

* - texto publicado no dia 27 de junho de 2020 n'O Estado de S.Paulo

A batalha dos dados da pandemia

https://portal.stf.jus.br/noticias/verNoticiaDetalhe.asp?idConteudo=445071&ori=1

A postagem da semana passada deixou clara uma preocupação de vários setores da sociedade com respeito à divulgação dos dados da pandemia aqui no Brasil. Essa controvérsia ficou mais explícita com uma série de pronunciamentos de autoridades do Ministério da Saude (MS) no início de junho. A entrevista coletiva de sexta feira (05/06/2020) deixou clara a intenção do MS de introduzir mudanças mais profundas no tratamento dos dados da pandemia. Nessa entrevista, foi informado que o horário de anuncio dos dados diários seria mudado, quase ao mesmo tempo que o Presidente Bolsonaro celebrava o fato dessa medida impedir a divulgação pelos principais telejornais do pais. Essa relevância insólita dada ao horário com que um dado publico seria divulgado, associando-o à sua divulgação pela mídia em detrimento dos prejuízos causados por esse atraso acendeu o alerta em todos envolvidos com a pandemia.

Outro problema apenas mencionado na entrevista daquela sexta-feira e cuja implementação foi confirmada na 2a feira se referia à mudança na natureza do dado que passaria a ser divulgado. Para entender o que foi dito, vale informar que:

1. o padrão internacionalmente adotado pela vasta maioria de países ao redor do mundo é o de divulgar a cada dia os números de casos confirmados e óbitos que foram notificados naquele dia;
2. tendo esses números, basta soma-los aos números acumulados anteriormente para obter os totais reportados.

Com isso, existe uma forma clara e simples de toda a informação ser disponibilizado e verificada. Todos sabemos que essa forma de contagem não é a ideal pois desloca as reais ocorrências, que representam mais vividamente a pandemia, para datas posteriores quando elas se tornam disponíveis para o aparato oficial do pais/estado/município. 

Como exemplo, quando um país divulga 100 casos confirmados em um dado dia, sabemos que apenas uma parte deles foi confirmado nesse dia. A título de ilustração, vamos supor que 60 casos foram confirmados nesse dia mas que 15 foram confirmados no dia anterior, 10 foram confirmados 2 dias antes, 5 foram confirmados 3 dia antes e 10 foram confirmados mais de 3 dias antes. Vários motivos diferentes podem levar a esses atrasos, desde a ausência do profissional responsável pelo registro do caso até falha na comunicação entre hospitais e instituições governamentais.

Claro que buscando a história de cada caso, é possível a cada dia reconstituir os históricos dos dias anteriores e revisá-los. Essa tarefa está longe de ser trivial, ainda mais em um país onde se tarda horas para realizar a tarefa muito mais simples de receber os dados compilados em uma esfera (por exemplo, municipal) e agrega-los na esfera hierarquicamente superior (no exemplo, seria a estadual).

Pedir para que a cada dia, toda a história pregressa de contagens seja revisada é uma missão repleta de perigos, que deveriam ser a todo custo evitados. E isso sem contar na facilidade de manipulação que essa retro-alimentação enseja. Assim, embora reconhecendo a ascendência técnica no número de casos ocorridos, as dificuldades práticas são determinantes em todo o mundo na preferência da divulgação de casos notificados.

Todo esse longo prólogo foi para dizer que na entrevista coletiva do MS no dia 08/06/2020, autoridades do MS disseram que a divulgação seria trocada pela sistemática de divulgar apenas dos casos ocorridos diários, sem a divulgação do total de casos acumulados. Essa informação trouxe enorme preocupação sobre a indisponibilização (e consequente perda) das contagens totais de casos e óbitos. Para chegar a ela, se precisaria voltar às contagens anteriores, que também não foram disponibilizadas, embora tivesse havido a menção que isso seria feito. Como nesse dia também houve a interrupção da divulgação das séries históricas de casos e de óbitos, ficou impossível recuperar os totais e os valores diários dos dias anteriores. Naquele dia, o Brasil perdeu a capacidade de saber seus totais de casos e de óbitos com base no portal do Governo Federal criado exclusivamente para esse fim. 

Essa decisão do MS repercutiu de forma muito negativa no país e a mídia registrou inúmeras manifestações de preocupação e repúdio. Essas manifestações não se restringiram ao país e foram registradas também pela mídia internacional. Com a ausência de informação confiável, vários iniciativas foram disparadas. Instituições públicas se movimentaram na direção de suprir a lacuna deixada pelo MS. Anunciaram a criação de portais com dados atualizados da Covid o Conselho Nacional de Secretários Estaduais de Saúde, e a intenção de fazer o mesmo foi anunciada pelo próprio Congresso nacional e pelo Tribunal de Contas da União! Isso sem contar várias iniciativas de grupos de indivíduos que já vinham acompanhando a evolução da pandemia.  

Um grupo de importantes jornais de circulação de âmbito nacional também resolveu promover sua própria contabilização de casos e de óbitos. E as contagens que esse consórcio jornalístico apresentou tinha diferenças marcantes com respeito às contagens divulgadas naquele dia pelo MS com números maiores, como esperado. Entretanto, apesar de toda a boa vontade, essa contabilização apresentou alguns dos vícios que esses mesmos jornais reclamavam da contabilização oficial. A saber, não houve divulgação ampla do conteúdo dessa plataforma, ela não foi disponibilizada e os dados que foram divulgados a critério dos jornais envolvidos apresentavam apenas uma parcela da informação que o MS já apresentava. Tentamos contato com alguns jornalistas envolvidos nessa plataforma mas não obtivemos êxito.

Paralelamente a isso, no dia seguinte (09/06/2020), o órgão máximo da justiça do pais, Supremo Tribunal Federal (STF), determinou que o MS voltasse a divulgar os totais de casos e de óbitos, atendendo a uma interpelação proposta por 3 partidos políticos. A imagem que abre esta postagem destaca o ministro que emitiu essa ordem. Apesar de um tanto estranha por exigir que o governo continuasse cumprindo seu papel de informar a nação os dados que coleta, ela talvez tenha sido determinante na manutenção da divulgação dos dados. Nesse mesmo dia, o portal do MS promoveu uma atualização nas definições dos dados lá divulgados mas paradoxalmente manteve a definição anterior de casos confirmados como sendo todos aqueles notificados, contrariamente ao que havia sido dito para todo o país a cúpula do MS no dia anterior. 

Talvez isso já tenha sido uma reação direta do cumprimento da determinação do STF. De fato, ao final do dia, as contagens apresentadas pelo MS foram substancialmente mais altas, até mesmo que as divulgadas pelo consórcio de imprensa, indicando que possivelmente houve um retorno à sistemática anterior. Entretanto, não houve comunicado oficial do MS, atualmente comandado interinamente por um general da ativa tido por alguns como tendo zero experiência em saúde, dando conta que a mudança anunciada no dia anterior tinha sido descartada. Ainda nesse mesmo dia, esse mesmo ministro interino da Saúde garantiu perante o Congresso Nacional que os dados seguirão sendo todos divulgados e que uma nova plataforma seria apresentada no dia seguinte. A plataforma divulgada no dia seguinte apresentava alguma mudança de forma e uma descrição mais detalhada das contagens diárias, sempre compatível com o padrão de divulgar notificações e não ocorrências.

Passada uma semana daquele trágico dia para a contabilização da pandemia, a situação parece ter se normalizado. O MS segue divulgando como antes os totais diários de casos confirmados e óbitos que foram notificados naquele dia, embora no fim de semana houve interrupções. As iniciativas de grupos independentes seguem ativas; parte deles já estavam acompanhando a pandemia bem antes desse incidente. As contagens do consórcio de jornais continuam sendo divulgadas até hoje mas não acredito que durem muito mais tempo. Felizmente, parece que foi só um susto mas que serviu para deixar toda a nação bem mais atenta e com isso desestimular iniciativas de mudanças incompatíveis com o padrão adotado no resto do mundo. O governo já recebeu o recado que imprimir mudanças mais profundas como as que chegaram a ser anunciadas não impedirá o país de se informar adequadamente sobre a evolução da pandemia seguindo o padrão mundial. Só lhe servirá para dificultar a obtenção dos dados corretos. Esperemos que a lição tenha sido aprendida.

Devemos fazer previsões da pandemia?

https://www.youtube.com/channel/UCciFXh1UVV1liHSzBWI-3FQ

Semana passada participei de 2 eventos (virtuais) para apresentar trabalhos sobre a pandemia de Covid19, conforme divulgado aqui. O primeiro evento foi uma entrevista para o canal no YouTube do Ciência no Bar, cujo anúncio ilustra esta postagem. Ciência no Bar é uma iniciativa de um grupo de jovens e animados pesquisadores de Ecologia baseados em Florianópolis, com o objetivo de popularizar a Ciência, similar ao que fazemos no StatPop voltados para a Estatística. Assim, consistia em um debate menos formal voltado para um publico mais diversificado. Já o segundo evento foi uma mesa redonda promovida pelo Programa de Pós-Graduação em Estatística de São Carlos, no estado de São Paulo. Assim, ela naturalmente envolvia um aporte mais técnico para o assunto, para uma platéia esperada de conhecedores do assunto.  

Ambos eventos deixaram algumas lições importantes que gostaria de compartilhar aqui neste espaço. Algumas dessas lições foram verbalizadas durante a mesa redonda mas passei algum tempo refletindo sobre os eventos ao longo do fim de semana. E é sobre essas reflexões que queria aproveitar o espaço aqui para reverberar.

A primeira lição é que o trabalho da Estatística é muito mais reconhecido e respeitado pela sociedade do que a comunidade estatística mundial, e especialmente a nacional, parece perceber. Essa pandemia trouxe essa redenção para a área e a Estatística parece estar resgatado seu lugar de grande destaque nas discussões sobre a análise de dados da pandemia. 

Entretanto, parece-me que boa parte dos estatísticos parece não se dar conta dessa situação. Grande parte do esforço quantitativo dessa pandemia está diretamente associado às tarefas de organização e apresentação dos dados. Isso só vem justificar todo o esforço dos últimos anos que muitos pesquisadores da área vem empregando na geração de conhecimento em visualização de dados. Muitos estatísticos ainda não parecem entender que essa também é uma área nobre do conhecimento e que tem grande valor.

Relacionado a esse ponto, vem a constatação que aquilo que para os estatísticos é considerada uma obviedade muitas vezes só consegue ser explicado ao publico leigo depois de um razoável esforço de apresentação. Isso vale para visualização de dados mas para vários outros aspectos de manuseio da matéria prima fundamental do estatístico: os dados.   

Outro ponto é a dificuldade que todos estamos presenciando de se fazer previsões sobre a evolução dessa pandemia. Inúmeros pesquisadores mas também curiosos tem utilizados seus conhecimentos para gerar um sem número de propostas para prever diferentes aspectos associados à pandemia. E como todos estamos vendo, há uma variação substancial de resultados a respeito da mesma quantidade de interesse. 

E essa variação é perfeitamente compreensível dados o baixo grau de compreensão que temos dessa doença e a diversidade de abordagens usadas para embasar as diferentes previsões. A mesa redonda redonda que participei apresentou algumas delas. Isso suscitou o inevitável questionamento sobre a validade do exercício de previsão nesse contexto. Devo deixar claro que acho o questionamento totalmente pertinente, como meu paragrafo anterior testemunhou. 

Uma frase mencionada algumas vezes durante a mesa redonda foi a célebre "todos os modelos são errados mas alguns são úteis", proferida pelo famoso estatístico George Box. Ela pontua como deve ser a atuação de qualquer estatístico mas também serve para descrever a atuação de qualquer pesquisador ou mesmo profissional ligado a modelagem. A arte da modelagem está na escolha mais apropriada possível dentro da cesta de possibilidades oferecidas ao cientista.

Novamente aqui se observa a introversão de muitos estatísticos, que preferem não apresentar suas contribuições preditivas por conta da descrença na capacidade dos modelos fornecerem informação útil. Acho que existe uma razoável compreensão na sociedade da dificuldade da tarefa de previsão. Além disso, enquanto os estatísticos não ocupam o seu lugar no cenário de predição, outros profissionais menos qualificados para essa tarefa ocuparão. Finalmente, existe um grande interesse de todos por esse tipo de resultado.

Entendo que, sendo uma questão envolvendo Estatística, o estatístico tem a missão de dar sua contribuição por mais distante do ótimo que ela se situe. Ela vai provavelmente ter erros mas talvez erre menos do que boa parte das outras previsões. E recolocaria as contribuições do estatístico no lugar que elas devem ocupar: de proeminência em questões associadas a previsões na presença de incerteza.

Divulgação de trabalho científico: o caso do CovidLP

http://www.fapeam.am.gov.br/

A esta altura, todos já devem ter ouvido ou lido aqui sobre o CovidLP, o aplicativo com o qual estou envolvido para previsão de curto e de longo prazo para a Covid19 no Brasil e em alguns outros países. Um pouco da história da criação do aplicativo foi contada aqui. Quase tão importante e demorado quanto o desenvolvimento em si do projeto é a sua divulgação para a sociedade.

Essa é uma arte de outra natureza que estou apenas aprendendo a dominar. Um ponto importante que pode parecer óbvio mas me tomou algum tempo a perceber é que a forma é, no mínimo, tão importante quanto o conteúdo da divulgação. A equipe envolvida no projeto já tinha consciência da importância da forma na construção do aplicativo. Muito esforço vem sendo empenhado em melhoramentos exclusivamente voltados para a apresentação dos resultados do CovidLP.

O que vem me chamando a atenção é que também na divulgação a mesma preocupação deve ser empregada. Inicialmente, a divulgação foi feita em forma de texto, explicando o que estamos fazendo e que tipo de resultados estamos obtendo. Após uma receptividade baixa para o que estavamos esperando, tentamos fazer a divulgação diretamente a partir dos resultados gráficos gerados pelo aplicativo. A aceitação e a empatia gerados nos nossos interlocutores aumentou substancialmente.

Dentro da comunidade científica, já tivemos contato de um Forum de Ciência e Cultura de uma universidade, fomos convidados para participar de uma mesa redonda de outra universidade e fomos convidados para falar em um grupo informal de divulgação científica. Assim, considero que a penetração de nosso trabalho no meio acadêmico esteja adequada.
 
Mas ainda estamos longe de ter o nosso projeto ao alcance de toda a sociedade brasileira e de parte da sociedade mundial. E seguimos trabalhando para isso. Já tivemos membros da equipe participando de um programa de radio de Minas. Essa participação levou à publicação de uma matéria em um jornal de grande circulação dentro do estado de Minas. Sabemos que ainda é muito pouco. Mas alguns sinais apontam uma possível disseminação de nosso trabalho: nosso aplicativo foi recentemente objeto de divulgação pela mídia japonesa!

Cuidados com analises de dados da Covid19

Fonte: arquivo pessoal (Leonardo Bastos)

por Leonardo Bastos*

Eu recomendo muita cautela ao interpretar as estimativas e previsóes desses e da grande maioria de modelos para covid. O grupo do Fergunon é um grupo muito bom de modelagem de doenças infecciosas, o relatório do Samy [NR: Dana] e colaboradores é baseado em um trabalho do pessoal do Imperial. Apesar dos modelos serem interessantes, a inferência para vários países é muito pobre. Os dados de casos não refletem a dinâmica da epidemia mas a dinâmica da testagem, e a definição de casos atual não é consistente entre países e nem dentro dos países, pois não há critérios de inclusão e exclusão de casos bem definidos. Em particular no Brasil, a partir de um certo momento passou a dar prioridade aos casos graves, mas ainda alguns lugares notificam casos leves, o que faz os números serem uma mistura de dados sem uma definição do caso.

Mais alguns problemas:

Homogeneidade espacial. O Brasil, como todos sabem muito bem, não é homogêneo (suposição importante para modelos compartimentais). A epidemia do Brasil não pode ser vista como uma série única, isso não faz sentido. Em qualquer país grande, a epidemia começa em momentos distintos em lugares diferentes. Então não haverá um único pico da epidemia, o pico da série do Brasil vai ser dominada por São Paulo e Rio, mas outros lugares terão suas curvas com um shift e com intensidade bem variadas pois muito lugares tem politicas de enfrentamento da epidemia bem distintas. Lugares que conseguiram antecipar o isolamento estão evitando a evolução rápida, outros lugares que não tiveram politicas de isolamento ou agiram tarde demais estão com um rápido crescimento de casos colocando o sistema de saúde no limite. E mais adiante quando a curva começar a descer em São Paulo e Rio, a série está em plena ascensão em outros lugares.

Testes não são perfeitos. Os testes não tem especificidade e sensibilidade alta, pois eles dependem muito da janela imunológica ou da carga viral, depende do teste. Ou seja, a pessoa pode ter tido Covid19 e o teste dar negativo porque a coleta aconteceu fora da janela ótima. 

Subnotificação. Para falar de subnotificação é preciso ter uma definição clara do que é o caso. E os dados disponíveis não tem essa definição. Mas vamos supor que a definição de caso é simplesmente alguém com o virus. É fácil ver que teremos subnotificação de casos assintomáticos e casos leves que as pessoas não vão procurar um posto de saúde (nem deveriam, pois não tem o que fazer a não ser espalhar o virus para outros, uma vez que não tem nenhum tratamento específico), já os casos graves não tem jeito as pessoas precisam de atendimento médico. E esses  podem não ser testados (gerando subnotificação), ter resultados negativos ou inconsistentes por conta da janela imunológica do teste. E ainda tem a subnotificação de óbitos por Covid19 de pessoas que não procuram serviço medico. Esse subregistro pode ou não ter um padrão, existem trabalhos nessa linha cito aqui dois artigos com autores brasileiros: de Oliveira, Loschi e Assunção (2017, Statistics in Medicine) e Stoner, Economou e da Silva (2019, JASA).

Atraso de notificação. Se estiver olhando para dados reportados hoje, tenha certeza que o numero de casos é maior do que o observado. Pois existem os casos que aconteceram mas ainda nao foram reportados. Usualmente tem o atraso da digitação do caso que pode levar alguns dias ou semanas. (Alguns postos de saúde nao tem internet, a ficha de notificação costuma ser levada para um lugar e nesse lugar ela é digitada e enviada para a secretaria de saúde, q vai tratar o dado excluindo duplicidade por exemplo já que a ficha pode ser digitada duas ou tres vezes por profissionais diferentes). E para a Covid19 temos o atraso de laboratório, onde os LACENS estão com filas para realização do teste, sem contar com falta de insumos e pessoal. Existem modelos para corrigir atraso de notificação.

Esses são só alguns problemas existentes no terreno das doenças infecciosas. Não tinha intenção de escrever esse email, pois não gosto de exposição, mas achei justo compartilhar alguns problemas relacionados a essa (e outras epidemias) pois sei que muitos grupos no país ligados a departamentos de Estatística estão tentando contribuir de alguma forma com essa terrível pandemia, talvez isso possa ajudar de alguma forma.

* - Leonardo Bastos é pesquisador da Fiocruz e Ph.D. em Estatística pela Universidade de Sheffield.

Previsão de curto e longo prazos da Covid19 - parte II

https://dest-ufmg.shinyapps.io/app_COVID19/

A postagem desta semana saiu com atraso para poder noticiar a publicação em forma completa do aplicativo de previsão da Covid19 que estamos desenvolvendo. A forma está completa porque pela primeira vez foi possível a inclusão das principais funcionalidades que gostaríamos de tornar publicas. O aplicativo pode ser acessado aqui. Ele será atualizado diariamente com a divulgação de novos dados e ainda está em desenvolvimento, onde esperamos poder incluir outras funcionalidades e aprimorar as já existentes.

Esse aplicativo é o resultado de um trabalho conjunto de professores e alunos de pós-graduação em Estatística da UFMG. Ele teve origem como um desafio em uma disciplina de pós-graduação após a suspensão das aulas devido à Covid19. O que foi iniciado com o objetivo de manter os alunos motivados e em atividade foi crescendo, ganhando forma, incorporando sugestões e recebendo a participação de outros alunos e professores, até chegar ao formato de um aplicativo disponível para uso pelo público em geral. 

Na configuração atual, o aplicativo tem 2 principais tipos de resultado: previsões de curto prazo e de longo prazo. O primeiro se refere a previsões de mortes e número de casos confirmados para o futuro imediato (até 1 a 2 semanas). Esse tipo de resultado é útil para se saber o que virá pela frente e saber o que esperar da pandemia.

O segundo tipo de previsões é mais abrangente e visa traçar um panorama mais completo da pandemia. Perguntas típicas nesse contexto são: quando o número de casos deixará de crescer e começará a decair? quantas pessoas essa pandemia irá adoecer? quando podemos esperar que a pandemia seja encerrada. Todas essas perguntas só podem ser respondidas a partir de uma visão global de todo o processo pandêmico. A previsão de longo prazo ajuda a quantificar esse panorama.

Todas as perguntas listadas acima estão respondidas de forma numérica no aplicativo. Assim, quem visitar as previsões para Pernambuco verá que o pico da pandemia nesse estado deverá ocorrer entre os dias 31 de maio e 20 de junho com 95% de probabilidade. Quem visitar as previsões do número total de casos para o Brasil verá que espera-se entre cerca de 500 mil e 600 mil casos confirmados. E quem visitar as previsões para o México verá que a pandemia terá acometido 99% da população mexicana (e portanto estará perto do fim) apenas daqui a 5 meses, entre 04 e 18 de outubro deste ano. Mas que, para a população alemã, o fim está bem mais próximo; mais precisamente entre 15 e 22 de maio.

Nossas previsões são sempre acompanhadas dos respectivos intervalos de probabilidade (ou credibilidade, no jargão estatístico) para que o usuário tenha sempre noção da verdadeira incerteza associada a cada previsão fornecida. Outro ponto importante é que essas previsões são sempre baseadas na manutenção das condições no dia em que a previsão foi feita. Possíveis alterações nas condições incluem tornar o isolamento mais rigoroso ou, por outro lado, ele ser abolido. Essas alterações podem causar mudanças substanciais nas previsões. Outro ponto importante é que novos dados chegam todo dia e impõe atualizações constantes nas análises. Isso também pode causar mudanças em diferentes aspectos das previsões.

A nossa abordagem para previsão é basicamente empírica, usando apenas os dados observados como fonte de informação. Nossas análises são baseadas em modelos estatísticos que tem por base a curva logística. Essa curva descreve um crescimento que começa intenso e vai desacelerando progressivamente até chegar ao seu limite. Esse comportamento é a base do que se espera de toda epidemia/pandemia. Inúmeras variações estão sendo testadas para acomodar mudanças nas condições, como já exemplificamos, existência de uma maior dispersão que a esperada pelos modelos usuais e generalizações da curva em questão. Todas essas possibilidades vem sendo exploradas com vista a uma melhor descrição do fenômeno sendo observado. 

Esperamos estar apresentando um apanhado útil do que todos, enquanto sociedade, podemos esperar dessa pandemia que tanta interferência vem causando nas vidas de todos nós e que possamos deixar todos um pouco mais informados do que esperar pela frente. 

Um guia do estatístico para os números de coronavírus*

https://rss.org.uk/news-publication/news-publications/2020/general-news/a-statistician%E2%80%99s-guide-to-coronavirus-numbers/

Durante esta pandemia do COVID-19, você ouvirá ou lerá sobre muitos números diferentes. A sociedade britânica de Estatística (RSS) existe para ajudar o público a entender melhor as estatísticas. Preparamos este pequeno guia para ajudá-lo neste momento difícil e incerto.

Pontos chave

- O número de casos confirmados será menor que o número de casos reais.

- As comparações de números de casos e óbitos entre países podem não ter significado.

- Os modelos produzem estimativas com faixas plausíveis. Esses modelos podem nos ajudar a entender os efeitos prováveis das políticas.

Palavras que você poderá ver e ouvir

Um caso confirmado com COVID-19 significa uma pessoa com um resultado positivo para o vírus. Um caso confirmado estará ativo se a pessoa ainda estiver infectada: ela não se recuperou ou morreu. Uma morte no COVID-19 significa um caso confirmado que morreu.

A taxa de mortalidade de casos é o número de mortes dividido pelo número de casos confirmados. Isso também é chamado de taxa de fatalidade de caso.

A taxa de transmissão é o número esperado de infecções diretas em um caso. É também chamado de número reprodutivo básico.

A taxa bruta de mortalidade é o número de mortes como proporção de toda a população. Os pesquisadores calculam essa taxa para diferentes regiões e países.

O que você precisa considerar

O número de casos confirmados será menor que o número real de casos. Algumas pessoas infectadas não apresentam sintomas. Ter sintomas consistentes não é suficiente para um diagnóstico confirmado. Pessoas com sintomas consistentes podem não fazer o teste do vírus.

O teste não é perfeito. Os países diferem em suas regras em relação a quem faz o teste para o COVID-19 e quais testes eles usam. Às vezes, um teste diz que uma pessoa infectada não possui o vírus. Regras de teste, capacidade e qualidade afetam o número de casos confirmados.

Comparações de casos confirmados entre países são desafiadoras. Diferentes países têm diferentes demografias, políticas de saúde, estruturas sociais e culturas. Os países têm diferentes regimes de teste, que podem mudar com o tempo. Os países também podem estar em diferentes fases da epidemia. As disparidades entre países em casos e mortes podem resultar em parte dessas diferenças.

Trate a taxa de mortalidade de casos com cautela. Há incerteza sobre o número de casos e mortes. Casos leves e sem sintomas podem passar despercebidos. Novos casos podem não atingir recuperação ou morte por vários dias ou semanas. Os sistemas de saúde podem registrar uma morte por COVID-19 como pneumonia ou outra causa. Futuras mortes daqueles já infectados não são incluídas no cálculo atual.

As taxas de transmissão descrevem médias. A taxa de transmissão mede a rapidez com que uma doença se espalha. Algumas pessoas podem infectar mais ou menos outras pessoas. Isso depende do comportamento, frequência de contato, biologia, chance e outros fatores.

O crescimento exponencial não pode continuar para sempre. Como exemplo, uma pessoa tem o vírus. Eles passam para três pessoas, que por sua vez passam para nove outras pessoas. Agora, existem 13 casos. Este é um crescimento exponencial nos casos. O crescimento exponencial é uma fase de uma epidemia. Continuar essa tendência simples é inadequado para previsões de longo prazo. Quanto mais pessoas se recuperam ou morrem, menos pessoas podem pegar o vírus. Em algum momento, o número de novos casos deve começar a diminuir.

Os modelos transformam valores inseridos em estimativas. Para usar um exemplo simples, um modelo usa uma taxa de transmissão e produz uma estimativa do total de mortes. Um cientista pode atualizar o modelo para refletir novos conselhos de saúde pública para ficar em casa. Eles fazem isso diminuindo a taxa de transmissão em seu modelo. Essa taxa de transmissão mais baixa leva a uma estimativa de morte mais baixa do modelo. Essas duas entradas representam dois cenários diferentes.

Modelos diferentes têm propósitos diferentes. Após novos dados e discussões, os cientistas atualizam suas suposições e modelos. Modelos que produzem estimativas diferentes podem ser consistentes entre si.

A modelagem envolve muitas camadas de incerteza. Há incerteza sobre a rapidez com que o vírus se espalha e quantas pessoas se recuperam. A incerteza flui através desses modelos. À medida que os cientistas observam mais informações, as estimativas se tornam mais precisas.

Devemos focar em faixas plausíveis de valores, em vez de um único número.

O que precisamos saber

A confiança nas estatísticas públicas é vital. A desinformação pode prejudicar a saúde das pessoas.

Por favor, verifique suas fontes antes de compartilhar estatísticas.

Se um número não parecer correto, verifique se uma organização confiável relatou esse número.

Uma estatística pode não contar a história toda. Notícias e postagens em mídias sociais podem apresentar números fora de contexto.

Os gráficos podem enganar. Verifique se há rótulos claros, que mostram de onde vêm os dados. Os gráficos devem representar os números de maneira proporcional.

Os dados constroem evidências. A evidência informa as decisões. A precisão é importante: impressa, na televisão e no rádio e on-line. Compartilhe estatísticas, não informações erradas.

* - texto publicado pela RSS aqui em 06 de abril de 2020

Previsão de curto e longo prazos da Covid19

https://dest-ufmg.shinyapps.io/app_COVID19/

Como dissemos na postagem da semana passada, a correta compreensão da evolução da pandemia de Covid19 está longe de ser tarefa simples e tem trazido transtornos a todos. Também dissemos que estamos envolvidos em um grupo de trabalho visando previsão da evolução dessa doença para diferentes partes do mundo. Nosso objetivo é prever a curto e longo prazo. Vou tentar descrever qual é o nosso trabalho e acredito que as dificuldades dessa tarefa ficarão claras e ajudarão a entender porque nosso projeto ainda está em desenvolvimento.

Nosso ponto de partida foi uma abordagem extremamente simples. As equações que regem uma doença contagiosa tem como base o crescimento exponencial, baseado na lógica que cada indivíduo infecta outros tantos e que esses tantos infectam outros tantos e assim sucessivamente. Essa lógica funciona bem mas não resolve tudo porque a população é finita. Portanto, à medida que o tempo passa, fica cada vez mais difícil encontrar outros indivíduos para infectar (supondo que uma vez que um infectado é curado ele não pode ser reinfectado). Incorporando essa progressiva dificuldade de infecção ao modelo resulta em uma curva de crescimento do número total de casos é basicamente exponencial no início da epidemia seguida de um período de achatamento progressivo e eventualmente tendo um limite superior ao término da evolução. Esse comportamento é descrito matematicamente pela curva logística. Esse limite superior da logística é, na pior das hipóteses, dado pelo total de indivíduos suscetíveis na população. Mas na grande maioria das epidemias/pandemias, esse limite é substancialmente inferior à população total.

O caso da Covid19 não é diferente das outras epidemias contagiosas. Aqui o número de indivíduos suscetíveis é basicamente toda a população da região ou país. À medida que o tempo passa, os países vão de alguma forma se encaminhando para um limite superior. Isso já aconteceu com a China, como ilustra a figura acima. Poderíamos supor, como inicialmente fizemos, que a curva logística seria uma boa descrição dessa evolução. E foi essa a primeira abordagem que tentamos. Entretanto, várias questões se interpuseram.

A questão mais importante é que para o ajuste da logística funcionar seria preciso que todas as taxas de infecção, recuperação e mortalidade permanecessem imutáveis ao longo da pandemia. Isso é praticamente impossível porque vários fatores intervem. As taxas de infecção mudam porque o nível de isolamento da população (diretamente relacionado com a taxa de infecção) varia ao longo da evolução da doença. Além disso, os números utilizados são de casos confirmados e o processo de confirmação está longe de ser estático. Para isso, seria necessário que os sistemas de registro funcionassem à perfeição e que o estabelecimento da condição de doença para cada paciente fosse imediata.

Assim, estamos às voltas com alternativas que permitam a adequada caracterização dessa evolução. As alternativas que nos parecem caracterizar mais adequadamente as características acima listadas buscam aliviar a imposição da mesma curva logística para toda a trajetória da série de contagem de casos. Existem várias formas de promover essa adaptação em curvas em geral e na logística em particular. Nosso projeto visa encontrar a forma mais adequada para representar essa adaptação de forma adequada para todos os paises e estados.

Quando pronto, nosso aplicativo produzirá gráficos de previsão, como o que encabeça esta postagem. Também pretendemos usar as previsões no longo prazo para tentar prever o pico da epidemia e o número total de casos confirmados que cada país/região terá ao longo de todo o curso da pandemia. E todo esse procedimento será atualizado a cada poucos dias para muitos paises e todos os estados do Brasil. Nem preciso dizer que todos os resultados serão reportados com suas respectivas bandas de confiança ou credibilidade explicitadas. Isso é fundamental para correta avaliação do nível de precisão associado a cada afirmação sendo feita sobre a evolução desta pandemia. Estamos sentindo falta dessa componente da grande maioria da avaliações que vem sendo disponibilizadas 

No momento, ainda estamos em fase de desenvolvimento. Os resultados obtidos até então ainda não estão consolidados e provavelmente serão modificados. Por isso, acho prematuro direcioná-los para o aplicativo. Tão logo tenhamos resultados confiáveis, divulgaremos aqui no StatPop.