Artigo escrito em colaboração com Danielly Severino
O que são dados com atraso na notificação e por que eles desafiam as previsões?
A gestão do risco de doenças infecciosas depende fundamentalmente da notificação e coleta de dados para monitorar a disseminação e identificar tendências epidemiológicas. No entanto, um desafio recorrente compromete a precisão dessas análises: o atraso na notificação.
Mas o que significa isso na prática? Por exemplo, imagine o seguinte cenário: um paciente é infectado por uma doença na segunda-feira, mas o caso só é oficialmente notificado na sexta-feira — ou até semanas depois. Dessa forma, esse intervalo entre a incidência real e o registro oficial caracteriza o atraso na notificação.
Por que isso acontece?
Diversos fatores contribuem para esse atraso. Entre eles, destacam-se:
- Primeiramente, o tempo até a confirmação do diagnóstico: exames laboratoriais podem demorar dias ou semanas
- Além disso, desafios logísticos: dificuldades no transporte de amostras e processamento de dados
- Também, a confirmação de exames: necessidade de testes complementares para validar o diagnóstico
- Por fim, barreiras culturais: resistência ou desconhecimento sobre a importância da notificação oportuna
O impacto dos com atraso na notificação na Saúde Pública
Como resultado, os atrasos distorcem a relação entre a incidência relatada e a verdadeira incidência da doença. Consequentemente, essa discrepância pode ter consequências graves para a saúde pública e para a eficácia das medidas de controle.
De fato, sem informações adequadas sobre a gravidade da situação atual, as autoridades enfrentam dificuldades significativas para:
- Identificar e responder adequadamente aos surtos
- Igualmente, implementar medidas de controle no momento certo
- Ao mesmo tempo, detectar tendências e padrões emergentes
- Além disso, prevenir a propagação da doença
- Por último, garantir tratamento e cuidados adequados aos pacientes
Em outras palavras, os atrasos dificultam a análise em tempo real, comprometendo a capacidade de resposta das autoridades de saúde. Por isso, é crucial corrigir a informação disponível o mais rápido possível para auxiliar decisões críticas, como a emissão de alertas às autoridades locais e ao público-alvo.
Como corrigir dados com atraso na notificação: O desafio da Subnotificação
Além dos atrasos, outro problema frequente é a subnotificação: casos de doenças que não foram detectados ou que, mesmo detectados, não foram oficialmente notificados. Como consequência, isso resulta em uma representação ainda mais imprecisa da verdadeira contagem de casos.
Portanto, corrigir a subnotificação é um desafio complexo que requer uma abordagem abrangente e a implementação de várias estratégias simultâneas. Frequentemente, é necessário recorrer a fontes adicionais de informação, como estudos sobre a taxa histórica de subnotificação ou pesquisas sentinela.
Modelos hierárquicos Bayesianos para dados com atraso na notificação
Diante desses desafios, como recuperar os atrasos e construir uma estrutura real dos dados não observados?
Nesse contexto, os modelos hierárquicos Bayesianos têm se mostrado ferramentas poderosas para lidar com a incerteza em vários níveis dos dados. Além disso, esses modelos permitem combinar informações de diferentes fontes e níveis hierárquicos para obter estimativas e previsões mais precisas e robustas.
Como funcionam esses modelos?
Ao lidar com doenças infecciosas, é fundamental que os modelos estatísticos sejam capazes de:
- Em primeiro lugar, recuperar a informação existente com precisão: reconstruindo a incidência real a partir dos dados atrasados
- Em segundo lugar, construir previsões robustas: tanto em tempo real quanto para períodos futuros
- Finalmente, quantificar a incerteza associada: fornecendo intervalos de confiança para as estimativas
Especificamente, as previsões podem ser realizadas de duas formas principais:
- Nowcasting: previsões em tempo real com base nos dados disponíveis no momento
- Forecasting: previsões para períodos futuros com base no histórico e tendências observadas
Estrutura dos Modelos
Atualmente, existem diversos modelos hierárquicos Bayesianos desenvolvidos especificamente para dados de contagem de incidência de doenças infecciosas. De maneira geral, eles oferecem uma forma flexível de corrigir o atraso nas notificações e quantificar a incerteza associada.
Tipicamente, a modelagem pode assumir que os dados de contagem seguem uma distribuição Binomial Negativa. Adicionalmente, incorpora componentes essenciais como:
- Primeiramente, o efeito do tempo (tendências temporais)
- Depois, o efeito das defasagens (padrões de atraso)
- Por último, informações prévias sobre a taxa de subnotificação
Vale destacar que essa abordagem bayesiana permite incorporar conhecimento prévio e atualizar as estimativas à medida que novos dados se tornam disponíveis. Assim, torna o processo de previsão mais adaptativo e confiável.
Aplicações práticas de modelos para atraso na notificação
Na prática, os métodos de correção de atraso na notificação foram amplamente utilizados durante a pandemia de COVID-19. Como resultado, permitiram que autoridades sanitárias em diversos países tomassem decisões mais informadas. Inclusive, organizações como o Centro de Controle e Prevenção de Doenças (CDC) e a Organização Mundial da Saúde (OMS) recomendam o uso dessas técnicas para vigilância epidemiológica eficaz.
