O neurocientista que aconselha o Sábio Independente no Covid-19 discute o poder preditivo de sua modelagem matemática e o risco de uma segunda onda
O neurocientista Karl Friston, da University College London, constrói modelos matemáticos da função do cérebro humano. Ultimamente, ele vem aplicando sua modelagem ao Covid-19 e, usando o que aprende para aconselhar o Independent Sage, o comitê instituiu como uma alternativa ao órgão de aconselhamento pandêmico oficial do governo do Reino Unido, o Scientific Advisory Group for Emergencies (Sage).
Como os modelos que você usa diferem dos modelos convencionais utilizados pelos epidemiologistas para aconselhar os governos nessa pandemia?
Os modelos convencionais ajustam essencialmente as curvas aos dados históricos e depois extrapolam essas curvas no futuro. Eles olham para a superfície do fenômeno – a parte observável ou dados. Nossa abordagem, que toma emprestada da física e, em particular, do trabalho de Richard Feynman, está sob o capô. Ele tenta capturar a estrutura matemática do fenômeno – neste caso, a pandemia – e entender as causas do que é observado. Como não conhecemos todas as causas, temos que deduzi-las. Mas essa inferência e incerteza implícita estão embutidas nos modelos. É por isso que os chamamos de modelos generativos, porque eles contêm tudo o que você precisa saber para gerar os dados. À medida que mais dados chegam, você ajusta suas crenças sobre as causas, até que seu modelo simule os dados com a maior precisão e simplicidade possível.
Você pode dar um exemplo do que você entende por incerteza, com relação ao Covid-19, e como você o constrói em seus modelos?
Um tipo comum de modelo epidemiológico usado atualmente é o modelo SEIR, que considera que as pessoas devem estar em um dos quatro estados – suscetíveis (S), expostos (E), infectados (I) ou recuperados (R). Infelizmente, a realidade não os divide de maneira tão organizada. Por exemplo, o que significa ser recuperado? Sabemos que com o Covid-19 você pode ser infectado, mas assintomático, o que significa recuperar-se dos sintomas ou recuperar-se da infecção? E essa pergunta oculta uma série de outras, incluindo questões relacionadas às estratégias nacionais de teste. Os modelos SEIR começam a desmoronar quando você pensa nas causas subjacentes dos dados. Você precisa de modelos que permitam todos os estados possíveis e avalie quais são importantes para moldar a trajetória da pandemia ao longo do tempo.
É a primeira vez que a abordagem generativa é aplicada a uma pandemia. Provou-se em outros domínios?
Essas técnicas tiveram enorme sucesso desde que saíram da física. Eles operam seu iPhone e usinas nucleares há muito tempo. No meu campo, neurobiologia, chamamos a abordagem de modelagem causal dinâmica (DCM). Não podemos ver os estados cerebrais diretamente, mas podemos deduzi-los com dados de imagens cerebrais. De fato, levamos essa idéia ainda mais longe. Achamos que o cérebro pode estar fazendo sua própria modelagem causal dinâmica, reduzindo sua incerteza sobre as causas dos dados que os sentidos alimentam. Chamamos isso de princípio da energia livre. Mas se você está falando de uma pandemia ou de um cérebro, o problema essencial é o mesmo – você está tentando entender um sistema complexo que muda com o tempo. Nesse sentido, não estou fazendo nada de novo. Os dados são gerados por pacientes do Covid-19 em vez de neurônios, mas, caso contrário, é apenas mais um dia no consultório.
Você diz que os modelos generativos também são mais eficientes que os convencionais. O que você quer dizer?
Atualmente, os epidemiologistas lidam com o problema da inferência processando números em grande escala, usando computadores de alto desempenho. Imagine que você deseja simular um surto na Escócia. Usando abordagens convencionais, você levaria um dia ou mais com os recursos de computação atuais. E isso é apenas para simular um modelo ou hipótese – um conjunto de parâmetros e um conjunto de condições iniciais. Com o DCM, você pode fazer o mesmo em um minuto. Isso permite que você marque diferentes hipóteses de maneira rápida e fácil e, assim, escolha a melhor.
Alguma outra vantagem?
Sim. Com os modelos SEIR convencionais, intervenções e vigilância são algo que você adiciona ao modelo – ajustes ou perturbações – para que você possa ver seus efeitos na morbimortalidade. Mas, com um modelo generativo, essas coisas são construídas no próprio modelo, juntamente com tudo o mais que importa. Nossa resposta como indivíduos – e como sociedade – se torna parte do processo epidemiológico, parte de um grande sistema de auto-organização e auto-monitoramento. Isso significa que é possível prever não apenas o número de casos e mortes no futuro, mas também respostas sociais e institucionais – e anexar datas precisas a essas previsões.
Quão bem suas previsões foram confirmadas nesta primeira onda de infecções?
Para Londres, previmos que as internações atingiram o pico em 5 de abril, as mortes atingiram o pico cinco dias depois e a ocupação da unidade de terapia intensiva não excederia a capacidade – o que significa que os hospitais de Nightingale não seriam necessários. Também previmos que melhorias seriam vistas na capital em 8 de maio, o que poderia permitir o relaxamento das medidas de distanciamento social – o que ocorreu no anúncio do primeiro-ministro em 10 de maio. Até o momento, nossas previsões foram precisas dentro de um ou dois dias; portanto, há uma validade preditiva em nossos modelos que os convencionais não possuem.
Qual é o seu papel no Independent Sage?
Sou um membro com responsabilidade especial pela modelagem. Quando eles me abordaram pela primeira vez, não vi o “Independente” … estou brincando, mas apenas parcialmente. Penso no Independent Sage como o exercício final do engajamento público; como seria se você e eu e todos os outros pudéssemos participar de uma verdadeira reunião do Sábio. Ouvi políticos defensivos dizerem que sua própria existência impugna o verdadeiro Sábio, mas como cientista não posso assinar isso. Na minha opinião, nunca pode haver algo errado com uma discussão transparente e informada. O outro papel igualmente importante do comitê é apresentar ao governo do Reino Unido hipóteses alternativas – para dar mais espaço para manobras.
O que seus modelos dizem sobre o risco de uma segunda onda?
Os modelos apoiam a idéia de que o que acontece nas próximas semanas não terá um grande impacto em termos de desencadear uma recuperação – porque a população é protegida em certa medida pela imunidade adquirida durante a primeira onda. A verdadeira preocupação é que uma segunda onda possa surgir alguns meses depois, quando essa imunidade se dissipar. Podemos testar uma série de hipóteses, com base em uma duração muito curta da imunidade – como em um resfriado comum – até a imunidade que dura décadas. Para cada duração, podemos calcular a probabilidade de surgir uma segunda onda e quando. Ainda é cedo para este trabalho e aguardo com entusiasmo genuína a disponibilização de novos dados sobre imunidade, agora que existem testes confiáveis de anticorpos. Mas a mensagem importante é que temos uma janela de oportunidade agora, para implementar protocolos de teste e rastreamento antes dessa suposta segunda onda. Se elas forem implementadas de forma coerente, poderíamos adiar potencialmente essa onda além de um horizonte de tempo em que tratamentos ou uma vacina se tornem disponíveis, de uma maneira que não conseguimos antes do primeiro.
Depois que a pandemia terminar, você poderá usar seus modelos para perguntar qual foi a melhor resposta do país?
Isso já está acontecendo, como parte de nossas tentativas de entender as causas latentes dos dados. Estamos comparando o Reino Unido e a Alemanha para tentar explicar as taxas de mortalidade relativamente baixas na Alemanha. As respostas às vezes são contra-intuitivas. Por exemplo, parece que a baixa taxa de fatalidade alemã não se deve à sua capacidade superior de teste, mas ao fato de que o alemão médio tem menos probabilidade de ser infectado e morrer do que o britânico médio. Por quê? Existem várias explicações possíveis, mas uma que parece cada vez mais provável é que a Alemanha tenha mais “matéria escura” imunológica – pessoas que são impermeáveis à infecção, talvez porque estejam geograficamente isoladas ou tenham algum tipo de resistência natural. É como a matéria escura no universo: não podemos vê-lo, mas sabemos que deve estar lá para explicar o que podemos ver. Saber que ela existe é útil para nossos preparativos para qualquer segunda onda, porque sugere que testes direcionados para pessoas com alto risco de exposição ao Covid-19 podem ser uma abordagem melhor do que testes não seletivos de toda a população.
Modelos generativos são o futuro da modelagem de doenças?
Essa é uma pergunta para os epidemiologistas – eles são os especialistas. Mas eu ficaria muito surpreso se pelo menos uma parte da comunidade epidemiológica não se comprometesse mais com essa abordagem no futuro, dado o impacto que as idéias de Feynman tiveram em tantas outras disciplinas.
Por fim, uma entrevista com fio diz que você gosta de fumar, não fala com ninguém antes do meio-dia, não possui um telefone celular e lamenta as reuniões individuais. Isso mudou durante o bloqueio?
Receio que não. É verdade que isso pode ser considerado uma reunião individual, mas meu modo padrão é compartilhar idéias em um grupo – estilo Sábio Independente – e o serviço normal será retomado em breve. Pouco antes de falar com você, recusei o convite para falar no rádio da manhã e agora vou fumar um cigarro.
Publicado em 10/06/2020 04h38
Artigo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: