Comparação no desempenho dos modelos bayesianos hierárquicos no estudo da evolução temporal do número de óbitos por COVID-19 no Estado de São Paulo, 2020-2021

• Ano de defesa: 2024
• Autor(a) principal: Gualberto, Juliana Aparecida [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp), Instituto de Biociências de Botucatu
• Palavras-chave em Português: Análises espaço-temporais; Autocorrelação; DIC; Interação espaço-temporal; Modelos autoregressivos condicionais; Poisson inflacionado de zero; WAIC; Space-time analysis; Autocorrelation; Space-time interaction; Conditional autoregressive models; Zero-inflated Poisson
• Link de acesso: https://hdl.handle.net/11449/254828; https://orcid.org/0000-0003-2264-7385

Em dezembro de 2019, o surgimento do novo coronavírus (nCoV-2019 ou COVID-19) em Wuhan, China, desencadeou uma pandemia global que se disseminou rapidamente, afetando milhares de pessoas. A situação atingiu proporções alarmantes, levando a Organização Mundial da Saúde (OMS) a declarar, em 30 de janeiro de 2020, uma emergência de saúde pública de importância internacional, devido ao aumento exponencial de casos em todo o mundo, incluindo na China. O Brasil confirmou seu primeiro caso em 26 de fevereiro de 2020, na cidade de São Paulo, marcando o início da disseminação do vírus no país. Entre março de 2020 e dezembro de 2021, o Brasil registrou mais de 22 milhões de casos confirmados de COVID-19 e lamentáveis 600 mil mortes. No contexto da epidemiologia e análise de dados, a compreensão do comportamento da doença requer uma abordagem espaço-temporal pois permite identificar a configuração espacial da doença e sua evolução ao longo do tempo, facilitando a identificação de áreas de maior risco e embasando decisões em saúde pública. Nesse cenário, os modelos bayesianos hierárquicos têm se destacado como ferramentas valiosas para detectar aglomerados de doenças, desempenhando um papel crucial na identificação de áreas de maior risco. Além disso, a abordagem bayesiana oferece a vantagem de incorporar incertezas nos modelos e avaliar a qualidade das previsões, aspecto crucial em um contexto epidemiológico. Dada a existência de diversos modelos bayesianos hierárquicos, o objetivo deste estudo é avaliar se há um modelo superior para capturar a evolução espaço-temporal do número de óbitos decorrentes da COVID-19 no Estado de São Paulo. Para a modelagem espacial e temporal, foram empregados modelos amplamente utilizados na literatura, incluindo modelos autoregressivos condicionais (CAR) para efeitos espaciais e RW(1), RW(2) e AR(1) para efeitos temporais. Métricas como o Critério de Informação Deviance (DIC) e o Critério de Informação Watanabe-Akaike (WAIC) foram utilizadas para medir o desempenho e realizar comparações entre os modelos, sendo cruciais na avaliação da adequação dos modelos estatísticos e na determinação daqueles que oferecem as melhores previsões e \textit{insights} para a compreensão e gestão da pandemia de COVID-19. Embora não tenha sido identificado um modelo que se destacasse dos demais, foi possível observar como os óbitos aumentaram ou diminuíram em diferentes períodos da pandemia. Este estudo evidencia a importância da análise espaço-temporal e do uso de modelos bayesianos hierárquicos na epidemiologia, contribuindo significativamente para a tomada de decisões em saúde pública e fornecendo uma ferramenta valiosa para enfrentar desafios como a pandemia de COVID-19.