Академический Документы
Профессиональный Документы
Культура Документы
BASEADOS EM INDIVÍDUOS
Abstract— The study of the propagation of infectious diseases in populations has been performed, tradition-
ally, via the compartmental models, which are based on differential equations. Such models, employing the mass
action principle, are able to represent the dynamic behavior of epidemics when the populations are large. In the
case of small populations, a significant deviation in relation to the forecast delivered by such models occurs. In
this work, an individual-based model (IBM) is employed in the study of the influence of stochastic fluctuation of
the dynamical variables of an epidemics on the time of eradication of such epidemics. It is shown here that, for
small populations, such influence can become predominant.
Resumo— O estudo da propagação de doenças infecciosas em populações vem sendo feito tradicionalmente
por meio dos chamados modelos compartimentais, baseados em equações diferenciais. Tais modelos, empregando
o princı́pio de ação de massas, são capazes de representar o comportamento dinâmico de epidemias quando
as populações são muito grandes. No caso de populações pequenas, ocorre um desvio significativo em relação
à previsão fornecida por tais modelos. Neste trabalho, um modelo baseado em indivı́duos (MBI) é utilizado
para estudar a influência da flutuação estocástica das variáveis dinâmicas de uma epidemia sobre o tempo de
erradicação desta epidemia. É mostrado aqui que para pequenas populações tal influência chega a se tornar
predominante.
300
250 0.04, 0.06, 0.08, 0.1, 0.13, 0.17, 0.2, 0.25, 0.3, 0.4,
200 0.5, 0.6, 0.7, 0.8, 0.9, 1.0. Para cada combinação
150 de parâmetros dinâmicos, tamanho de população
100 e taxa de vacinação, o MBI foi simulado 500 vezes,
50 sendo que cada execução foi terminada quando da
0
ocorrência da erradicação da doença.
0 100 200 300 400 500 600 700 800
tempo
Sobre esses dados, foram calculados os respec-
tivos valores do tempo de erradicação nos percen-
tis 0%, 10%, 20%, 50%, 80%, 90% e 100% (os
Figura 1: Simulações via MBI da propagação de uma
1 1 3 percentis designados por 0% e 100% correspon-
epidemia em que µ = 600 , γ = 30 e β = 10 , para
uma população de 700 indivı́duos, superpostas a uma
dem aos extremos mı́nimo e máximo verificados
simulação do correspondende modelo SIR (representado durante as simulações). Os resultados de algumas
em traço mais grosso). dessas simulações estão sintetizados nas figuras 2
a 5.
10
sariamente garantiriam, no entanto, um modelo
mais preciso, conforme discutido em (Ferguson 3
10
et al., 2003).
2
Deve-se notar que o MBI possui uma execução 10
5 5
10 10
4 4
Tempo de erradicação
Tempo de erradicação
10 10
3 3
10 10
2 2
10 10
1 1
10 10
0 0
10 0 10 20 30 40 50 60 70 80 90 100 10 0 10 20 30 40 50 60 70 80 90 100
Índice de vacinação Índice de vacinação
Figura 3: Tempos para erradicação no caso do Sis- Figura 5: Tempos para erradicação no caso do Sis-
tema 1, com população de 700 indivı́duos. As curvas, de tema 3, com população de 700 indivı́duos. As curvas, de
baixo para cima, representam respectivamente os per- baixo para cima, representam respectivamente os per-
centis p = 0%, 10%, 20%, 50%, 80%, 90%, 100%. O centis p = 0%, 10%, 20%, 50%, 80%, 90%, 100%. O
eixo horizontal corresponde ao ı́ndice de vacinação v, e eixo horizontal corresponde ao ı́ndice de vacinação v, e
o eixo vertical corresponde ao valor (de cada percentil) o eixo vertical corresponde ao valor (de cada percentil)
do tempo de erradicação da doença. do tempo de erradicação da doença.
6
10
5
10
5
10
4
4 10
Tempo de erradicação
10
Tempo médio de erradicação
3 3
10 10
2
10 2
10
1
10
1
10
0
10 0 10 20 30 40 50 60 70 80 90 100
Índice de vacinação 0
10 100 200 300 400 500 600 700
Tamanho da população
3
a propagação de epidemias.
10
2
Agradecimentos: Os autores agradecem o apoio finan-
10
ceiro recebido do CNPq.
1
10
Referências
0
10 100 200 300 400 500 600 700 Anderson, R. M. e May, R. M. (1992). Infectious
Tamanho da população
Diseases of Humans: Dynamics and Control,
Oxford: Oxford University Press.
Figura 7: Tempos médios para erradicação no caso
do Sistema 2, com populações de 100, 300 e 700 in- Bouma, A. (2005). Determination of the effective-
divı́duos. As curvas, de cima para baixo, represen- ness of Pseudorabies marker vaccines in expe-
tam respectivamente os ı́ndices de vacinação de v = riments and field trials, Biologicals 33: 241–
[0, 0.005, 0.01, 0.03, 0.06, 0.1, 0.2, 0.4, 1.0]. 245.
D’Onofrio, A. (2002). Pulse vaccination strategy
in the SIR epidemic model: global asympto-
10
5
tic stable eradication in presence of vaccine
failures, Mathematical and Computer Model-
10
4
ling 36: 473–489.
Tempo médio de erradicação
3
Ferguson, N. M., Keellng, M. J., Edmunds, W. J.,
10
Ganl, R., Grenfell, B. T., Anderson, R. M.
e Leach, S. (2003). Planning for smallpox
2
10
outbreaks, Nature 425: 681–685.
10
1 Gomes, M. G. M., White, L. J. e Medley, G. F.
(2004). Infection, reinfection and vaccination
0
under suboptimal immune protection: epide-
10 100 200 300 400 500 600 700
Tamanho da população
miological perspectives, Journal of Theoreti-
cal Biology 228: 539–549.
Figura 8: Tempos médios para erradicação no caso Nepomuceno, E. G. (2005). Dinâmica, Modelagem
do Sistema 3, com populações de 100, 300 e 700 in- e controle de epidemias, PhD thesis, Univer-
divı́duos. As curvas, de cima para baixo, represen- sidade Federal de Minas Gerais (UFMG).
tam respectivamente os ı́ndices de vacinação de v =
[0, 0.005, 0.01, 0.03, 0.06, 0.1, 0.2, 0.4, 1.0]. Nepomuceno, E. G., Aguirre, L. A., Takahashi,
R. H. C., Lamperti, R. D. e Alvarenga, L. R.
(2006). Modelagem de sistemas epidemioló-
5 Conclusões gicos por meio de modelos baseados em in-
divı́duos, Anais do XVI Congresso Brasileiro
Este trabalho apresentou o estudo da erra- de Automática .
dicação de epidemias feito através da simulação
Safan, M., Heesterbeeck, H. e Dietz, K. (2006).
de Monte Carlo de um Modelo Baseado em In-
The minimum effort required to eradicate in-
divı́duos (MBI). O MBI permite levar em consi-
fections in models with backward bifurcation,
deração o efeito de estocasticidade associado às
Journal of Mathematical Biology 53: 703–
pequenas populações, que não é levado em conta
718.
nos tradicionais modelos compartimentais basea-
dos em equações diferenciais. Shulgin, B., Stone, L. e Agur, Z. (1998). Pulse vac-
Nos casos de doenças cujas taxas básicas de cination strategy in the SIR epidemic model,
reprodução, R0 , são maiores que um, o modelo Bulletin of Mathematical Biology 60: 1123–
SIR é incapaz de produzir qualquer informação re- 1148.
levante a respeito dos tempos de erradicação. Para
Stone, L., Shulgin, B. e Agur, Z. (2000). Theo-
estes casos, a metodologia aqui proposta é capaz
retical examination of the pulse vaccination
de produzir estimativas dos tempos de erradica-
policy in the SIR epidemic model, Mathema-
ção relacionadas com o mecanismo de flutuação
tical and Computer Modelling 31: 207–215.
estocástica do número de infectados.