Ao Analisar Os Dados De Uma Epidemia

O que realmente acontece quando você mexe com dados epidemiológicos

Os dados nunca chegam prontos. Você vai abrir um planilção ou um banco e perceber que os números estão espalhados, inconsistentes e cheios de buracos. É assim que funciona na prática. Eu passei semanas trabalhando com dados de surtos e a primeira lição é que a limpeza gasta mais tempo do que qualquer modelo que você vai construir depois.

ao analisar os dados de uma epidemia

O método básico começa com a estrutura dos dados. Você precisa de pelo menos três campos: data de início dos sintomas, localização e classificação do caso. Se faltar algum desses, o resto do processo fica comprometido. A maioria dos datasets públicos vem com datas inconsistentes, alguns em formato dia/mês/ano, outros invertidos. Eu corrigia isso rodando um script de padronização antes de qualquer outra coisa. Perdi horas achando que um pico real estava ocorrendo quando na verdade era um erro de formatação de data. Depois da limpeza, você calcula medidas fundamentais. Incidência, prevalência, taxa de ataque — cada uma responde a perguntas diferentes e confundir essas medidas gera conclusões erradas. Incidência mede novos casos num período. Prevalência mede todos os casos ativos. Taxa de ataque foca numa população exposta específica. Quando eu via relatórios usando prevalência para descrever surtos agudos, sabia que algo estava errado. Surtos agudos precisam de incidência.

O cálculo do número básico de reprodução (R0) também é mais complicado do que a fórmula simples que todo mundo usa. A fórmula de estimação direta assume população homogênea e contato uniforme, o que raramente existe na realidade. Eu costumava usar a abordagem de Wallinga e Teunis, que estima o R efetivo ao longo do tempo sem essas suposições rígidas. Funciona melhor, mas exige que os dados de data de início dos sintomas estejam bem preenchidos. Se tiver muitos registros com datas faltando, o estimador entra em colapso. Aqui vai algo que poucos mencionam: a subnotificação é sempre assimétrica. Ela não atinge todas as regiões ou grupos populacionais da mesma forma. Zonas rurais, populações de baixa renda e minorias tendem a ter menor registros de casos. Se você não ajustar por isso, sua análise vai subestimar a gravidade real e direcionar recursos para os lugares errados. Eu desenvolvia fatores de correção baseados em dados de vigilância passiva comparada com pesquisas soroepidemiológicas regionais. Quando não havia pesquisa recente, eu usava estimativas de notificação históricas da própria secretaria de saúde local.

A visualização também merece atenção. Gráficos de curva epidêmica parecem simples, mas o choice do tamanho do bin de data faz toda a diferença. Um bin de três dias pode esconder um surto secundário. Um bin de oito horas pode criar ruído suficiente para parecer que existem vários picos separados. Eu ajustava o bin baseado na distribuição de incubação conhecida da doença. Para COVID-19, por exemplo, bins de dois a três dias funcionavam razoavelmente bem. Para doenças com incubação mais curta, como norovírus, bins de seis horas eram mais apropriados. Outro problema recorrente é a defasagem entre ocorrência e notificação. O caso ocorre, o paciente busca atendimento, o médico notifica, o sistema recebe e processa. Esse atraso varia de horas a semanas. Se você não modelar essa defasagem, o relatório final mostra uma queda nos casos que na verdade é apenas um atraso na notificação. Eu aplicavaCurve de atraso baseada na distribuição observada de dias entre início dos sintomas e notificação. Sem esse ajuste, decisões de contenção eram tomadas com base em dados incompletos.

Sobre ferramentas, o RStudio com o pacote EpiModel é sólido para simulação e análise. Para visualização rápida, o GGplot2 resolve. Se o dataset for grande demais para memória, eu migrava para o data.table antes de qualquer processamento pesado. Planilhões de planilha travam com mais de meio milhão de linhas e ninguém deveria tentar modelar epidemiologia neles. O principal ponto fraco dessa abordagem é que ela depende inteiramente da qualidade dos dados de entrada. Modelos sofisticados com dados ruins produzem resultados bonitos que são completamente equivocados. Não existe correção estatística que salve dados mal coletados. O melhor caminho é investir em padronização da coleta desde o início, com campos obrigatórios bem definidos e validação em tempo real no ponto de entrada. Isso reduz drasticamente o tempo de limpeza e aumenta a confiança nos resultados finais.

Quando a qualidade dos dados é extremamente limitada, alternativas como modelagem baseada em agentes ou métodos de captura e recaptura podem ser úteis, embora exijam mais suposições e sejam mais difíceis de validar. Eu preferia sempre ter dados brutos suficientes do que confiar em métodos alternativos para preencher lacunas. Dados ruins são ruins, mas dados ausentes são piores porque você não sabe o quanto estão faltando.