Matemática do Coronavírus Matemática do Coronavírus

Voltar

Usando curvaturas de Ricci discretas para medir a fragilidade da rede epidêmica e risco sistêmico da COVID-19

Um dos desafios mais urgentes deste surto diz respeito à criação de um sistema de resposta coordenado - e contínuo - baseado em dados que quantifiquem a propagação e o risco da epidemia - sem que tais informações dependam fortemente de estimativas, mesmo quando o dado seja heterogêneo. Tal sistema permitiria o desenvolvimento de respostas em diferentes escalas (global, nacional e local), bem como distribuiria recursos limitados da forma mais efetiva.

Título Original: Using discrete Ricci curvatures to infer COVID-19 epidemic network fragility and systemic risk

Título Traduzido: Usando curvaturas de Ricci discretas para medir a fragilidade da rede epidêmica e risco sistêmico da COVID-19

Autores: Danillo Barros de Souza¹, Jonatas T. S. da Cunha¹, Everlon Figueirôa de Santos¹, Jailson B. Correia² , ³, Hernande P. da Silva² ,3 , José Luiz de Lima Filho² ,3 , Jones Albuquerque² ,3 , Fernando A. N. Santos 1,4

¹ Departamento de Matemática, Universidade Federal de Pernambuco (UFPE), Recife, Pernambuco, Brasil

² Instituto para Redução de Riscos e Desastres de Pernambuco (IRRD-PE_, Universidade Federal Rural de Pernambuco (UFRPE), Recife, Pernambuco, Brasil

³ Laboratório de Imunopatologia Keizo Asami (LIKA), Universidade Federal de Pernambuco (UFPE), Recife, Pernambuco, Brasil

4 Departamento de Anatomia e Neurociência, Amsterdam UMC, Universidade Livre de Amsterdã, Amsterdã, Holanda

Introdução

Surtos epidêmicos representam uma preocupação significativa na saúde global. Não à toa, o surto de COVID-19 tomou a atenção de pesquisadores ao redor do mundo devido à rápida propagação, alta flutuação no tempo de incubação e resultados incertos na saúde e na economia.

E um dos desafios mais urgentes deste surto diz respeito à criação de um sistema de resposta coordenado - e contínuo - baseado em dados que quantifiquem a propagação e o risco da epidemia - sem que tais informações dependam fortemente de estimativas, mesmo quando o dado seja heterogêneo.

Tal sistema permitiria o desenvolvimento de respostas em diferentes escalas (global, nacional e local), bem como distribuiria recursos limitados da forma mais efetiva. Tendo em vista este cenário, pesquisadores da Universidade Federal de Pernambuco (UFPE) mostraram que as curvaturas de Ricci podem ser um forte indicador para a identificação de um estado de pandemia na rede epidêmica da COVID-19.

Destrinchando

Entre as inúmeras aplicações interdisciplinares de sucesso de geometria e topologia, que vai desde diferenciar redes de câncer [17] à modelagem de transições de fase em redes cerebrais [18], uma ideia em particular pode ser benéfica para mensurar um estado de pandemia usando geometria de redes.

O projeto se inspirou em resultados anteriores obtidos em redes de finanças [19], nos quais os autores mostraram que é possível relacionar a fragilidade da rede financeira com a curvatura de Ollivier-Ricci. No estudo, Ollivier usou ferramentas geométricas para analisar e caracterizar a interação entre os agentes econômicos e seus níveis de correlação.

Adicionalmente, tais ferramentas também permitiram que se observasse a curvatura da rede financeira como uma função do tempo - isto é, como a rede financeira mudava de acordo com a dinâmica do cenário econômico. Motivados por esse resultado, o trabalho inicialmente usou essa versão da curvatura de Ricci para abordar as redes epidêmicas e, em seguida, complementou com a curvatura de Forman-Ricci.

Inspirados pela questão acima, o estudo sugeriu um modelo de teste fenomenológico para gerar séries temporais epidêmicas que possam capturar o crescimento de uma rede epidêmica. Os pesquisadores assumiram que em cada nodo da rede epidêmica, o número de casos diários seguiria um modelo de crescimento fractal.

Para isso, o primeiro passo foi criar redes epidêmicas fractais baseadas em séries temporais epidêmicas simuladas. O segundo passo foi definir os pesos da rede epidêmica através do coeficiente de correlação de Pearson entre as séries temporais criadas. 

Para ler a resenha do artigo completa por favor clique aqui. 

Data da última modificação: 05/01/2021, 13:16