Publication: 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
Loading...
Date
Authors
Advisor
Govone, José Silvio 
Coadvisor
Graduate program
Biometria - IBB 33004064083P2
Undergraduate course
Journal Title
Journal ISSN
Volume Title
Publisher
Universidade Estadual Paulista (Unesp), Instituto de Biociências de Botucatu
Type
Doctoral dissertation
Access right
Acesso aberto
Abstract
Abstract (portuguese)
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.
Abstract (english)
In December 2019, the emergence of the novel coronavirus (nCoV-2019 or COVID-19) in Wuhan, China, triggered a global pandemic that rapidly spread, affecting thousands of people. The situation reached alarming proportions, prompting the World Health Organization (WHO) to declare, on January 30, 2020, a public health emergency of international concern due to the exponential increase in cases worldwide, including in China. Brazil confirmed its first case on February 26, 2020, in the city of São Paulo, marking the onset of the virus's spread in the country. Between March 2020 and December 2021, Brazil recorded over 22 million confirmed cases of COVID-19 and a lamentable 600 thousand deaths. In the context of epidemiology and data analysis, understanding the disease's behavior requires a space-time approach as it allows for the identification of the spatial configuration of the disease and its evolution over time, facilitating the identification of higher-risk areas and informing public health decisions. In this scenario, hierarchical Bayesian models have stood out as valuable tools for detecting clusters of diseases, playing a crucial role in identifying higher-risk areas. Furthermore, the Bayesian approach offers the advantage of incorporating uncertainties into the models and evaluating the quality of predictions, a crucial aspect in an epidemiological context. Given the existence of various hierarchical Bayesian models, the objective of this study is to assess whether there is a superior model to capture the space-time evolution of the number of deaths due to COVID-19 in the State of São Paulo. For spatial and temporal modeling, widely used models in the literature, including conditional autoregressive (CAR) models for spatial effects and RW(1), RW(2), and AR(1) priors for temporal effects, were employed. Metrics such as the Deviance Information Criterion (DIC) and the Watanabe-Akaike Information Criterion (WAIC) were used to measure performance and make comparisons between models, being crucial in evaluating the adequacy of statistical models and determining those that offer the best predictions and insights for understanding and managing the COVID-19 pandemic. Although no model stood out from the others, it was possible to observe how deaths increased or decreased in different periods of the pandemic. This study underscores the importance of space-time analysis and the use of hierarchical Bayesian models in epidemiology, making a significant contribution to public health decision-making and providing a valuable tool to address challenges such as the COVID-19 pandemic.
Description
Keywords
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
Language
Portuguese
