Data-driven mathematical models for assessing the COVID-19: SIRD-type equations

Abstract

São Paulo is the most populous state in Brazil, home to around 22% of the country’s population. The total number of COVID-19-infected people in São Paulo has reached more than 1 million, while its total death toll stands at 25% of all the country’s deceases. Join- ing the Brazilian academia efforts in the fight against COVID-19, in this work we describe a unified framework for monitoring and forecasting the COVID-19 progress. A novel fore- casting data-driven method has been proposed, by combining the so-called Susceptible- Infectious-Recovered-Deceased model with machine learning strategies to properly fit the mathematical model’s coefficients for predicting Infections, Recoveries, Deaths, and Viral Reproduction Numbers. We show that the resulting predictor is capable of dealing with badly conditioned data samples while still delivering accurate 10-day predictions. Our in- tegrated computational system can be used for guiding government actions mainly in two basic aspects: real-time data assessment and dynamic predictions of COVID-19 curves for different regions of the state and country. Finally, we extend our methodology to in- vestigate the effects of the vaccination process with a more complex model. In particular, our studies are able to predict different scenarios varying the rate of vaccination and the effectiveness of the vaccines.

São Paulo é o estado mais populoso do Brasil, com de cerca de 22% da população do país. O número total de pessoas infectadas pelo COVID-19 em São Paulo ultrapassou a marca de um milhão em janeiro de 2021, enquanto o número total de óbitos é de cerca de 25% dos óbitos do país. Juntando-se aos esforços acadêmicos brasileiros na luta contra a progressão da COVID-19 no país, um novo método de projeção baseado em dados é proposto, combinando o modelo chamado Suscetível-Infectados-Recuperado-Óbitos com estratégias de aprendizado de máquina para ajustar adequadamente os coeficientes do modelo para predição de Infecções, Recuperações, Óbitos e o número de reprodução do vírus. Mostramos que o preditor resultante é capaz de lidar com dados mal-condicionados enquanto gera projeções acuradas de 10 dias. Nosso sistema integrado pode ser utilizado para guiar ações governamentais principalmente baseados em dois aspectos: avaliação em tempo real dos dados e projeções dinâmicas para as curvas da COVID-19 em diferentes regiões do estado e país. Finalmente, estendemos a metodologia para investigar os efeitos do processo de vacinação utilizando um modelo mais complexo. Em particular, estudos mostram diferentes cenários variando da taxa de vacinação e eficácias de vacinas.