COVID-19

Desde o início da pandemia, atuamos no desenvolvimento de métodos numéricos e análises estatísticas que pudessem auxiliar o entendimento e controle da pandemia. Boa parte dos estudos dizem respeito a análises obtidas a partir de dados de mobilidade por geolocalização de celulares em conjunto com modelos matemáticos e estatísticos para compreensão e ação na pandemia. Tratam-se de trabalhos envolvendo uma extensa rede de colaboradores.

Apresentação : 16×9, 3×4


Dados de Mobilidade

Resultados Científicos

Equipe, parceiros, colaboradores e agradecimentos


Dados de Mobilidade

Em boa parte dos estudos que realizamos, utilizamos dados da empresa Inloco, que em 2021 mudou para Incognia. A emprese oferece serviços de inteligência digital com base em informações da localização de usuários de aparelhos celulares. A empresa tem um grande cuidado com questões de privacidade (politica de privacidade) e abriu dados anônimos e agregados para pesquisas científicas na pandemia.

Como são coletados?

Os clientes da inloco/incognia são empresas de diversos ramos que instalam um módulo (Software Development Kit – SDK) em seus aplicativos de celulares para usarem tecnologias de localização da Inloco/Incognia. A gama de clientes durante o ano 2020 era muito grande, desde grandes varejistas, e-commerce, jogos, mídias digitais, entre outros, cobrindo milhões de aparelhos celulares e por períodos cobrindo mais de 1/4 da população do país. O usuário do aplicativo pode permitir ou não a funcionalidade de localização (não são coletados dados sensíveis!).

  • GPS
  • Sinais de Wi-Fi
  • Sinais de Bluetooth-LE
  • Sinais de telefone
  • Atividade (correndo, andando, dirigindo)

A precisão espacial/temporal é muito alta! Sendo possível localizar com precisão de poucos metros, mesmo em locais fechados.

Como os dados são processados?

Recebemos dados já anonimizados e agregados, em uma resolução de no máximo cerca de centenas de metros.

H3 grid (more at https://eng.uber.com/h3/)
Isolamento Social

Em qual H3 mora? No hexágono onde a pessoa passou as última noites

Índice de Isolamento: Das pessoas que moram em um H3, mede percentual de pessoas que saiu desse H3 durante o dia.

Cidades e Estados são agregados de H3 nível 8.

Mobilidade

Medimos a mobilidade entre locais (geralmente trabalhamos apenas com mobilidade entre cidades) como contagens de viagens (trips).

Cada usuário registra uma sequência de pontos no espaço, que depende da frequência de coleta do app (que varia bastante!). Nós não recebemos trajetos completos, apenas origem e destino das várias viagens por usuários (sem identificação de que foi aquele usuário que fez aquela viagem).

Agregamos milhões de pares de origem vs destinos para calcular fluxos entre cidades.

Malhas H3 (https://h3geo.org/) são usadas na indexação espacial dos dados. Nos estudos usamos dados nos seguintes formatos:

  • Isolamento Social (Quantas pessoas saíram de casa no dia?)
  • Mobilidade entre locais (Quantas pessoas foram de A para B no dia?)

Essas medidas podem ser analisadas em diferentes níveis:

  • Cidades
  • Bairros (Hexágonos de nível 8, com aprox. 460 metros de largura)
  • Estados, Micro-regiões, Regiões
Exemplo de amostragem em malha H3 (https://eng.uber.com/h3/)


Medidas de Isolamento Social

Painel com medidas de isolamento social por município para todos os estados do Brasil. Clique no mapa para acessar os dados!

A análise de isolamento social comparativa visa mostrar, dia a dia, como está a mobilidade social em cada cidade do país. O índice indica o percentual de pessoas que não saíram de casa no dia. Apresentamos 2 gráficos:

  • Índice de isolamento social dia a dia e a média móvel semanal dos índices.
  • Variação relativa do índice de isolamento social comparando com antes da pandemia: indica se a cidade está ou não se isolando socialmente em relação ao normal da cidade por dia da semana (relativo a Fevereiro de 2020).

Esta análise foi realizada com dados de mobilidade social obtidas de forma anonimizada pela empresa colaboradora In Loco. É importante ressaltar que estes dados não representam uma totalidade da população.


(Clique no estado e verá um mapa com uma análise do isolamento dos municípios do estado)

Isolamento Social

Exemplo de Isolamento Social Comparativo: São Paulo – SP. As linhas indicam as médias móveis dos dados diários.
Painel superior: variação do índice de isolamento social em relação a um período de antes da pandemia (Fev 2020).
Painel inferior: valor percentual de pessoas que ficaram em casa no dia na cidade, com base na amostra.


Vejam como o isolamento social teve um salto no início das medidas de combate à COVID19, mas que depois, gradativamente, a população foi relaxando e atingindo um patamar de isolamento de cerca de 40%, que ainda é maior que o usual de mobilidade em relação à antes da pandemia, mas bem menor que o que já tivemos durante a pandemia. Em Fevereiro 2021 o distanciamento social caiu ao nível mais baixo desde o início das medidas, ficando equivalente ao período de referência.

Análises de Mobilidade

Além do isolamento social, temos feito diversas análises considerando mobilidade entre municípios, vejam alguns videos. Novamente ressaltamos que as análises são realizadas com dados de mobilidade obtidas de forma anonimizada pela empresa colaboradora In Loco e que estes dados não representam uma totalidade da população.

Evolução de viagens entre municípios no Brasil
Estado de São Paulo

Observe como há claras flutuações de intensidade da mobilidade alinhados com períodos de decretos de restrição de circulação de pessoas.

Zoom Nordeste
Zoom Litoral Nordeste
Zoom Centro Sudeste
Zoom Sudeste – Sul
Evolução de viagens entre municípios incluindo isolamento social

Esse tipo de análise permite visualizar os movimentos pendulares em grandes cidades, e como estes foram afetados (ou não!) por medidas de restrição de mobilidade.


Análise de risco baseado em mobilidade – Espalhamento no início da pandemia

Modeling future spread of infections via mobile geolocation data and population dynamics. An application to COVID-19 in BrazilPlos One

Trabalho inaugural do nosso grupo mostrando o potencial espalhamento da COVID-19 nos estados de São Paulo e Rio e Janeiro (antes do espalhamento ter ocorrido!). PRE-PRINT (medrxiv) PUBLICAÇÃO (Plos One)

Spreading model on the network.

Vídeo de divulgação da pesquisa
Muito obrigado LM|Assessoria Estatística pelo esforço de montar esse material!

Aviso: Este model não pretende mostrar a quantidade exata de pessoas infectadas em cada dia, mas sim se propõe a capturar o padrão de espalhamento, que é usado para gerar as medidas de risco. Veja o artigo completo no link (em inglês apenas).

Spatial-temporal infection model simulation assuming an infection rate of 0.4 and 1 infected person on the 1st of March in the city of São Paulo. More details in the PLOS-ONE paper.
Rank of infection (filled circles, left axis) and number of confirmed COVID19 cases (filled triangles, right axis) for São Paulo state on the 1st of May 2020.
Spatial-temporal infection model simulation assuming an infection rate of 0.4 and 1 infected person on the 1st of March in the city of Rio de Janeiro. More details in the PLOS-ONE paper.
Rank of infection (filled circles, left axis) and number of confirmed COVID19 cases (filled triangles, right axis) for Rio de Janeiro state on the 1st of May 2020.

O isolamento social e a dinâmica da pandemia

Neste estudo, publicado na revista Patterns (Cell Press), discutimos relações entre dados de isolamento social e dados da dinâmica epidemiológica da COVID-19. O resultado é um panorama de como as implementações de restrições de mobilidade influenciaram a primeira onda em diversas cidades do Brasil. “A snapshot of a pandemic: The interplay between social isolation and COVID-19 dynamics in Brazil” (DOI)

The dispersion between the mean relative isolation index of 1 week ago and the 7-day moving average of incidence for 32 cities during the upward phase. Colors refer to the stage. The line is a LOESS . The value of S is the skewness coefficient of the normalized LOESS curve.

Evolução da COVID19 do ponto de vista de mobilidade e genômica

Estudo do espalhamento da COVID19 no Brazil em relação à genômica do SARS-CoV-2. Esforço conjunto do CADDE e colaboradores gerando o estudo “Evolution and epidemic spread of SARS-CoV-2 in Brazil” (MEDRXIV , DOI), publicação na Science.

(A) Spatiotemporal reconstruction of the spread of Brazilian SARS-CoV-2 clusters containing 3 or more sequences during the first phase (left) and the second epidemic phase (right). Circles represent nodes of the MCC phylogeny and are coloured according to their inferred time of occurrence. (B) Estimated number of within state (or within a given federal unit) and between-state (or between federal units) virus migrations over time. (C) Average distance travelled by an air passenger per day in Brazil

Fatores de espalhamento regional

Estudo sobre diversos fatores que potencialmente influenciaram no espalhamento da COVID-19 pelo país. Destaque para as rodovias, a disponibilidade de leitos (o efeito “bumerangue”) e um fator bem curioso: a incidência prévia de dengue no local. Estudo realizado em parceria com Miguel Nicolelis (Consórsio Nordeste/Duke) e colaboradores. O preprint foi dividido em dois artigos, um considerando a parte de espalhamento regional por mobilidade, publicado na Nature Scientific Reports, e o outro, com a parte da análise da dengue, foi fortemente modificada e incrementada e está em revisão em outra revista.

Maps of Brazil representing the routes of the main
federal highways
, as well as the evolution of the geographic distribution of COVID-19 cases on three dates (April 1st, June 1st, and August 1st), and the distribution of COVID-19 deaths on August 1st (last column).
Quantification of the Brazilian “boomerang effect”:
Representation of all “boomerangs” that occurred around major Brazilian state capitals and mid-size cities across the whole country. In this map, arcs represent the flow of people from the interior towards the capital. The arc color code represents the number of interior cities that sent severely ill patients to be admitted in hospitals in a capital or mid-size town; red being the highest number of locations, orange and yellow next, while a smaller number of locations are represented in light blue.

Dengue versus COVID: (A) Bars represent the day the first COVID-19 case (blue bars) was officially reported in each state (using São Paulo’s first case on February 26th , 2020 as the 0 reference), the number of days estimated by a mathematical model for each state to reach 500 cases per 100,000 inhabitants (yellow bars), and the days in which each of Brazilian states actually reach the mark of 500 cases per 100,000 inhabitants (orange bars). Notice how much longer it took for MT, BA, SC, SP, GO, MS, PR, MG to reach the 500/100,000 milestone. (B) Comparison of the evolution of COVID-19 (yellow line), dengue 2019 and dengue 2020 new cases per epidemiological week. (C, D, and E) Comparison between the geographic distribution of COVID-19 cases (C), and incidence (C) until June 30th , 2020, and dengue fever cases and incidence in Brazil (D and D’) until May 31st, 2020, and for dengue cases and incidence (E and E’) summing data from 2019 and until May 31st, 2020.


Robot Dance: controle ótimo da pandemia

Estudo sobre estratégia de controle ótimo de distanciamento social e compartilhamento de leitos baseado em uma rede complexa (usando rede de mobilidade). Colaboração com pesquisadores do CEPID-CeMEAI (Euro J. Comp. Optimization). Preprint, DOI

Robot dance in action: The left map zooms in the connections between the SP city and the SW district. The link SP-SW is critical for the network, but preventing commuting eliminating the link) is not the solution. The middle graph shows that cutting the circulation in the link has practically no effect on the situation in SW/SP. By contrast, as shown in the bottom graph, allowing for commuting between the nodes (keeping the link) while implementing a pool of ICU beds improves significantly the overall state for SW without affecting much the situation in SP.

Attack rate em Manaus comparado com São Paulo

Colaboração com o grupo CADDE, e financiamento do Itau – Todos pela Saúde, o trabalho discute a diferença entre controlar ou não epidemia. Neste caso, Manaus é um exemplo de baixo controle da pandemia e São Paulo de controle maior. Os efeitos nas taxas de contágio são impressionantes! Mais detalhes no artigo “Three-quarters attack rate of SARS-CoV-2 in the Brazilian Amazon during a largely unmitigated epidemic”, Science, 2020. Veja também o comentário no Lancet, 2021.

SARS-CoV-2 antibody prevalence estimates in Manaus (A) and São Paulo (C) with a range of corrections. Error bars are 95% confidence intervals. Grey bars are standardized daily mortality using confirmed COVID-19 deaths from the SIVEP-Gripe (https://covid.saude.gov.br/) notification system and standardized by the direct method using the total projected Brazilian population for 2020 as reference. Black lines are rescaled cumulative deaths, such that the maximum is set to the maximum seroprevalence estimate for each city. 

Caracterização e espalhamento da linhagem P1 de Manaus

Estudo em parceria com o consórcio CADDE sobre a genômica da variante P1. O principal ponto da colaboração foi na análise do potencial espalhamento da variante pelo Brasil a fora. Pre-print, Science.

Viagens registradas no mês de Novembro de Manaus para outras cidades do país, com base em dados georreferenciamento de celulares da InLoco.

Vulnerabilidades Sociais e Raciais em SP

Trabalho investigando o impacto de desigualdades sociais e de raça na mortalidade por COVID-19 considerando efeitos de dificuldade de realizar o isolamento social, acesso a serviços de saúde e outros fatores. MEDRXIV, BMJ Global Health

Relative risk of SARI hospitalisation for the GMSP (A). Seven-day moving average of daily median levels in social distancing by race (B) and income (C). Difference in daily social isolation by race (D) and income groups (E) after the introduction of NPI. In Panels (B) and (C), solid lines show population-weighted median isolation levels and shaded areas show population-weighted interquartile range (25%-75%). Dashed vertical lines indicate the dates of NPIs that closed schools (March 13 state NPI) and non-essential activities (March 18 and 22, municipal and state NPIs respectively).

Isolamento social e vibrações sísmicas

Estudo sobre as relações entre o distanciamento social e a redução das vibrações sísmica no Rio de Janeiro. Artigo em colaboração com IAG-USP e Observatório Nacional, em revisão na Geophys. Res. Lett.: “Using Seismic Noise Levels to Monitor Social Isolation: An Example from Rio de Janeiro, Brazil” (pre-print , published)

Comparison of seismic noise level (blue and dark blue lines, in nm/s, left scale) with the
“In Loco” Social Distancing Index (Ik, red line, fraction of the population staying at home).

Dinâmica livre de escala (fractal) da COVID-19

Nesta colaboração liderada por pesquisadores Física (USP), estudamos o comportamento fractal da COVID-19 na cidade de São Caetano, resultando em um modelo que generaliza os clássicos modelos SIR. O artigo foi publicado na revista Applied Mathematical Modelling (Medrxiv, DOI).

Social Isolation Metrics for the city of São Caetano do Sul indicating the percentage of people that stayed home during the respective day. Two indexes are shown: in blue, the index from the Inloco company and in green the official index from the state government of São Paulo. The daily index is shown in light colours and the seven-day moving average is shown in dark colours, for each source. Horizontal bars indicate the average social isolation index, using the official government dataset, of the first and second waves. The figure shows how adherence to social distancing policies was drastically reduced in the second wave compared to the first wave

Colaboradores, parecerias e agradecimentos – Thanks!

Equipe, Colaboradores e Entidades Parceiras:

  • Colegas e alunos do Departamento de Matemática Aplicada do IME-USP: Sérgio Oliva, Cláudia Peixoto, Renato Vicente, Diego Marcondes (doutorando), Milena Oliveira (mestranda).
  • InLoco, em especial o Afonso Delgado. Boa parte das pesquisas realizadas são essencialmente baseadas em dados de mobilidade fornecidos pela empresa, que tem sido uma parceira de primeira desde 2018, em estudos relacionados a dissiminação de dengue no país.
  • Governo de Estado de São Paulo, via Patrícia Ellen e assessores (especialmente a Bárbara Régis) e Dimas Covas (diretor do Instituto Butantan), na confiança e parceria dentro do centro de crise do estado.
  • Consórcio Nordeste, via Rafael Raimundo (UFPB) e Miguel Nicolelis (Duke).
  • Observatório-COVID19-BR , em particular via Renato Coutinho (UFABC), Roberto Kraenkel (IFT-UNESP) e Paulo Prado (USP).
  • CADDE, especialmente Ester Sabino (USP), Nuno Faria (Oxford/Imperial), e Rafael Pereira (IPEA), além dos alunos e outros pesquisadores envolvidos.
  • COVID-RADAR, em particular o Sami Yamouni (Serasa) e Fabrício Vasselai (Michigan), além de outros pesquisadores envolvidos na iniciativa.
  • CEPID-CeMEAI, em particular os pesquisadores Paulo Silva e Silva (UNICAMP), Luis Nonato (ICMC), Claudia Sagastizábal (UNICAMP) e Tiago Pereira (ICMC) na iniciativa RobotDance e outros.
  • Itau – Todos pela Saúde, em particular nos projetos de revisão de Mortalidade (Paulo Lotufo – FM-USP) e no projeto de análise de imunidade de rebanho no Amazonas (Ester Sabino IMT-USP e CADDE).
  • Diversos professores e pesquisadores da USP, muitos que participaram de discussões iniciais, incluindo o reitor Vahan Agopyan, o pró-reitor Carlos Carlotti e o Diretor do IME, Junior Barrera, por ajudar a estreitar a parceria com o governo do estado.
  • Lorena Barberia (USP e Rede Pesquisa Solidária) e colaborades.
  • Martin Schreiber (TU Munich) – Long-time collaborator, helped out on the parallelization of geocoding for mobility data, allowing coupled mobility analysis of the whole country.
  • Mariana Pereira de Melo (Escola de Engenharia de Lorena – USP) e Cláudia Pio (UNESP)
  • Helder Nakaya (FCF-USP)
  • Sílvio Ferreira (UFV) e alunos Wesley Cota e Guilherme Costa
  • Marcelo Assumpção (IAG-USP) e colegas no divertido cruzamento de isolamento com vibração sísmica.
  • Airton Deppman (Física-USP) e colegas da física na análise “fractal” da covid-19.
  • Raquel Rolnik (FAU-USP) e colaboradores
  • LM|Assessoria Estatística e Laryssa Costa
  • Vários outros pesquisadores que temos colaborado nessa empreitada da COVID-19!

Agências Financiadoras:

  • FAPESP Jovem Pesquisador 16/18445-7 – e o servidor Ybytu
  • CNPq (Bolsa Produtividade)