Artigos

Durante emergências de saúde pública em doenças infecciosas é necessária a implementação oportuna de políticas de saúde pública para redução da transmissão e mitigação de impactos. A pandemia de Covid-19 impôs seus desafios, demandando respostas urgentes aos sistemas e serviços de saúde em um contexto de informações limitadas e em evolução 1. No Brasil, somaram-se os desafios de conhecer a evolução da doença em um ambiente de heterogeneidade da população, desigualdade social e a ausência de dados confiáveis 2,3. Apesar do sistema robusto de vigilância epidemiológica, o vácuo de ações políticas ao nível federal gerou respostas descoordenadas ao nível municipal e estadual, acentuando ainda mais as inequidades sociais no Brasil 4,5. Considerando o período do começo dos repositórios de dados sobre a pandemia (janeiro/2022) até março de 2023, o Brasil teve 699,276 mil mortes por Covid-19 6. Comparado a outros países, ficamos em 2º lugar no número de mortes por 100mil/habitantes (Estados Unidos: 341,11 mortes/100mil/habitantes e Brasil: 328,98 mortes/100mil habitantes). Esse dado demonstra os países com o maior número de mortes proporcionalmente aos seus casos ou população de Covid-19, não necessariamente o maior número de mortes em geral 6.
A modelagem dinâmica de transmissão de doenças infecciosas gera evidências que permitem a identificação de variáveis e mecanismos que influenciam na propagação de doenças, além da possibilidade de simular diferentes cenários 7. Essa estratégia suficientemente transparente e rigorosa, utilizando-se de dados específicos para as localidades avaliadas (cidade, estado, país), representou uma alternativa bem difundida no mundo para geração de evidências e projeções que apoiassem os gestores. Em especial onde existem lacunas de conhecimento e de dados, e onde a preparação e estruturação de sistemas de saúde, bem como a demanda dos serviços de saúde, implementação e levantamento de intervenções não-farmacêuticas são em sua maioria guiadas pela projeção local da epidemia 8,9.
Como tal, a existência de profissionais e grupos de pesquisadores trabalhando com modelagem para gerar evidências e projeções, assim como, comunicá-las aos tomadores de decisão é crucial para apoiar a política de saúde pública – tanto para mitigar esta pandemia quanto na preparação para responder melhor a futuras epidemias e emergências de saúde pública 10,11. A modelagem exerce um papel importante no planejamento da resposta de saúde pública em diferentes contextos, e seu desenvolvimento integra e sintetiza dados epidemiológicos, clínicos, genéticos e sociodemográficos, sendo ferramenta útil em vários níveis da tomada de decisão 12–14. Considerando doenças infectocontagiosas, que possuem complexidades únicas relacionadas à transmissão, imunidade de rebanho e fontes de heterogeneidade nas taxas de infecção e doença, vemos na literatura diferentes cenários sendo projetados através da modelagem para sintetizar as evidências e instrumentalizar a tomada de decisão 15–18. No entanto, ainda que o avanço das ferramentas computacionais seja promissor na simulação de cenários através da modelagem, características metodológicas deste processo, como, por exemplo, perguntas de pesquisa relevantes para a sociedade, modelos que incluam a complexidade dos problemas, mas que sejam passíveis de interpretação em linguagem não científica, comunicação contínua e engajamento entre cientistas e tomadores de decisão, podem ser verdadeiros desafios no desenvolvimento de modelagem e na otimização da resposta em emergências de saúde 19,20.
O objetivo deste estudo foi identificar e caracterizar os grupos e instituições que realizaram modelagem para apoiar a tomada de decisões de saúde pública no Brasil durante a pandemia da Covid-19. As seguintes questões de pesquisa foram formuladas: Quais são os grupos operacionais e de pesquisa que conduzem a modelagem da Covid-19 para apoiar a tomada de decisões em saúde pública? Como os dados e resultados derivados da modelagem são apresentados, compartilhados e disponibilizados aos tomadores de decisão responsáveis pelas decisões de saúde pública no Brasil?

METODOLOGIA
Mapeamento dos grupos de pesquisadores realizando modelagem
Trata-se de um estudo transversal que incluiu instituições e grupos de pesquisadores que trabalharam com modelagem de Covid-19 e que estiveram envolvidos no processo de construção de evidências para orientação da tomada de decisão em saúde pública durante a pandemia. Estes foram identificados a partir de duas estratégias complementares: 1) Revisão de escopo para identificação de publicações, relatórios e modelos da Covid-19, e 2) Identificação e seleção de grupos de pesquisadores envolvidos em modelagem através da técnica de amostragem por referência em cadeia.
Para fins deste estudo, consideramos os autores identificados nas publicações, relatórios e modelos da Covid-19 como membros de um "grupo de pesquisadores" uma vez que muitos deles não trabalhavam juntos quando a pandemia começou, mas se reuniram para colaborar em resposta a editais específicos ou demandas institucionais durante a pandemia da Covid-19, ou ainda por iniciativa própria.
A revisão de escopo de estudos de modelagem da Covid-19 no Brasil foi realizada considerando o período de fevereiro de 2020 a maio de 2021. Berg de Almeida et al. (2023)21 apresenta o detalhamento metodológico e resultados principais da revisão de escopo. Resumidamente, foram incluídos artigos publicados em periódicos indexados revisados por pares; literatura cinzenta incluindo referências identificadas em buscas manuais das citações dos artigos incluídos e relatórios elaborados por grupos de pesquisadores para órgãos de governo; além de arquivos de repositórios de dados escritos em qualquer idioma, e que relataram o desenvolvimento de modelagem matemática e estatística para avaliar diferentes aspectos da Covid-19 no Brasil durante o período inicial da pandemia, quando ainda não havia vacinas disponíveis.
As estratégias de busca foram aplicadas ao MEDLINE, LILACS, Embase, ArXiv e incluíram repositórios de dados nacionais e literatura cinzenta. Das publicações, relatórios e modelos de Covid-19 selecionados, foram identificados os pesquisadores e instituições e foram incluídos para contato todos os que contavam com participantes brasileiros.
Como estratégia suplementar para identificar grupos de pesquisadores, em particular aqueles que ainda não haviam publicado resultados de modelagens e, portanto, não teriam sido identificados pela revisão de escopo, foi realizada amostragem por referência em cadeia (snowball sampling) iniciada através dos pesquisadores do nosso grupo assim como entre os participantes do Encontro Nacional de Modelagem Matemática da Covid-19 (ENMM-COVID19), um evento de modelagem organizado pelo Programa de Pós-Graduação em Física da Universidade Federal do Paraná (UFPR) em parceria com o Instituto de Biociências da Universidade Estadual Paulista (UNESP) de Botucatu e com Centro Internacional de Física da Matéria Condensada da Universidade de Brasília (UNB). Essa técnica de amostragem foi desenhada a partir do “rastreamento de contato” em saúde pública, em que um indivíduo nomeia todos os outros indivíduos que estiveram associados a um evento específico 22. Os pesquisadores do grupo e do evento identificaram potenciais participantes dentro de seus contatos na comunidade científica. Complementando a busca por pesquisadores atuando no apoio a gestão, o projeto foi divulgado através de material criado para este fim (Material Suplementar Figura S1) em mídias sociais e outros eventos da área.
Elegibilidade
Após a identificação dos grupos de pesquisadores foi utilizado um formulário de elegibilidade (Material Suplementar, Formulário S2), uma vez que além do desenvolvimento dos modelos era necessário verificar se de alguma forma os estudos produzidos foram direcionados, compartilhados, comunicados, para consideração e/ou uso pelos tomadores de decisão em qualquer nível de gestão da saúde (municipal, estadual, nacional). Os pesquisadores dos grupos identificados através das duas estratégias receberam o formulário de elegibilidade via e-mail. Realizamos três tentativas de contato com o autor correspondente dos artigos publicados e na ausência de resposta foram feitas tentativas com o primeiro ou último autores. A divulgação nas mídias e o material utilizado pelo snowball continham um link que remetia para o mesmo formulário de elegibilidade. O contato inicial foi realizado para confirmação dos seguintes critérios:
- Ter desenvolvido ou estar desenvolvendo modelos com o objetivo de avaliar diferentes aspectos da evolução da pandemia da Covid-19 em qualquer momento desde o início da pandemia
- As análises geradas deveriam ter o objetivo de subsidiar decisões de saúde pública (ou políticas de saúde) por parte dos gestores locais.
Os pesquisadores cujos modelos desenvolvidos preencheram os critérios de elegibilidade foram convidados (máximo de três tentativas) através de e-mail para entrevista por plataforma de conferência remota. Os que aceitaram participar foram contatados para agendamento da entrevista conforme melhor conveniência para o pesquisador.
A fim de complementar a avaliação de como os dados e resultados derivados da modelagem foram disponibilizados aos tomadores de decisão responsáveis pelas decisões de saúde pública no Brasil, foi solicitado aos pesquisadores entrevistados a indicação de um gestor que pudesse falar do processo, considerando a perspectiva de comunicação de resultados por parte da gestão. Foi considerado como tendo interagido com gestores de saúde pública os pesquisadores que confirmaram ter apresentado os resultados de seus modelos para gestores de saúde (ao nível municipal, estadual ou nacional), ou para os grupos de trabalho estruturados por iniciativa de gestores de saúde (ex. Centro de Operações de Emergência em Saúde – COE) e outros comitês e conselhos de emergência estruturados em decorrência da pandemia.
Coleta de dados
Baseado na experiência do grupo e nas recomendações do COVID-19 Multi-Model Comparison Collaboration (CMCC) Policy Group 23, foi elaborado um instrumento de coleta de dados abordando os principais tópicos a serem discutidos (Material Suplementar, Quadro S1) e estruturado para a entrevista com os pesquisadores e, quando aplicável, com os gestores indicados pelos pesquisadores entrevistados, composto por perguntas objetivas e subjetivas, as quais podiam ser respondidas livremente pelos entrevistados. O questionário foi submetido a uma avaliação piloto. Todas as entrevistas foram conduzidas por dois investigadores, sendo gravadas e posteriormente transcritas. Os dados obtidos das entrevistas com pesquisadores foram sumarizados considerando uma ficha de extração de dados estruturada elaborada para esta finalidade.
As entrevistas foram realizadas através de plataforma remota de conferência em horário previamente combinado, com duração média de 60 minutos. Em todos os casos, antes das entrevistas foi solicitada permissão para gravá-las. O projeto foi aprovado pelo Comitê de Ética em Pesquisa do Hospital das Clínicas da Universidade Federal de Goiás (CAEE n° 41084920.1.0000.5078). Todos os entrevistados assinaram o Termo de Consentimento Livre e Esclarecido (TCLE).
Análise de dados
Os pesquisadores identificados e respectivos grupos de pesquisa, foram inicialmente organizados conforme instituição de origem e local. Foi elaborado um mapa utilizando o Microsoft Excel®, indicando o local de atuação do pesquisador/grupo, de acordo com o formulário de elegibilidade e a confirmação de elaboração de modelagem para Covid-19 no Brasil do pesquisador.
As transcrições das entrevistas foram revisadas por três investigadores que realizaram a sumarização de dados após a avaliação do texto de cada entrevista transcrita a partir dos elementos de interesse. Para garantir consistência e acurácia na extração dos dados, este processo foi realizado em duas rodadas, sendo a primeira considerada um piloto na qual todos os investigadores envolvidos na extração dos dados analisaram um conjunto de três fichas de extração. Na segunda rodada, as demais entrevistas foram extraídas por pares de revisores. As fichas contendo as entrevistas dos gestores foram igualmente extraídas, e utilizadas como complemento para configurar o processo da tomada de decisão.
Os resultados foram compilados para apresentar as principais características que descrevem os pesquisadores (instituição, região do país, composição do grupo, experiência prévia com modelagem), o desenvolvimento do modelo e o processo de tomada de decisão (formalização do grupo de pesquisa, formalização da demanda, temporalidade de apoio a gestão e órgão apoiado) e meios de comunicação utilizados para divulgação pública e para gestão em saúde.
Utilizando-se da estratégia de mapeamento dos grupos através dos estudos encontrados na busca revisão de escopo, foi realizado uma análise de redes sociais (ARS) empregando o software Gephi® para verificação da associação de diferentes grupos e instituições na execução dos modelos. As informações relacionadas à configuração dos grupos de pesquisadores foram complementadas com os artigos quando necessário. Todos os dados foram analisados qualitativamente e são apresentados de forma descritiva.

RESULTADOS
Foram identificados um total de 100 estudos, 90 através da revisão de escopo que contavam por autores brasileiros e 10 através da estratégia suplementar de identificação de estudos e grupos de pesquisa. Considerando todos os pesquisadores indicados como co-autores destes 100 estudos, identificamos 30 Instituições envolvidas em modelagem de Covid-19 no Brasil. Dentre os pesquisadores identificados, 63 publicaram mais de um estudo, sendo considerados uma única vez para contato.
Dos estudos da revisão de escopo publicados com pesquisadores brasileiros, 46 realizam o trabalho em colaboração com pesquisadores de outros departamentos/instituições brasileiras, 20 realizaram colaboração com pesquisadores de outros grupos brasileiros e pesquisadores internacionais, 18 realizaram o trabalho sozinhos ou apenas com membros do próprio departamento/instituição e seis realizaram parceria apenas com pesquisadores de grupos internacionais. Entre os pesquisadores que realizaram colaboração com diferentes departamentos/instituições brasileiras (66 estudos), o mapeamento das colaborações através de análise das redes sociais (ARS) apresentado através de uma rede de grafos (Figura 1) destacam as redes com maior grau de interação e número de publicação com as linhas de conexão (arestas) mais espessas, como a rede USP_FV (Universidade de São Paulo, Faculdade de Medicina Veterinária e Zootecnia), Butantã, USP_FMUSP (Faculdade de Medicina, Universidade de São Paulo) e UNICAMP_IMECC (Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica). Percebe-se ainda uma forte interação entre a UFBA (Universidade Federal da Bahia), CIDACS (Centro de Integração de Dados e Conhecimentos para Saúde Fiocruz Bahia), Fiocruz-RO (Fundação Oswaldo Cruz-Rondônia) e Instituto de Física da USP (lista de todas as instituições no Material Suplementar, Quadro S2).
Após exclusão de duplicados, foram elencados 128 pesquisadores que receberam o formulário de elegibilidade. Destes, um total de 107 pesquisadores (83,3%) responderam ao questionário, sendo que 85 (79,4%) estavam trabalhando com modelagem da Covid-19, mas apenas 40 relataram interação com gestores de saúde, apresentando ou discutindo modelagem matemática e estatística da Covid-19 (Figura 2).
Dos 85 pesquisadores que relataram trabalhar com modelagem, dois estavam atuando em instituições internacionais, os demais atuavam em instituições brasileiras, a grande maioria ligados a instituições acadêmicas e alguns a secretarias de saúde. Os pesquisadores vinculados a instituições brasileiras se concentram na região sudeste, predominantemente nos estados de São Paulo (17), Rio de Janeiro (11) e Minas Gerais (11) (Material suplementar, Figura S2).
Do grupo inicial de 40 pesquisadores identificados como tendo contribuído para a gestão de saúde pública com modelagens para Covid-19, vinte pesquisadores aceitaram participar da entrevista. Esses entrevistados foram solicitados a indicar gestores para relatarem suas perspectivas quanto à interação e comunicação com o grupo de modelagem. Dentre as indicações, seis gestores foram identificados, dos quais 4 foram entrevistados. As informações obtidas dos gestores foram consideradas apenas para complementar os dados colhidos nas entrevistas com os pesquisadores, ressaltando que o processo de comunicação entre a academia e gestão não estava bem estruturado nem formalizado.
Os 20 pesquisadores entrevistados abrangem diversas áreas de especialização, incluindo programadores, matemáticos, médicos, epidemiologistas, estatísticos e físicos. Considerando a experiência prévia com modelagem, a maioria dos pesquisadores (14/20) relataram experiência anterior à pandemia, enquanto alguns (5/20) relataram não possuir experiência prévia ou não informaram (1/20). Em relação às parcerias institucionais, 14 pesquisadores (14/20) relataram ter colaborado em parcerias nacionais e/ou internacionais envolvendo instituições acadêmicas, centros privados de pesquisa e/ou órgãos governamentais. No momento das entrevistas, dois pesquisadores (2/20) estavam vinculados a instituições estrangeiras (Estados Unidos e Itália), participando de grupos multidisciplinares em colaboração com instituições brasileiras (Quadro 1).

Os relatos sobre o desenvolvimento da modelagem e o processo da tomada de decisão estão apresentados no quadro 2. A maior parte dos pesquisadores relatou ter iniciado as atividades de modelagem no início de 2020 (13/20). Apenas alguns (5/20) relataram algum tipo de formalização de colaboração entre o grupo que desenvolvia modelagem e a gestão. Considera-se edital, termo de cooperação, portaria ou nomeação institucional como formalização. A demanda pelo desenvolvimento de modelos e posterior uso de resultados variam em termos de origem, temporalidade e órgão apoiado. Metade das demandas tiveram iniciativa própria do grupo (10/20), enquanto uma segunda parte surgiu de demanda da gestão, órgão federal ou reitoria da universidade. Os pesquisadores relataram que o apoio à gestão foi executado em diferentes períodos, e alguns entrevistados (7/20) relataram interrupção da colaboração durante a pandemia. Diferentes órgãos tiveram suporte dos pesquisadores: secretarias de saúde municipais (6/20) e estaduais (9/20), secretarias de planejamento (2/20), consórcio nordeste (3/20) e Ministério da Saúde (2/20) (Quadro 2).

Os meios de comunicação científicos e não científicos para apresentação de dados foram: artigos (18/20); notas técnicas (14/20); comunicados de imprensa (14/20); sites pessoais (9/20) sites institucionais (3/20); outros (10/20). Apenas dois pesquisadores relataram não fazer comunicação direta com o público, através de meios não científicos. Alguns pesquisadores (7/20) relataram ter comunicação sistemática com a gestão; mas poucos pesquisadores (4/20) sabidamente puderam confirmar como seus resultados foram utilizados no processo de tomada de decisão (Quadro 3).

DISCUSSÃO
Este estudo propôs identificar e caracterizar os grupos e instituições que realizaram modelagem para apoiar a tomada de decisões de saúde pública no Brasil durante a pandemia da Covid-19, assim como o processo de colaboração com gestores e desafios encontrados nesse processo.
Os resultados obtidos apontam para considerações críticas em relação à estruturação de atividades envolvendo a academia em parceria e articulação com instâncias de gestão e saúde pública e, portanto, são relevantes para a estruturação e planejamento com vistas para futuras emergências em saúde pública. Diante de incertezas impostas pela pandemia da Covid-19, diversos grupos de pesquisadores em redes de colaboração ou em suas instituições de origem, se organizaram e iniciaram ações de modelagem para melhor compreender e dimensionar os cenários epidemiológicos, de demanda de serviços de saúde e possíveis impactos da doença 24. Vários grupos empregaram técnicas de modelagem preditiva para construir cenários, mesmo que esta seja ainda pouco difundida para apoiar a tomada de decisão em saúde no país.
Foram identificados diversos grupos de pesquisa no Brasil em todas as regiões do país durante o primeiro ano da pandemia, fornecendo evidências úteis para apoiar a tomada de decisões em saúde pública. Muitos grupos subsidiaram a tomada de decisão por meio de parceria com gestores em saúde em diferentes níveis político-administrativos, embora isso não tenha ocorrido de maneira estruturada e sistemática. De fato, foi observada uma lacuna significativa na comunicação e compartilhamento dos resultados da modelagem para os tomadores de decisão.
Nossos resultados demonstraram uma maior concentração de evidências de modelagem de Covid-19 geradas ou desenvolvidos por grupos em instituições localizadas na região sudeste do país, seguindo o padrão já identificado no Brasil sobre a distribuição geográfica da produção científica 25,26. Considerando uma importante contenção nos investimentos em pesquisa durante a pandemia,27 é possível que a distribuição equitativa de recursos entre as diversas regiões do país tenha sido ainda mais difícil, potencializando a disparidade entre as regiões brasileiras no que diz respeito ao desenvolvimento e produção científica.
Durante a emergência da Covid-19, profissionais, pesquisadores, cientistas e gestores precisaram fazer uso de um corpo de evidências em rápida evolução para aplicar políticas de mitigação contra a pandemia. Na ausência de modelos desenvolvidos localmente, os modelos matemáticos, estatísticos e de simulação computacional, globais e regionais, desempenharam inicialmente um papel importante no planejamento da resposta do país. No entanto, era fundamental usar dados locais e criar cenários que correspondessem tanto quanto possível às características e às necessidades políticas locais, trazendo para a discussão os tomadores de decisão 23 e para isso as parcerias precisaram ser criadas. Nossos resultados mostram que a maior parte dos pesquisadores estiveram envolvidos em parcerias nacionais e internacionais, e em menor medida entre a academia e o governo. Uma revisão da literatura apresenta exemplos bem sucedidos no desenvolvimento de modelos a partir da colaboração entre profissionais experts em modelagem e aqueles que atuam na gestão em saúde, reforçando a importância de envolvimento de todas as partes interessadas em todo o processo 28.
Palotti et al, (2021) investigaram como foram constituídas as instâncias formais de assessoramento científico de gestores estaduais durante a pandemia, enfatizando a presença de especialistas como epidemiologistas e infectologistas 24. Este estudo demonstra que dentre os 26 estados e o Distrito Federal, somente 11 estados (40% do total) instituíram comitês de caráter técnico-científico para o enfrentamento da pandemia, dos quais sete executaram função estritamente consultiva e quatro funções deliberativas 24. Nosso estudo evidenciou que as parcerias nem sempre foram devidamente formalizadas, sendo executadas de forma não padronizada em diferentes níveis de governo. Além disso, como corroboram nossos resultados, não foi possível identificar a temporalidade de colaboração entre os especialistas e a gestão, nem mesmo identificar em que medida os resultados dos modelos foram efetivamente utilizados na tomada de decisão.
A literatura já aponta como limitador e desafio mais difícil de ser transposto a comunicação entre experts e gestão, pois frequentemente é pouco efetiva e por vezes incapaz de traduzir o conhecimento científico em estratégia concreta de gestão em saúde 19,20,23,29. Autores que discutiram boas práticas em modelagem já identificaram que apesar do uso em diferentes áreas 13,19, a modelagem ainda é subestimada por tomadores de decisão, o que pode comprometer o investimento e a continuidade de seu uso como estratégia em políticas públicas de saúde. Nossos resultados apontam em sua maioria os pesquisadores divulgaram resultados de modelagem diretamente para a sociedade através de meios de comunicação variados. Considerando que a confiança pública em momentos de epidemias e pandemias é fundamental, a divulgação dos resultados de modelagem deve ser clara e cautelosa. Pesquisadores nem sempre estão preparados para comunicação científica adequada, e é importante garantir que sua linguagem seja acessível e assertiva, voltada à audiência alvo dos resultados.
Nosso estudo apresenta algumas limitações que devem ser discutidas. Realizamos a coleta de dados através de entrevistas via plataforma de conferência virtual, que permitiu um relato qualitativo dos eventos. Neste sentido, apresentamos apenas a perspectiva de alguns pesquisadores e seus grupos de colaboração, o que pode não retratar o que aconteceu em todo país. Esse relato pode também estar suscetível ao viés de memória. No entanto, por se tratar de avaliação qualitativa do processo de modelagem e colaboração realizada durante a pandemia da Covid-19 no Brasil, acreditamos que os dados obtidos são relevantes para identificar problemas e lacunas relevantes para o país. Ainda, cabe ressaltar que a identificação dos grupos foi realizada através de metodologia de revisão de escopo e acreditamos que o mapeamento dos grupos de fato caracterizou adequadamente os grupos e instituições envolvidos com modelagem para apoiar decisões de saúde pública no país durante a pandemia.
Apesar das limitações, considerando o cenário crescente de incertezas durante a pandemia, reconhecemos a importância de divulgar as experiências compartilhadas nas entrevistas para que futuras emergências em saúde pública possam contar com ferramentas mais robustas e mais bem planejadas do ponto de vista da gestão. Vale ressaltar que este estudo foi desenhado e teve como objetivo mapear e caracterizar os grupos de pesquisa realizando modelagem para subsidiar gestores durante a pandemia da Covid-19 e não apontar as causas das lacunas identificadas na demanda e comunicação de resultados de modelagem para apoiar a gestão. Portanto, em função dos achados dos resultados encontrados, recomendamos que estudos adicionais desenhados com esta finalidade sejam desenvolvidos.
Nesse sentido, considerando os achados deste estudo, acreditamos que as seguintes recomendações podem ser úteis para o fortalecimento da capacidade de preparação e resposta às futuras pandemias, em particular considerando a capacidade científica e acadêmica existente no país no tocante à modelagem de doenças infecciosas, uma ferramenta fundamental neste contexto:
1) Estruturar uma rede de grupos multidisciplinares de modelagem destinados a responder a emergências de saúde pública no Brasil.
2) Estruturar ações de capacitação de recursos humanos em modelagem de doenças infecciosas no contexto de epidemias e pandemias, integrando profissionais de diversas áreas de atuação, a fim de promover a estruturação de grupos multidisciplinares de modelagem em todas as regiões do país.
3) Promover comunicação eficaz, clara e de interpretação acessível entre especialistas e formuladores de políticas públicas, para subsidiar os gestores para a tomada de decisão baseada em evidências na mitigação de endemias, epidemias e pandemias.
4) Estruturar fluxos e protocolos para melhorar e tornar mais eficientes a interação entre gestores e pesquisadores de modelagem, incluindo a participação dos tomadores de decisão em todas as etapas do processo de modelagem, desde a elaboração das perguntas que precisam ser respondidas, definição de fontes de informação consideradas para popular o modelo, e definição do tipo de resultados que a modelagem pode gerar para auxiliar a gestão de saúde.
5) Criar mecanismos e processos específicos para a comunicação de resultados de modelagem de doenças infecciosas no contexto de epidemias e pandemias para a sociedade.


REFERÊNCIAS
1. Soares-Weiser K, Lasserson T, Jorgensen KJ, et al. Policy makers must act on incomplete evidence in responding to COVID-19. Cochrane Editorial Unit, ed. Cochrane Database of Systematic Reviews. Published online November 20, 2020. doi:10.1002/14651858.ED000149
2. Werneck GL, Carvalho MS. A pandemia de COVID-19 no Brasil: crônica de uma crise sanitária anunciada. Cad Saúde Pública. 2020;36. doi:10.1590/0102-311X00068820
3. Coelho FC, Lana RM, Cruz OG, et al. Assessing the spread of COVID-19 in Brazil: Mobility, morbidity and social vulnerability. PLOS ONE. 2020;15(9):e0238214. doi:10.1371/journal.pone.0238214
4. Guedes MBOG, Assis SJC de, Sanchis GJB, Araujo DN, Oliveira AGRDC, Lopes JM. COVID-19 in Brazilian cities: Impact of social determinants, coverage and quality of primary health care. PLOS ONE. 2021;16(9):e0257347. doi:10.1371/journal.pone.0257347
5. Sott MK, Bender MS, da Silva Baum K. Covid-19 Outbreak in Brazil: Health, Social, Political, and Economic Implications. Int J Health Serv. Published online September 4, 2022:00207314221122658. doi:10.1177/00207314221122658
6. Johns Hopkins University & Medicine. Coronavirus Resource Center. Coronavirus Resource Center. Mortality analysis. Accessed May 30, 2023. https://coronavirus.jhu.edu/data/mortality
7. Panovska-Griffiths J. Can mathematical modelling solve the current Covid-19 crisis? BMC Public Health. 2020;20:551. doi:10.1186/s12889-020-08671-z
8. Jewell NP, Lewnard JA, Jewell BL. Predictive Mathematical Models of the COVID-19 Pandemic: Underlying Principles and Value of Projections. JAMA. 2020;323(19):1893-1894. doi:10.1001/jama.2020.6585
9. Gomes MC, Nunes A, Nogueira J, Rebelo C, Viana J, Rozhnova G. Previsões sobre o Futuro da Pandemia: O Papel dos Modelos Matemáticos. Acta Médica Portuguesa. 2020;33(11):713-715. doi:10.20344/amp.15049
10. How epidemiology has shaped the COVID pandemic. Nature. 2021;589(7843):491-492. doi:10.1038/d41586-021-00183-z
11. Magana-Arachchi DN, Wanigatunge RP, Vithanage MS. Can infectious modelling be applicable globally – lessons from COVID 19. Curr Opin Environ Sci Health. Published online October 22, 2022:100399. doi:10.1016/j.coesh.2022.100399
12. Van Kerkhove MD, Ferguson NM. Epidemic and intervention modelling – a scientific rationale for policy decisions? Lessons from the 2009 influenza pandemic. Bull World Health Organ. 2012;90(4):306-310. doi:10.2471/BLT.11.097949
13. Kretzschmar M. Disease modeling for public health: added value, challenges, and institutional constraints. J Public Health Pol. 2020;41(1):39-51. doi:10.1057/s41271-019-00206-0
14. Mata AS, Dourado SMP. Mathematical modeling applied to epidemics: an overview. São Paulo J Math Sci. 2021;15(2):1025-1044. doi:10.1007/s40863-021-00268-7
15. Eaton JW, Bacaër N, Bershteyn A, et al. Assessment of epidemic projections using recent HIV survey data in South Africa: a validation analysis of ten mathematical models of HIV epidemiology in the antiretroviral therapy era. Lancet Glob Health. 2015;3(10):e598-608. doi:10.1016/S2214-109X(15)00080-7
16. Houben RMGJ, Menzies NA, Sumner T, et al. Feasibility of achieving the 2025 WHO global tuberculosis targets in South Africa, China, and India: a combined analysis of 11 mathematical models. Lancet Glob Health. 2016;4(11):e806-e815. doi:10.1016/S2214-109X(16)30199-1
17. Brady OJ, Slater HC, Pemberton-Ross P, et al. Role of mass drug administration in elimination of Plasmodium falciparum malaria: a consensus modelling study. Lancet Glob Health. 2017;5(7):e680-e687. doi:10.1016/S2214-109X(17)30220-6
18. Luz PM, Struchiner CJ, Kim SY, et al. Modeling the cost-effectiveness of maternal acellular pertussis immunization (aP) in different socioeconomic settings: A dynamic transmission model of pertussis in three Brazilian states. Vaccine. 2021;39(1):125-136. doi:10.1016/j.vaccine.2020.09.008
19. Metcalf CJE, Edmunds WJ, Lessler J. Six challenges in modelling for public health policy. Epidemics. 2015;10:93-96. doi:10.1016/j.epidem.2014.08.008
20. Knight GM, Dharan NJ, Fox GJ, et al. Bridging the gap between evidence and policy for infectious diseases: How models can aid public health decision-making. Int J Infect Dis. 2016;42:17-23. doi:10.1016/j.ijid.2015.10.024
21. Berg de Almeida G, Mendes Simon L, Maria Bagattini Â, et al. Dynamic transmission modeling of COVID-19 to support decision-making in Brazil: a scoping review in the pre-vaccine era. PLOS Global Public Health No prelo.
22. Shields J. Sampling, Special Population. In: Allen M, ed. The SAGE Encyclopedia of Communication Research Methods. SAGE Publications, Inc; 2017. doi:10.4135/9781483381411.n541
23. The COVID-19 Multi-Model Comparison Collaboration (CMCC) Policy Group. Guidance on Use of Modelling for Policy Responses to COVID-19.; 2020. https://decidehealth.world/sites/default/files/2020-09/Policy_Report_Sept.1.pdf
24. Palotti PL de M, Koga NM, Nascimento MIB do, Couto BG do. Mobilização da academia em instâncias colegiadas durante crise da Covid-19: mapeamento das experiências nos estados brasileiros. Nota Técnica n47. Published online 2021:28. doi:http://dx.doi.org/10.38116/ntdiest47
25. Sidone OJG, Haddad EA, Mena-Chalco JP. A ciência nas regiões brasileiras: evolução da produção e das redes de colaboração científica. Transinformação. 2016;28:15-32. doi:10.1590/2318-08892016002800002
26. Hoppen NHF, Santin DM, Corrêa M de V, Vanz SA de S. Distribuição geográfica da produção e colaboração científica brasileira nas Ciências Biomédicas. Em Questão. 2017;23:50-73.
27. Andrade R de O. Ciência à míngua: Sucessivos cortes no orçamento fragilizam a capacidade de financiamento à pesquisa no Brasil. Pesquisa FAPESP [Internet]. Published online 2021.
28. Behrend MR, Basáñez MG, Hamley JID, et al. Modelling for policy: The five principles of the Neglected Tropical Diseases Modelling Consortium. PLoS Negl Trop Dis. 2020;14(4):e0008033. doi:10.1371/journal.pntd.0008033
29. den Boon S, Jit M, Brisson M, et al. Guidelines for multi-model comparisons of the impact of infectious disease interventions. BMC Med. 2019;17(1):163. doi:10.1186/s12916-019-1403-9