XIII Encontro de modelagem Computacional

Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

UMA ANÁLISE DETERMINÍSTICA PARA OS MODELOS EPIDEMIOLÓGICOS

SIR E SEIR: UMA INTRODUÇÃO DO MODELO SEIR-E VIA ALGORITMO
ESTOCÁSTICO E REDES COMPLEXAS

Barbosa, N.M. – nmbarbosa@iprj.uerj.br

Souza Lima Jr., C.A. – souzalima_ca@iprj.uerj.br
Universidade do Estado do Rio de Janeiro, Instituto Politécnico
PGMC – Programa de Pós-Graduação em Modelagem Computacional
CP 972825 – 28630-050 – Nova Friburgo, RJ, Brasil

Resumo. Um dos grandes problemas ao longo dos séculos tem sido o estudo da dinâmica de
sistemas complexos. Um importante exemplo de sistema complexo atualmente tratado é o
comportamento evolutivo de uma epidemia. Nesse trabalho descreveremos o comportamento
evolutivo de uma epidemia através de uma abordagem matemática clássica feita a partir das
equações diferenciais em paralelo com uma abordagem computacional realizada através da
simulação computacional deste sistema. A abordagem matemática é realizada através de um
sistema de equações diferenciais, enquanto a abordagem computacional se apoia na idéia de
redes complexas, utilizando assim uma rede regular para o modelo SEIR, proposto por
Kermack e McKendrick (MURRAY,2002), o qual descreve a propagação de doenças
infecciosas de transmissão direta via contato pessoa à pessoa. Os resultados obtidos mostram
que o caráter estocástico do modelo computacional não parece influenciar (interferir) no
comportamento evolutivo do sistema.

Palavras-chave: Modelagem computacional, evolução de biossistemas, equações diferencias,

epidemiologia, processos estocásticos.

1. INTRODUÇÃO

O estudo da dinâmica evolutiva de sistemas complexos através de modelos matemáticos

baseados em sistemas de equações diferenciais tem sido de extrema importância
configurando-se basicamente como única ferramenta capaz de solucionar ou aproximar o
comportamento de sistemas deste tipo. Atualmente, o desenvolvimento de outras formas de
abordagem desta classe de problemas, como as simulações, por exemplo, realizadas através da
modelagem computacional do sistema em questão, tem se tornado cada vez mais importante
para uma melhor compreensão da trajetória evolutiva destes sistemas. A modelagem
computacional vem se tornando cada vez mais expressiva a medida que a tecnologia dos
computadores evolui.
Após a segunda guerra mundial houve um melhor entendimento dos processos
probabilísticos e desta por isso muitos avanços foram feitos a partir de processos estocásticos.
Ao final do século XX, teve início o estudo de redes complexas para modelar a dinâmica de
doenças como o Aids, Influenza e outras. A identificação dessas redes é de grande utilidade
para a compreensão da difusão das doenças transmissíveis.
Nesse trabalho o interesse é estudar a evolução de epidemias via uma abordagem
determinística, através do método das equações diferenciais em comparação com os métodos
computacionais, realizados através de simulação probabilística. A simulação probabilística é
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

realizada com a utilização da simulação de uma doença se propagando em uma rede regular
utilizando um modelo epidemiológico conhecido como SEIR. O modelo descreve a dinâmica
de evolução de uma epidemia em uma população dividida em quatro classes, (S) que são os
indivíduos susceptíveis, ou seja, pessoas que ainda não foram contaminados pela doença, (E)
são os indivíduos expostos a presença de pessoas infectadas pela doença, (I) são os indivíduos
infectadas ou hospedeiras da doença e a última classe (R) são os indivíduos recuperados da
infecção do vírus. Toma-se como exemplo para estudo a evolução da patologia conhecida
como influenza (gripe), a qual é uma doença infecciosa que afeta grande parte da população
mundial.
A rede, como foi mencionada, é uma rede conhecida como rede regular e quadrada onde
os nós representam agrupamentos de indivíduos, e suas conexões representam os possíveis
“caminhos” pelos quais um indivíduo pode migrar. Em analogia com uma cidade, um nó da
rede regular representaria uma localidade (bairro, por exemplo) e suas conexões, as ruas e/ou
avenidas.
No processo de simulação, uma localidade e suas conexões com as localidades vizinhas
e cada nó obtêm uma quantidade populacional constante ao inicio do processo, como parte de
uma das classes dos modelos citados acima. Na rede regular as conexões são distribuídas
somente entre os vizinhos topológicos de cada vértice. Na figura 1 temos um exemplo de uma
rede regular quadrada com 25 nós e 50 arestas, onde cada nó está ligado com seus quatro
vizinhos mais próximos.

Figura 1 – Exemplo de uma rede regular quadrada com 25 nós e 50 arestas

A estrutura de montagem e mecanismo operacional da rede regular exibe forte simetria

topológica. Em uma rede pouco mais rudimentar, desconsiderando os vértices da borda, todos
os outros vértices possuem uma vizinhança indistinguível, sendo possível obter máxima
simetria se conectarmos os vértices de uma borda a sua borda oposta. Outros processos podem
levar a construção dessas ou de outras redes regulares, cuja principal característica é a
regularidade ou simetria da suas conexões e não necessariamente, a conexão adjacente com os
vizinhos espaciais. Na simulação do presente trabalho podemos, por exemplo, ter a rede
regular.

2. MODELOS MATEMÁTICOS

Nos modelos clássicos, assim como o modelo em estudo, consideram-se a população

constante. Se um grupo pequeno de indivíduos infectados é introduzido em uma
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

população grande, um problema básico é descrever a dispersão da infecção dentro dessa

população em função do tempo. Para isso vamos introduzir o modelo SIR e o modelo
SEIR matematicamente, em qual está baseado o algoritmo estocástico para a simulação
do mesmo.

Figura 2 – Diagrama da dinâmica da transferência para o modelo SIR

Esse modelo se baseia em quatro hipóteses:

(i) O aumento na classe de indivíduos infectados é proporcional ao número de

infectados e susceptíveis, ou seja,  S t I t  , onde   0 é um parâmetro
estatístico constante. Os susceptíveis diminuem na mesma taxa.
(ii) A taxa de transferência de infectados para a recuperados é proporcional ao número
de infectados, ou seja, o  I t  onde o   0 também é uma constante estatística;
1 /  é uma medida do tempo gasto no estado infeccioso.
(iii) O período de incubação é suficientemente curto para ser significante, ou seja, o
indivíduo susceptível que adquire a doença se converte imediatamente em um
indivíduo infectado.
(iv) Considera-se que cada indivíduo tem igual probabilidade de entrar em contato com
os seus vizinhos.

O modelo baseado nas hipóteses anteriores pode ser descrito da seguinte forma:

 dS t 
 dt   S t I t 
 dI t 
    S t I t    I t  (1)
 dt
 dRt    I t 
 dt

onde  é a taxa de contágio e  é a taxa de transferência de infectados. Considerando então

uma população constante, temos que:

dS t  dI t  dRt 
   0  S t   I t   Rt   N  cte (2)
dt dt dt

onde N é a população total da rede. As condições iniciais são dadas da forma

S 0  S 0  0, I 0  I 0  0 e R0  0. (3)

Sabemos que uma epidemia cresce somente se o número de indivíduos infectados

aumenta, ou seja, se a taxa de mudança de infectados for maior que zero, então temos:
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

dI t 
Epidemia  I t  cresce  0 (4)
dt
logo

dI t 
  S t I t    I t    S t    I t   0 t  0 (5)
dt

caso em que I 0  I t   0 quando t   , ou seja, a doença morre, que é quando a epidemia

não pode ocorrer. Entretanto se S0   /  então I t  aumenta inicialmente e tem-se uma
epidemia, significando que I t   I 0 . Se S 0   /  ocorre uma epidemia, caso contrário não
ocorrerá. Esse parâmetro crítico  /  é chamado de taxa de remoção relativa e a sua
recíproca  /  é a taxa de contágio de infecção, então podemos escrever

 S t 
R0  (6)


onde R0 é chamado de número reprodutivo, é o número médio de infecções causadas por um

indivíduo. Logo se conclui que se o R0  1 , decorre uma epidemia.
Para o modelo SEIR não difere muito do modelo anterior, agora será trabalhado com
mais um parâmetro, que é a taxa que um indivíduo suscetível se torna exposto.

Figura 3 – Diagrama da dinâmica da transferência para o modelo SEIR

E o sistema de equações diferenciais que modela o fenômeno é dado por:

 dS t 
 dt   E t   I t   Rt   I t    S t I t 

 dE t    S t I t   I t Rt      E t 
 dt
 (7)
 dI t   E t        I t 
 dt
 dRt 
  I t   I t    Rt 
 dt

Onde  é a taxa de morte natural,  é a taxa de morte causada pela a doença e o  é a taxa
com que um indivíduo recuperado se torne exposto. De forma análoga ao modelo SIR, tem-se
que: S t   E t   I t   R t   N , então como se pode ver em Li (1999), o sistema de EDO
pode ser reduzido a:
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

 dS t 
 dt    S t   I t   S t I t 

 dE t 
  S t I t   I t   I t S t   I t E t   I 2 t      E t  (8)
 dt
 dI t 
 dt  E t        I t 


3. SIMULAÇÃO COMPUTACIONAL (MODELO ESTOCÁSTICO)

A simulação da evolução de uma epidemia é realizada através de um código

computacional desenvolvido pelos autores em linguagem C++, onde o número de indivíduos
da população, o número inicial de infectados e aos parâmetros  ,  , γ , σ , δ e  descritos
anteriormente, são fornecidas como parâmetros e condições iniciais.
O simulador opera gerando a rede regular (grade), criando os nós e suas ligações,
distribuindo os indivíduos (S) suscetíveis de forma homogênea nos nós, em seguida um
número pré-determinado de indivíduos suscetíveis são aleatoriamente (I) infectados
(determinado pelo parâmetro de inicialização) em nós também aleatórios. Então um número
inicial calculado de indivíduos (S) suscetíveis são (E) expostos, proporcionalmente, apenas
em nós onde existam indivíduos infectados. Em seguida, um processo migratório é realizado
onde indivíduos são aleatoriamente selecionados e também aleatoriamente migrados. Então
os processos de exposição S   E  , contágio E   I  , recuperação I   R  , re-
exposição R   E  e fatalidade  I    D  sucedem o processo migratório iterativamente por
um número pré-determinado de vezes de acordo com o seguinte algoritmo.

Algoritmo Evolução Epidemiológica (SEIR)

INÍCIO
Tpop  Total ind. da população
Odeme  Ordem da rede
 ,  , γ,σ, δ, µ  parâmetros
dias  Iterações (dias)
iter  0.
Cria nós da rede (Odeme2 ) e arestas..
Inicializa suscetíveis, infectados e expostos.
Enquanto (iter < dias) Faça
Migração aleatória de indivíduos.
Transforma indivíduos (S) em (E).
Transforma indivíduos (E) em (I).
Transforma indivíduos (I) em (R).
Transforma indivíduos (R) em (E).
Transforma indivíduos (I) em (D).
iter  iter + 1
Fim Enquanto
Exibe (susceptíveis, infectados, recuperados)
FIM

Figura 4 – Pseudocódigo do algoritmo de Evolução Epidemiológica.

XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

4. SIMULAÇÃO

A simulação computacional foi realizada utilizando-se uma população de 10000 indivíduos,

dos quais 1000 indivíduos estão inicialmente infectados, em uma rede regular contendo 100
nós para uma epidemia onde as características de tal epidemia são fornecidas pelos seguintes
parâmetros  = 0.6 ,  = 0.33 , γ = 0.143 , σ = 0.35 , δ = 0.001 , µ = 0.0000001 , que são os
parâmetros da patologia conhecida como Influenza, e uma taxa de migração τ = 0.40 .
Três experimentos, nos quais um período de 30 dias de evolução da patologia é
observado, são realizados. Dois destes realizados com sequências de aleatórios distintas
(governadas pelo número “seed”), porém com a taxa de migração τ = 0.40 . Enquanto o
terceiro experimento realizado com a taxa de migração τ = 0.0 , ou seja, sem movimento
migratório dos indivíduos da população.

12000 Pop.Total
Suscetíveis
Expostos
10000
Infectados
Recup.
8000 Inf. Mortos
Indivíduos

6000

4000

2000

0
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930

Tempo (dias)
Figura 5 – Evolução patológica com migração (seed=52642876).
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

12000 Pop.Total
Suscetíveis
10000 Expostos
Infectados
Recup.
8000 Inf. Mortos
Indivíduos

6000

4000

2000

0
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930

Tempo (dias)
Figura 6 – Evolução patológica com migração (seed=61548624).

Os resultados obtidos nas simulações Figs. 5 e 6 , exibem o comportamento evolutivo

de uma mesma patologia, porém, orientadas por duas diferentes sequências de números
aleatórios. Sendo assim, tem-se dois diferentes prováveis perfis evolutivos para a patologia.
Esses perfis exibem “caminhos” diferentes no processo evolutivo da patologia, exibindo
resultados parciais diferentes a cada etapa do processo, porém estes dois processos evolutivos
possuem algumas caraterísticas em comum.
Pode-se observar através dos gráficos Figs. 5 e 6 que em ambos os casos, o número de
indivíduos em estágio de suscetibilidade (S) a doença decresce de forma acelerada até que ao
final de 30 dias cerca de 3% da população inicial permaneça nesta condição. Isso ocorre
enquanto a patologia avança dos 1000 indivíduos (condição inicial) para pouco mais dos 4000
indivíduos nos primeiros 5 dias de evolução.
A Fig. 7 exibe o gráfico com os resultados obtidos na simulação do mesmo
experimento realizado anteriormente (2 o caso), porém com a taxa de migração τ = 0.0 . Onde
pode-se observar que o número de indivíduos suscetíveis a patologia ao final do período de 30
dias exibe cerca de 7,5 % de indivíduos nesta condição. Pode-se também observar que a
patologia evolui a partir dos mesmos 1000 indivíduos iniciais mas não atingiu o índice de
4000 indivíduos infectados, mantendo-se ligeiramente abaixo desta marca.

Tabela 1 – Evolução da patologia ao final de 30 dias de evolução.

Experimento 1 Experimento 2 Experimento 3

(com migração) (sem migração)
População 10000 10000 10000
Suscetíveis 338 451 757
Expostos 2358 3432 3046
Infectados 3961 4132 3403
Recuperados 3203 1844 2665
Falecidos 111 112 99

Outra característica que pode ser observada nos experimentos é quanto ao número de
indivíduos recuperados da infecção causada pela patologia, que dos resultados obtidos mostra
que no primeiro experimento o número de indivíduos recuperados não atinge o número de
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

indivíduos infectados Fig. 4. Já no segundo experimento, o número de indivíduos

recuperados se iguala ao número de indivíduos infectados ao 20o dia, enquanto no terceiro
experimento Fig. 6 o número de indivíduos recuperados é superior ao número de indivíduos
infectados entre o 12o e 17o dias.

12000
Pop.Total
Suscetíveis
10000 Expostos
Infectados
Recup.
8000 Inf. Mortos
Indivíduos

6000

4000

2000

0
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
Tempo (dias)
Figura 7 – Evolução patológica sem migração (seed=61548624).

5. CONCLUSÃO

A simulação computacional para um modelo estocástico foi aplicado em um problema de

evolução de epidemia em uma rede regular quadrada contendo 100 nós. Os experimentos
foram realizados em um período de 30 dias, onde a evolução da patologia foi observada. Os
resultados tiveram um comportamento similar aos muitos resultados científicos, ver por
exemplo, em [5], para o modelo SEIR, porém com oscilações espúrias (exceção para os
suscetíveis). Acreditamos que tais oscilações são devido à complexidade do problema em
questão, pois diferente aos trabalhos científicos atuais, nesse trabalho os recuperados não se
tornam imunes e sim expostos, obtendo assim um modelo do tipo SEIRE. E como era de se
esperar o experimento realizado sem a migração tiveram um índice percentual de 17,7% a
menos de infectados em relação ao experimento 2 (ver Tabela 1) e consequentemente a
redução da mortalidade.
Os autores estão trabalhando na implementação do processo determinístico (veja equação
8) utilizando os mesmos parâmetros e hipóteses realizados na simulação, com o objetivo de
validar o modelo estocástico apresentado.

Agradecimentos

Os autores Barbosa N. M. e Souza Lima Jr., C.A. agradecem a Fundação Carlos Chagas
Filho de Apoio e Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ) e Coordenação
de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo suporte financeiro.
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

REFERÊNCIAS

FORATTINI, O.P. “Modelagem matemática: uma nova estratégia”.São Paulo: Contexto,2001

LÓPEZ, O.A.M.; SUÁREZ, C.M.H. “Modelos Matemáticos para enfermidades infecciosas”. Salud
pública de México, v.49. No 3,2007
LÓPEZ, A.J.E.(2009), “Estudo da Dinâmica de Epidemias em Redes Aleatórias”, dissertação de
mestrado, UFRPE, Recife-PE, Brasil
MURRAY, J.D. “Mathematical Biology: I, An Introduction”.United States, America.: Springer-
Verlag, 2002.
SANCHES, D.A. “Ordinary Differential Equation and Estability Teory: An Introduction”. Los
Angeles, Califórnia, 1967
SOUZA, D.R. e TOMÉ, T. “Stochastic lattice gás model describing the dynamics of na epidemic”,
Los Alamos National Library, arXiv:0908:1296v1.
WOLFRAM, S. “Twenty problems in the Theory of Cellular Automata”, Physica Scripta, Vol.
T9,170-183,1985.

AN ANALYSIS DETERMINISTIC EPIDEMIOLOGICAL MODELS SEIR AND SIR:

NA INTRODUCTION MODEL SEIR-E THROUGH STOCHASTIC ALGORITHM
AND COMPLEX NETWORK

Abstract. A major problem over the centuries has been studying the dynamics of complex
systems. An important example of complex system is currently treated the evolutionary
behavior of an epidemic. In this paper we will describe the evolutionary behavior of an
epidemic through a classical mathematical approach made from the differential equations in
parallel with a computational approach performed through computer simulation of this
system. The mathematical approach is performed through a system of differential equations,
while the computational approach is based on the idea of complex networks, thus using a
regular network for the SEIR model proposed by Kermack and McKendrick (Murray, 2002),
which describes the spread of infectious disease transmission via direct contact person to
person. The results show that the stochastic character of the computer model does not seem to
influence (interfere) in the evolutionary behavior of the system.

Keywords: Computational modeling, Evolution of biosystem, Differential equations,

Epidemiological, Stochastic processes.