Análise do modelo logístico aplicado à primeira onda da Covid-19 nos países com os 20 maiores PIB’S

Souza, Lucas Cardoso de; Kock, Kelser de Souza

Objetivo:

aplicar a modelagem logística da primeira onda da COVID-19, com índice nos países com 20 maiores Produto Interno Bruto (PIB).

Métodos:

foi utilizada a modelagem matemática de crescimento logístico, considerando os seguintes parâmetros: número cumulativo de casos (C), tamanho final da epidemia na onda única de um surto (K), taxa intrínseca de crescimento (y) e tempo de inflexão (τ).

Resultados:

o Brasil apresentou maior número de casos e mortalidade, e os Estados Unidos da América (EUA) maior número de casos absolutos. A Coreia do Sul evidenciou o menor ponto de inflexão de 15,3 dias, enquanto o maior foi da Indonésia, com 213,9 dias. Na análise entre o ponto de inflexão e casos acumulados (/100 mil habitantes), observou-se correlação positiva moderada significativa (r=0,629 e p=0,003); (r=0,532 e p=0,016).

Conclusão:

o reconhecimento do comportamento de uma epidemia por meio da modelagem matemática torna possível determinar a propagação de uma epidemia, visto que, com a possibilidade de captar a dinâmica de uma epidemia, torna-se possível prever a necessidade de medidas públicas antecipadas e, consequentemente, diminuição da mortalidade global.

Objective:

to apply logistic modeling of the first wave of COVID-19 in countries with the 20 highest Gross Domestic Product (GDP).

Methods:

logistic growth mathematical modeling was used, considering the following parameters: cumulative number of cases (C), the final size of the epidemic in the single wave of an outbreak (K), intrinsic growth rate (y), and inflection time (τ).

Results:

Brazil showed the highest number of cases and mortality, and the United States of America (USA) had the highest number of absolute cases. South Korea showed the lowest inflection point of 15.3 days, while the highest infection point was Indonesia, with 213.9 days. In the analysis between the inflection point and cumulative cases (/100,000 population), a moderate significant positive correlation was observed (r=0.629 and p=0.003); (r=0.532 and p=0.016).

Conclusion:

the recognition of the behavior of an epidemic through mathematical modeling makes it possible to determine the spread of an epidemic, since, with the possibility of capturing the dynamics of an epidemic, it becomes possible to predict the need for anticipated public measures and, consequently, decrease in overall mortality.