Matrizes de contato sintéticas guiadas por mobilidade como solução escalável para modelagem de resposta pandêmica em tempo real

Por que os deslocamentos cotidianos importam em pandemias

Quando um novo vírus respiratório começa a se espalhar, uma das maiores incógnitas é com que frequência pessoas de idades diferentes realmente têm contatos próximos. Esses encontros diários na escola, no trabalho, em casa ou no ônibus determinam a velocidade com que a doença avança pela população. Ainda assim, medir esses padrões em tempo real, enquanto as pessoas mudam seu comportamento em resposta a regras e medo, é extremamente difícil. Este estudo faz uma pergunta simples, porém crucial: podemos usar dados de mobilidade e comportamento coletados rotineiramente, em vez de grandes pesquisas recorrentes, para acompanhar essas mudanças de contato com rapidez suficiente para orientar decisões pandêmicas?

Transformando dados de movimento em encontros sociais

Os pesquisadores focaram na França durante os primeiros dois anos da COVID-19, um período marcado por confinamentos, fechamento de escolas, toques de recolher e pela chegada de novas variantes e vacinas. A ferramenta central é uma "matriz de contato" — uma tabela que registra quantos contatos diários pessoas de um grupo etário têm com pessoas de outro grupo. Antes da pandemia, tais matrizes eram construídas a partir de questionários detalhados em que voluntários listavam seus contatos. Durante a COVID-19, a equipe em vez disso gerou matrizes "sintéticas" semanais partindo dos padrões pré-pandemia e então reduzindo ou ampliando tipos específicos de contato com base em indicadores em tempo real: mobilidade no trabalho do Google, frequência escolar e calendários de férias, e pesquisas sobre com que frequência as pessoas disseram evitar contato físico.

Comparando contatos sintéticos com pesquisas do mundo real

Para testar se essas matrizes sintéticas eram confiáveis, os autores as compararam com sete ondas da pesquisa SocialCov da França, que perguntou diretamente às pessoas sobre seus contatos em diferentes momentos da pandemia. No geral, ambas as abordagens mostraram tendências amplas semelhantes: durante o primeiro confinamento, os contatos caíram para cerca de um quarto dos níveis pré-pandemia e depois subiram lentamente à medida que as restrições eram afrouxadas, sem retornar completamente ao normal até meados de 2022. Mas houve diferenças importantes. As matrizes baseadas em pesquisa relataram quase o dobro de contatos que as sintéticas após o primeiro confinamento, uma lacuna em grande parte impulsionada por crianças e adolescentes. Em períodos com escolas abertas, as pesquisas sugeriram que menores de 19 anos tiveram de três a quatro vezes mais contatos do que as estimativas sintéticas, enquanto os números de contatos de adultos e idosos concordaram muito mais entre os dois métodos.

Aplicando ambas as abordagens a um modelo de doença

O teste real não foi apenas contar contatos, mas ver quão bem cada fonte de dados podia reproduzir o curso real da epidemia. A equipe alimentou três suposições diferentes de contato no mesmo modelo de transmissão da COVID-19 para a França: matrizes sintéticas semanais, as matrizes mais esparsas baseadas em pesquisa (estendidas no tempo por suposições entre ondas de pesquisa) e uma única matriz fixa pré-pandemia. Em seguida, ajustaram um único "fator de correção" global ao longo das fases sucessivas da pandemia para capturar influências não diretamente contempladas nas matrizes, como uso de máscaras ou sazonalidade. Os três modelos conseguiram seguir a curva geral de admissões hospitalares, mas o modelo com matriz sintética o fez com os menores erros e o melhor ajuste estatístico, especialmente em momentos de transição, como fechamentos escolares parciais ou o levantamento gradual de toques de recolher.

O que os modelos revelam sobre riscos por faixa etária

Olhando mais de perto os diferentes grupos etários, as matrizes sintéticas deram a imagem mais realista para adolescentes, adultos e idosos. Com esses insumos, as hospitalizações previstas pelo modelo e as estimativas sorológicas de infecção passada corresponderam de perto aos dados observados nessas idades. As matrizes baseadas em pesquisa, por outro lado, tenderam a superestimar infecções entre crianças e adolescentes, provavelmente porque contabilizavam mais contatos menos relevantes para transmissão — por exemplo, encontros breves ou com máscara na escola. As matrizes sintéticas subestimaram a infecção em crianças mais novas, mostrando que ambos os métodos ainda têm dificuldade em capturar os contatos infantis mais significativos. É importante notar que os autores acharam que nenhum redimensionamento global poderia consertar uma estrutura de contato incompatível: com quem as idades se misturam importou mais do que apenas o número total de contatos.

Implicações para respostas pandêmicas futuras

Para não especialistas, a mensagem principal é que é possível acompanhar padrões de contato em mudança com rapidez suficiente para decisões em tempo real sem realizar continuamente grandes pesquisas demoradas. Ao combinar cuidadosamente dados de mobilidade, indicadores simples de comportamento e conhecimento sobre onde os contatos ocorrem (casa, escola, trabalho, lazer), equipes de saúde pública podem construir matrizes de contato sintéticas semanais que são flexíveis, escaláveis e baratas. Neste estudo, essas matrizes superaram tanto as matrizes tradicionais de pesquisa quanto os padrões estáticos pré-pandemia ao explicar quem foi hospitalizado e quando. Os autores concluem que investir em dados rotineiros de mobilidade e comportamento estratificados por idade — e em sistemas capazes de transformar rapidamente esses números em matrizes de contato — será um ingrediente poderoso para respostas mais ágeis e eficazes a futuras epidemias.

Citação: Di Domenico, L., Bosetti, P., Sabbatini, C.E. et al. Mobility-driven synthetic contact matrices as a scalable solution for real-time pandemic response modeling. Nat Commun 17, 1845 (2026). https://doi.org/10.1038/s41467-026-68557-3

Palavras-chave: modelagem pandêmica, contatos sociais, dados de mobilidade, COVID-19 França, transmissão estratificada por idade