Suplemento 3 - o Modelo de Richards.ipynb

Kernel: SageMath 9.3

%display typeset

Usando Modelos Populacionais Logísticos para Epidemias

Nesta aula vamos conhecer o modelo logístico de Richards, e estuda sua aplicabilidade no estudo de epidemias. Este notebook se baseia neste artigo

O modelo de Richards se baseia em um modelo proposto por Verhulst em 1838.

$$\frac{dN(t)}{dt}=r N(t)\left[1-\frac{N(t)}{K}\right]$$

Richards generalizou este modelo em 1959, adicionando o parâmetro $a$ permitindo o desvio da dependência estrita da densidade.

var('C r1 K a t')
C = function('C')(t)
dcdt = diff(C,t)==r1*C(1-(C/K)^a)
dcdt

$$\renewcommand{\Bold}[1]{\mathbf{#1}}\frac{\partial}{\partial t}C\left(t\right) = r_{1} C\left(-\left(\frac{C\left(t\right)}{K}\right)^{a} + 1\right)$$

desolve(dcdt, C, ivar=t)

$$\renewcommand{\Bold}[1]{\mathbf{#1}}\frac{\int \frac{\frac{\partial}{\partial t}C\left(t\right)}{C\left(-\left(\frac{C\left(t\right)}{K}\right)^{a} + 1\right)}\,{d t}}{r_{1}} = C + t$$

O modelo de Richards admite uma solução explícita:

$$C(t)=K\left[1+a e^{-a r1(t-t_c)}\right]^{-1/a},$$

onde $t_c$ é o ponto no tempo em que a segunda derivada de $C(t)$ se torna 0, ou seja, quando $C(t)=K(1+a)^{-1/a}$. Seja $r=a r1$, então a equação acima se torna: $$C(t)=K\left[1+a e^{-r(t-t_c)}\right]^{-1/a}.$$

Relação com o modelo SIR

Seja o modelo SIR, ParseError: KaTeX parse error: Undefined control sequence: \label at position 31: …= -\beta S I/N \̲l̲a̲b̲e̲l̲{dsdt} $$\frac{dI}{dt} = \beta S I/N -\gamma I$$ $$\frac{dR}{dt} = \gamma I$$

Onde podemos considerar que $N=S+I$. A partir das equações acima temos que

$$\frac{d(S+I)}{ds}=\frac{\gamma (S+I)}{\beta S}$$

cuja solução é:

ParseError: KaTeX parse error: Undefined control sequence: \label at position 34: …{\gamma/\beta} \̲l̲a̲b̲e̲l̲{eq10}

onde

$$c:=[S(0)+I(0)]S(0)^{\gamma/\beta}$$

combinando (\ref{dsdt}) e (\ref{eq10}) obtemos:

ParseError: KaTeX parse error: Undefined control sequence: \label at position 40: …-(S/L)^\alpha] \̲l̲a̲b̲e̲l̲{eq12}

onde $\alpha:= 1-\gamma/\beta$ e $L:=c^{1/(1-\gamma/\beta)}$.

Como a equação (\ref{eq12}) tem a mesma forma que a equação (\ref{dsdt}), pode ser resolvida como:

$$S(t)=L[1+\alpha e^{b(t-t_j)}]^{-1/\alpha}$$

onde $b=\alpha\beta$ e $t_j$ o tempo finito em que a segunda derivada de $S(t)$ é $0$.

Como estamos interessados no numero acumulado de de casos, podemos definir:

$$\begin{align} J(t) :=& I(t)+R(t)\nonumber\\ =& N-S(t)\nonumber\\ =& N-L[1+\alpha e^{b(t-t_j)}]^{-1/\alpha} \end{align}$$

Sendo $N=S(0)+I(0)$ então $N \approx L$. Como $I(0)/S(0)\rightarrow 0$,

$$J(t)\approx L-L[1+\alpha e^{b(t-t_j)}]^{-1/\alpha}.$$

Esta última equação nos dá uma forma eficiente de mapear uma curva de casos acumulados ao modelo SIR sem utilizar equações diferenciais.

Na prática podemos igualar $L$ ao tamanho final da epidemia, e $t_j$ ao ponto de inflexão da curva. Temos ainda que $\alpha=1-1/{\cal R}_0$, e $b=\beta -\gamma$ a taxa de geração de infeções.

Instante do pico, $t_i$

O pico da epidemia ocorre quando $\dot{I}(t_i)=0$ o que implica que $$\frac{\beta S(t_i)}{S(t_i)+I(t_i)}=\gamma$$

Considerando as equações (\ref{eq10}) e $\alpha:= 1-\gamma/\beta$ e $L:=c^{1/(1-\gamma/\beta)}$, podemos obter

$$S(t_i)=L (\beta/\gamma)^{-1/\alpha}$$

combinando as duas equações acima temos

$$I(t_i)=L{\cal R}_0^{-{\cal R}_0/({\cal R}_0-1)}({\cal R}_0-1)$$

com

$${\cal R}_0=e^{b(t_i-t_j)}$$

Ajustando o modelo de Richards a Dados

Agora vamos ver como o modelo de Richards se presta para representar uma epidemia com múltiplas ondas. Vamos utilizar os dados da Epidemia da COVID-19 em 2020 e 21

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
%matplotlib inline

ukd = pd.read_csv('UK_covid.csv')
ukd['date'] = pd.to_datetime(ukd.date)
ukd.set_index('date', inplace=True)
ukd

	total_cases	new_cases	location	total_deaths	new_deaths	total_vaccinations	new_vaccinations	stringency_index	population
date
2020-01-31	2	2	United Kingdom	NaN	NaN	NaN	NaN	8.33	68207114
2020-02-01	2	0	United Kingdom	NaN	NaN	NaN	NaN	8.33	68207114
2020-02-02	2	0	United Kingdom	NaN	NaN	NaN	NaN	11.11	68207114
2020-02-03	8	6	United Kingdom	NaN	NaN	NaN	NaN	11.11	68207114
2020-02-04	8	0	United Kingdom	NaN	NaN	NaN	NaN	11.11	68207114
...	...	...	...	...	...	...	...	...	...
2021-08-24	6586181	30762	United Kingdom	132174.0	174.0	89865264.0	186086.0	43.98	68207114
2021-08-25	6621799	35618	United Kingdom	132323.0	149.0	90095045.0	229781.0	43.98	68207114
2021-08-26	6659916	38117	United Kingdom	132465.0	142.0	90295121.0	200076.0	43.98	68207114
2021-08-27	6697770	37854	United Kingdom	132566.0	101.0	90466529.0	171408.0	43.98	68207114
2021-08-28	6729912	32142	United Kingdom	132699.0	133.0	NaN	NaN	NaN	68207114

576 rows × 9 columns

fig , [a1,a2] = plt.subplots(2,1, figsize=[15,6], sharex=True)
ukd.total_cases.plot(ax=a1);
ukd.new_cases.plot(ax=a2);

def rich(L,a,b,t,tj):
    j=L-L*(1+a*np.exp(b*(t-tj)))**(-1/a)
    return j
df = ukd.reset_index()
@interact
def plot_richards(w1=range_slider(1,180,step_size=1,default=(1,160)), 
                  tp1=(86,(10,150)),L1=(.3e6,(.1e6,1.5e6)),a1=(0.1,(0.1,1)),b1=(0.2,(0.001,.2,.01)),
                  w2=range_slider(180,350,step_size=1,default=(210,300)), 
                  tp2=(277,(230,350)),L2=(1e6,(.9e6,3.5e6)),a2=(0.1,(0.1,1)),b2=(0.2,(0.001,.2,.01)),
                  w3=range_slider(220,400,step_size=1,default=(300,400)), 
                  tp3=(329,(220,400)),L3=(2e6,(1e6,4.5e6)),a3=(0.1,(0.1,1)),b3=(0.2,(0.001,.2,.01)),
                 ):
    fig,ax = plt.subplots(1,1, figsize=(15,8))
    df.total_cases.plot(ax=ax, label='Total cases',style='+')
    plt.plot(range(w1[0],w1[1]), [rich(L1,a1,b1,t,tp1) for t in range(w1[0],w1[1])], label='onda 1')
    plt.plot(range(w2[0],w2[1]), [L1+rich(L2,a2,b2,t,tp2) for t in range(w2[0],w2[1])], label='onda 2')
    plt.plot(range(w3[0],w3[1]), [L2+rich(L3,a3,b3,t,tp3) for t in range(w3[0],w3[1])], label='onda 3')
    plt.grid()
    plt.legend()

Encontrando os Parâmetros por otimização

import sherpa

!pip install gpyopt

Requirement already satisfied: gpyopt in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (1.2.6)
Requirement already satisfied: numpy>=1.7 in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from gpyopt) (1.19.5)
Requirement already satisfied: scipy>=0.16 in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from gpyopt) (1.5.4)
Requirement already satisfied: GPy>=1.8 in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from gpyopt) (1.10.0)
Requirement already satisfied: cython>=0.29 in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from GPy>=1.8->gpyopt) (0.29.21)
Requirement already satisfied: paramz>=0.9.0 in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from GPy>=1.8->gpyopt) (0.9.5)
Requirement already satisfied: six in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from GPy>=1.8->gpyopt) (1.15.0)
Requirement already satisfied: decorator>=4.0.10 in /home/fccoelho/Downloads/SageMath/local/lib/python3.9/site-packages (from paramz>=0.9.0->GPy>=1.8->gpyopt) (4.4.2)
WARNING: You are using pip version 21.0.1; however, version 21.2.4 is available.
You should consider upgrading via the '/home/fccoelho/Downloads/SageMath/local/bin/python3 -m pip install --upgrade pip' command.

parameters = [
    sherpa.Discrete(name='L1', range=[.1e6,1e6]),
    sherpa.Discrete(name='tp1', range=[10,150]),
#     sherpa.Discrete(name='s1', range=[1,180]), #inicio da onda
#     sherpa.Discrete(name='d1', range=[10,180]), # duração da onda 
    sherpa.Continuous(name='a1', range=[0,1]),
    sherpa.Continuous(name='b1', range=[0,1]),
]

# algorithm = sherpa.algorithms.RandomSearch(max_num_trials=2000)
algorithm = sherpa.algorithms.SuccessiveHalving(max_finished_configs=500)
study = sherpa.Study(parameters=parameters,
                     algorithm=algorithm,
                     lower_is_better=True,
                     disable_dashboard=True)

trial = study.get_suggestion()
trial.parameters

{'L1': 257465,
 'tp1': 116,
 'a1': 0.3479896982752564,
 'b1': 0.06494139156730783,
 'resource': 1,
 'rung': 0,
 'load_from': '',
 'save_to': '1'}

s=1
e=160
for trial in study:
    L = trial.parameters['L1']
    tp = trial.parameters['tp1']
    a = trial.parameters['a1']
    b = trial.parameters['b1']
    dado = df.loc[s:e].total_cases.values
    sig = [rich(L,a,b,t,tp) for t in range(s,e)]
    
    loss = sum((dado[s:e]-sig)**2)/(e-s)
    study.add_observation(trial=trial,
                          objective=loss,
                          )
    study.finalize(trial)

res = study.get_best_result()
res

{'Trial-ID': 5801,
 'Iteration': 1,
 'L1': 280608,
 'a1': 0.298767528283268,
 'b1': 0.056357823970169973,
 'load_from': '',
 'resource': 1,
 'rung': 0,
 'save_to': '5801',
 'tp1': 91,
 'Objective': 152888426.20476854}

sig = [rich(res['L1'],res['a1'],res['b1'],t,res['tp1']) for t in range(s,e+1)]

plt.plot(range(s,e+1),dado,label='dados')
plt.plot(range(s,e+1),sig, label='richards')
plt.grid()
plt.legend();