A precisão de um modelo epidemiológico não depende apenas de sua capacidade de antecipar quantas pessoas serão infectadas ou morrerão durante uma epidemia. Depende também de sua capacidade de identificar quem está mais exposto ao risco. Essa é a questão central de um estudo publicado nesta segunda-feira (2), na revista científica Nature Communications, que propõe um método matemático para avaliar a equidade dos modelos computacionais utilizados no planejamento de políticas de saúde pública.

Assinado por Yuhan Li, Nicoló Gozzi, Nicola Perra e Michele Tizzoni, o trabalho, intitulado Fairness in infectious disease modeling (Equidade na modelagem de doenças infecciosas), aproxima duas áreas que nem sempre caminharam juntas: a epidemiologia computacional e a epidemiologia social. A pesquisa reúne pesquisadores vinculados à Queen Mary University of London, à ISI Foundation, ao The Alan Turing Institute e à University of Trento, em uma tentativa de responder a uma pergunta com consequências diretas para governos e sistemas de saúde: até que ponto os modelos utilizados para orientar decisões públicas representam adequadamente as desigualdades existentes na população?

A preocupação tem origem em uma experiência recente e traumática. Durante a pandemia de Covid-19, modelos matemáticos foram empregados para estimar a evolução da transmissão, avaliar restrições de circulação, projetar internações e orientar campanhas de vacinação. Entretanto, a distribuição dos riscos não foi homogênea. Idosos, populações de baixa renda, grupos racializados e moradores de regiões socialmente vulneráveis enfrentaram condições distintas de exposição, adoecimento e acesso à assistência médica.

Os autores partem justamente dessa constatação: uma simulação pode reproduzir com precisão o número total de mortes de uma cidade e, ainda assim, errar ao representar quais grupos sociais concentram os maiores danos. Quando isso acontece, uma política pública aparentemente eficiente pode deixar desprotegidas justamente as populações que mais necessitam de intervenção.

Para enfrentar o problema, os pesquisadores desenvolveram um sistema de avaliação baseado em três indicadores matemáticos: o índice de concentração relativa (RCI), o índice de Theil e uma medida de desigualdade espacial. Em conjunto, eles permitem verificar se as simulações reproduzem diferenças de mortalidade e infecção relacionadas à idade, à raça, à etnia, à renda e à localização geográfica.

A proposta estabelece uma distinção importante entre dois conceitos. A equidade de um modelo diz respeito à sua capacidade de representar corretamente as desigualdades observadas. Já a equidade em saúde corresponde ao objetivo de reduzir diferenças injustas e evitáveis por meio de políticas públicas. Em outras palavras, não basta que o modelo acerte os números gerais: é necessário que consiga identificar como os danos se distribuem entre os diferentes segmentos da sociedade.

A metodologia foi testada em diferentes cenários epidemiológicos. Os pesquisadores analisaram a primeira onda de Covid-19 em Londres, entre março e junho de 2020; em Nova York, entre março e julho daquele ano; e em Santiago do Chile, além da epidemia de zika registrada na Colômbia em 2015 e 2016.

Em Londres, a equipe examinou a distribuição das mortes por faixa etária. Os dados mostraram uma diferença expressiva: enquanto a mortalidade entre crianças de zero a quatro anos ficou próxima de zero, entre pessoas com 75 anos ou mais chegou a aproximadamente oito mortes por mil habitantes.

A comparação entre diferentes modelos revelou resultados relevantes. Uma simulação que considerava taxas de mortalidade uniformes entre as idades obteve pontuação de equidade de apenas 0,577, em uma escala na qual 1 representa correspondência perfeita com as desigualdades observadas. Outro modelo, que incorporou taxas de mortalidade específicas por idade, alcançou 0,976.

O resultado evidencia que incorporar características demográficas relevantes pode alterar substancialmente a capacidade de uma simulação representar a realidade. Também demonstra que modelos aparentemente semelhantes podem produzir interpretações bastante diferentes sobre quem está mais vulnerável.

Em Nova York, o estudo examinou disparidades entre cinco grupos raciais e étnicos: brancos não hispânicos, hispânicos ou latinos, negros, asiáticos e outras populações. Foram construídas oito versões de modelos epidemiológicos, com diferentes pressupostos sobre suscetibilidade ao vírus, padrões de contato e risco de mortalidade.

O modelo de referência, que pressupunha distribuição homogênea dos contatos e da suscetibilidade, apresentou pontuação de equidade de 0,714. Quando os pesquisadores incorporaram diferenças de suscetibilidade entre os grupos, o indicador subiu para 0,901. Uma configuração que considerava contatos preferenciais dentro dos próprios grupos alcançou 0,906.

A análise demonstra que reproduzir o total de mortes não significa necessariamente compreender as desigualdades raciais e étnicas que caracterizam uma epidemia.

A dimensão territorial trouxe outra contribuição importante. Em Santiago, os pesquisadores utilizaram informações de mobilidade humana obtidas por telefones celulares para investigar a relação entre circulação de pessoas, condições socioeconômicas e transmissão da Covid-19.

Os resultados indicaram que bairros com menor Índice de Desenvolvimento Humano apresentaram maior concentração de infecções. Quando os deslocamentos da população foram incorporados às simulações, a pontuação de equidade chegou a 0,97. Sem essas informações, caiu para 0,93. Em outra avaliação, que considerou os bairros como unidades independentes, o indicador passou de 0,63 para 0,79 com a inclusão dos dados de mobilidade.

A experiência colombiana, envolvendo o vírus zika, apresentou resultados na mesma direção: modelos que incorporaram informações sobre deslocamentos humanos conseguiram representar melhor a distribuição espacial das infecções.

A importância desses resultados ultrapassa a dimensão técnica. A mobilidade não é apenas uma variável de circulação urbana. Ela também reflete diferenças nas condições de trabalho, na capacidade de permanecer em casa, no acesso ao transporte e nas oportunidades de proteção contra doenças.

Historicamente, a epidemiologia concentrou parte significativa de seus esforços na identificação de agentes infecciosos, mecanismos de transmissão e características biológicas das doenças. A pandemia de Covid-19, entretanto, reforçou a necessidade de incorporar fatores sociais às explicações epidemiológicas. Estudos anteriores, inclusive um trabalho publicado em 2022 por Michele Tizzoni e colaboradores, já defendiam a inclusão das vulnerabilidades socioeconômicas nos modelos computacionais.

O novo estudo avança nessa discussão ao oferecer instrumentos quantitativos para verificar se essas desigualdades estão efetivamente representadas nas simulações.

A aplicação mais diretamente relacionada às políticas públicas aparece na análise da distribuição de vacinas. Os pesquisadores construíram um cenário hipotético para uma segunda onda de Covid-19 em Nova York, considerando uma campanha capaz de imunizar 20% da população.

Foram comparadas diferentes estratégias de distribuição. Na primeira, as doses eram divididas proporcionalmente ao tamanho de cada grupo populacional. Na segunda, a distribuição considerava as taxas de mortalidade observadas. Na terceira, utilizava os componentes do índice de Theil, que identificam a concentração desigual dos danos entre os grupos.

Os resultados foram expressivos. A estratégia proporcional à população produziu redução mediana de 68,2% nas mortes em relação a um cenário sem vacinação. Quando a distribuição foi orientada pelo índice de Theil, a redução chegou a 73,9%.

A diferença representa um ganho de 5,7 pontos percentuais na redução da mortalidade.

Entre os hispânicos, a redução mediana estimada passou de 69,2% na distribuição proporcional para 82,5% na estratégia orientada pelo índice de desigualdade. Entre os negros, passou de 67,7% para 73,2%. Entre os asiáticos, de 69,7% para 72,5%. Na população branca, o indicador subiu de 68,9% para 69,2%.

Os números sugerem que uma distribuição que considera a concentração dos riscos pode melhorar simultaneamente os resultados gerais e a proteção de grupos vulneráveis.

Apesar dos avanços, os próprios pesquisadores reconhecem limitações importantes. O estudo não estabelece uma ligação causal completa entre desigualdades sociais e resultados biológicos. Também não resolve como identificar, em cada contexto, todas as características socioeconômicas que deveriam integrar os modelos.

A simulação de vacinação, por sua vez, é simplificada. Não considera integralmente dificuldades logísticas, hesitação vacinal, governança, efeitos adversos ou perda de imunidade ao longo do tempo. Além disso, os cenários são construções matemáticas, não experimentos realizados em campanhas reais.

O trabalho também não apresenta entrevistas ou depoimentos pessoais dos quatro pesquisadores. Portanto, não há declarações individuais que possam ser reproduzidas como falas concedidas à imprensa. As interpretações e formulações apresentadas nesta reportagem são atribuídas ao conteúdo do artigo científico.

A contribuição central, contudo, é estabelecer um critério adicional para avaliar ferramentas que influenciam decisões públicas. Como sustentam Li, Gozzi, Perra e Tizzoni, a avaliação da equidade deve considerar a capacidade dos modelos de reproduzir a distribuição desigual dos resultados de saúde entre diferentes grupos sociais.

Publicado em 2 de novembro de 2026, o estudo não oferece uma solução definitiva para as desigualdades sanitárias, mas propõe uma mudança na maneira de avaliar a qualidade das previsões epidemiológicas. Sua principal implicação é que governos e autoridades sanitárias não deveriam utilizar apenas modelos capazes de estimar quantas pessoas serão atingidas por uma epidemia, mas também aqueles que conseguem identificar onde estão os maiores riscos e quem suporta a maior parcela dos danos.

Em futuras emergências sanitárias, essa diferença poderá influenciar decisões sobre vacinação, distribuição de recursos, organização dos serviços de saúde e proteção de comunidades vulneráveis. Afinal, uma política pública pode parecer eficiente quando observada pelos números totais e, ainda assim, fracassar justamente para aqueles que mais precisam dela.