Objetivo: Estimar o número máximo de casos prevalentes de COVID-19, internados em unidades de terapia intensiva, e o momento deste pico, em Porto Alegre. Métodos: Empregamos um modelo matemático de equações diferenciais denominado SEIHDR (Suscetível, Exposto, Infectado, Hospitalizado, Morto, Recuperados). Analisamos os casos de hospitalização por COVID-19 em Porto Alegre e RS, desde 9 de março até 25 de julho de 2020 a fim de extrair os parâmetros para construir uma curva epidemiológica do total de casos prevalentes hospitalizados e em unidade de terapia intensiva, assim como estimar a prevalência de pacientes em ventilação mecânica invasiva. Finalmente, ajustamos alguns parâmetros desta curva a partir dos casos reais prevalentes de internados em enfermaria e em unidades de terapia intensiva. Resultados: O modelo matemático corrigido para os dados da pandemia até 25 de julho projetou um pico de 1.354 casos prevalentes hospitalizados: 562 pacientes internados na unidade de terapia intensiva com 378 sob ventilação mecânica no dia 12 de setembro de 2020 (37º semana epidemiológica). Ainda, haveria o pico de 62.514 casos prevalentes de infectados com COVID-19 no início do mesmo mês (36º semana epidemiológica. Calculamos para a pandemia um número de reprodução básico de 1,53 e de reprodução efetiva de 1,29 para 25 de julho de 2020. Conclusão: Como o número atual de leitos de unidade de terapia intensiva seria insuficiente para atender a esta demanda, sugerimos um aumento no número de leitos críticos a fim de evitar o colapso do sistema de saúde em Porto Alegre.
The inverse correlation between NDVI and LST is widely known for its long time series. However, when more specific statistical tests were performed, subtle differences in the correlation behavior over time are more clearly observed. In this work, regression analyses were performed between NDVI and LST at intervals of approximately 10 years, quantifying this relationship for an area of transition from vegetation to urban occupation from 1985 to 2018. The removal of vegetation cover (reduction of 51% to 7% in grassland and 14.4% to 0.6% in forest) to occupy impermeable surfaces ( increase of 31% to 91% in urban areas) caused an average LST increase of 4.18 °C when compared to the first and last decades of the historical series. Temporal analysis allowed us to verify the increase in temperature in the four seasons. The largest difference was 6.36 °C between the first and last decade of autumn, 4.40 °C in spring, 4.09 °C in summer, and 2.41 °C in winter. The results also show that LST has a negative correlation with NDVI, especially in urban areas, with an increase in this correlation during the period (1989: R = −0.55; 1999: R = −0.58; 2008: R = −0.59; 2018: R = −0.76). Our study results will help policymakers understand the dynamics of temperature increases by adding scientifically relevant information on the sustainable organization of the urban environment.
Introdução: A pandemia de COVID-19, no Brasil, constituiu uma ameaça ao sistema de saúde pelo risco de esgotamento dos leitos de Unidade de Terapia Intensiva (UTI). O objetivo do estudo foi projetar a ocupação de leitos de UTI com casos de COVID-19 no pico em Porto Alegre. Para isso, resolvemos utilizar uma ferramenta matemática com parâmetros da pandemia desta cidade.
Métodos:Utilizamos o modelo matemático SEIHDR. Analisamos os casos de hospitalização por COVID-19 em Porto Alegre e RS até 3 de agosto de 2020 a fim de extrair os parâmetros locais para construir uma curva epidemiológica do total de casos prevalentes hospitalizados em UTI. Também analisamos as taxas de reprodução básica (R 0 ) e reprodução efetiva (R e ).Resultados: O modelo matemático projetou um pico de 344 casos prevalentes, em UTI, para o dia 22 de agosto de 2020. Calculamos 1,56 para o R 0 e 1,08 no dia 3 de agosto para o R e .Conclusão: O modelo matemático simulou uma primeira onda de casos ocupando leitos de UTI muito próxima dos dados reais. Também indicou corretamente uma queda no número de casos nos dois meses subsequentes. Apesar das limitações, as estimativas do modelo matemático forneceram informações sobre as dimensões temporal e numérica de uma pandemia que poderiam ser usadas como auxílio aos gestores de saúde na tomada de decisões para a alocação de recursos frente a calamidades de saúde como o surto de COVID-19 no Brasil.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.