O surto de Ebola em Bundibugyo, na região Centro-Oeste da África, já deixou ao menos 49 pessoas mortas, conforme autoridades de saúde. O episódio atual amplia o desafio de conter a doença, com equipes investigando a transmissão e buscando reduzir impactos futuros.
Pesquisadores da CDC, liderados por Carson Telford, realizaram um estudo sobre a possibilidade de prever onde surtos poderiam começar. Eles analisaram 24 outbreaks entre 2001 e 2022, utilizando variáveis como densidade populacional e cobertura florestal para treinar um modelo de aprendizado de máquina.
O objetivo não é prever com exatidão o momento ou o local, mas sinalizar regiões com maior risco, para ampliar comunicação com grupos de alto risco, como moradores que dependem de caça ou consumo de animais silvestres. O estudo destaca também a necessidade de detecção precoce.
Metodologia e principais achados
O modelo utilizou múltiplas escalas espaciais para avaliar fatores como desmatamento dentro de 10 a 100 quilômetros de possíveis pontos de spillover. A densidade populacional em áreas remotas disparou como indicador importante de risco, assim como mudanças locais na floresta.
Segundo Telford, o valor está em orientar ações de vigilância e comunicação com profissionais de saúde. Em vez de prever o momento exato, o modelo aponta áreas de maior probabilidade de spillover para aprimorar alertas precoces.
Implicações práticas
O estudo indicou que mudanças na cobertura florestal, associadas à presença humana na borda das florestas, podem elevar o contato entre humanos e espécies reservatórias. Isso reforça a importância de monitorar regiões com desmatamento ativo para reduzir oportunidades de transmissão.
Telford ressalta que os resultados são preditivos e não causais. Ainda assim, análises históricas mostraram que surtos recentes ocorreram em locais com alto risco previsto, validando, em parte, a utilidade do modelo para orientar respostas rápidas.
Entre na conversa da comunidade