Modelagem da COVID-19 para apoiar a tomada de decisão no Brasil: uma revisão de escopo
Tipo de documento
Pôster
Descrição
Resumo apresentado na Health Technology Assessment international (HTAi)
Fonte
HTAi
Ano de publicação
2022
Referência (Vancouver)
Rosa M, Bagattini AM, Simon LM, de Almeida GB, Rodrigues da Rosa II, Toscano CM. COVID-19 Modeling To Support Decision Making In Brazil: A Scoping Review [Internet]. In: HTAi Annual Meeting Abstract Book; 2022 June 25-29; Utrecht, Netherlands. Health Technology Assessment International, HTAi; 2022. p. 37. PP41. Disponível em: https://htai.eventsair.com/htai-2022-utrecht-annual-meeting/oral-presentation-abstract-book
COVID-19 modeling to support decision making in Brazil: a scoping review
Description
Abstract presented at Health Technology Assessment international (HTAi)
Source
HTAi
Publication year
2022
Reference (Vancouver)
Rosa M, Bagattini AM, Simon LM, de Almeida GB, Rodrigues da Rosa II, Toscano CM. COVID-19 Modeling To Support Decision Making In Brazil: A Scoping Review [Internet]. In: HTAi Annual Meeting Abstract Book; 2022 June 25-29; Utrecht, Netherlands. Health Technology Assessment International, HTAi; 2022. p. 37. PP41. Disponível em: https://htai.eventsair.com/htai-2022-utrecht-annual-meeting/oral-presentation-abstract-book
Introdução: No contexto da pandemia de COVID-19, que exigiu respostas urgentes dos sistemas de saúde e uma tomada de decisão contínua em um cenário de evidências limitadas e em evolução, a modelagem desempenhou um papel significativo no apoio à formulação de políticas públicas. No entanto, especialmente em países de baixa e média renda, grupos de modelagem são escassos e geralmente não estão envolvidos de forma rotineira no apoio à formulação de políticas de saúde pública. Nosso objetivo foi avaliar o trabalho de modelagem da COVID-19 no Brasil durante a pandemia. Métodos: Realizamos uma revisão de escopo seguindo as diretrizes PRISMA para identificar grupos que realizam modelagem da COVID-19 para apoiar a tomada de decisões em saúde no Brasil. Estratégias de busca foram aplicadas ao MEDLINE, LILACS, Embase, ArXiv, e também incluíram repositórios de dados nacionais e literatura cinza. Excluímos relatórios de modelos sem resultados de modelagem. Títulos, resumos, descrições de repositórios de dados e artigos completos identificados foram lidos e selecionados por dois revisores. Os dados extraídos incluíram questões de modelagem, características do modelo (estrutura, tipo e programação), fontes de dados epidemiológicos, principais resultados relatados e parâmetros. Para identificar grupos de modelagem que ainda não publicaram resultados, foi realizada uma amostragem em bola de neve, e uma breve pesquisa foi enviada eletronicamente. Investigadores e formuladores de políticas foram convidados a uma entrevista online para obter mais informações sobre como interagiram, se comunicaram e utilizaram os resultados da modelagem. Resultados: Recuperamos 1.061 referências. Após a remoção de duplicatas (127), 1.016 resumos e títulos foram analisados. A partir de uma seleção inicial de 142 resumos, 133 grupos de pesquisa foram identificados, dos quais 67 não atenderam aos critérios de elegibilidade. Destes, 66 grupos foram convidados para uma entrevista, dos quais 24 estavam disponíveis, incluindo 18 grupos de modelagem de instituições acadêmicas e quatro grupos de departamentos estaduais de saúde. A maioria dos modelos avaliou o impacto das medidas de mitigação em casos/hospitalizações/mortes e na demanda por serviços de saúde. A interação e comunicação com os tomadores de decisão não estavam bem estabelecidas na maioria dos grupos. Conclusões: Apesar do grande número de grupos de modelagem no Brasil, observamos uma lacuna significativa na demanda por modelagem e na comunicação de seus resultados para apoiar o processo de tomada de decisão durante a pandemia de COVID-19.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: In the context of the COVID-19 pandemic, which required urgent responses from health systems, and ongoing decision making in a context of limited and evolving evidence, modeling played a significant role in supporting public policy making. Nonetheless, particularly in low and middle-income countries, modeling groups are scarce, and usually not routinely involved in supporting public health policy making. We aimed to appraise COVID-19 modeling work in Brazil during the pandemic. Methods. We performed a scoping review following PRISMA guidelines to identify groups conducting COVID-19 modeling to support health decision-making in Brazil. Search strategies were applied to MEDLINE, LILACS, Embase, ArXiv, and also included National data repositories and gray literature. We excluded reports of models without modeling results. Titles, abstracts, data repository descriptions and full-text articles identified were read and selected by two reviewers. Data extracted included modeling questions, model characteristics (structure, type, and programming), epidemiologic data sources, main outcomes reported, and parameters. To further identify modeling groups that might have not yet published results, snowball sampling was performed, and a short survey was sent electronically. Investigators and policymakers were invited to an online interview, to obtain further information on how they interacted, communicated, and used modeling results. Results. We retrieved 1,061 references. After removing duplicates (127), 1,016 abstracts and titles were screened. From an initial selection of 142 abstracts, 133 research groups were identified, of which 67 didn’t meet the eligibility criteria. Of these, 66 groups were invited for an interview, of which 24 were available, including 18 modeling groups from academic institutions, and four groups from State Health departments. Most models assessed the impact of mitigation measures in cases/hospitalization/deaths and healthcare service demand. Interaction and communication with decisionmakers were not well established in most groups. Conclusions. Despite a large number of modeling groups in Brazil, we observed a significant gap in modeling demand and communicating its results to support the decision-making process during the COVID-19 pandemic.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
