A história computacional situa-se na intersecção entre humanidades digitais, ciência de dados e investigação histórica. Aplicando modelos e simulações computacionais a crônicas do passado, pesquisadores podem testar hipóteses anteriormente muito complexas para explorar manualmente. Uma das aplicações mais urgentes e esclarecedoras dessa abordagem é a modelagem de epidemias históricas. Da peste Justiniana à pandemia de influenza de 1918, surtos de doenças moldam sociedades de formas profundas. Modelos computacionais permitem aos historiadores reconstruir vias de transmissão, analisar a eficácia de intervenções passadas e tirar lições que permanecem relevantes para a saúde pública contemporânea.

O papel da história computacional na compreensão das epidemias

As epidemias não são apenas eventos biológicos, estão profundamente inseridas em contextos econômicos, sociais e políticos.A análise histórica tradicional muitas vezes se baseia em registros escritos, como contagens de mortalidade, diários de viagem e diários pessoais.No entanto, essas fontes são fragmentadas e podem ser enviesadas.Modelos computacionais adicionam uma camada quantitativa, permitindo aos historiadores simular a disseminação da doença através do tempo e do espaço.Ao integrar dados sobre densidade populacional, redes comerciais, padrões climáticos e comportamento humano, esses modelos podem revelar padrões que são invisíveis apenas em fontes qualitativas.

Por exemplo, os modeladores podem testar se a rápida propagação da Morte Negra em toda a Europa no século XIV foi impulsionada principalmente por pulgas de ratos em navios mercantes ou por transmissão humana-humana. Modelos baseados em agentes podem reproduzir os movimentos de indivíduos ao longo de rotas comerciais específicas, enquanto modelos compartimentais podem estimar a proporção da população que deve ter sido exposta para sustentar a mortalidade observada. Tais simulações fornecem um quadro formal para a pesagem de narrativas históricas concorrentes. Eles também ajudam os historiadores a identificar lacunas no registro arquivístico – lugares onde mais dados reduziriam a incerteza sobre os parâmetros chave.

Além de testar hipóteses específicas, a história computacional permite raciocínio contrafactual. E se o Império Romano tivesse investido mais em infraestrutura de quarentena? E se a gripe espanhola tivesse surgido uma década antes, sem as deslocações da Primeira Guerra Mundial? Esses experimentos de pensamento, fundamentados em rigor matemático, transformam a história de uma disciplina puramente descritiva em uma ciência preditiva do passado. Eles também destacam a natureza contingente dos resultados epidêmicos, onde pequenas diferenças de tempo, política ou comportamento podem levar a um número de mortes muito diferente.

Tipos-chave de modelos computacionais

Os historiadores e epidemiologistas adaptaram várias classes de modelos originalmente desenvolvidos para a vigilância moderna de doenças, cada tipo possui diferentes pontos fortes e se adequa a diferentes questões históricas, sendo essencial compreender essas ferramentas para avaliar as reivindicações que emergem de estudos computacionais.

Modelos baseados em agentes

Modelos baseados em agentes (ABMs) simulam as ações e interações de agentes autônomos – como pessoas, animais ou até patógenos – dentro de um ambiente definido. Cada agente segue um conjunto de regras que regem o comportamento: se viajam, com que frequência eles entram em contato com outros, se recuperam ou morrem. Ao executar o modelo muitas vezes com parâmetros ligeiramente variados, os pesquisadores podem observar padrões emergentes. ABMs são especialmente valiosos para estudar epidemias em comunidades menores, como cidades medievais ou assentamentos coloniais, onde decisões individuais podem ter efeitos de maior dimensão. Um exemplo clássico é a modelagem da pandemia de gripe de 1918 na cidade de Filadélfia, onde o momento de um desfile público foi mostrado para acelerar a transmissão. ABMs também permitem que pesquisadores incorporem comportamentos heterogêneos, como a tendência de famílias mais ricas a fugir de cidades durante surtos de pragas.

Modelos compartimentais

O modelo compartimental mais famoso é o modelo SIR, que divide a população em compartimentos susceptíveis, infectados e recuperados (ou removidos). O modelo usa equações diferenciais para descrever o fluxo de indivíduos entre esses grupos com base em taxas de transmissão e recuperação. Os historiadores podem calibrar modelos SIR para combinar curvas de mortalidade histórica, então ajustar parâmetros para explorar contrafatuais - e se uma quarentena tivesse sido imposta mais cedo? E se o patógeno fosse menos virulento? Porque eles são computacionalmente eficientes, modelos compartimentais são frequentemente usados para surtos em grande escala onde a mistura homogênea é uma aproximação razoável, como a propagação de cólera ao longo de rotas comerciais na Ásia do século XIX. Versões mais avançadas, como o SEIR (compartimento de um compartimento Exposto) ou o SRIS (permitindo imunidade), podem capturar realismo biológico adicional.

Modelos de rede

Os modelos de rede representam indivíduos ou locais como nós e suas interações como bordas. Esta abordagem é particularmente eficaz para estudar doenças que se espalham por redes sociais ou de transporte específicas. Por exemplo, um modelo de rede do sistema rodoviário romano pode simular como um patógeno como a varíola pode ter viajado do Oriente Próximo para as fronteiras do império. Ao alterar a densidade da rede ou a velocidade de viagem, os pesquisadores podem identificar quais rotas foram mais influentes. As ferramentas modernas de análise de rede também permitem que historiadores reconstruam redes de contato de registros históricos, como as manifestas de passageiros de navios ou registros de casamento paroquial.

Os modelos de rede são capazes de capturar a estrutura não aleatória das interações humanas, que podem produzir eventos super-difusão e outros fenômenos dinâmicos perdidos por modelos compartimentais bem misturados.

Modelos espaciais e espaço-temporais

Além das três principais categorias, modelos espaciais que incorporam sistemas de informação geográfica (SIG) têm se tornado cada vez mais importantes, atribuindo risco de doença a locais específicos, baseados em variáveis ambientais como altitude, temperatura e proximidade com corpos hídricos. Por exemplo, um modelo espacial da Grande Praga de Londres 1665 pode utilizar mapas históricos de layout de ruas e fronteiras paroquiais para simular como a doença se acoplava de um bairro para outro. Juntamente com modelos de rede, abordagens espaço-temporais podem gerar reconstruções detalhadas de ondas epidêmicas, combinando a granularidade dos dados de registro em cidades bem documentadas.

Estudos de Caso: Modelação de Epidemias Históricas

Vários estudos de referência demonstram o poder da história computacional na pesquisa epidêmica, cada caso destaca diferentes pontos fortes e desafios metodológicos, e juntos ilustram como a modelagem pode reformular o entendimento histórico.

A morte negra (1346–1353)

A morte negra matou cerca de 30–60% da população da Europa. Modelos iniciais focados na rota de transmissão primária: se a bactéria Yersinia pestis foi transportada por pulgas em ratos ou por piolhos humanos e pulgas. Modelos baseados em agentes e em redes mostraram desde então que uma combinação de ambas as rotas pode reproduzir a velocidade de propagação observada, mas que os ectoparasitas humanos podem ter desempenhado um papel maior do que anteriormente se acreditava. Modelos que incorporam dados climáticos também sugerem que mudanças na temperatura e precipitação na Ásia Central podem ter desencadeado o surto inicial na década de 1330. Pesquisadores no Instituto Max Planck para a Ciência da História Humana combinaram estes modelos com análises genéticas de antigos Y. pestis] DNA para rastrear a evolução da bactéria através dos continentes.

Outro achado importante dos estudos computacionais da Morte Negra diz respeito ao papel das redes comerciais.Modelos de rede mostram que a praga se espalhou mais rapidamente ao longo das rotas marítimas do que sobre a terra, contradizendo as premissas anteriores de que a Rota da Seda era o principal canal.Ao simular o fechamento de certos portos ou a aplicação de medidas de quarentena, historiadores estimaram que cidades como Veneza e Milão, que implementaram políticas rigorosas, experimentaram taxas de mortalidade significativamente menores do que aquelas que permaneceram abertas.

Pandemia de Influenza de 1918

A gripe espanhola matou cerca de 50 milhões de pessoas em todo o mundo. Modelos computacionais têm sido usados para analisar o impacto de intervenções não farmacológicas, como fechamentos escolares, proibições de encontros públicos e isolamento de casos. Um estudo utilizando um modelo compartimental para cidades dos Estados Unidos descobriu que cidades que implementaram intervenções precoces em camadas tinham taxas de mortalidade 50% menores do que aquelas que atrasaram. Modelos baseados em agentes revelaram ainda que os movimentos de jovens adultos durante a Primeira Guerra Mundial criaram eventos super-espalhamento em campos militares e navios de transporte. O Serviço de Inteligência Epidemicamente do CDC tem se baseado nestes estudos de modelagem histórica para informar planos modernos de preparação para pandemia, incluindo aqueles para COVID-19.

Os modelos de rede da pandemia de 1918 também têm revelado o papel da estrutura etária.Reconstruindo padrões de contato de inquéritos domiciliares e registros de atendimento escolar, pesquisadores descobriram que as crianças não eram apenas altamente suscetíveis, mas também atuavam como transmissores eficientes dentro dos domicílios.Esse achado desafia a narrativa de que a gripe de 1918 era exclusivamente letal para os jovens adultos; ao invés disso, a alta mortalidade na faixa etária de 20 a 40 anos foi impulsionada por uma resposta imune incomummente forte ao vírus, não pelo aumento da transmissão.

Cólera no século XIX, Londres

O surto de cólera de Broad Street, de 1854, é um exemplo clássico de investigação epidemiológica, mas modelos computacionais modernos têm acrescentado nuances. Ao digitalizar mapas históricos, dados censitários e locais de bombas de água, pesquisadores construíram modelos espaciais que mostram a doença se espalhando principalmente através de água contaminada de uma única bomba. Entretanto, modelos de rede também sugerem que conexões sociais - como servidores que transportam água para famílias mais ricas - desempenharam um papel. Esses achados têm implicações para entender como a infraestrutura urbana e a desigualdade social moldam a dinâmica da doença. Modelos espaciais-estatísticos demonstraram ainda que a pegada espacial do surto se alinha de perto com a distância de caminhada da bomba de Broad Street, apoiando a hipótese original de John Snow enquanto quantifica a incerteza em seus dados.

A Grande Praga de Londres (1665)

Um quarto estudo de caso, a Grande Praga de Londres, ilustra como modelos computacionais podem compensar dados esparsos. Os registros de paróquia de 1665 fornecem contagens semanais de enterros, mas pouco detalhe demográfico. Modelos baseados em agentes parametrizados com tamanhos domésticos, taxas de mortalidade e padrões de movimento têm sido usados para estimar o número básico de reprodução (R[[0[]] da praga em Londres. Esses modelos sugerem que o surto foi sustentado por uma combinação de transmissão rato-humano e humano-humano, e que a imposição de quarentena em domicílios infectados reduziu o pico de mortalidade em aproximadamente 20%. Tais análises informam debates sobre se as "pragas" históricas eram sempre a mesma doença que as infecções modernas Y. pestis.

Fontes de dados e desafios

A modelagem de epidemias históricas requer a reconstrução de dados muitas vezes incompletos, inconsistentes ou ambíguos. Os pesquisadores extraem de uma variedade de fontes: registros de enterro paroquial, registros fiscais, registros de navios, livros de admissão hospitalar e até mesmo relatos literários. Cada fonte tem vieses. Por exemplo, registros de enterro tipicamente desproporcionados de mortes infantis, e mortalidade por epidemias é muitas vezes conflitada com outras causas. Proxies paleoclimatológicas, como anéis de árvores e núcleos de gelo, podem fornecer dados sobre temperatura e umidade que afetam a transmissão da doença. Além disso, avanços recentes na análise de DNA antigo permitem que pesquisadores identifiquem o patógeno responsável por um surto histórico, mesmo quando registros escritos são ambíguos.

Um grande desafio é a falta de dados de séries temporais granulares. Muitos registros históricos relatam totais mensais ou anuais, que são muito grosseiros para modelar a transmissão rápida. Para lidar com isso, historiadores computacionais usam técnicas de imputação estatística e assimilação de dados emprestadas da meteorologia. Outro desafio é a incerteza nos tamanhos históricos da população e padrões de migração. Análises de sensibilidade – executando modelos com uma série de entradas plausíveis – ajudam a quantificar quão robustas são as conclusões para essas incertezas. Por exemplo, um modelo da epidemia de varíola 1520 no Império Asteca deve ser responsável pela população pré-colombiana desconhecida de Tenochtitlan; análise de sensibilidade revela se os resultados principais dependem muito dessa estimativa.

Apesar desses obstáculos, o campo avança rapidamente.A digitalização de arquivos históricos e o desenvolvimento de ferramentas de mineração de texto permitem que pesquisadores extraiam dados estruturados de documentos não estruturados.Por exemplo, algoritmos de aprendizado de máquina podem identificar automaticamente menções de surtos de doenças em jornais centenários, fornecendo novos conjuntos de dados para modelagem epidêmica. Projetos como o Historical Epidemics Database[ agregam dados de diversas fontes, facilitando o acesso e comparação de registros entre os modeladores.

Abordagens Interdisciplinares

História computacional bem sucedida de epidemias requer colaboração entre disciplinas. Historianos fornecem conhecimento contextual e crítica de fonte; epidemiologistas contribuem com o projeto de modelo e estimação de parâmetros; cientistas de computação desenvolvem algoritmos e ferramentas de visualização; e estatísticos lidam com incerteza e validação. Equipes interdisciplinares produziram alguns dos estudos mais influentes, como a reconstrução da praga espalhada ao longo da Rota da Seda usando uma combinação de dados genómicos, registros históricos e modelagem baseada em agentes.

Instituições como o Carnegie Mellon University Decision Science Lab são pioneiras nessa abordagem. Plataformas de modelagem de código aberto, como o GLEaM e o FRED, permitem que pesquisadores compartilhem e reproduzam resultados, acelerando o ritmo de descoberta.A plataforma FRED, originalmente desenvolvida na Universidade de Pittsburgh, tem sido usada para simular surtos históricos em populações virtuais que refletem a estrutura etária e a composição familiar de cidades americanas do século XIX.

A formação da próxima geração de historiadores computacionais é igualmente importante, e várias universidades oferecem agora cursos ou certificados conjuntos em humanidades digitais e saúde pública. Conferências como a Digital Humanities Summit e a Conferência Internacional sobre Ciência Social Computacional apresentam cada vez mais sessões sobre epidemias históricas, que facilitam a polinização cruzada de ideias que impulsionam a inovação metodológica.

Impacto dos Fatores Sociais e Económicos

Modelos computacionais são especialmente adequados para examinar como as condições sociais e econômicas moldam os desfechos epidêmicos. Por exemplo, durante a gripe de 1918, cidades com maiores níveis de desigualdade de renda experimentaram maior mortalidade, provavelmente porque os trabalhadores pobres não poderiam se dar ao luxo de ficar em casa. Modelos de rede que incorporam o status socioeconômico podem quantificar esse efeito, atribuindo diferentes taxas de contato a diferentes grupos. Da mesma forma, modelos da Morte Negra têm mostrado que as restrições comerciais e a construção de instalações de quarentena (lazaretos) em cidades-estados italianos reduziram o número de mortes nessas áreas, mesmo que as políticas fossem aplicadas de forma inconsistente.

Os registros históricos de surtos de peste indicam que as mulheres, que muitas vezes cuidavam dos doentes, foram desproporcionalmente afetadas, modelos baseados em agentes que simulam papéis de cuidado podem ajudar a estimar o excesso de risco, demonstrando que as epidemias não são aleatórias, seguem padrões de vulnerabilidade social que as ferramentas computacionais podem expor, e no caso da varíola na América colonial, modelos que incorporam categorias raciais mostram que as populações indígenas sofreram mortalidade catastrófica não só por falta de imunidade, mas também por causa do deslocamento forçado e da violência interromperam as práticas tradicionais de manejo de doenças.

Modelos Computacionais em Saúde Pública Moderna

Embora o objetivo principal da modelagem histórica da epidemia seja compreender o passado, as percepções muitas vezes têm relevância direta para a saúde pública contemporânea. Por exemplo, modelos da gripe de 1918 informaram planos de preparação para a pandemia de influenza e COVID-19.O achado de que intervenções não farmacológicas precoces e em camadas reduzem a mortalidade foi utilizado por muitos governos durante a pandemia de COVID-19. Da mesma forma, modelos de surtos de cólera histórica reforçaram a importância da infraestrutura de água limpa e sistemas de detecção rápida.

O campo da "filodinâmica", que combina sequenciamento genético de patógenos com modelos computacionais, permite aos pesquisadores traçar a história evolutiva de vírus ao lado de sua disseminação espacial. Esta técnica tem sido usada para reconstruir as origens do HIV e o surgimento de tuberculose resistente a drogas. Ao aplicar modelos filodinâmicos aos restos históricos do esqueleto, os pesquisadores podem agora estimar quando e onde antigas cepas de Mycobacterium tuberculosis ] circularam em populações pré-colombianas. Esses dados alimentam-se em esforços modernos de saúde pública para entender a evolução a longo prazo de patógenos e prever padrões futuros de resistência a drogas.

Instruções futuras

A próxima fronteira na história computacional das epidemias reside na integração de fontes de dados heterogêneas e na aplicação da aprendizagem de máquina. Modelos de aprendizagem profunda podem analisar textos não estruturados de milhares de documentos históricos para extrair linhas temporais de doenças e descrições de sintomas. Sistemas de informação geográfica (SIG) estão se tornando mais refinados, permitindo que pesquisadores modelem paisagens em alta resolução. Além disso, o crescimento de projetos de humanidade digital significa que mais dados estão se tornando disponíveis publicamente a cada ano.

Uma direção promissora é a criação de "gémeas digitais" de cidades históricas – réplicas virtuais que combinam reconstruções arqueológicas com dados populacionais. Estes gêmeos podem ser usados para simular a propagação de uma doença com realismo sem precedentes. Por exemplo, o projeto de Roma Virtual modela toda a cidade no momento da Praga Antonina (165–180), incluindo aquedutos, balneários e densidade habitacional. Outro é o uso da inferência Bayesiana para combinar múltiplas linhas de evidência, como dados genéticos de DNA antigo, registros escritos e proxies climáticas, em um único modelo coerente. À medida que a computação aumenta e os algoritmos melhoram, esses modelos se tornarão mais precisos e acessíveis.

No entanto, as considerações éticas permanecem. Modelos não devem ser usados para culpar retroactivamente as comunidades por surtos, nem devem reforçar narrativas determinísticas. Historianos e modeladores devem ser transparentes sobre pressupostos e limitações. O objetivo não é produzir uma única história "verdadeira", mas abrir novas questões e fornecer ferramentas para a exploração. Em particular, deve ser dada atenção cuidadosa ao risco de presenteismo – projetando categorias modernas de raça, classe ou gênero em populações históricas de formas que distorçam a análise.

Conclusão

A história computacional transformou a forma como estudamos a disseminação de epidemias históricas. Ao combinar o rigor da modelagem com a profundidade da análise histórica, os pesquisadores podem descobrir dinâmicas que antes estavam escondidas. Modelos de agentes, compartimentais, de rede e espaciais cada um oferece insights únicos, e estudos de caso da Black Death à gripe de 1918 demonstram seu poder. Desafios de dados persistem, mas a colaboração interdisciplinar e avanços tecnológicos continuam a impulsionar o campo. À medida que enfrentamos novas ameaças globais à saúde, as lições de modelos computacionais do passado não são apenas acadêmicas – são ferramentas essenciais para construir um futuro mais saudável.