Skip to main content
NCBI home page
Revista de Saúde Pública logoLink to Revista de Saúde Pública
. 2024 Feb 21;58:06. doi: 10.11606/s1518-8787.2024058005413
View full-text in Portuguese

Inefficacious drugs against covid-19: analysis of sales, tweets, and search engines

Irineu de Brito Junior I,II, Flaviane Azevedo Saraiva III, Nathan de Campos Bruno I, Roberto Fray da Silva IV, Celso Mitsuo Hino III, Hugo Tsugunobu Yoshida Yoshizaki II,III
PMCID: PMC10926985  PMID: 38422280

ABSTRACT

OBJECTIVE

Assess the correlation between the sales of two drugs with no proven efficacy against covid-19, ivermectin and chloroquine, and other relevant variables, such as Google® searches, number of tweets related to these drugs, number of cases and deaths resulting from covid-19.

METHODS

The methodology adopted in this study has four stages: data collection, data processing, exploratory data analysis, and correlation analysis. Spearman’s method was used to obtain cross-correlations between each pair of variables.

RESULTS

The results show similar behaviors between variables. Peaks occurred in the same or near periods. The exploratory data analysis showed shortage of chloroquine in the period corresponding to the beginning of advertising for the application of these drugs against covid-19. Both drugs showed a high and statistically significant correlation with the other variables. Also, some of them showed a higher correlation with drug sales when we employed a one-month lag. In the case of chloroquine, this was observed for the number of deaths. In the case of ivermectin, this was observed for the number of tweets, cases, and deaths.

CONCLUSIONS

The results contribute to decision making in crisis management by governments, industries, and stores. In times of crisis, as observed during the covid-19 pandemic, some variables can help sales forecasting, especially Google® and tweets, which provide a real-time analysis of the situation. Monitoring social media platforms and search engines would allow the determination of drug use by the population and better prediction of potential peaks in the demand for these drugs.

Keywords: Social Media, Chloroquine, Ivermectin, Covid-19, Search Engine, Infodemic, Pandemic, SARS-CoV-2

INTRODUCTION

The covid-19 pandemic was declared a public health crisis by the World Health Organization in early March 2020. The disease caused millions of deaths around the world1. In the first two years of the pandemic, social and conventional media, as well as official bodies, mentioned several potential treatments for the disease without proven evidence of efficacy1,2. This information generated confusion among the population and an artificial increase on the demand for various pharmaceutical products3 for the potential treatment of covid-192,4.

Information shared on social media related to uncertainties and unavailability of drugs contributed to the development of panic buying behavior among consumers during this period5, who mostly bought grocery items and, in some cases, drugs for potential treatments, causing a shortage of these products3,6. Many drugs advertised on social media platforms, such as Twitter®, have no proven evidence of efficacy against covid-197. The inefficacious drugs promoted by official bodies2 included chloroquine and hydroxychloroquine (collectively referred to as “chloroquine” in this study) and ivermectin.

At the beginning of the pandemic, the Federal Government of Brazil recommended and distributed these drugs2 as an early treatment, in the so-called “Covid Kit.” This action, based on speculations that these drugs could prevent or treat the disease, was adopted without scientific studies demonstrating their efficacy8. The use of these products can cause health problems, both due to their side effects and the shortage to patients with prescribed use, as the sudden increase in demand led to a shortage of these drugs3.

The study period was from January 2020 to December 2021, which includes moments before the pandemic. This study analyzed data from Brazil only. It aimed to answer the following questions: 1) Did the monthly retail sales volumes of ivermectin and chloroquine correlate with trends on Google® search engine and the number of posts on Twitter®?; and 2) Did the monthly retail sales of these products correlate with the number of cases or deaths from covid-19?

Data about tweets, Google® searches (through Google Trends), and number of cases and deaths in Brazil were obtained and processed, in addition to monthly sales (provided by IQVIA®) of chloroquine and ivermectin. In the subsequent stages of this study, exploratory and correlation analyses were conducted.

Similar statistical methods to those used in our study, including exploratory analysis, autocorrelation, and Spearman’s correlation, have been used in studies on drugs and social media to analyze correlations with sales and false and malicious information about the pandemic2,3,9-11.

Other studies have used data from Google Trends to evaluate sales of hydroxychloroquine and ivermectin8 in the United States and Canada, as well as chloroquine, remdesivir, paracetamol, and ibuprofen in Australia, Germany, Italy, Spain, the United Kingdom, and the United States9. Other studies used search engines in conjunction with e-commerce sales data to evaluate sales behavior after statements on Twitter by influential people abroad supporting the use of chloroquine12,13. Some studies8,14,15 used IQVIA® data as a source of information on product sales during the pandemic. Studies about the pandemic in Brazil using a similar approach assessed the use of these drugs during the pandemic, their adverse effects10, and the impact on their prices14.

However, none of these studies considered the volume of drugs sold over the entire study period studied (two years). Also, most of them focused on just one drug, which resulted in a limited view of panic buying of drugs without proven evidence of efficacy against covid-19.

The main contribution of this study is that it provides information to support the decision-making process in crisis management by both government agents and drug supply chain managers by using tools that can anticipate sales or detect panic buying behavior induced by social media.

This article has six sections. The introduction describes the context, motivations, and objectives of this study. The second section briefly addresses the importance and use of drugs analyzed in this study. The third section describes the study methods. The results and discussions are presented in the fourth and fifth sections, respectively. The last section contains conclusions, study limitations, and suggestions for future studies.

Chloroquine and ivermectin: importance and use

Chloroquine is an anti-inflammatory drugs used to treat various conditions, including malaria, rheumatoid arthritis, and lupus erythematosus2. Chloroquine and hydroxychloroquine are similar drugs. The main difference between them is the slightly modified molecular structure of hydroxychloroquine, which can result in improved efficacy and fewer side effects, allowing its use in smaller doses and longer periods when compared to chloroquine16.

Ivermectin is an antiparasitic drug used to treat infections caused by worms and other parasites17, such as scabies and onchocerciasis18.

METHODS

The study method has four stages: 1) data collection; 2) data processing; 3) exploratory analysis; and 4) correlation analyses between data. Data about chloroquine and ivermectin were processed and analyzed separately. The following Python packages were used in this study: TWINT, NumPy, Pandas, Matplotlib, SciPy, Seaborn, Statsmodels, and Scikit-learn.

In the first stage, data were collected from January 1, 2020 to December 31, 2021 from four sources, as described below:

  1. Number of tweets in Portuguese, containing keywords related to the active ingredient and commercial names related to chloroquine (hydroxychloroquine, hidroxicloroquina, chloroquine, cloroquina, diclokin, quinacris, plaquinol, and reuquinol), and ivermectin (ivermectin, ivermectina, revectina, iverlat, and vermectil);

  2. Number of searches per week in Brazil on Google®, using the Google Trends platform and the terms chloroquine and ivermectin. This platform shows the evolution of terms searched on Google®, according to the location and period specified by the user8. Search tools, such as Google®, were used by the population to obtain information related to potential drugs and treatments for covid-19;

  3. Daily cases and deaths of covid-19in Brazil, based on the database provided by the University of Oxford19;

  4. Monthly retail sales of chloroquine and ivermectin in Brazil according to IQVIA®, a leading global provider of advanced analytics and clinical research20.

In the second stage, all variables were grouped by month because the sales volume was monthly. Due to sales data confidentiality, all data were normalized according to the MinMax standardization, in which the minimum value of each series is transformed into 0 and the maximum value is transformed into 1.

In the third stage, exploratory data analyses were conducted. The time series were plotted on graphs for visual analysis of the relationship between the sales volume of each drug and the other variables. The autocorrelation function (ACF) and partial autocorrelation function (PACF) were applied to explore the relationship between previous and subsequent values of the dataset over time.

ACF measures the correlation between past and future values in a time series, showing the degree of linear dependence of data, while PACF measures the direct correlation between an observation and its previous values, without the influence of intermediate observations. In the case of time series of monthly sales of drugs, the use of ACF and PACF identifies whether sales: 1) are influenced by previous months; and 2), if so, whether they are influenced by several previous months (ACF) or only by the previous month (PACF).

These analyses were conducted using correlograms21, which display significant correlations in the data series to identify the existence of serial dependence. Although the dataset is small (24 months), these analyses were essential for the identification of potential trends in the data.

In the last stage, cross-correlation analyses were performed. Using the Shapiro-Wilk22 test, data normality was analyzed. Scatter plots were used for linearity analysis. Based on these results, Spearman’s correlation was used to measure the correlation between the variables. Cross-correlation10 was then applied to analyze the relationship between the sales of each drug, assuming time lags of zero to three months for each of the variables analyzed in relation to the sales volume.

RESULTS

This section contains the results obtained after applying the methods explained above. For a better interpretation, the results are presented separately for chloroquine and ivermectin.

Chloroquine

Figure 1 shows the different time series analyzed in relation to the volume of chloroquine sales. The peak sales (dashed line) occurred in March 2021, as well as the peak in number of cases (Figure 1c) and deaths (Figure 1d) due to covid-19. On the other hand, Google® searches (Figure 1a) and the number of tweets (Figure 1b) showed peaks in May 2020, still in the initial phase of the pandemic, indicating a similar behavior to panic buying6. This was mainly related to the euphoria of some world leaders, and chloroquine was introduced as an easy solution to the health crisis23. However, as noted above, there was no scientific evidence of its efficacy.

Figure 1. Chloroquine sales, Google® searches, number of related tweets, cases and deaths (normalized data).

Figure 1

Open in a new tab

At the beginning of the pandemic, there was a global shortage of chloroquine14,24, which is illustrated in Figure 1, between March and August 2020 the vertical line at 08/20 identifies the end of the period). According to scientific articles, media news, and information obtained from drug manufacturers in Brazil and in countries such as the United States, Canada, the United Kingdom, Australia, India, and Pakistan, these shortages occurred until July 202025-28. After that, manufacturers were able to fulfill the orders for the retail market. Therefore, due to the occurrence of these shortages, the exploratory and correlation analyses considered the period from August 1, 2020 to December 31, 2021.

The ACF and PACF analyses demonstrated an autocorrelation between the one-month lag and the series of the number of cases and deaths. The series of sales, Google® searches, and number of tweets for chloroquine did not show autocorrelation.

Next, the Shapiro-Wilk test was applied to evaluate the assumption of data normality. The results showed that only the case series had a normal distribution (95% confidence level). The other series did not fulfill this assumption. According to the scatter plots between pairs of data series, the linearity condition was not met. For these reasons, the Spearman’s test was selected to analyze the correlations between the variables in the next stage.

Cross-correlation was used to investigate the relationship between chloroquine sales and other variables, assuming different time lags. All correlations were positive. The results indicated that, in some cases, the value of the correlation with lags in the sales variable was higher than that between the original series.

Table 1 shows that the best correlation (0.7903) between chloroquine sales and deaths (right column) occurs when considering a one-month lag at a 99.9% confidence level. In other words, a stronger correlation was observed when comparing deaths to chloroquine sales in the previous month than in the same month.

Table 1. Spearman’s correlation between each variable and chloroquine sales considering zero to three-time lags.

Sales lags (months) Google® searches Tweets Cases Deaths
0 0.8833* 0.8167* 0.8179* 0.7002**
1 0.6325** 0.5784* 0.7932* 0.7903*
2 0.5722*** 0.5607*** 0.6250*** 0.6821**
3 0.4558 0.4286 0.6264*** 0.6088***
Open in a new tab

Correlation meanings: *0.001; **0.01; ***0.05 (bivariate).

For the variables of Google® searches, number of tweets, and cases, the best correlation with chloroquine sales occurred between the original series without lags (Table 1). Google® search variable showed the highest correlation with chloroquine sales (0.8833), but the numbers of tweets, cases, and deaths also showed positive and statistically significant correlations (99% confidence level).

Ivermectin

Figure 2 shows the series of sales, number of tweets, and Google® searches related to ivermectin, cases, and deaths. As in the case of chloroquine, the peak in ivermectin sales was observed in March 2021, coinciding with the peak number of tweets related to the drug. Regarding Google® search results, the peak was in July 2020.

Figure 2. Ivermectin sales, Google® searches, number of related tweets, cases and deaths (normalized data).

Figure 2

Open in a new tab

In the case of ivermectin, no news or scientific articles were identified reporting a shortage in the retail market. It was also not observed in the sales data.

Then, the autocorrelation of the ivermectin-related series was assessed. The series of Google® searches and the number of tweets presented autocorrelation with a one-month lag. Ivermectin sales, however, showed a significant lag only in direct autocorrelation (PACF) with a one-month lag.

The variables of number of tweets and Google® searches related to ivermectin did not present a normal distribution during the study period – no linear relationship with sales, as assessed using the Shapiro-Wilk test and scatter plots, respectively.

Table 2 shows the results of the cross-correlation between the variables, considering time lags of zero to three months. Stronger correlations were observed for the number of tweets, cases, and deaths with a one-month lag in the sales variable (99% confidence level).

Table 2. Spearman’s correlation between each variable and ivermectin sales considering zero to three-time lags.

Sales lags (months) Google® searches Tweets Cases Deaths
0 0.9100* 0.6626* 0.7461* 0.7054*
1 0.6822* 0.7490* 0.8607* 0.8202*
2 0.3068 0.5968** 0.8227* 0.7549*
3 -0.1436 0.3753 0.6649** 0.5675**
Open in a new tab

Correlation meanings: *0.001; **0.01; ***0.05 (bivariate).

Only the variable of Google® searches showed a higher correlation (0.9100) when considering the original series of ivermectin sales. As seen with chloroquine, the variable with the highest correlation with ivermectin sales was Google® searches.

Table 2 shows the relationship between the variables and does not guarantee the existence of causality. Several factors may have caused time lag, including the delay in reporting cases and deaths, as indicated in Brazilian news and studies on disease monitoring29.

DISCUSSION

A significant positive correlation (at least 95% confidence) was observed between sales and all variables analyzed (Google® searches, number of tweets, cases, and deaths), lags of zero or one month (Tables 1 and 2), and both drugs. In particular, Google® searches consistently demonstrated the highest correlation with sales, always with zero lag, for both chloroquine and ivermectin, with correlations of 0.8833, 0.9100, and 99.9% confidence. Therefore, this variable seems to be an excellent indicator for sales variations.

The number of tweets also presented a high positive correlation with sales, but the highest correlations were observed at different moments for chloroquine and ivermectin: zero lag (0.8167) and one-month lag (0.7469), respectively, both with 99.9% confidence level. For ivermectin, the correlation with sales for zero lag is relatively high (0.6626) and significant (99.9%). Therefore, the number of tweets is a good indicator of sales variation and can be used with Google® searches. However, the different lags (between the two drugs) for the highest correlation suggest the number of tweets should be considered more carefully.

For the variable of the number of deaths, the best correlation for both drugs has been observed with a one-month lag (0.7903 and 0.8202) at 99.9% confidence level. For the variable of the number of cases, similarly to the number of tweets, the best correlation for chloroquine was observed with no lag (0.8179), while for ivermectin, it was observed with a one-month lag (0.8607), both at 99.9% confidence level.

The fact that all correlations are positive seems to support a relation between the variables and sales; that is, when any variable grows, sales also increase.

From a drug supply chain perspective, the variables of Google® search and the number of tweets provide a real-time assessment of the situation that helps anticipate demand and speed up the decision-making process30 in the epidemiological management of the disease. The variables traditionally used for this purpose (numbers of cases and deaths) are reported after their occurrence31, not allowing their proactive use.

Google Trends provides the number of searches on Google® and it is easy to use – the user simply types the search term, the desired period, and the region or location of interest). However, specific computer programs are required to obtain the number of tweets.

Thus, monitoring Google® searches and the number of tweets would allow estimating potential peaks in the demand for inefficacious drugs in a future pandemic, which would allow actions to avoid shortages for users who actually need these drugs, as occurred with chloroquine. Such actions could be the temporary requirement of medical prescriptions, removal of the drug from internet sales platforms, or limitation of the amount sold per customer.

Academic publications reported the behavior of famous people who, through social or conventional media, promoted the use of inefficacious drugs against covid-1913, causing an increase in the search for chloroquine in the United States when compared to other countries in Europe and Oceania9, and Canada8. It increased the sales of these products locally12. In Brazil, constant statements and posts by the president about drugs generated misinformation and boosted search for such medations1,32.

As a suggested process, public health agents could adopt the following measures in similar pandemic situations: (1) identify important people to disseminate true information on conventional and social media; (2) monitor the number of messages related to the topic on social media, considering both the total number of posts and the posts by the important people identified in item 1; (3) monitor the number of searches related to the topic conducted in relevant search tools; and (4) use the methods applied in this study (Spearman’s correlation, cross-correlation with multiple lags, exploratory analysis, and autocorrelation) to compare the evolution of the disease with other time series (such as drug sales, cases, deaths, number of searches, and number of messages).

These measures would help identify: (1) a potential increase in demand in real-time; (2) potential panic buying behavior, allowing better supply of the product by the supply chain; and (3) new trends regarding demands for the drugs in question. Together, these aspects can support an adequate planning and adoption of strategies by supply chain management agents to mitigate a shortage of drugs, which is essential for patients who actually need these drugs.

CONCLUSIONS

Chloroquine and ivermectin were two drugs indicated at the beginning of the pandemic for the treatment of covid-19, although there were no scientific studies that proved their efficacy. Due to the influence of social media, conventional media, and government agents2,4, many people from different countries around the world used these drugs.

This article analyzed the existence of a correlation between the volume of monthly retail sales of these drugs in Brazil with the following variables: Google® searches, the number of tweets related to these drugs, and the numbers of cases and deaths by covid-19 during the first two years of the pandemic in Brazil.

The main contribution of this study refers to the high correlation of the variables analyzed. In times of crisis, as observed during the pandemic, they were able to assist sales forecasting, in particular Google® and tweets, which provide a real-time analysis of the situation. For other variables (cases and deaths), this correlation was stronger, when considering a time lag in the sales variable, which makes them less adequate for a forecasting study.

These results also point to a stronger need for the development of crisis management actions on social media, due to its relationship with consumer behavior. Monitoring social media platforms and the evolution of searches on search engines provides a better prediction of potential peaks in demand, allowing better supply planning by supply chain agents. The importance of considering the impact of traditional and social media on consumer behavior, especially in times of crisis, is highlighted in this study.

The main study limitations include: (1) the study period is restricted to 24 months, not allowing seasonality analysis over a longer period; and (2) the fact that the content and sentiment of tweets were not analyzed. Data generated contain tweets that are both for and against the use of these drugs. Therefore, future studies should consider sentiment and content analysis of tweets to improve sales forecasting models.

Footnotes

Funding: National Council for Scientific and Technological Development (CNPq – Processos 404803/2021-0 and 313687/2019-6).

REFERENCES

  • 1.Fonseca EM, Nattrass N, Lazaro LL, Bastos FI. Political discourse, denialism and leadership failure in Brazil’s response to COVID-19. Glob Public Health. 2021;16(8-9):1251–1266. doi: 10.1080/17441692.2021.1945123. [DOI] [PubMed] [Google Scholar]
  • 2.Furlan L, Caramelli B. The regrettable story of the “Covid Kit” and the “Early Treatment of Covid-19” in Brazil. Lancet Reg Heal – Am. 2021 Dec;4:100089. doi: 10.1016/j.lana.2021.100089. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 3.Fittler A, Adeniye L, Katz Z, Bella R. Effect of infodemic regarding the illegal sale of medications on the internet: evaluation of demand and online availability of ivermectin during the COVID-19 pandemic. Int J Environ Res Public Health. 2021 Jul;18(14):7475. doi: 10.3390/ijerph18147475. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 4.Alves L. Brazilian ICUs short of drugs and beds amid COVID-19 surge. Lancet. 2021 Apr;397(10283):1431–1432. doi: 10.1016/S0140-6736(21)00836-9. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 5.Naeem M. Do social media platforms develop consumer panic buying during the fear of Covid-19 pandemic. J Retail Consum Serv. 2021 Jan;58:102226. doi: 10.1016/j.jretconser.2020.102226. [DOI] [Google Scholar]
  • 6.Brito I, Junior, Yoshizaki HT, Saraiva FA, Bruno ND, Silva RF, Hino CM, et al. Panic buying behavior analysis according to consumer income and product type during COVID-19. Sustainability (Basel) 2023 Jan;15(2):1228. doi: 10.3390/su15021228. [DOI] [Google Scholar]
  • 7.Desai AN, Ruidera D, Steinbrink JM, Granwehr B, Lee DH. Misinformation and Disinformation: The Potential Disadvantages of Social Media in Infectious Disease and How to Combat Them. Clin Infect Dis. 2022 May;74(Suppl_3):e34–e39. doi: 10.1093/cid/ciac109. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 8.Ho M, Tadrous M, Iacono A, Suda K, Gomes T. Outpatient purchasing patterns of hydroxychloroquine and ivermectin in the USA and Canada during the COVID-19 pandemic: an interrupted time series analysis from 2016 to 2021. J Antimicrob Chemother. 2022 Dec;78(1):242–251. doi: 10.1093/jac/dkac382. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 9.Badell-Grau RA, Cuff JP, Kelly BP, Waller-Evans H, Lloyd-Evans E. Investigating the prevalence of reactive online searching in the COVID-19 pandemic: infoveillance study. J Med Internet Res. 2020 Oct;22(10):e19791. doi: 10.2196/19791. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 10.Hentschke-Lopes M, Botton MR, Borges P, Freitas M, Mancuso AC, Matte U. Sales of “COVID kit” drugs and adverse drug reactions reported by the Brazilian Health Regulatory Agency. Cad Saude Publica. 2022 Jul;38(7):e00001022. doi: 10.1590/0102-311xen001022. [DOI] [PubMed] [Google Scholar]
  • 11.Oh O, Agrawal M, Rao HR. Community intelligence and social media services: a rumor theoretic analysis of tweets during social crises. Manage Inf Syst Q. 2013;37(2):407–426. doi: 10.25300/MISQ/2013/37.2.05. [DOI] [Google Scholar]
  • 12.Niburski K, Niburski O. Impact of Trump’s promotion of unproven COVID-19 treatments and subsequent internet trends: observational study. J Med Internet Res. 2020 Nov;22(11):e20044. doi: 10.2196/20044. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 13.Liu M, Caputi TL, Dredze M, Kesselheim AS, Ayers JW. Internet searches for unproven COVID-19 therapies in the United States. JAMA Intern Med. 2020 Aug;180(8):1116–1118. doi: 10.1001/jamainternmed.2020.1764. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 14.Paiva AM, Pinto AW, Cançado BL, Chequer FM, Pereira ML, Baldoni AO. Effect of “therapeutic promises” on drug prices in times of pandemic. J Heal Biol Sci. 2020 Sep;8(1):1. doi: 10.12662/2317-3076jhbs.v8i1.3407.p1-5.2020. [DOI] [Google Scholar]
  • 15.Geller AI, Lovegrove MC, Lind JN, Datta SD, Budnitz DS. Assessment of outpatient dispensing of products proposed for treatment or prevention of COVID-19 by US retail pharmacies during the pandemic. JAMA Intern Med. 2021 Jun;181(6):869–872. doi: 10.1001/jamainternmed.2021.0299. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 16.Yusuf IH, Sharma S, Luqmani R, Downes SM. Hydroxychloroquine retinopathy. Eye (Lond) 2017 Jun;31(6):828–845. doi: 10.1038/eye.2016.298. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 17.Mittal N, Mittal R. Inhaled route and anti-inflammatory action of ivermectin: do they hold promise in fighting against COVID-19? Med Hypotheses. 2021 Jan;October 2020;146:110364. doi: 10.1016/j.mehy.2020.110364. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 18.Mega ER. Embrace of unproven Covid treatment hinders drug trials. Nature. 2020;586:481–482. doi: 10.1038/d41586-020-02958-2. [DOI] [PubMed] [Google Scholar]
  • 19.Mathieu E, Ritchie H, Rodés-Guirao L, Appel C, Giattino C, Hasell J, et al. [cited 2022 Nov 4];Coronavirus pandemic (COVID-19) 2022 https://ourworldindata.org/coronavirus#explore-the-global-situation [Google Scholar]
  • 20.IQVIA [cited 2023 Jan 9];IQVIA Brasil. 2023 https://www.iqvia.com/pt-br/locations/brazil [Google Scholar]
  • 21.Alsharef A, Aggarwal K, Sonia, Kumar M, Mishra A. Review of ML and AutoML solutions to forecast time-series data. Arch Comput Methods Eng. 2022;29(7):5297–5311. doi: 10.1007/s11831-022-09765-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 22.Hair JF, Black WC, Babin BJ, Anderson RE, Tatham RL. Análise multivariada de dados. 6th. Porto Alegre: Bookman; 2009. [Google Scholar]
  • 23.Lima CA, Calazans J HC, Dantas IH. (Des)Informação em câmaras de eco do Twitter: disputas sobre a cloroquina na pandemia da Covid-19. Rev Obs. 2020 Oct 1;6(6):1–27. doi: 10.20873/uft.2447-4266.2020v6n6a5pt. [DOI] [Google Scholar]
  • 24.Badreldin HA, Atallah B. Global drug shortages due to COVID-19: impact on patient care and mitigation strategies. Res Social Adm Pharm. 2021 Jan;17(1):1946–1949. doi: 10.1016/j.sapharm.2020.05.017. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 25.Salahuddin M, Manzar D, Unissa A, Pandi-Perumal SR, BaHammam AS. The global shortage of essential drugs during the COVID-19 pandemic: evidence based on aggregated media and social media reports. J Nat Sci Med. 2022;5:23–28. doi: 10.4103/jnsm.jnsm_61_21. [DOI] [Google Scholar]
  • 26.Watanabe P, Pamplona N. Pacientes que usam hidroxicloroquina já não acham o remédio nas farmácias. [citado 2022 Oct 12];Folha de São Paulo. 2020 Mar 19; https://www1.folha.uol.com.br/equilibrioesaude/2020/03/pacientes-que-usam-hidroxicloroquina-ja-nao-acham-o-remedio-em-farmacias.shtml [Google Scholar]
  • 27.Preite W., Sobrinho . Com alta na procura, preço dispara e cloroquina some das farmácias. IDEC; May 26, 2020. [cited 2022 Oct 12]. https://idec.org.br/idec-na-imprensa/com-alta-na-procura-preco-dispara-e-cloroquina-some-das-farmacias [Google Scholar]
  • 28.Andrade A, Lemos R. Levantamento do G1 aponta falta de hidroxicloroquina em farmácias da Zona da Mata e Vertentes. [cited 2022 Oct 12];G1. 2020 Jul 20; https://g1.globo.com/mg/zona-da-mata/noticia/2020/07/20/levantamento-do-g1-aponta-falta-de-hidroxicloroquina-em-farmacias-da-zona-da-mata-e-vertentes.ghtml [Google Scholar]
  • 29.Carvalho CA, Carvalho VA, Campos MA, Oliveira BL, Diniz EM, Santos AM, et al. Delay in death reporting affects timely monitoring and modeling of the COVID-19 pandemic. Cad Saude Publica. 2021 Aug;37(7):e00292320. doi: 10.1590/0102-311x00292320. [DOI] [PubMed] [Google Scholar]
  • 30.Xavier F, Olenscki JR, Acosta AL, Sallum MA, Saraiva AM. Análise de redes sociais como estratégia de apoio à vigilância em saúde durante a Covid-19. Estud Av. 2020 Aug;34(99):261–282. doi: 10.1590/s0103-4014.2020.3499.016. [DOI] [Google Scholar]
  • 31.Moura EC, Cortez-Escalante J, Cavalcante FV, Barreto IC, Sanchez MN, Santos LM. Covid-19: evolução temporal e imunização nas três ondas epidemiológicas, Brasil, 2020–2022. Rev Saude Publica. 2022 Nov;56:105. doi: 10.11606/s1518-8787.2022056004907. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 32.Harb M P, Veiga e Silva L, Vijaykumar N, Silva MS, Frances CRL. The COVID-19 infodemic in Brazil: trends in Google search data. PeerJ. 2022 Aug 4;10:e13747. doi: 10.7717/peerj.13747. eCollection 2022. [DOI] [PMC free article] [PubMed] [Google Scholar]
Rev Saude Publica. 2024 Feb 21;58:06. [Article in Portuguese]

Medicamentos ineficazes contra covid-19: análise de vendas, tweets e mecanismos de busca

Irineu de Brito Junior I,II, Flaviane Azevedo Saraiva III, Nathan de Campos Bruno I, Roberto Fray da Silva IV, Celso Mitsuo Hino III, Hugo Tsugunobu Yoshida Yoshizaki II,III

RESUMO

OBJETIVO

Investigar a correlação entre as vendas de dois medicamentos sem eficácia comprovada no tratamento de covid-19, ivermectina e cloroquina, e outras variáveis relevantes: pesquisas no Google®, número de tweets relacionados aos medicamentos, casos e óbitos decorrentes da covid-19.

MÉTODOS

A metodologia adotada neste estudo se divide em quatro partes: coleta de dados; processamento dos dados; análise exploratória; e análise de correlação. Foi utilizado o método de Spearman para obter as correlações cruzadas entre cada par de variáveis.

RESULTADOS

Os resultados mostram similaridade entre os comportamentos das variáveis. Os picos ocorreram em períodos iguais ou próximos. A análise exploratória dos dados apontou que houve falta de cloroquina no período correspondente ao início das divulgações sobre a aplicação desses medicamentos para o tratamento da covid-19. Ambos os medicamentos apresentaram correlação alta e estatisticamente significativa com as demais variáveis analisadas. Também foi observado que algumas delas apresentaram maior correlação com as vendas de medicamentos quando assumiram defasagem temporal de um mês. No caso da cloroquina, isso ocorreu com a variável óbitos. No caso da ivermectina, ocorreu com as variáveis número de tweets, casos e óbitos.

CONCLUSÕES

Os resultados observados contribuem para a tomada de decisão durante a gestão de crises por parte de governo, indústrias e comércios. Em momentos de crises, como observado durante a pandemia, as variáveis mostraram que são capazes de auxiliar na previsão de vendas, em especial o Google® e os tweets, que proporcionam uma análise em tempo real da situação. Acompanhar as redes sociais e mecanismos de busca permitiria detecção de uso pela população e melhor previsão de potenciais picos de demanda desses medicamentos.

Keywords: Mídias Sociais, Cloroquina, Ivermectina, Covid-19, Ferramenta de Busca, Infodemia, Pandemia, SARS-CoV-2

INTRODUÇÃO

A pandemia de covid-19 foi uma crise de saúde pública oficializada pela Organização Mundial da Saúde no início de março de 2020. A doença foi responsável por milhões de óbitos em todo o mundo1. Nos dois primeiros anos da pandemia, mídias sociais e convencionais, bem como organismos oficiais citaram diversos tratamentos potenciais para a doença sem garantia de eficácia cientificamente comprovada1,2. O compartilhamento desse tipo de informação gerou confusão na população e um aumento artificial na demanda de vários produtos farmacêuticos3 para o potencial tratamento da covid-192,4.

O compartilhamento de informações em mídias sociais relacionadas a incertezas e à indisponibilidade de produtos contribuiu para o desenvolvimento do comportamento de compras em pânico nos consumidores do período5. Estudos constataram a ocorrência dessas compras em itens de mercearia4,7 e, em alguns casos, em medicamentos relacionados a esses tratamentos, ocasionando a falta deles3,6. Muitos dos medicamentos divulgados em redes sociais, como o Twitter®, não possuem eficácia cientificamente comprovada para tratamento da covid-197. Entre os medicamentos ineficazes promovidos por órgãos oficiais2, destacam-se a cloroquina e a hidroxicloroquina (avaliados conjuntamente neste trabalho sob o termo “cloroquina”) e a ivermectina.

No início da pandemia, o Governo Federal do Brasil recomendou e distribuiu esses medicamentos2 como forma de tratamento precoce, no chamado “Kit covid”. Essa ação, baseada em especulações de que as medicações poderiam prevenir ou tratar precocemente a doença, foi adotada sem estudos científicos rigorosos que comprovassem sua eficácia8. O uso desses produtos pode gerar problemas de saúde, tanto por seus efeitos colaterais quanto pelo desabastecimento aos pacientes com uso prescrito, pois o aumento súbito da demanda gerou a falta desses fármacos3.

O período analisado foi de janeiro de 2020 até dezembro de 2021, o que inclui momentos anteriores à pandemia. Foram utilizados dados referentes ao Brasil. O objetivo deste trabalho é responder às seguintes perguntas de pesquisa: 1) Os volumes mensais de vendas no varejo de ivermectina e de cloroquina correlacionaram-se com as tendências de pesquisas na plataforma Google® e com o número de mensagens na rede social Twitter®?; e 2) os volumes mensais de vendas no varejo desses produtos correlacionaram-se com casos e/ou óbitos por covid-19?

Foram obtidos e tratados dados sobre tweets, buscas no Google® (por meio da ferramenta Google Trends), casos e óbitos no Brasil, além de as vendas mensais (providos pela IQVIA®) de cloroquina e ivermectina. Nas etapas posteriores do trabalho foram realizadas análises exploratórias e de correlação.

Métodos estatísticos similares ao nosso trabalho, englobando análises exploratórias, autocorrelação e correlação de Spearman, aparecem em estudos sobre medicamentos e redes sociais para analisar as correlações com vendas e informações falsas e mal-intencionadas sobre a pandemia2,3,9.

Outros trabalhos utilizaram dados do Google Trends para avaliar vendas de hidroxicloroquina e ivermectina8 nos EUA e Canadá, assim como de cloroquina, remdesivir, paracetamol e ibuprofeno na Australia, Alemanha, Itália, Espanha, Reino Unido e EUA 9. Outros estudos empregaram mecanismos de busca em conjunto, com dados de vendas de e-commerce para avaliar o comportamento de vendas após declarações favoráveis, no Twitter, ao uso de cloroquina por pessoas influentes no exterior12,13. Alguns trabalhos8,14,15 utilizaram dados do IQVIA® como fonte de informação sobre vendas de produtos durante a pandemia. Estudos sobre o Brasil, com abordagem similar, foram publicados avaliando os impactos da utilização desses produtos durante a pandemia, analisando os efeitos adversos10 e o impacto nos preços desses medicamentos14.

No entanto, nenhum daqueles trabalhos considerou as vendas ao longo de todo o período estudado (dois anos). Ademais, a maioria deles focou somente um produto, o que resultou em uma visão limitada de compras em pânico dos medicamentos sem eficácia comprovada para o tratamento de covid-19.

A principal contribuição deste trabalho é fornecer informações que auxiliem o processo de tomada de decisão durante a gestão de crises tanto por parte de agentes de governo como de gestores de cadeias de suprimentos de medicamentos, ao demonstrar ferramentas capazes de antecipar vendas ou detectar comportamento de compras em pânico por indução das mídias sociais.

Este texto está organizado em seis seções. A introdução contextualiza e descreve as motivações e objetivos da pesquisa. A segunda seção aborda, sucintamente, a importância e o uso dos medicamentos que compõem o objeto do estudo. A terceira descreve a metodologia utilizada. Os resultados e discussões são apresentados na quarta e na quinta, respectivamente. A última seção contém conclusões, limitações e recomendações para pesquisas futuras.

Cloroquina e ivermectina: importância e uso

A cloroquina é um medicamento antimalárico e anti-inflamatório utilizado em diversas condições, incluindo malária, artrite reumatoide e lúpus eritematoso2. A cloroquina e a hidroxicloroquina são medicamentos similares. A principal diferença entre os dois é a estrutura molecular ligeiramente modificada apresentada pela hidroxicloroquina, o que pode resultar em maior eficácia e menores efeitos colaterais, além de ser usada em doses menores e por períodos mais longos do que a cloroquina16.

A ivermectina é um medicamento antiparasitário utilizado para tratar infecções por vermes e outros parasitas17, como sarna, escabiose e oncocercose18.

MÉTODOS

A metodologia tem quatro etapas: 1) coleta de dados; 2) processamento de dados; 3) análise exploratória; e 4) análises de correlação entre os dados. Os dados de cloroquina e ivermectina foram processados e analisados separadamente. Os seguintes pacotes em Python foram utilizados neste trabalho: TWINT, NumPy, Pandas, Matplotlib, SciPy, Seaborn, Statsmodels e Scikit-learn.

Na primeira etapa, dados de quatro fontes foram coletados para o período de 01/01/2020 a 31/12/2021:

  1. Número de tweets, em português, contendo palavras-chave relativas ao princípio ativo e nomes comerciais relacionados à cloroquina (hydroxychloroquine, hidroxicloroquina, cloroquina, chloroquine, diclokin, quinacris, plaquinol e reuquinol) e à ivermectina (ivermectina, ivermectin, revectina, iverlat e vermectil);

  2. Número de pesquisas no Google®, utilizando a plataforma Google Trends, com os termos “cloroquina” e “ivermectina” no Brasil, por semana. Essa plataforma mostra a evolução de termos pesquisados no Google®, conforme a localização e o período especificados pelo usuário8. Ferramentas de pesquisa, como o Google®, foram utilizadas pela população para obter informações relacionadas aos potenciais medicamentos e tratamentos para covid-19;

  3. Casos e óbitos diários de covid-19 no Brasil, a partir da base de dados disponibilizada pela Universidade de Oxford19;

  4. Número de vendas de cloroquina e ivermectina (mensalmente) no varejo no Brasil, fornecidos pela IQVIA®, provedora de dados e análises avançadas em saúde e pesquisa clínica20.

Na segunda etapa, todas as variáveis foram agrupadas mensalmente, visto que as variáveis de vendas foram disponibilizadas em intervalos mensais. Em função da confidencialidade dos dados de vendas, todos os dados foram normalizados seguindo a padronização MinMax, na qual o menor valor de cada série é igualado a 0, e o maior igualado a 1.

Na terceira etapa, foram conduzidas análises exploratórias dos dados. As séries temporais foram plotadas em gráficos para a análise visual da relação entre o volume de vendas de cada medicamento e as demais variáveis. As análises de autocorrelação (ACF – do inglês, autocorrelation function) e a autocorrelação parcial (PACF – do inglês, partial autocorrelation function) foram aplicadas, para explorar a relação entre valores anteriores e posteriores do conjunto de dados ao longo do tempo.

A ACF mede a correlação entre valores passados e futuros em uma série temporal, mostrando o grau de dependência linear dos dados, enquanto a PACF mede a correlação direta entre uma observação e seus valores anteriores, isolando a influência das observações intermediárias. No caso da série temporal de volume mensal de vendas dos medicamentos, o uso de ACF e PACF permite identificar se as vendas: 1) são influenciadas pelos meses anteriores; e 2), caso positivo, se são influenciadas por vários meses anteriores (ACF) ou apenas pelo mês imediatamente anterior (PACF).

Essas análises foram realizadas com correlogramas21, que permitem visualizar correlações significativas na série de dados, para identificar a existência de dependência serial. Embora o conjunto de dados seja pequeno (24 meses), essas análises foram essenciais para identificar potenciais tendências.

A última etapa executou análises de correlação cruzada. Por meio do teste de Shapiro-Wilk22, a normalidade dos dados foi verificada. Gráficos de dispersão foram utilizados para a análise de linearidade. Com base nesses resultados, optou-se pelo uso da correlação de Spearman como método mais adequado para a medição da correlação entre as variáveis estudadas. A correlação cruzada10 foi, então, aplicada para analisar a relação entre as vendas de cada medicamento, assumindo defasagens temporais (ou lags) de zero a três meses para cada uma das variáveis analisadas em relação ao número de vendas dos medicamentos.

RESULTADOS

Nesta seção, observa-se a apresentação dos resultados obtidos pela aplicação dos métodos explicados anteriormente. Para melhor interpretação, foi dividida em duas partes: cloroquina e ivermectina.

Cloroquina

A Figura 1 apresenta as diferentes séries temporais analisadas em relação ao número de vendas de cloroquina. Observa-se que o pico de vendas (série tracejada) ocorreu em março de 2021, assim como o pico de casos (Figura 1c) e de óbitos (Figura 1d). Por outro lado, as pesquisas no Google® (Figura 1a) e o número de tweets (Figura 1b) apresentaram picos em maio de 2020, ainda na fase inicial da pandemia, indicando comportamento similar ao de compras em pânico6. Isso está relacionado, principalmente, à euforia de alguns líderes mundiais e a apresentação da cloroquina como uma solução fácil para a crise sanitária23. No entanto, como observado anteriormente, não existiam comprovações científicas de sua eficácia.

Figura 1. Vendas de cloroquina, pesquisas no Google®, número de tweets, casos e óbitos relacionados (dados normalizados).

Figura 1

Open in a new tab

No início da pandemia houve falta de cloroquina globalmente14,24. Isso pode ser observado na Figura 1, no período entre março e agosto de 2020 (linha horizontal em 08/20 identifica o final do período). Segundo artigos científicos, notícias da mídia e informações obtidas junto aos fabricantes de medicamentos no Brasil e em países como EUA, Canadá, Reino Unido, Austrália, Índia e Paquistão, essas faltas ocorreram até julho de 202025. A partir desse mês, os fabricantes conseguiram suprir os pedidos do mercado varejista. Assim, em função da ocorrência dessas faltas, a análise exploratória e a análise de correlação consideraram o período de 01/08/2020 a 31/12/2021.

As análises de ACF e PACF foram realizadas e demonstraram a existência de autocorrelação da defasagem de um período com as séries de casos e óbitos. As séries de vendas, pesquisas no Google® e número de tweets sobre cloroquina não apresentaram autocorrelação.

Na sequência, o teste de Shapiro-Wilk foi aplicado para a verificação da suposição de normalidade dos dados. Os resultados mostraram que apenas a série de casos segue uma distribuição normal (com 95% de nível de confiança). As demais séries não atenderam a essa suposição. Os gráficos de dispersão entre os pares de séries de dados indicaram que a condição de linearidade não é atendida. Por esses motivos, optou-se pelo teste de Spearman para analisar as correlações entre as variáveis na etapa seguinte.

A correlação cruzada foi utilizada para investigar a relação entre as vendas de cloroquina e as demais variáveis, assumindo diferentes defasagens temporais. Todas as correlações são positivas. Os resultados indicaram que, em alguns casos, o valor da correlação com defasagens na variável vendas foi maior do que entre as séries originais.

A Tabela 1 mostra que a melhor correlação (0,7903) entre vendas de cloroquina e óbitos (coluna da direita) ocorre quando se considera uma defasagem de um mês, com confiança de 99,9%. Em outras palavras, há uma correlação maior quando se compara os óbitos com as vendas de cloroquina do mês anterior, do que com o mesmo mês.

Tabela 1. Correlação de Spearman entre cada variável e as vendas de cloroquina considerando de zero até três defasagens temporais.

Defasagens vendas (meses) Pesquisas no Google® Tweets Casos Óbitos
0 0,8833 * 0,8167 * 0,8179 * 0,7002 **
1 0,6325 ** 0,5784 * 0,7932 * 0,7903 *
2 0,5722 *** 0,5607 *** 0,6250 *** 0,6821 **
3 0,4558 0,4286 0,6264 *** 0,6088 ***
Open in a new tab

Significado da correlação: * 0,001; ** 0,01; *** 0,05 (bicaudal).

Para as variáveis de resultados de pesquisas no Google®, número de tweets e casos, a maior correlação com vendas de cloroquina ocorreu entre as séries originais, sem defasagens (Tabela 1). A variável de pesquisas no Google® apresentou a maior correlação com as vendas de cloroquina (0,8833), mas número de tweets, casos e óbitos também apresentaram correlações positivas e estatisticamente significativas (nível de 99%).

Ivermectina

A Figura 2 apresenta as séries de vendas, número de tweets e de pesquisas no Google® relacionados à ivermectina, casos e óbitos. Assim como no caso da cloroquina, o pico de vendas de ivermectina ocorreu em março de 2021, coincidindo com o pico de número de tweets relacionados ao medicamento. Em relação ao resultado de pesquisas no Google®, o pico foi registrado em julho de 2020.

Figura 2. Vendas de ivermectina, pesquisas no Google® e número de tweets, casos e óbitos relacionados (dados normalizados).

Figura 2

Open in a new tab

No caso de ivermectina, não foram identificadas notícias ou artigos científicos que relataram sua falta no mercado varejista. Isso também não foi observado nos dados de vendas.

Em seguida, a autocorrelação das séries relacionadas à ivermectina foram exploradas. Observou-se que as séries de pesquisas no Google® e número de tweets apresentam autocorrelação com defasagem de um período. As vendas de ivermectina, no entanto, apresentaram defasagem significativa apenas quanto à autocorrelação direta (PACF), com defasagem de um período.

As variáveis número de tweets e pesquisas no Google® relacionadas à ivermectina também não seguiram distribuição normal durante o período analisado: não apresentaram relação linear com as vendas, conforme avaliou-se por meio do teste de Shapiro-Wilk e dos gráficos de dispersão, respectivamente.

A Tabela 2 apresenta os resultados da correlação cruzada entre as variáveis, considerando defasagens temporais de zero a três períodos (meses). As maiores correlações ocorrem para número de tweets, casos e óbitos quando temos a defasagem de um período na variável vendas, com nível de confiança de 99,9%.

Tabela 2. Correlação de Spearman entre cada variável e as vendas de ivermectina considerando de zero até três defasagens temporais.

Defasagens vendas (meses) Pesquisas no Google® Tweets Casos Óbitos
0 0,9100 * 0,6626 * 0,7461 * 0,7054 *
1 0,6822 * 0,7490 * 0,8607 * 0,8202 *
2 0,3068 0,5968 ** 0,8227 * 0,7549 *
3 -0,1436 0,3753 0,6649 ** 0,5675 **
Open in a new tab

Significado da correlação: * 0,001; ** 0,01; *** 0,05 (bicaudal);

Apenas a variável pesquisas no Google® apresentou maior correlação (0,9100) ao se considerar a série original de vendas de ivermectina. Assim como ocorreu com a cloroquina, a variável com maior correlação com as vendas de ivermectina foi pesquisas no Google®.

As correlações na Tabela 2 indicam a relação entre as variáveis e não garantem a existência de causalidade. A defasagem temporal pode ser resultado de diversos fatores. Uma possibilidade é o atraso da notificação de casos e óbitos, como relatado por notícias e pesquisas brasileiras sobre o monitoramento da doença29.

DISCUSSÃO

Houve correlação positiva significativa (pelo menos 95% de confiança) de vendas para todas as variáveis analisadas (pesquisas no Google®, tweets, casos e óbitos), defasagens de zero ou um mês (Tabelas 1 e 2) e ambos os medicamentos. Em particular, a variável pesquisas no Google® demonstrou, consistentemente, ter a maior correlação com vendas, sempre com defasagem nula, tanto para cloroquina como para ivermectina, com correlações de 0,8833 e 0,9100 e confiança de 99,9%. Assim, essa variável parece ser um excelente indicador para variações de vendas.

A variável número de tweets também apresenta elevada correlação positiva com venda, mas as maiores correlações ocorrem em momentos separados para cloroquina e ivermectina: defasagem zero (0,8167) e de um mês (0,7469), respectivamente, ambos com confiança de 99,9%. Deve-se comentar que, para a ivermectina, a correlação com vendas para defasagem nula é relativamente alta (0,6626) e significativa (99,9%). Assim, pode-se considerar que número de tweets é um bom indicador de variação de vendas e pode ser usado em conjunto com as pesquisas no Google®. Entretanto, as diferentes defasagens (entre os dois medicamentos) para a maior correlação sugere que o número de tweets deve ser considerado com maior cuidado.

No caso da variável óbitos, para ambos os medicamentos, a melhor correlação ocorre com o uso da defasagem de um período (0,7903 e 0,8202) e confiança de 99,9%. Para a variável casos, de modo semelhante ao número de tweets, a melhor correlação para cloroquina ocorre sem defasagem (0,8179), enquanto, para ivermectina, ocorre com defasagem de um período (0,8607), ambos com confiança de 99,9%.

O fato de todas as correlações serem positivas parece corroborar a intuição de relacionamento das variáveis com as vendas; ou seja, quando qualquer um deles cresce, as vendas também aumentam.

Do ponto de vista de tomada de decisões da cadeia de suprimentos de medicamentos, é importante notar que as variáveis pesquisa no Google® e número de tweets proporcionam a avaliação em tempo real da situação. Isso possibilita antever a demanda e agilizar a tomada de decisões30 na gestão epidemiológica da doença. As variáveis tradicionalmente utilizadas para esse fim (casos e óbitos) são reportadas posteriormente à sua ocorrência31, o que dificulta seu uso de forma proativa.

A ferramenta Google Trends, que permite obter o número de pesquisas no Google®, é de fácil utilização, bastando digitar o termo de busca, o período desejado e a região (ou localização) de interesse. Para a obtenção do número de tweets, há necessidade de preparar programas de computador específicos.

Assim, o monitoramento das pesquisas no Google® e número de tweets permitiria prever potenciais picos de demanda para medicamentos sem eficácia para uma futura pandemia, o que permitiria tomar ações que evitassem faltas e desabastecimento para usuários reais desses medicamentos, como ocorreu com a cloroquina. Tais ações poderiam ser a exigência temporária de receitas médicas, a remoção do medicamento de plataformas de vendas pela internet ou a limitação da quantidade vendida por cliente.

Publicações acadêmicas mostraram que o comportamento de pessoas de destaque que, por meio de mídias sociais ou convencionais, promoveram o uso de medicamentos ineficazes contra a covid-1913 provocou um aumento nas buscas por cloroquina nos EUA quando comparado a outros países da Europa, da Oceania9 ou ao Canadá8. Isso resultou em um aumento nas vendas desses produtos no local12. No Brasil, declarações e postagens constantes do então presidente da república sobre os medicamentos geraram desinformação e alavancaram as buscas por tais medicamentos1,32.

Como sugestão de processo, agentes de saúde pública poderiam adotar as seguintes medidas em situações semelhantes de pandemias : (1) identificar figuras importantes para a disseminação de informações em mídias convencionais e sociais; (2) monitorar o número de mensagens relacionadas ao tema nas mídias sociais, considerando tanto o total de postagens quanto as postagens pelas figuras identificadas no item 1; (3) monitorar o número de buscas relacionadas ao tema realizadas em ferramentas de busca relevantes; e (4) utilizar os métodos aplicados neste trabalho (correlação de Spearman, correlação cruzada com múltiplas defasagens, análise exploratória e autocorrelação) para comparar a evolução da doença com outras séries temporais (como vendas de medicamentos, casos, óbitos, número de buscas realizadas, número de mensagens).

Com a adoção dessas medidas, seria possível identificar: (1) o potencial aumento de demanda, em tempo real; (2) a potencial ocorrência de compras em pânico em seu início, permitindo um melhor abastecimento da cadeia de suprimentos; e (3) novas tendências com relação às demandas pelos medicamentos em questão. Em conjunto, esses pontos podem auxiliar no planejamento e na escolha de estratégias dos agentes gestores da cadeia de suprimento para mitigar a falta de medicamentos, um ponto essencial para cidadãos que precisam utilizar efetivamente os remédios em questão.

CONCLUSÕES

A cloroquina e a ivermectina foram dois medicamentos indicados no início da pandemia como suposto tratamento precoce para a covid-19, embora não houvesse estudos científicos que comprovassem sua eficácia. Pela influência de redes sociais, mídia convencional e agentes governamentais2,4, muitas pessoas de diversos países no mundo recorreram a esses medicamentos.

Este artigo analisou a existência de correlação entre o volume de vendas mensais no varejo desses medicamentos no Brasil com as seguintes variáveis: pesquisas no Google®, número de tweets relacionados a esses medicamentos, casos e óbitos registrados por covid-19 durante os dois primeiros anos da pandemia no Brasil.

Como principal contribuição deste trabalho, observou-se a existência de alta correlação para os pares de variáveis analisados. Em momentos de crises, como observado durante a pandemia, elas mostraram que são capazes de auxiliar na previsão de vendas, em especial o Google® e os tweets, que proporcionam uma análise em tempo real da situação. Em outras variáveis (casos e óbitos), essa correlação se mostrou mais acentuada, ao considerar uma defasagem temporal na variável de vendas, o que as tornam menos convenientes para um trabalho de previsão.

Esses resultados apontam também para uma maior necessidade do desenvolvimento de ações de coordenação de crises nas mídias sociais, devido à sua relação com o comportamento do consumidor. Acompanhar as redes sociais e a evolução de pesquisas em sites de busca proporciona uma melhor previsão de potenciais picos de demanda, permitindo um melhor planejamento de abastecimento dos agentes das cadeias de suprimentos. Ressalta-se a importância de considerar o impacto de mídias tradicionais e sociais no comportamento dos consumidores, principalmente em situações de crise.

As principais limitações deste trabalho incluem: (1) o período de análise restrito a 24 meses, inviabilizando a análise de sazonalidade de maior período; e (2) o fato de que não foi analisado o conteúdo e o sentimento dos tweets. O conjunto de dados gerado contém tanto tweets favoráveis quanto desfavoráveis ao uso desses medicamentos. Assim, estudos futuros deverão considerar a análise de sentimentos e de conteúdo dos tweets, para verificar se é possível melhorar modelos de previsão de vendas.

Footnotes

Financiamento: Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq – Processos 404803/2021-0 e 313687/2019-6).

Articles from Revista de Saúde Pública are provided here courtesy of Universidade de São Paulo. Faculdade de Saúde Pública.

RESOURCES