Predição de casos de Dengue, Chikungunya e Zika em Recife, Brasil: uma abordagem espaço-temporal com base em condições climáticas, notificações de saúde e aprendizado de máquina
DOI:
https://doi.org/10.33448/rsd-v10i12.20804Palavras-chave:
Previsão da dengue; Previsão de Chikungunya; Previsão do Zika; Previsão de arbovírus; Aprendizado de máquina; Predição de arbovírus.Resumo
A dengue se tornou um desafio para muitos países. Os arbovírus transmitidos por Aedes aegypti se espalharam rapidamente nas últimas décadas. A emergência de febre chikungunya e zika na América do Sul apresenta novos desafios para o monitoramento e controle de vetores. Essa situação piorou a partir de 2015 e 2016, com a rápida disseminação da chikungunya, causando febre e fraqueza muscular, e do Zika vírus, relacionado a casos de microcefalia em recémnascidos e a ocorrência da síndrome de Guillain-Barret, doença autoimune que afeta o sistema nervoso. O objetivo deste trabalho foi construir uma ferramenta para previsão da distribuição de arbovírus transmitidos pelo mosquito Aedes aegypti por meio da implementação de preditores de transmissão de dengue, zika e chikungunya baseados em aprendizado de máquina, com foco em redes neurais perceptrons multicamadas, máquinas de vetores de suporte e modelos de regressão linear. Como um estudo de caso, investigamos modelos de previsão para prever a distribuição espaçotemporal de casos a partir de dados de notificação de saúde primária e variáveis climáticas (velocidade do vento, temperatura e pluviometria) de Recife, Brasil, de 2013 a 2016, incluindo o surto de 2015. O uso de análises espaçotemporais sobre perceptrons multicamadas e resultados de máquinas de vetores de suporte mostraramse bastante eficazes na previsão da distribuição de casos de arbovírus. Os modelos indicam que as regiões sul e oeste do Recife foram muito suscetíveis a surtos no período investigado. A abordagem proposta pode ser útil para apoiar gestores de saúde e epidemiologistas na prevenção de surtos de arbovírus transmitidos pelo Aedes aegypti e na promoção de políticas públicas de promoção da saúde e saneamento.
Referências
Akil, L., & Ahmad, H. A. (2016). Salmonella infections modelling in Mississippi using neural network and geographical information system (GIS). BMJ Open, 6(3). Retrieved from https://bmjopen.bmj.com/content/6/3/e009255 doi: 10.1136/bmjopen2015009255
Baquero, O. S., Santana, L. M. R., & ChiaravallotiNeto, F. (2018, 04). Dengue forecasting in São Paulo city with generalized additive models, artificial neural networks and seasonal autoregressive integrated moving average models. PLOS ONE, 13(4), 112. Retrieved from https://doi.org/10.1371/journal.pone.0195065 doi: 10.1371/journal.pone.0195065
Barbosa, V. A. d. F., Gomes, J. C., de Santana, M. A., de Lima, C. L., Calado, R. B., Bertoldo Júnior, C. R., … others (2021). Covid19 rapid test by combining a random forestbased web system and blood tests. Journal of Biomolecular Structure and Dynamics, 65, 1–20.
Beltrán, J. D., Boscor, A., dos Santos, W. P., Massoni, T., & Kostkova, P. (2018). ZIKA: A New System to Empower Health Workers and Local Communities to Improve Surveillance Protocols by Elearning and to Forecast Zika Virus in Real Time in Brazil. In Proceedings of the 2018 international conference on digital health (pp. 90–94).
Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L., … others (2013). The global distribution and burden of dengue. Nature, 496(7446), 504–507.
CaoLormeau, V.M., Blake, A., Mons, S., Lastère, S., Roche, C., Vanhomwegen, J., … others (2016). GuillainBarré Syndrome outbreak associated with Zika virus infection in French Polynesia: a casecontrol study. The Lancet, 387(10027), 1531–1539.
Commowick, O., Istace, A., Kain, M., Laurent, B., Leray, F., Simon, M., … others (2018). Objective evaluation of multiple sclerosis lesion segmentation using a data management and processing infrastructure. Scientific Reports, 8(1), 1–17.
Cordeiro, F. R., Santos, W. P., & SilvaFilho, A. G. (2016). A semisupervised fuzzy growcut algorithm to segment and classify regions of interest of mammographic images. Expert Systems with Applications, 65, 116–126.
da Silva, C. C., de Lima, C. L., da Silva, A. C. G., Silva, E. L., Marques, G. S., de Araújo, L. J. B., … others (2021). Covid19 dynamic monitoring and realtime spatiotemporal forecasting. Frontiers in Public Health, 9.
de Lima, C. L., da Silva, C. C., da Silva, A. C. G., Luiz Silva, E., Marques, G. S., de Araújo, L. J. B., … others (2020). COVIDSGIS: a smart tool for dynamic monitoring and temporal forecasting of Covid19. Frontiers in Public Health, 8, 761.
de Lima, S. M., da SilvaFilho, A. G., & dos Santos, W. P. (2016). Detection and classification of masses in mammographic images in a multikernel approach. Computer methods and programs in biomedicine, 134, 11–29.
de Lima, T. F. M., Lana, R. M., de Senna Carneiro, T. G., Codeço, C. T., Machado, G. S., Ferreira, L. S., … Davis Junior, C. A. (2016). DengueME: A Tool for the Modeling and Simulation of Dengue Spatiotemporal Dynamics. International Journal of Environmental Research and Public Health, 13(9), 920.
de Souza, R. G., dos Santos Lucas e Silva, G., dos Santos, W. P., & de Lima, M. E. (2021). Computeraided diagnosis of Alzheimer’s disease by MRI analysis and evolutionary computing. Research on Biomedical Engineering, 37, 455–483.
Drucker, H., Burges, C. J., Kaufman, L., Smola, A., Vapnik, V., et al. (1997). Support vector regression machines. Advances in Neural Information Processing Systems, 9, 155–161.
Frank, E., Hall, M., Trigg, L., Holmes, G., & Witten, I. H. (2004). Data mining in bioinformatics using Weka. Bioinformatics, 20(15), 2479–2481.
Gubler, D. J. (2011). Dengue, urbanization and globalization: the unholy trinity of the 21st century. Tropical Medicine and Health, 39(4SUPPLEMENT), S3–S11.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update. ACM SIGKDD Explorations Newsletter, 11(1), 10–18.
Haykin, S. (2001). Redes Neurais: Princípios e Prática. Porto Alegre: Bookman.
Jindal, A., & Rao, S. (2017). Agentbased modeling and simulation of mosquitoborne disease transmission. In Proceedings of the 16th conference on autonomous agents and multiagent systems (pp. 426–435).
Koche, J. C. (2011). Fundamentos de metodologia científica: teoria da ciência e iniciação à pesquisa. Petrópolis, Rio de Janeiro, Brasil: Vozes.
Kostkova, P., dos Santos, W. P., & Massoni, T. L. (2019). ZIKA: improved surveillance and forecast of Zika virus in Brazil. European Journal of Public Health, 29(Supplement 4), 414415, ckz186.085.
LaDeau, S. L., Allan, B. F., Leisnham, P. T., & Levy, M. Z. (2015). The ecological foundations of transmission potential and vectorborne disease in urban landscapes. Functional Ecology, 29(7), 889–901.
LaureanoRosario, A. E., Duncan, A. P., MendezLazaro, P. A., GarciaRejon, J. E., GomezCarro, S., FarfanAle, J., … MullerKarger, F. E. (2018). Application of Artificial Neural Networks for Dengue Fever Outbreak Predictions in the Northwest Coast of Yucatan, Mexico and San Juan, Puerto Rico. Tropical Medicine and Infectious Disease, 3(1), 5.
Ludke, M., & André, M. E. D. A. (2013). Pesquisas em educação: uma abordagem qualitativa. São Paulo, Brasil: EPU Editora Pedagógica e Universitária.
Mohammed, A., & Chadee, D. D. (2011). Effects of different temperature regimens on the development of aedes aegypti (l.)(diptera: Culicidae) mosquitoes. Acta Tropica, 119(1), 38–43.
Morin, C. W., Comrie, A. C., & Ernst, K. (2013). Climate and dengue transmission: evidence and implications. Environmental health perspectives, 121(1112), 1264–1272.
Musah, A., RubioSolis, A., Birjovanu, G., dos Santos, W. P., Massoni, T., & Kostkova, P. (2019). Assessing the Relationship between various Climatic Risk Factors & Mosquito Abundance in Recife, Brazil. In Proceedings of the 9th international conference on digital public health (pp. 97–100).
Padmanabhan, P., Seshaiyer, P., & CastilloChavez, C. (2017). Mathematical modeling, analysis and simulation of the spread of zika with influence of sexual transmission and preventive measures. Letters in Biomathematics, 4(1), 148–166.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria, Rio Grande do Sul, Brasil: Universidade Federal de Santa Maria.
Pereira, J., Santana, M. A., Gomes, J. C., de Freitas Barbosa, V. A., Valença, M. J. S., de Lima, S. M. L., & dos Santos, W. P. (2021). Feature selection based on dialectics to support breast cancer diagnosis using thermographic images. Research on Biomedical Engineering, 37, 485–506.
Pessanha, J. E. M., Caiaffa, W. T., César, C. C., & Proietti, F. A. (2009). Avaliação do plano nacional de controle da dengue. Cad. Saúde Pública, 25(7), 1637–1641.
RubioSolis, A., Musah, A., dos Santos, W. P., Massoni, T., Birjovanu, G., & Kostkova, P. (2019). ZIKA Virus: Prediction of Aedes Mosquito Larvae Occurrence in Recife (Brazil) using Online Extreme Learning Machine and Neural Networks. In Proceedings of the 9th international conference on digital public health (pp. 101–110).
Salathe, M., Bengtsson, L., Bodnar, T. J., Brewer, D. D., Brownstein, J. S., Buckee, C., … others (2012). Digital epidemiology. PLoS Computational Biology, 8(7), e1002616.
Santana, M. A. d., Pereira, J. M. S., Silva, F. L. d., Lima, N. M. d., Sousa, F. N. d., Arruda, G. M. S. d., … Santos, W. P. d. (2018). Breast cancer diagnosis based on mammary thermography and extreme learning machines. Research on Biomedical Engineering, 34, 45–53.
Siriyasatien, P., Chadsuthi, S., Jampachaisri, K., & Kesorn, K. (2018). Dengue epidemics prediction: A survey of the stateoftheart based on data science processes. IEEE Access, 6, 5375753795.
Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222.
Witten, I. H., & Frank, E. (2005). Data mining: Pratical machine learning tools and technique. San Francisco, CA, USA: Morgan Kaufmann Publishers.
Yin, R. K. (2015). Estudo de caso: Planejamento e métodos. Porto Alegre, Brasil: Bookman.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Cecilia Cordeiro da Silva; Clarisse Lins de Lima; Ana Clara Gomes da Silva; Giselle Machado Magalhães Moreno; Anwar Musah; Aisha Aldosery; Livia Dutra; Tercio Ambrizzi; Iuri Valério Graciano Borges; Merve Tunali; Selma Basibuyuk; Orhan Yenigün; Kate Jones; Luiza Campos; Tiago Lima Massoni; Abel Guilhermino da Silva Filho; Patty Kostkova; Wellington Pinheiro dos Santos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
