Divulgação - Defesa Nº 282

Aluno: Matheus Félix Xavier Barboza

Título: “Prediction of malaria using deep learning models: A case study on city clusters in the state of Amazonas, Brazil"

Orientadora: Patricia Takako Endo

Coorientador: Vanderson de Souza Sampaio (ITPS)

Examinador Externo: Gisely Melo (FMT-HVD)

Examinador Interno: Raphael Dourado (PPGEC)

Data-hora: 29 de Setembro de 2023 às 14:00.
Local: Formato Remoto (Google Meet)

Resumo:

A malária é uma doença transmitida pela fêmea do mosquito Anopheles e pode ser tratada. No entanto, em 2019, foram relatados mais de 247 milhões de casos de malária, juntamente com 619.000 mortes. Mais de 42 milhões de brasileiros correm o risco de desenvolver malária, com 99% dos casos ocorrendo dentro ou ao redor da floresta amazônica. No Brasil, a malária ainda é um importante problema de saúde pública, apesar da queda nas ocorrências e nos óbitos. A previsão espaço-temporal precisa da transmissão da malária pode ajudar a alocar melhor os recursos para ajudar a combater a doença. Para estimar os casos de malária no estado do Amazonas, comparamos e avaliamos modelos estatísticos, deep learning e machine learning neste trabalho. Usamos clusters k-means para agrupar municípios usando um conjunto de dados brasileiro de cerca de 6 milhões de registros (janeiro de 2003 a dezembro de 2018) para testar se o desempenho dos modelos pode ser melhorado ao agrupar municípios com taxas de incidência de malária estatisticamente semelhantes. Os resultados indicam que o modelo ARIMA obteve melhor desempenho, porém, os demais modelos obtiveram valores semelhantes. A divisão dos municípios por clusters reforçou a aplicação de modelos para municípios com valores estatísticos semelhantes. Nossos experimentos mostram que todos esses modelos mostraram precisão aceitável na previsão de novos casos em clusters de k-means e regionais de saúde.