Divulgação - DEFESA DE TESE DE DOUTORADO Nº 12
Aluna: Maíra Araújo de Santana
Título: “Modelagem espaço-temporal de doenças infecciosas: uma abordagem de aprendizado de máquina”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)
Examinadora Externa: Juliana Carneiro Gomes - (UFPE)
Examinadora Externa: Cristine Martins Gomes de Gusmão - (UFPE)
Examinadora Interna: Patrícia Takako Endo - (PPGEC)
Data-hora: 05 de Fevereiro de 2024, às 09:00h.
Local:Formato Remoto – Google Meet
Resumo:
As doenças infecciosas, que incluem, também, as doenças tropicais negligenciadas (DTNs), de acordo com a Organização Mundial de Saúde (OMS), são uma das principais causas de morte, principalmente, em populações marginalizadas, tornando-as um grande desafio de saúde pública a nível global. Estima-se que, só as DTNs, causam cerca de 700.000 mortes por ano, principalmente, nas regiões tropicais e subtropicais. Em 2020, com a pandemia da COVID-19, suscitaram-se novos desafios para erradicação das DTNs para regiões de endemia, onde ocorrem surtos recorrentes, pois, além da sobrecarga dos serviços de saúde, a COVID-19 impactou negativamente as políticas de controle e prevenção das DTNs, dificultando o seu gerenciamento. Em contextos como esse, é importante que as autoridades de saúde mantenham o trabalho de monitoramento e vigilância epidemiológica de novas doenças e de doenças que já são endêmicas em um determinado território para evitar sobrecarga dos serviços de saúde. Os sistemas de predição podem atuar como uma ferramenta de apoio à tomada de decisão nas políticas de prevenção de doenças infecciosas. Neste sentido, vários grupos de pesquisas direcionaram seus esforços para construir modelos preditivos para doenças infecciosas, visto que essas ferramentas podem auxiliar na implementação de políticas de prevenção. No entanto, grande parte dos modelos construídos utilizam apenas uma abordagem temporal para a predição de casos confirmados da doença. Apesar de sua importância, esses modelos não deixam explícito quais são as regiões mais afetadas ou menos afetadas. Considerando este cenário, o objetivo dessa pesquisa é a construção de um modelo de predição espaço-temporal para auxiliar as autoridades de saúde na prevenção de doenças infecciosas, notadamente, as arboviroses e a COVID-19. Para o as arboviroses, foram elaborados modelos preditivos dos mapas de distribuição dos criadouros do Ae. aegypti, para a cidade do Recife, a partir dos dados dos criadouros do mosquito e das variáveis climáticas (chuva, temperatura e velocidade dos ventos), utilizando algoritmos de aprendizado de máquina. Para a COVID-19 os modelos preditivos foram gerados a partir dos casos confirmados, no Brasil e em Pernambuco, utilizando algoritmos de algoritmos de aprendizagem de máquina. Para as duas situações, foram avaliados os algoritmos de regressão linear, Random Forest, redes neurais artificiais e máquinas de vetores de suporte. De acordo com os resultados dos experimentos, observa-se que a modelagem espaço-temporal utilizando técnicas de geoprocessamento e aprendizado de máquina, no geral, é capaz de prever a distribuição espacial dos criadouros do mosquito Aedes aegypti na cidade do Recife, bem como prever a distribuição espaço-temporal dos casos de COVID-19 no Brasil e em Pernambuco. Os modelos gerados contêm informações geográficas grande interesse epidemiológico e podem ser uma ferramenta de apoio para os gestores de saúde no planejamento e implementação de políticas públicas tanto para a prevenção de arboviroses quanto para a prevenção da COVID-19.
O Programa
