DEFESA DE TESE DE DOUTORADO Nº 36
Aluno: Ana Clara Gomes da Silva
Título: “Arquiteturas computação de reservatório para predição da distribuição espaço-temporal de doenças infecciosas"
Orientador: Wellington Pinheiro dos Santos
Examinador Externo: Luiz Vianna Sobrinho (UFBA)
Examinadora Externa: Juliana Carneiro Gomes Cassemiro (UFPE)
Examinadora Externa: Giselle Machado Magalhães Moreno (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 27 de novembro de 2025 Às 10h
Local: formato presencial - Miniauditório (UPE/POLI)
Resumo:
" Doenças como dengue, zika e chikungunya são conhecidas como arboviroses e são transmitidas pelo mosquito Aedes aegypti. Essas doenças representam um problema crescente para a saúde pública em todo o mundo. Por terem sintomas muito semelhantes o diagnóstico é complexo. Contudo, como estas doenças são transmitidas pelo mesmo vetor, o controle e a prevenção pode ser feita ao controlar os criadouros do mosquito A. aegypti. A Geografia Médica e a Epidemiologia Digital tem ajudado na investigação de doenças infecciosas, compreendendo as distribuições geográficas de fenômenos climáticos associados, eventos biológicos e culturais interrelacionados com doenças, juntamente com os fatores demográficos, políticos e econômicos. As arboviroses são fortemente influenciadas pelas condições climáticas. Este estudo tem o objetivo de construir modelos espaço-temporais baseados em classificadores clássicos de aprendizado de máquina e computação de reservatório prever o número de criadouros do mosquito Aedes aegypti e o número de casos de doenças transmitidas por esse vetor. Para tal foram usadas base de dados de criadouros de Aedes aegypti do LIRAa, informações geográficas e dados climáticos de temperatura, umidade e velocidade dos ventos entre 2013 a 2016. E foram criados conjuntos de dados com essas informações. Também foram foram criados três intervalos de distribuição de casos, e assim foram criadas três classes. Para predição de casos, foi usada base de dados de casos do Portal de Dados Abertos da Prefeitura do Recife, informações geográficas e dados climáticos de temperatura, umidade e velocidade dos ventos entre 2014 e 2016. E foram criados 29 conjuntos de dados com essas informações. Também foram foram criados três intervalos de distribuição de casos, e assim foram criadas três classes. E para ambas as abordagens foram usados os mesmos classificadores, foram eles BayesNet, NaiveBayes, J48 tree, random forest, máquina de vetor de suporte (SVM), Extreme Learning Machine(ELM) e Echo State Network(ESN). Para esses dois últimos, que são algoritmos de computação de reservatório, foi usado a biblioteca PyRCN em código Python, e os demais usando o software Weka. Os modelos de criadouros de mosquitos Aedes aegypti obtiveram valores de métricas muito bons, dentre os classificadores clássicos se destacaram o random forest com valores de acurácia, índice kappa, sensibilidade, especificidade e área sob a curva ROC maiores que 97,83%, 0,96, 0,97, 0,98 e 0,99 nessa ordem. Para os algoritmos de computação de reservatório, os valores de acurácia, precision e recall variaram mais, tiveram modelos com valores de acurácia maior de 90% e precision e recall maiores 0,90. Os modelos criados usando a base de dados de casos de arboviroses e os classificadores clássicos obtiveram bons resultados, sendo o classificador random forest o melhor dentre eles, com valores de acurácia maiores que 99,5%, índice kappa, especificidade e área sob a curva ROC de maior que 0,99, e sensibilidade maior que 0,95. Já para os classificadores ELM e ESN, os resultados foram bons, e em metade os valores de acurácia foram maiores que 90%, os valores de precision e recall foram maiores que 0,90. Sendo assim, os modelos de predição espaço-temporal de criadouros do mosquito e de casos de arboviroses se apresentam como uma boa ferramenta de apoio bastante relevante para epidemiologistas e autoridades de saúde no planejamento e execução de políticas públicas que estão voltadas para o combate das arboviroses. "
O Programa
