Predição de áreas de risco e fatores associados à dengue no Estado do Piauí baseado em métodos de Aprendizagem de Máquina

Abstract

Aproximadamente 3,9 bilhões de pessoas em todo mundo, segundo a OMS, estejam sob risco de ter dengue, causando entre 100 e 400 milhões de infecções por ano e sendo endêmica em mais de 100 países. Além da importância epidemiológica, os fatores associados à disseminação e ampliação dos casos de dengue pelo mundo são complexos e não satisfatoriamente estabelecidos. Contudo, acredita-se que questões climáticas, demográficas, ambientais e sociais estejam envolvidas na dinâmica de transmissão dessa arbovirose. Este trabalho teve como objetivo predizer áreas sob maior risco e fatores associados à dengue no Estado do Piauí, na região Nordeste do Brasil, no período de 2014 a 2019, baseado em métodos de aprendizagem de máquina (Machine Learning) e em epidemiologia espacial. Foram utilizados os casos de dengue por município do Piauí para estimar as incidências, bruta e suavizadas, por meio de taxas bayesianas global e local, e para modelagem preditiva, além das taxas de incidência, foi utilizado estatísticas geoespaciais climáticas, ambientais e demográficas dos municípios extraídas do data paper de Abdalla et al. (2022). O processo de modelagem envolveu desde a coleta e tratamento de dados da ocorrência da doença nos municípios até a análise dos modelos gerados e dos atributos associados A tarefa de aprendizagem supervisionada foi do tipo classificação com dois métodos baseados em combinações (ensemble) de árvores de decisão, o Random Forest e o XGBoost. Com o processo de modelagem foram gerados quatro modelos preditivos de dengue, duas com Random Forest para taxa global e local, e duas com XGBoost para taxa global e local, ambos com boa acurácia e baixa taxa de erro. O modelo final selecionado foi o modelo XGBoost com taxa de incidência global, que apresentou 85% de acurácia. A partir desse modelo foram discriminados 20 atributos de maior importância, descrevendo o grau de impacto em cada uma das diferentes classes de incidências estudadas. Os resultados demonstram que utilização de aprendizagem de máquina em Saúde Pública é uma nova e promissora área do conhecimento que pode auxiliar na tomada de decisões e no controle de doenças, pois apresenta grande potencial na criação de modelos preditivos, bem como, bom desempenho ao lidar com problemas complexos, como o da dengue.