Predição espaço-temporal de criadouros do mosquito Aedes aegypti para controle de doenças tropicais negligenciadas uma abordagem de Aprendizado de Máquina

##plugins.themes.bootstrap3.article.main##

Clarisse Lins de Lima
Wellington Pinheiros dos Santos
Ana Clara Gomes da Silva
Giselle Moreno Machado Magalhães

Resumo

As doenças causadas por arbovírus fazem parte do grupo de doenças tropicais negligenciadas de acordo com a Organização Mundial de Saúde. Dentre o grupo das arboviroses, os casos das doenças transmitidas pelo Aedes aegypti têm crescido de maneira bastante acelerada em uma escala global. Por serem doenças transmitidas por vetores de transmissão, a dinâmica dessas doenças é afetada por fatores que compõem um ambiente bastante heterogêneo (urbanização desordenada, inchaço populacional, fatores climáticos etc.). Uma das estratégias de combate às arboviroses é o controle da população dos moquistos, por meio do monitoramento de criadouros. Considerando este cenário, o presente trabalho tem como objetivo a construção de um modelo espaço-temporal para a predição da distribuição de criadouros do mosquito Aedes aegypti na cidade do Recife, Pernambuco, a partir dos dados dos criadouros e das variáveis climáticas (chuva, temperatura e velocidade dos ventos). Os dados referentes aos criadouros foram coletados do Levantamento de Índices para Aedes aegypti (LIRAa) para os anos de 2013 a 2016. Através do Banco de Dados Meteorológicos do INMET, obtiveram-se os dados referentes à temperatura e velocidade dos ventos, enquanto os registros das precipitações foram obtidos através da base de dados da Agência Pernambucana de Águas e Clima, também para os anos de 2013 a 2016. Para os criadouros do mosquito, construiu-se mapas da distribuição bimestral utilizando a interpolação IDW (Inverse Distance Weighted). Para treinar os modelos, foram avaliados os seguintes algoritmos de regressão: regressão linear, random forest (10, 20, 30 e 40 árvores), máquinas de vetor de suporte para regressão (C=0.1, kernels polinomiais de graus 1, 2 e 3, e kernel RBF) e perceptron multicamadas (10, 20, 30 e 40 neurônios na camada única escondida). Para cada regressor, realizaram-se os experimentos 30 vezes, com validação cruzada de 10-folds e a as métricas de avaliação selecionadas foram o coeficiente de correlação de Pearson e o root relative squared error (RRSE%). De acordo com os resultados dos experimentos, a máquina de vetores de suporte para regressão com kernel polinomial de grau 3 apresentou as melhores métricas para o coeficiente de correlação (0,9875) e RRSE% (14,60%). Em contrapartida, a configuração de SVM com kernel RBF atingiu um RRSE%, em média, bastante alto (acima dos 60%), apesar de ter atingido um bom coeficiente de correlação. Com base nos resultados, observa-se que o aprendizado de máquina pode ser uma ferramenta poderosa para a predição de criadouros do mosquito Aedes aegypti. Além disso, a abordagem espaço-temporal pode ser um instrumento de apoio à tomada de decisão de gestores que estão ligados ao planejamento de estratégias de prevenção e combate às arboviroses, possibilitando, desta forma, a otimização de recursos humanos e financeiros em regiões onde esses recursos são escassos.

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Seção
Engenharia da Computação e Sistemas