Modelos computacionais para predição de casos e epidemias de malária: uma revisão sistemática.

Resumo

Introdução: A malária é uma doença causada pelo parasita Plasmodium spp. e tem como vetor o mosquito do gênero Anopheles. É uma doença considerada de alta mortalidade, que ocorre principalmente em zonas tropicais e equatoriais. Em indivíduos não imunes, os sintomas geralmente aparecem 10 a 15 dias após a picada do mosquito infectado e, quando não tratados, podem progredir para doença em sua forma grave (WHO, 2020), (Pattanayak et al., 2018), (Tapajós et al., 2019). A Organização Mundial da Saúde (OMS) estimou que houve 229 milhões de casos de malária e 409.000 mortes em 2019 (WHO, 2020). A malária tem um peso significativo na vida social e económica; estimativas sugerem que, no mundo inteiro, mais de 52 milhões de anos de vida são perdidos devido às consequências da doença (Hay et al., 2017). Dessa maneira, pesquisas indicam que a redução dos impactos da malária está associada ao aumento nos cuidados domésticos (Cutler et al., 2010), renda mais alta (Bleakley H., 2010), aumento do PIB (Sarman et al., 2019),  aprimoramento laboral e novas formas de ocupação (Souza et al., 2019), (Shretta et al., 2016), tal como melhorias na saúde básica, no bem-estar e na qualidade de vida da população. Ainda, estudos recentes sugerem que, além de novas intervenções científicas para reduzir a picada de mosquitos e melhores inseticidas, se faz necessário pesquisas de implementação para adaptação das estratégias de monitoramento junto às condições locais (WHO, 2020). Objetivo: Este trabalho apresenta uma Revisão Sistemática da Literatura (RSL) sobre a utilização de modelos de predição de séries temporais em um cenário de caso de malária, com foco no modelo computacional utilizado e os principais desafios e oportunidades de pesquisa nesta área. Metodologia: Inicialmente, foram identificados os estudos primários usando string de busca em bases de dados relevantes. A string de busca foi: (("deep learning" OR "machine learning") AND ("malária") AND ("prediction" OR "forecast") AND ("cases" OR "epidemics"OR "endêmico" )); e as bases científicas foram: IEEE, PubMed, ACM, Scopus, Springer. As Questões de Pesquisa (QP) o qual a RSL busca responder são, (QP 1): Qual conjunto de dados é usado na predição de casos de malária? (QP 2): Quais técnicas de Machine Learning (ML) e/ou Deep Learning (DL)  estão sendo usadas para prever casos de malária? (QP 3): Como essas técnicas estão sendo usadas? (QP 4): Quais são as métricas usadas para avaliar o desempenho das técnicas de ML e DL nas predições dos casos de malária? (QP 5): Como estão sendo apresentados o desempenho e os resultados dos modelos utilizados? (QP 6): Quais são os desafios atuais na previsão de séries temporais para notificação de malária?. Muitos artigos  podem não está estritamente relacionados às questões de pesquisa ou não podem responder aos questionamentos, sendo assim deve-se definir critérios de inclusão e exclusão. Os critérios de inclusão utilizados nesta RSL foram: (1) O resumo menciona explicitamente ML e DL para classificação de endemias e monitoramento ou predição de casos de malária; (2) O trabalho utiliza métodos de predição de séries temporais e realiza uma avaliação do modelo; (3) funciona com pelo menos um data set real. Os artigos foram excluídos se (1) fossem trabalhos duplicados, (2) estivessem em um idioma diferente do inglês, (3) fossem um estudo secundário ou terciário, (4) usassem apenas técnicas estatísticas tradicionais. Resultado: Como resultado preliminares, foram encontrados 10 artigos do IEEE, 36 do PubMed, 68 do ACM, 1.641 do Scopus e 556 do Springer.  Após, analise dos critérios de inclusão e exclusão ficaram 26 artigos, sendo 1 ACM, 5 IEEE, 8 PubMed, 8 Scopus e 4 Springer.  Conclusão: Por fim, foi identificado através desta pesquisa que o estado-da-arte para modelos computacionais de predição de casos e de epidemias de malária ainda se encontra em crescimento. Dessa forma, se faz essencial que os estudos com modelos computacionais continuem para o desenvolvimento de uma plataforma de monitoramento, identificação e classificação de epidemias como a malária que ajudará os profissionais de saúde no controle e redução da doença.