Classificação da Predição Espaço-Temporal de Casos de Arboviroses em Recife usando Redes Neurais de Estado de Eco

Resumo

INTRODUÇÃO: A dengue, zika e chikungunya são conhecidas como arboviroses e são transmitidas pelo mosquito Aedes aegypti. Estas doenças são um problema crescente de saúde pública (Lima et al., 2022). Com o avanço das tecnologias como técnicas de aprendizado de máquina, Sistema de Geolocalização, dados climáticos e casos podem entender como funciona o espalhamento da doença, fazendo a identificação de riscos e prever a distribuição de casos de arboviroses (Silva et al., 2021).OBJETIVO: O objetivo desse trabalho é construir modelos para classificação da predição espaço-temporal de casos de arboviroses baseados em redes neurais de estado de eco. METODOLOGIA: Foram usadas bases os dados de casos do Portal de Dados Abertos da Prefeitura do Recife, o Instituto Nacional de Meteorologia (INMET) e o Sistema Integrado de Gestão de Recursos Hídricos (SIGRH) da Agência Pernambucana de Águas e Clima (APAC) no período de 2014 a 2016. Estas bases contêm informações geográficas (latitude e longitude). Como essa base era para predição, ela foi transformada em base problema de classificação. Foi usada regra de Sturges para criar as classes (Falco, 2016), foi usado o SMOTE (Synthetic Minority Oversampling Technique) com k=3 no software Weka para balancear a distribuição das classes, gerando novos exemplos sintéticos para a classe minoritária a partir da interpolação entre exemplos já existentes. Por fim, foi normalizada e isto foi feito usando código na linguagem Python. Foi criado um classificador usando o algoritmo Echo State Network usando o framework PyRCN em Python (Steiner, 2022). Foram selecionadas acurácia, precision e recall como métricas para validar os modelos, pois essas eram as métricas disponíveis na biblioteca usada. O tempo de treinamento também foi analisado. Foram propostas configurações diferentes de camadas e neurônios em cada camadas. Foram criados modelos com 1, 2, 5 e 10 camada, e variando o número de neurônios por camada em 10, 20, 50 e 100. Totalizando 16 configurações diferentes. RESULTADOS: A configuração mais eficiente identificada foi aquela com uma única camada de 100 neurônios. Nessa configuração, o modelo atingiu uma acurácia de 0,9544, uma precisão de 0,9542 e um recall de 0,9551, com um tempo de treinamento de 0,30 segundos. Os desvios padrões dessas métricas permaneceram baixos, variando entre 0,0208 e 0,02105. Em segundo lugar, a configuração de uma única camada com 20 neurônios apresentou métricas competitivas, com acurácia de 0,9525, precisão de 0,9523 e recall de 0,9533, e um tempo de treinamento de 0,19 segundos. O desempenho menos satisfatório foi observado no modelo com 10 camadas, cada uma contendo 100 neurônios, que apresentou uma acurácia de 0,6119, precisão de 0,6115 e recall de 0,6268, com um tempo de treinamento significativamente mais longo de 12,29 segundos. A maioria dos modelos conseguiu valores altos nas métricas e tempos de treinamento pequenos. Além dos desvios padrões serem pequenos para todas as métricas de todos os modelos e para os tempos de treinamento também. Os modelo tiveram uma boa capacidade predição de casos de arboviroses. CONCLUSÃO: A disseminação de doenças como dengue, zika e chikungunya representa uma ameaça significativa à saúde global e nacional, especialmente em países endêmicos como o Brasil. O aumento na incidência dessas doenças tem impactos adversos na qualidade de vida e sobrecarrega os sistemas de saúde, sendo impulsionado por dinâmicas urbanas complexas, falta de saneamento básico e um clima propício à proliferação dos mosquitos vetores. A história dos arbovírus em Recife destaca a importância dessa região para o desenvolvimento de estratégias de predição e controle. Essa ferramenta mostrou-se robusta e capaz de generalizar, permitindo antecipar a incidência e facilitando a adoção de medidas preventivas e de controle mais eficazes. O uso do algoritmo Echo State Network na construção desses modelos, devido ao seu rápido tempo de treinamento, emergiu como uma opção promissora para a previsão de casos de arbovírus. A capacidade preditiva do modelo é crucial para a gestão da saúde pública em Recife, fornecendo suporte para decisões estratégicas, vigilância e controle dos arbovírus.