Dados do Trabalho

Título

Análise de Modelos de Aprendizado de Máquina para Predição de Casos de Malária na Amazônia Legal Brasileira

Introdução

A malária representa uma ameaça significativa à saúde pública na região da Amazônia brasileira, impactando tanto na saúde dos moradores quanto na economia local. Para enfrentar este desafio, podem ser usados modelos capazes de predizer a quantidade de casos através de dados epidemiológicos para antecipar surtos e/ou epidemias, melhorando os esforços de vigilância e controle. Os desafios no combate à malária na Amazônia Legal incluem a complexidade da transmissão da doença, restrições de recursos e a necessidade de intervenções especializadas. Os métodos de controle tradicionais podem não ser suficientes e a falta de modelos de previsão precisos e adaptados às condições locais dificulta a tomada de decisões eficazes.

Objetivo (s)

Este estudo realiza uma análise de modelos de aprendizado de máquina para prever novos casos de malária, utilizando os dados das notificações diárias de indivíduos suspeitos de malária entre janeiro de 2003 e dezembro de 2022 do Sistema de Informação de Vigilância Epidemiológica da Malária (SIVEP-MALARIA).

Material e Métodos

Nesses registros, é possível identificar se o paciente está ou não infectado e qual a espécie do patógeno. Para os modelos de predição, os casos negativos foram descartados, e os casos confirmados de malária foram agrupados em três grupos: Malária Vivax, Malária Falciparum e Malária Outros (que indica infecções por outras espécies do Plasmodium, como P. malariae, P. ovale e não P. falciparum). Dois modelos de aprendizado de máquina, Support Vector Regression (SVR) e Random Forest (RF), foram avaliados e o desempenho dos modelos foi avaliado usando a raiz do erro médio quadrático (RMSE) e o erro médio absoluto (MAE).

Resultados e Conclusão

O SVR apresentou melhor desempenho. Ao analisar o estado do Acre, o SVR para o grupo referente a Malária Vivax obteve RMSE de 0.022 e MAE de 0.020; e para o grupo Malária Falciparum, RMSE de 0.011 e MAE 0.009. Enquanto o RF, para o  grupo Malária Outros obteve RMSE de 0.003 e MAE de 0.003. O RF demonstrou bom desempenho em estados com baixas notificações, evidenciando seu potencial para predição de poucos casos, possibilitando ações mais rápidas para essas localidades. A utilização de modelos de aprendizado de máquina para prever novos casos pode auxiliar na vigilância, orientar intervenções e possibilitar ações de políticas públicas preventivas, melhorando a qualidade de vida dos moradores da região e reduzindo a quantidade de casos de malária na Amazônia Legal.

Palavras Chave

malária; Modelos de Predição; Aprendizado de máquina; Amazônia Legal