Predição de casos de arboviroses no Recife utilizando computação de reservatório
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1298Palavras-chave:
Computação de reservatório, Modelo de predição, Predição de arbovirosesResumo
Objetivo: Devido à complexidade do diagnóstico das arboviroses, a predição com aprendizado de máquina objetiva antecipar surtos, trazer rapidez para o tratamento e diminuir a propagação. Método: Este estudo propõe aplicar técnicas de computação de reservatório, incorporando fatores climáticos, para prever surtos e aumentos na incidência dessas doenças. Resultados: Os modelos criados tiveram valores maiores de 0,80 de acurácia, precision e recall na previsão de casos no Recife, Pernambuco. Conclusão: Esses modelos são cruciais para tomada de decisão, permitindo intervenções preventivas e de controle mais eficazes contra arboviroses na saúde pública.
Referências
SINARE, Akshata B.; BARKADE, Ganesh D. Dengue: A mosquito borne disease. World Journal of Biology Pharmacy and Health Sciences, v. 14, n. 2, p. 251-261, 2023. DOI: https://doi.org/10.30574/wjbphs.2023.14.2.0218
PARIJA, Subhash Chandra. Arboviruses (Arthropod-borne Viruses) and Rodent-borne Viruses. In: Textbook of Microbiology and Immunology. Singapore: Springer Nature Singapore, 2023. p. 825-846. DOI: https://doi.org/10.1007/978-981-19-3315-8_58
VAZIRI, Samira; POUR, Siavash Hamzeh; AKRAMI-MOHAJERI, Fateme. Zika virus as an emerging arbovirus of international public health concern. Osong Public Health and Research Perspectives, v. 13, n. 5, p. 341, 2022. DOI: https://doi.org/10.24171/j.phrp.2022.0101
OEHLER, Erwan et al. Increase in cases of Guillain-Barré syndrome during a Chikungunya outbreak, French Polynesia, 2014 to 2015. Eurosurveillance, v. 20, n. 48, p. 30079, 2015. DOI: https://doi.org/10.2807/1560-7917.ES.2015.20.48.30079
FARIA, Marco Túlio da Silva et al. Saúde e saneamento: uma avaliação das políticas públicas de prevenção, controle e contingência das arboviroses no Brasil. Ciência & Saúde Coletiva, v. 28, p. 1767-1776, 2023. DOI: https://doi.org/10.1590/1413-81232023286.07622022
ESPINAL, Marcos A. et al. Emerging and reemerging Aedes-transmitted arbovirus infections in the region of the Americas: implications for health policy. American journal of public health, v. 109, n. 3, p. 387-392, 2019. DOI: https://doi.org/10.2105/AJPH.2018.304849
PÉREZ, Tatiana Betancur et al. Covid-19 and Dengue Coinfection: Case Report. Japan Journal of Clinical & Medical Research, v. 1, n. 3, p. 1-2, 2021. DOI: https://doi.org/10.47363/JJCMR/2021(1)113
MARDEKIAN, Stacey K. et al. Diagnostic options and challenges for dengue and chikungunya viruses. BioMed research international, v. 2015, 2015. DOI: https://doi.org/10.1155/2015/834371
VALERIO, Fernanda et al. The neurological sequelae of pandemics and epidemics. Journal of Neurology, v. 268, n. 8, p. 2629-2655, 2021. DOI: https://doi.org/10.1007/s00415-020-10261-3
DA SILVA, Cecilia Cordeiro et al. Spatiotemporal forecasting for dengue, chikungunya fever and Zika using machine learning and artificial expert committees based on meta-heuristics. Research on Biomedical Engineering, v. 38, n. 2, p. 499-537, 2022. DOI: https://doi.org/10.1007/s42600-022-00202-6
LIMA, Clarisse Lins de. Modelagem e simulação da transmissão de arboviroses baseados em agentes inteligentes para predição de casos de dengue, chikungunya e zika. 2020. Dissertação de Mestrado. Universidade Federal de Pernambuco.
FALCO, Javert Guimarães. Estatística aplicada. 2016.
HUANG, Guang-Bin; ZHU, Qin-Yu; SIEW, Chee-Kheong. Extreme learning machine: theory and applications. Neurocomputing, v. 70, n. 1-3, p. 489-501, 2006. DOI: https://doi.org/10.1016/j.neucom.2005.12.126
JAEGER, Herbert. The “echo state” approach to analysing and training recurrent neural networks-with an erratum note. Bonn, Germany: German National Research Center for Information Technology GMD Technical Report, v. 148, n. 34, p. 13, 2001.
HAYKIN, S.; NIE, Junhong; CURRIE, B. Neural network-based receiver for wireless communications. Electronics Letters, v. 35, n. 3, p. 203-205, 1999. DOI: https://doi.org/10.1049/el:19990177
JAEGER, Herbert. Echo state network. scholarpedia, v. 2, n. 9, p. 2330, 2007. DOI: https://doi.org/10.4249/scholarpedia.2330
STEINER, Peter et al. PyRCN: A toolbox for exploration and application of Reservoir Computing Networks. Engineering Applications of Artificial Intelligence, v. 113, p. 104964, 2022. DOI: https://doi.org/10.1016/j.engappai.2022.104964
RAMOS, Jorge Luis Cavalcanti et al. Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In: Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE). 2018. p. 1463. DOI: https://doi.org/10.5753/cbie.sbie.2018.1463
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
