Um Experimento de Engenharia de Features para Geração de Modelos Preditivos para Casos de Dengue

• Ramon Garcia Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Eduardo Ogasawara Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Jorge Soares Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Amaury de Souza Universidade Federal do Mato Grosso do Sul (UFMS)
• Rejane Sobrino Universidade Federal do Rio de Janeiro (UFRJ)
• Eduardo Bezerra Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)

DOI: https://doi.org/10.5753/bresci.2024.243949

Resumo

Este estudo tem como objetivo desenvolver modelos de aprendizado de máquina para prever o número de casos de dengue em uma determinada unidade de saúde. Nossa abordagem envolve a engenharia de features por meio da integração de dados de vários domínios. Especificamente, combinamos dados do Sistema Único de Saúde do Brasil com dados meteorológicos do Instituto Nacional de Meteorologia e do satélite meteorológico GOES-16. Treinamos redes neurais do tipo Long Short-Term Memory (LSTM) para gerar modelos preditivos que capturam padrões climáticos e suas influências na incidência de dengue, considerando dados espaciais e temporais.

Palavras-chave: modelos, Dengue, predição, engenharia de atributos

Referências

Alves, L., Lana, R., and Coelho, F. (2021). A framework for weather-driven dengue virus transmission dynamics in different brazilian regions. Int. J. Environ. Res. Public Health, 18:9493.

Carrington, L. B., Armijos, M. V., Lambrechts, L., Barker, C. M., and Scott, T. W. (2013). Effects of fluctuating daily temperatures at critical thermal extremes on aedes aegypti life-history traits. PLoS ONE, 8(3):e58824.

Edillo, F., Ymbong, R. R., Navarro, A. O., Cabahug, M. M., and Saavedra, K. (2024). Detecting the impacts of humidity, rainfall, temperature, and season on chikungunya, dengue and zika viruses in aedes albopictus mosquitoes from selected sites in cebu city, philippines. Virology Journal, 21:42.

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.

Machado, C. J. S., Miagostovich, M. P., Leite, J. P. G., and Vilani, R. M. (2013). Promoção da relação saúde-saneamento-cidade por meio da virologia ambiental. Revista de Informação Legislativa, 50(199):321–345.

Ministério da Saúde (2024a). Indicadores de dengue.

Ministério da Saúde (2024b). Sistema Único de saúde (sus).

Reinhold, J. M., Lazzari, C. R., and Lahondère, C. (2018). Effects of the environmental temperature on aedes aegypti and aedes albopictus mosquitoes: A review. Insects, 9(4):158.

Salim, N. A. M., Samsudin, N. A., Ismail, R., et al. (2021). Prediction of dengue outbreak in selangor malaysia using machine learning techniques. Sci. Rep., 11:79193.

Schmidhuber, J. (2015). Deep learning in neural networks: An overview.Neural Networks, 61:85–117.

Zhao, N., Charland, K., Carabali, M., Nsoesie, E. O., Maheu-Giroux, M., Rees, E., et al. (2020). Machine learning and dengue forecasting: Comparing random forests and artificial neural networks for predicting dengue burden at national and sub-national scales in colombia. PLOS Neglected Tropical Diseases, 14(9).