Modelos de Previsão para Avaliação de Casos de Malária na Amazônia Legal Brasileira
Resumo
A malária é uma doença infecciosa que acomete milhares de pessoas todos os anos ao redor do mundo. A região conhecida como Amazônia Legal brasileira, composta por nove estados das regiões norte, nordeste e centro-oeste, é a mais afetada no território nacional. Este trabalho realizou uma análise da série temporal do números de casos de malária ocorridos nesta região, a fim de identificar e treinar modelos estatísticos capazes de prever a incidência da doença no futuro (1 mês), baseando-se em dados históricos. Os dados utilizados foram obtidos do SIVEP-Malária (Sistema de Informação de Vigilância Epidemiológica da Malária) que é responsável pela coleta e divulgação de informações sobre a Malária no Brasil e contém registro de mais de três milhões de notificações entre os anos de 2006 a 2019. Os resultados da utilização do método de Validação Walk-Foward para modelos ARIMA se mostraram satisfatórios para a previsão de casos na região como um todo e, também, em cada um dos estados separadamente, com exceção do estado de Tocantins que possui uma incidência muito baixa de infecções.
Palavras-chave:
malaria, série temporal, arima, amazônia legal
Referências
Abolmaali, S. and Shirzaei, S. (2021). A comparative study of sir model, linear regression, logistic function and arima model for forecasting covid-19 cases. AIMS Public Health, 8(4):598.
Alemu, A., Abebe, G., Tsegaye, W., and Golassa, L. (2011). Climatic variables and malaria transmission dynamics in jimma town, south west ethiopia. Parasites & vectors, 4(1):1-11.
Anokye, R., Acheampong, E., Owusu, I., and Isaac Obeng, E. (2018). Time series analysis of malaria in kumasi: Using arima models to forecast future incidence. Cogent social sciences, 4(1):1461544.
Beluzo, C. E., Arruda, N. M., de Souza Maia, V., and Alves, L. C. (2021). Data visualization for epidemiological and demographic data for malaria surveillance in the brazilian amazon, 2007-2019. medRxiv.
Carlos, B. C., Rona, L. D., Christophides, G. K., and Souza-Neto, J. A. (2019). A comprehensive analysis of malaria transmission in brazil. Pathogens and global health, 113(1):1-13.
Cryer, J. D. (1986). Time series analysis, volume 286. Springer. Ferrão, J. L., Earland, D., Novela, A., Mendes, R., Tungadza, A., and Searle, K. M. (2021). Malaria temporal variation and modelling using time-series in sussundenga district, mozambique. International journal of environmental research and public health, 18(11):5692.
Fisman, D. N. (2007). Seasonality of infectious diseases. Annu. Rev. Public Health, 28:127-143.
He, Z. and Tao, H. (2018). Epidemiology and arima model of positive-rate of influenza viruses among children in wuhan, china: A nine-year retrospective study. International Journal of Infectious Diseases, 74:61-70.
Jere, S. and Moyo, E. (2016). Modelling epidemiological data using box-jenkins procedure. Open Journal of Statistics, 6(2):295-302.
Lapouble, O. M. M., Santelli, A. C. F., Muniz-Junqueira, M. I., et al. (2015). Situação epidemiológica da malária na região amazônica brasileira, 2003 a 2012. Revista Panamericana de Salud Pública, 38:300-306.
Lima, M. V. M. d. and Laporta, G. Z. (2021). Avaliação de modelos de predição para ocorrência de malária no estado do amapá, 1997-2016: um estudo ecológico. Epidemiologia e Serviços de Saúde, 30:e2020080.
MS (2006). Ações de controle da malária: manual para profissionais de saúde na atenção básica. Ministério da Saúde Brasília.
Perone, G. (2020). An arima model to forecast the spread and the final size of covid-2019 epidemic in italy. MedRxiv.
Purwa, T., Nafngiyana, U., and Suhartono, S. (2014). Comparison of arima, transfer function and var models for forecasting cpi, stock prices, and indonesian exchange rate: Accuracy vs. explainability. Statistics, 2020.
Rojat, T., Puget, R., Filliat, D., Del Ser, J., Gelin, R., and Díaz-Rodríguez, N. (2021). Explainable artificial intelligence (xai) on timeseries data: A survey. arXiv preprint arXiv:2104.00950.
Sarpong, S. A. (2013). Modeling and forecasting maternal mortality; an application of arima models. International Journal of Applied, 3(1):19-28.
Tran, T. N., Phuc, D. T., et al. (2021). Grid search of multilayer perceptron based on the walk-forward validation methodology. International Journal of Electrical and Computer Engineering, 11(2):1742.
Wang, W.-C., Chau, K.-W., Cheng, C.-T., and Qiu, L. (2009). A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3-4):294-306.
WHO (1993). A global strategy for malaria control. World Health Organization.
WHO (2021). World malaria report 2021. World Health Organization.
Wolfarth-Couto, B., Filizola, N., and Durieux, L. (2020). Padrão sazonal dos casos de malária e a relação com a variabilidade hidrológica no estado do amazonas, brasil. Revista Brasileira de Epidemiologia, 23:e200018.
Wolfarth-Couto, B., Silva, R. A. d., and Filizola, N. (2019). Variabilidade dos casos de malária e sua relação com a precipitação e nível d'água dos rios no estado do amazonas, brasil. Cadernos de Saúde Pública, 35.
Alemu, A., Abebe, G., Tsegaye, W., and Golassa, L. (2011). Climatic variables and malaria transmission dynamics in jimma town, south west ethiopia. Parasites & vectors, 4(1):1-11.
Anokye, R., Acheampong, E., Owusu, I., and Isaac Obeng, E. (2018). Time series analysis of malaria in kumasi: Using arima models to forecast future incidence. Cogent social sciences, 4(1):1461544.
Beluzo, C. E., Arruda, N. M., de Souza Maia, V., and Alves, L. C. (2021). Data visualization for epidemiological and demographic data for malaria surveillance in the brazilian amazon, 2007-2019. medRxiv.
Carlos, B. C., Rona, L. D., Christophides, G. K., and Souza-Neto, J. A. (2019). A comprehensive analysis of malaria transmission in brazil. Pathogens and global health, 113(1):1-13.
Cryer, J. D. (1986). Time series analysis, volume 286. Springer. Ferrão, J. L., Earland, D., Novela, A., Mendes, R., Tungadza, A., and Searle, K. M. (2021). Malaria temporal variation and modelling using time-series in sussundenga district, mozambique. International journal of environmental research and public health, 18(11):5692.
Fisman, D. N. (2007). Seasonality of infectious diseases. Annu. Rev. Public Health, 28:127-143.
He, Z. and Tao, H. (2018). Epidemiology and arima model of positive-rate of influenza viruses among children in wuhan, china: A nine-year retrospective study. International Journal of Infectious Diseases, 74:61-70.
Jere, S. and Moyo, E. (2016). Modelling epidemiological data using box-jenkins procedure. Open Journal of Statistics, 6(2):295-302.
Lapouble, O. M. M., Santelli, A. C. F., Muniz-Junqueira, M. I., et al. (2015). Situação epidemiológica da malária na região amazônica brasileira, 2003 a 2012. Revista Panamericana de Salud Pública, 38:300-306.
Lima, M. V. M. d. and Laporta, G. Z. (2021). Avaliação de modelos de predição para ocorrência de malária no estado do amapá, 1997-2016: um estudo ecológico. Epidemiologia e Serviços de Saúde, 30:e2020080.
MS (2006). Ações de controle da malária: manual para profissionais de saúde na atenção básica. Ministério da Saúde Brasília.
Perone, G. (2020). An arima model to forecast the spread and the final size of covid-2019 epidemic in italy. MedRxiv.
Purwa, T., Nafngiyana, U., and Suhartono, S. (2014). Comparison of arima, transfer function and var models for forecasting cpi, stock prices, and indonesian exchange rate: Accuracy vs. explainability. Statistics, 2020.
Rojat, T., Puget, R., Filliat, D., Del Ser, J., Gelin, R., and Díaz-Rodríguez, N. (2021). Explainable artificial intelligence (xai) on timeseries data: A survey. arXiv preprint arXiv:2104.00950.
Sarpong, S. A. (2013). Modeling and forecasting maternal mortality; an application of arima models. International Journal of Applied, 3(1):19-28.
Tran, T. N., Phuc, D. T., et al. (2021). Grid search of multilayer perceptron based on the walk-forward validation methodology. International Journal of Electrical and Computer Engineering, 11(2):1742.
Wang, W.-C., Chau, K.-W., Cheng, C.-T., and Qiu, L. (2009). A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3-4):294-306.
WHO (1993). A global strategy for malaria control. World Health Organization.
WHO (2021). World malaria report 2021. World Health Organization.
Wolfarth-Couto, B., Filizola, N., and Durieux, L. (2020). Padrão sazonal dos casos de malária e a relação com a variabilidade hidrológica no estado do amazonas, brasil. Revista Brasileira de Epidemiologia, 23:e200018.
Wolfarth-Couto, B., Silva, R. A. d., and Filizola, N. (2019). Variabilidade dos casos de malária e sua relação com a precipitação e nível d'água dos rios no estado do amazonas, brasil. Cadernos de Saúde Pública, 35.
Publicado
28/11/2022
Como Citar
SANTOS, Natalia; SILVA, Everton; BELUZO, Carlos; ALVES, Luciana C..
Modelos de Previsão para Avaliação de Casos de Malária na Amazônia Legal Brasileira. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 19. , 2022, Campinas/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 670-681.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2022.227370.
