Utilização de técnicas de Machine Learning e de Deep Learning para a predição de casos de internações causadas por dengue em municípios da Paraíba
Resumo
Dengue é um problema de saúde pública no Brasil, os casos da doença voltaram a crescer na Paraíba. O boletim epidemiológico da Paraíba, divulgado em agosto de 2021, informa um aumento de 53% de casos em relação ao ano anterior. Técnicas de Machine Learning (ML) e de Deep Learning estão sendo utilizadas como ferramentas para a predição da doença e suporte ao seu combate. Por meio das técnicas Random Forest (RF), Support Vector Regression (SVR), Multilayer Perceptron (MLP), Long ShortTerm Memory (LSTM) e Convolutional Neural Network (CNN), este artigo apresenta um sistema capaz de realizar previsões de internações causadas por dengue para as cidades Bayeux, Cabedelo, João Pessoa e Santa Rita. O sistema conseguiu realizar previsões para Bayeux com taxa de erro 0,5290, já em Cabedelo o erro foi 0,92742, João Pessoa 9,55288 e Santa Rita 0,74551.
Referências
Awad, M. and Khanna, R. (2015) Efficient learning machines: Theories, concepts, and applications for engineers and system designers. In Apress Media LLC.
Beserra, Eduardo B., Freitas, Eraldo M. de, Souza, José T. de, Fernandes, Carlos R. M. and Santos, Keliana D. (2009). Ciclo de vida de Aedes (Stegomyia) aegypti (Diptera, Culicidae) em águas com diferentes características. In Iheringia. Série Zoologia.
Carvajal, T.M., Viacrusis, K.M., Hernandez, L.F.T., et al. (2018). Machine learning methods reveal the temporal pattern of dengue incidence using meteorological factors in metropolitan Manila, Philippines. In BMC Infectious Diseases, v. 18, n. 1.
Carvalho, T. M., Tenório, G. L., Figueiredo, K., Vellasco and M., Caarls, W. (2019) Comparison of Machine Learning Models for Total Dengue Cases Prediction.
Doni, A. R. and Sasipraba, T. (2020). Lstm-Rnn Based Approach for Prediction of Dengue Cases in India. In Ingenierie des Systemes d’Information.
Guo, Pi, Liu, Tao, Zhang, Qin, Wang, Li, Xiao, Jianpeng, Zhang, Qingying, Luo, Ganfeng, Li, Zhihao, He, Jianfeng, Zhang, Yonghui and Ma, Wenjun. (2017) Developing a dengue forecast model using machine learning: A case study in China. In PLoS Neglected Tropical Diseases, v. 11, n. 10.
Kirby, Simon, Paramaguru, Kanya and Warren, James. (2015) The Accuracy of NIESR’s GDP Growth Forecasts. In National Institute Economic Review.
Mussumeci, E. and Codeço Coelho, F. (2020). Large-scale multivariate forecasting models for Dengue - LSTM versus random forest regression. Spatial and Spatio-temporal Epidemiology, v. 35.
Norrby, R. (2014) Outlook for a dengue vaccineClinical Microbiology and Infection. Disponível: [link]. Acesso em: 21 set. 2020.
PARAÍBA. (2021) Boletins Epidemiológicos. Disponível em: [link]. Acesso em: 21 jul. 2021.
Pham, Duc Nghia, Aziz, Tarique, Kohan, Ali, Nellis, Syahrul , Jamil, Juraina Binti Abd ,Khoo, Jing Choco ,Lukose, et al. (2018) How to Efficiently Predict Dengue Incidence in Kuala Lumpur. Proceedings - 2018 In 4th International Conference on Advances in Computing, Communication and Automation, ICACCA
Swaminathan, S. and Khanna, N. (2019) Dengue vaccine development: Global and Indian scenarios. In International Journal of Infectious Diseases, v. 84, p. S80–S86.
Xu, Keqiang, Li, Zhichao, Meng, Fengxia, Tu, Taotian, Xu, Lei. et al. (2020). Forecast of dengue cases in 20 chinese cities based on the deep learning method. In International Journal of Environmental Research and Public Health, v. 17, n. 2.
Zhao, K. and Wang, C. (2017). Sales Forecast in E-commerce using Convolutional Neural Network.