Mineração de Texto no Twitter: uma ferramenta auxiliar na detecção de epidemias

• Maria Denise Simões IFB
• Ana Régia de M. Neves IFB

DOI: https://doi.org/10.5753/sbcas.2021.16072

Resumo

Em 11 de março de 2020, a Organização Mundial da Saúde (OMS) declarou o estado de pandemia de Covid-19. No Brasil, os sistemas oficiais responsáveis pela visibilidade dos dados da pandemia não são integrados, o que dificulta o cruzamento de dados e prejudica a investigação do cenário da Covid-19 em cada região. O processo de mineração de texto em mídias sociais está sendo utilizado para deteção e monitoramento de doenças. Nesse contexto, o objetivo deste artigo é realizar uma mineração de texto na rede social Twitter, a fim de analisar a tendência epidemiológica de uma série temporal dos dados sobre Covid-19 no Brasil, testando a hipótese de que o monitoramento das mídias sociais pode auxiliar na detecção de epidemias. Os resultados quantitativos confirmam a hipótese levantada quando comparados aos dados dos agentes oficiais notificadores.

Referências

Alimohamadi, Y., Sepandi, M., Taghdir, M., and Hosamirudsari, H. (2020). Determine the most common clinical symptoms in covid-19 patients: a systematic review and meta-analysis. Journal of Preventive Medicine and Hygiene, 61(3):304–312.

Aranha, C. N. (2007). Uma abordagem de préprocessamento automatico para mineração de textos em português: sob o enfoque da inteligência computacional. PhD thesis, Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro.

Arkin, H. and Colton, R. R. (1963). Tables for statisticians. Barnes and Noble.

Charles-Smith, L. E., Reynolds, T. L., Cameron, M. A., Conway, M., Lau, E. H. Y., Olsen, J. M., Pavlin, J. A., Shigematsu, M., Streichert, L. C., Suda, K. J., and Corley, C. D. (2015). Using social media for actionable disease surveillance and outbreak management: A systematic literature review. PLoS One, 10(10):1–20.

de Vigilância em Saúde, S. (2021). Boletim epidemiológico especial 52: doença pelo coronavírus covid-19. Technical report, Ministério da Saúde.

Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S., and Brilliant, L. (2009). Detecting inuenza epidemics using search engine query data. Nature, 457(7232):1012–1014.

Gomide, C. S., de Freitas de Carvalho Lima, A. A. T., Gomide, J. S., Roque, D. M., and Silva, T. S. (2014). O twitter como instrumento de detecção de epidemias de dengue e desenvolvimento de políticas públicas. In XXXVIII Encontro da ANPAD, pages 1–14.

Jahanbin, K. and Rahmanian, V. (2020). Using twitter and web news mining to predict covid-19 outbreak. Asian Pacic Journal of Tropical Medicine, 13(8):378–380.

Kraemer, M. U. G., Yang, C.-H., Gutierrez, B., Wu, C.-H., Klein, B., Pigott, D. M., Group, O. C.-. D. W., du Plessis, L., Faria, N. R., Li, R., Hanage, W. P., Brownstein, J. S., Layan, M., Vespignani, A., Tian, H., Dye, C., Pybus, O. G., and Scarpino, S. V. (2020). The effect of human mobility and control measures on the covid-19 epidemic in china. Science, 368(6490):493–497.

Li, J. and Cardie, C. (2013). Early stage inuenza detection from twitter. CoRR, abs/1309.7340.

MonitoraCovid-19 (2020). O tempo dos dados: explorando a cobertura e oportunidade do sivep-gripe e o e-sus ve. Technical report, Laboratório de Informação em Saúde (LIS), Instituto de Comunicação e Informação Cientíca e Tecnológica em Saúde (ICICT), Fiocruz.

Zhang, Q., Perra, N., Perrotta, D., Tizzoni, M., Paolotti, D., and Vespignani, A. (2017). Forecasting seasonal inuenza fusing digital indicators and a mechanistic disease model. pages 311–319.