Predição de Surtos de Dengue e Diagnóstico de Sífilis Congênita Utilizando Aprendizado de Máquina

  • Robson Aleixo USP
  • Fabio Kon USP
  • Raphael Y. de Camargo UFABC

Resumo


A sífilis congênita e a dengue são duas doenças que causam impactos significativos no Brasil e em outros países do Hemisfério Sul, afetando a saúde de milhões de pessoas. A sífilis é uma infecção sexualmente transmissível (IST) que ao ser transmitida em crianças durante o período da gestação, é chamada de sífilis congênita. Já a dengue é uma doença viral transmitida pelos mosquitos Aedes Aegypti e Aedes Albopictus. Nesta dissertação, desenvolvemos aplicações inovadoras de modelos de aprendizado de máquina para essas doenças. O primeiro deles estima a probabilidade de uma criança nascer com sífilis. O segundo prevê surtos de dengue com base em dados sociodemográficos, climáticos, série histórica de casos, número de unidades de saúde, índice de mensuração de mosquitos e séries históricas de zika e chikungunya. No caso da sífilis congênita, avaliamos os modelos pela métrica AUC (Area Under Curve) e o resultado foi bom mas não excelente, i.e., 0.68 para a predição de casos positivos, obtidos pelos modelos LightGBM e XGBoost. No que se refere à dengue, o modelo Catboost obteve resultados muito bons, identificando 75% dos surtos com três meses de antecedência. Parte significativa deste trabalho foi investida na explicabilidade das predições de dengue, o que torna o modelo um importante aliado para a desenho de políticas públicas de saúde.

Referências

Aleixo, R., Kon, F., Rocha, R., Camargo, M., and de Camargo, R. (2022). Predicting dengue outbreaks with explainable machine learning. In 1st Int. Workshop on Artificial Intelligence for Health (AI4Health 2022), Taormina, Italy. IEEE Computer Society. Disponível em https://ieeexplore.ieee.org/abstract/document/9826002.

Guinsburg, R. and Santos, A. M. N. d. (2010). Critérios diagnósticos e tratamento da sífilis congênita.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Lago, E. G., Rodrigues, L. C., Fiori, R. M., and Stein, A. T. (2004). Congenital syphilis: identification of two distinct profiles of maternal characteristics associated with risk. Sexually transmitted diseases, 31(1):33–37.

Liu, J.-B., Hong, F.-C., Pan, P., Zhou, H., Yang, F., Cai, Y.-M., Wen, L.-Z., Lai, Y.-H., Lin, L.-J., and Zeegers, M. P. (2010). A risk model for congenital syphilis in infants born to mothers with syphilis treated in gestation: a prospective cohort study. Sexually Transmitted Infections, 86(4):292–296.

Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., and Lee, S.-I. (2020). From local explanations to global understanding with explainable ai for trees. Nature machine intelligence, 2(1):56–67.

Siriyasatien, P., Chadsuthi, S., Jampachaisri, K., and Kesorn, K. (2018). Dengue epidemics prediction: A survey of the state-of-the-art based on data science processes. IEEE Access, 6:53757–53795.
Publicado
27/06/2023
ALEIXO, Robson; KON, Fabio; CAMARGO, Raphael Y. de. Predição de Surtos de Dengue e Diagnóstico de Sífilis Congênita Utilizando Aprendizado de Máquina. In: PRÊMIO ARTUR ZIVIANI - CONCURSO DE TESES E DISSERTAÇÕES (MESTRADO) - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 23. , 2023, São Paulo/SP. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 96-101. ISSN 2763-8987. DOI: https://doi.org/10.5753/sbcas_estendido.2023.229432.