Análise e predição de incidência de casos de malária no tempo e no espaço utilizando modelos deep learning

• Matheus Félix Xavier Barboza UPE http://orcid.org/0000-0003-0912-7705
• Vanderson de Souza Sampaio FVS-AM / FMT-HVD http://orcid.org/0000-0001-7307-8851
• Patricia Takako Endo UPE https://orcid.org/0000-0002-9163-5583

DOI: https://doi.org/10.5753/sbsi.2021.15372

Resumo

A malária é uma doença com risco de vida evitável e curável, mas houve mais de 228 milhões de casos de malária e 405.000 mortes por malária em 2018. Enquanto mais de 42 milhões de brasileiros estão sob risco de malária, 99% de todos os casos de malária no Brasil estão localizados dentro ou ao redor da floresta amazônica. Apesar do declínio de casos e mortes, a malária continua sendo um grande problema de saúde pública no Brasil. Em resposta a pedidos de novas pesquisas sobre estratégias de eliminação da malária para atender às condições locais, este artigo propõe modelos de machine learning e deep learning para prever a probabilidade de casos de malária no Estado do Amazonas. Usando um conjunto de dados de aproximadamente 6 milhões de registros, avaliamos os modelos {Random Forest, LSTM e GRU e comparamos desempenho por área geográfica usando a classificação de regionais de saúde do Estado do Amazonas e clusters através do algoritmo k-means. Os resultados sugerem que todos os modelos têm uma precisão satisfatória e forte potencial para prever novos casos de malária na região.

Palavras-chave: Malária, deep learning, machine learning, LSTM, GRU, Random Forest

Referências

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.

Chung, J., Gulcehre, C., Cho, K., and Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.

da Silva, J. C., Monteiro, A. C. P., and de Souza Fonseca, S. (2018). Plano estadual de educação permanente em saúde do Amazonas - Brasil - 2019 - 2020.

Jozefowicz, R., Zaremba, W., and Sutskever, I. (2015). An empirical exploration of recurrent network architectures. International Conference on Machine Learning, pages 2342 - 2350.

Kopec, D. (2019). Classic Computer Science Problems in Python. Manning Publications Co.

World Health Organization (WHO) (2018). Malaria Profile - Brazil 2018.