Usando IA pra Combater Doenças Transmitidas por Mosquitos

Muitos vírus são transmitidos por insetos, especialmente mosquitos, que podem causar doenças em humanos. Entre os vários vírus, a febre amarela, Dengue, Zika e chikungunya são os mais significativos. As fêmeas dos mosquitos Aedes, especialmente o Aedes Aegypti, são os principais transmissores desses vírus. O Aedes aegypti está ligado a surtos de dengue e também participa da disseminação da febre amarela, chikungunya e Zika. Em 2019, o Brasil enfrentou um grande surto de dengue com mais de 2,3 milhões de casos registrados.

Atualmente, existe uma vacina eficaz para a febre amarela e uma nova vacina para dengue chamada Qdenga que foi aprovada para um público mais amplo, mas só está disponível em laboratórios privados por enquanto. Para controlar a propagação de doenças transmitidas por mosquitos Aedes, é crucial reduzir o contato humano com esses insetos e implementar medidas contra suas fases imaturas (larvas e pupas), além dos mosquitos adultos, especialmente as fêmeas, já que elas se alimentam principalmente do sangue humano.

O Aedes aegypti se dá bem em áreas urbanas, usando tanto recipientes naturais quanto artificiais com água para reproduzir. O grande número de recipientes que acumulam água nas cidades torna difícil controlar as populações de mosquitos, levando a várias tentativas malsucedidas de gerenciar essas doenças. As estratégias atuais para controlar o Aedes aegypti são caras, trabalhosas e muitas vezes ineficazes, destacando a necessidade urgente de melhores métodos.

Diferentes estratégias têm sido empregadas para combater a dengue, Zika e chikungunya, especialmente em cidades onde essas doenças são comuns. Em regiões como América Latina e Sudeste Asiático, as autoridades de saúde muitas vezes dependem de métodos tradicionais de vigilância, como relatórios de serviços de saúde e confirmações de laboratório. No entanto, a demora entre a identificação de casos e a notificação das agências de saúde limita as respostas rápidas a surtos, o que pode ter consequências graves.

Outro desafio é a vigilância entomológica necessária para rastrear o Aedes aegypti. Essa vigilância pode ser demorada e cara, exigindo um esforço extenso para inspeções domiciliares. É também trabalhoso compilar e verificar todos os dados necessários.

Para aprimorar os esforços de vigilância e controle, é essencial identificar áreas específicas com alto risco de infestações de Aedes aegypti. O Índice de Condição Premissa (PCI) é uma ferramenta que pode ajudar a direcionar os esforços de vigilância e prevenção. O PCI avalia as condições dos prédios, conservação e sombreamento, dando uma pontuação que indica quão provável é um prédio se tornar um local de reprodução para o Aedes aegypti.

Vários estudos confirmaram que pontuações mais altas de PCI estão correlacionadas a uma maior reprodução de mosquitos. Por exemplo, no Rio de Janeiro e em outras cidades brasileiras, foram encontrados maiores números de ovos de Aedes aegypti em ambientes com pontuações de PCI mais altas. Infelizmente, aplicar o PCI também pode ser trabalhoso e caro.

Este estudo propõe usar imagens de nível de rua e Inteligência Artificial (IA) para prever o PCI de prédios sem a necessidade de inspeções presenciais. O uso de IA poderia agilizar o processo e fornecer insights valiosos para as políticas de saúde pública, tornando o monitoramento e a prevenção mais eficazes.

#IA no Controle de Doenças

As iniciativas preventivas atuais se concentram em mapear e controlar mosquitos transmissor de doenças. A IA, especialmente o aprendizado de máquina, oferece muitas possibilidades nessa área, desde determinar quais dados coletar até as medidas a serem estimadas.

Alguns estudos indicaram que áreas urbanas com maior vulnerabilidade frequentemente têm uma infestação maior de Aedes aegypti. Pesquisadores usaram dados de pesquisa de campo relacionados ao status socioeconômico, como níveis de renda e educação, além de informações ambientais como temperatura e umidade. Recentemente, surgiu um interesse crescente em usar imagens para esse propósito. Pesquisas mostraram que dados de imagens aéreas podem correlacionar positivamente com populações de mosquitos. No entanto, pouca pesquisa se concentrou nas informações derivadas de imagens de fachadas de prédios, que é o foco principal deste estudo.

Enquanto prever diretamente o número de mosquitos pode ser complicado devido à necessidade de uma coleta de dados extensiva, o aprendizado de máquina permite que os pesquisadores encontrem maneiras alternativas de reunir dados. Um método proeminente inclui localizar locais comuns de reprodução de mosquitos em áreas residenciais, como baldes ou piscinas.

Explorando uma abordagem única, alguns pesquisadores identificaram que sinais de degradação dos prédios poderiam ser derivados de imagens de fachadas, sugerindo uma correlação entre prédios mal conservados e condições adequadas para a reprodução de mosquitos. No entanto, não foram encontrados estudos que vinculem diretamente imagens de fachadas a pontuações de PCI. Este estudo, portanto, visa aplicar métodos avançados de aprendizado profundo para fazer tais previsões.

A abordagem proposta prevê pontuações de PCI com base em imagens de nível de rua de prédios. Este trabalho combina métodos de aprendizado profundo com dados de nível de rua, focando na previsão do PCI, que é essencial para monitorar infestações de Aedes aegypti. Esta pesquisa faz parte de um projeto financiado por uma fundação de pesquisa com o objetivo de usar sensoriamento remoto e IA para identificar áreas de alto risco para infestações de Aedes aegypti e doenças relacionadas.

#Pesquisa Anterior

Devido às suas implicações significativas para a saúde pública, várias técnicas foram propostas para aproveitar a IA e o processamento de imagens para mapear áreas em risco de infestações de Aedes aegypti. Por exemplo, pesquisadores classificaram bairros com base em dados ambientais extraídos de imagens de satélite e correlacionaram essas classificações com dados de pesquisa entomológica para identificar fatores ligados à proliferação de mosquitos.

Outros estudos utilizaram dados de sensoriamento remoto para detectar locais de reprodução de mosquitos, enquanto alguns criaram redes que preveem taxas de febre dengue com base em imagens de ruas ao redor. Um foco significativo foi colocado na utilização de técnicas de aprendizado de máquina para analisar imagens e tirar conclusões sobre os fatores ambientais que influenciam as populações de Aedes aegypti.

Pesquisas recentes têm buscado fundir dados de imagens aéreas e imagens de nível de rua para identificar fatores ambientais associados ao Aedes aegypti, prevendo posteriormente taxas de febre dengue em cenários urbanos. Alguns estudos exploraram a detecção de locais de reprodução em imagens de ruas, enquanto outros combinaram dados relacionados à saúde com imagens capturadas por drones para identificar áreas de alto risco, demonstrando ainda mais a utilidade dessas técnicas na saúde pública.

#Visão Geral da Área de Pesquisa

Este estudo foca especificamente em Campinas, uma cidade no estado de São Paulo, Brasil, que tem uma população de mais de um milhão de pessoas. A cidade tem lutado contra infestações de Aedes aegypti desde 1991, com a transmissão de dengue começando em 1996. Desde então, houve um aumento nos casos relatados, com mais de 175.000 casos de dengue registrados de 2010 a 2023.

Campinas tem enfrentado grandes surtos de dengue nos últimos anos, e o Ministério da Saúde a designa como uma área prioritária devido à alta incidência da doença e sua localização geográfica. O extenso sistema de transporte da cidade contribui para a potencial disseminação de doenças transmitidas por mosquitos.

A área de pesquisa abrange 1.293 setores censitários urbanos. O projeto utiliza imagens de satélite de alta resolução para coletar dados sobre as fachadas dos prédios nessas áreas.

#Coleta e Estruturação de Dados

Para avaliar o PCI, setores censitários urbanos foram selecionados com base em critérios específicos, incluindo indicadores de vulnerabilidade social e contagem de domicílios. Um sorteio aleatório sistemático resultou em 1.054 setores censitários elegíveis, que foram reduzidos por amostragem, levando à seleção de 200 setores para trabalho de campo.

Os dados foram coletados através de duas rodadas de trabalho de campo, com foco em várias características que influenciam o PCI. As características incluíram tipos de prédios, condições das fachadas, condições de quintais, sombreamento, pavimentação, materiais de cobertura e locais potenciais de reprodução de mosquitos.

Para facilitar o processo de coleta de dados, um aplicativo móvel foi criado. As equipes de campo foram treinadas para avaliar as condições dos prédios e tirar fotografias. Os dados foram armazenados offline e depois enviados para um banco de dados centralizado para análise.

Após a coleta de dados, o conjunto de dados preliminar incluiu vários registros que foram limpos e filtrados para remover erros e duplicatas, resultando em um conjunto de dados final adequado para análise.

Além disso, imagens do Google Street View foram coletadas como um método suplementar para aumentar o volume de imagens de fachadas disponíveis para estudo. Esse método permite coletar um grande número de imagens rapidamente em grandes áreas, reduzindo a necessidade de inspeções físicas dos prédios.

As fachadas foram categorizadas com base nas pontuações de PCI, que serviram como base para treinar um modelo de aprendizado profundo. A arquitetura do modelo foi escolhida com base no equilíbrio entre precisão e eficiência computacional.

#Resultados

A análise dos dados revelou que a maioria dos prédios pesquisados em Campinas estava em boas ou intermediárias condições. Uma proporção significativa de prédios era totalmente pavimentada, e muitos mostraram sinais de falta de manutenção. Este estudo encontrou uma forte correlação entre as condições das fachadas dos prédios e o PCI geral, indicando que as condições das fachadas poderiam servir como indicadores confiáveis do risco de reprodução de mosquitos.

O modelo de IA desenvolvido, chamado PCINet, foi treinado com os dados coletados para prever o PCI com base em imagens das fachadas dos prédios. O modelo passou por testes rigorosos usando um método de validação cruzada K-fold para garantir confiabilidade. Os resultados mostraram que, embora o modelo pudesse diferenciar com sucesso entre diferentes condições de fachadas, certas classes foram mais desafiadoras do que outras, particularmente na distinção de gradações intimamente relacionadas.

O modelo foi testado contra um conjunto de dados separado coletado a partir de imagens do Google Street View para avaliar sua generalizabilidade. As previsões feitas pelo PCINet foram comparadas a dados rotulados por humanos, revelando que o modelo identificou efetivamente áreas de alto risco, apesar de enfrentar alguns desafios devido a diferenças na qualidade e nas condições das imagens.

No geral, o uso de aprendizado de máquina para analisar imagens de fachadas provou ser um método eficaz para avaliar as condições dos prédios e identificar áreas de alto risco para reprodução de vetores. Essa abordagem poderia agilizar significativamente os esforços das agências de controle de pragas, permitindo avaliações mais rápidas em áreas urbanas maiores.

#Discussão

O estudo destaca o potencial da IA para revolucionar as abordagens de controle de doenças transmitidas por mosquitos. Ao aproveitar dados de imagens e aprendizado de máquina, autoridades de saúde pública podem alocar recursos de forma mais eficaz e priorizar áreas onde as intervenções são mais necessárias. Usar as condições das fachadas como um preditor de PCI minimiza a necessidade de visitas de campo extensivas, que podem ser caras e demoradas.

Embora os achados apresentem possibilidades promissoras, eles também levantam questões sobre a consistência e a precisão das etiquetas geradas por humanos para as condições das fachadas. A natureza subjetiva dessas classificações pode levar a variações que afetam o desempenho do modelo. Pesquisas futuras devem se concentrar em refinar o processo de rotulagem e investigar ainda mais as relações entre as condições das fachadas e os riscos de reprodução de mosquitos.

Além disso, é essencial considerar as implicações mais amplas do uso de IA em estratégias de saúde pública. A capacidade de avaliar rapidamente os riscos em regiões extensas pode aumentar a eficácia dos programas de controle de mosquitos, especialmente em locais com recursos limitados. No entanto, é vital integrar esses avanços tecnológicos com medidas tradicionais de saúde pública para criar uma abordagem abrangente para a prevenção de doenças.

#Conclusão

Em conclusão, este estudo demonstra que IA e aprendizado de máquina podem melhorar significativamente a vigilância e o controle de doenças transmitidas por mosquitos. Ao prever o PCI com base em imagens de fachadas de prédios, as autoridades de saúde pública podem priorizar melhor as intervenções em áreas urbanas vulneráveis a infestações de Aedes aegypti. O desenvolvimento do PCINet destaca o valor de combinar tecnologias inovadoras com estratégias de saúde pública existentes para aprimorar a eficácia dos programas de controle de vetores.

Olhando para o futuro, será crucial continuar refinando essa abordagem e expandindo o conjunto de dados para aprimorar ainda mais a precisão do modelo. A integração com dados socioeconômicos e ambientais poderia proporcionar avaliações mais robustas, levando a melhores resultados de saúde pública.