Uma equipe de pesquisadores da Universidad Nacional de San Martín (Unsam), liderada por Ezequiel Álvarez, está desenvolvendo um modelo de inteligência artificial bayesiana para prever surtos de dengue em centros urbanos. A iniciativa faz parte de uma colaboração com o governo da província de Buenos Aires em linhas de inovação tecnológica.

No início de outubro, Nicolás Kreplak, Ministro da Saúde de Buenos Aires, anunciou uma série de ações contra a dengue, além de incentivar a vacinação. Entre elas estão o uso da telemedicina e a implementação de ferramentas de aprendizado de máquina desenvolvidas pela Escola de Ciência e Tecnologia (ECyT) da Unsam para prevenir surtos da doença.

“Esperamos que a temporada de dengue este ano seja muito grande”, disse Kreplak a LA NACIÓN e, em resposta a isso, o Ministro da Saúde optou pela telemedicina para evitar o colapso de emergências e hospitais porque ‘os casos leves requerem apenas repouso e hidratação’.

Além da telemedicina, a província está implementando um sistema de alerta precoce. Os cidadãos podem ligar para o número 148 para relatar sintomas e acessar assistência médica remotamente. Ao mesmo tempo, essas informações fornecerão dados importantes às autoridades de saúde. Juntamente com informações de vigilância epidemiológica e atendimento de plantão, entre outras fontes,eles poderão criar um modelo de inteligência artificial com o objetivo de saber quais quarteirões correm mais risco de contrair dengue. “Dessa forma, poderemos orientar ações estratégicas para reduzir ou mitigar o número de contágios com maior força”, acrescenta o ministro.

O projeto

O desenvolvimento mencionado por Kreplak é um projeto interdisciplinar que envolve biólogos, zoólogos, epidemiologistas e funcionários da equipe do governo da província.

“Na dinâmica da epidemia de dengue, como em qualquer sistema, há muitos processos inter-relacionados que dependem de certas magnitudes. Por exemplo, o clima, o número de casos notificados nos últimos 20 dias, a densidade de habitantes em um quarteirão, o número de ligações para o telefone 148, o número de pessoas que vão ao pronto-socorro, etc. Tudo isso faz parte das magnitudes observadas. Por outro lado, o número de mosquitos infectados em um quarteirão, o número de pessoas doentes em um quarteirão e o nível de evacuação de água do quarteirão fazem parte das magnitudes não observadas”, descreve Ezequiel Álvarez.

O que é inteligência artificial bayesiana? É uma abordagem baseada na aprendizagem a partir da experiência, combinada com a aplicação do Teorema de Bayes. “No aprendizado de máquina bayesiano, você aproveita a parte sobre a qual tem conhecimento, as relações entre os processos e, a partir das quantidades observadas ao longo do tempo, pode inferir relações verdadeiras. Ao fazer isso, o modelo aprende como os processos estão relacionados e, então, pode começar a inferir as magnitudes não observadas com as informações que estão chegando das magnitudes observadas”, explica Alvarez.

De acordo com o cientista, o Teorema de Bayes é uma técnica usada quando há alguns dados que são ignorados e outros que estão disponíveis e são observados são usados. Com essas informações, obtém-se a probabilidade dos dados desconhecidos. "Queremos identificar a distribuição provável do número de mosquitos infectados em cada quarteirão da Grande Buenos Aires. Essa é a nossa 'variável latente' à qual queremos chegar; para isso, usaremos dados sobre o número de chamadas para o 148, densidade populacional, nível socioeconômico, número de pessoas em enfermarias de hospitais, vacinações e o clima nos últimos dias, entre outros dados. Com todas as variáveis interconectadas e, graças à IA Bayesiana, poderemos descobrir a probabilidade de mosquitos em cada quarteirão”, diz ele. Alvarez esclarece que, embora eles não saibam o número exato de mosquitos, o programa de IA lhes permitirá inferir uma distribuição de probabilidade.

Um modelo de inferência bayesiana é muito útil para analisar um sistema tão complexo como a epidemia de dengue porque as pessoas infectadas se deslocam, os mosquitos que elas carregam se deslocam e a doença também, além do tempo que leva para os sintomas aparecerem e os dias que leva para o mosquito começar a se espalhar. Há muitas variáveis que são muito complexas e ocorrem muitos processos que precisam ser levados em conta.

Fase de testes

Alvarez diz que uma primeira versão do modelo já foi testada. "Ele está funcionando muito bem e esperamos que melhore, pois está aprendendo com o passar do tempo. No momento, estamos fazendo uma pré-análise dos dados do ano passado com a IA Bayesiana para entender a correlação entre os dados. O modelo final ainda não está definido”, diz ele.

A data estimada para o recebimento dos dados com o modelo finalizado é o início de dezembro. De acordo com Álvarez, não faz sentido encerrá-lo hoje se esse programa puder continuar a aprender e melhorar até lá. “Para que esse modelo seja aprimorado, criamos dados sintéticos e verificamos o desempenho do modelo, por exemplo. Fazemos discussões em grupo e apresentamos ideias para incorporar mais dados. Por exemplo, há alguns dias, tivemos a ideia de acrescentar informações geográficas sobre onde as pessoas estão fazendo campanha”, diz ele.

A IA está aprendendo à medida que é usada. “Quando os dados deste ano começarem a chegar, o que presumimos que ocorrerá entre novembro e dezembro, o modelo aprenderá e se tornará cada vez mais preciso para estimar variáveis que não podem ser medidas hoje, como a probabilidade do número de mosquitos doentes em cada quarteirão”, ressalta o cientista.

“Ao rodar o modelo, juntamente com os dados que chegarão da epidemia, esperamos descobrir que em alguns lugares essa distribuição de probabilidade será maior do que em outros, e essa informação será fundamental para tomar ações ágeis e eficientes por meio de políticas públicas e, dessa forma, evitar surtos de dengue”, conclui Álvarez.

De acordo com o pesquisador, espera-se que esse desenvolvimento permita que as autoridades competentes realizem diferentes ações para reduzir os surtos de dengue, otimizar os recursos de saúde pública e fortalecer a prevenção contínua; e, como resultado de todas essas ações, reduzir drasticamente o número de pessoas doentes e os custos para o sistema de saúde.

O importante desse estudo é a escalabilidade do projeto, que pode ser usado e exportado para trabalhar em epidemias como a malária ou a febre da Crimeia-Congo, entre muitas outras.