Ciências Exatas e da Terra
Ciência da Computação
Resumo
O combate à dengue enfrenta desafios associados à dificuldade da eliminação eficiente de criadouros e de preparação para picos da doença, que ocorrem de maneira imprevisível. Atualmente, a remoção de focos de proliferação do mosquito depende da colaboração social e de um processo lento de checagem de porta em porta pelas equipes de combate às endemias. A previsão de casos também carece de ferramentas eficientes, possuindo limitações acerca da acessibilidade das previsões e do escopo da cobertura. A fim de auxiliar na elaboração e execução de medidas eficazes de combate à dengue, este trabalho desenvolveu uma rede neural LSTM capaz de estimar futuros casos de dengue com semanas de antecedência e elaborou um modelo de algoritmo YOLO que permite a identificação dos principais focos de propagação do mosquito da dengue ao reconhecer criadouros e associá-los a domicílios. O modelo de previsão de casos se baseou em dados de ocorrência de dengue disponibilizados pelo DATASUS e dados climáticos da NASA, enquanto o modelo de identificação contou com a disponibilização de fotos aéreas de domicílios em uma parceria com a UNICAMP. Esses modelos foram integrados em um painel de análise e disponibilizados em um site intitulado PreviDengue, possibilitando o acesso das estimativas de casos de todas as cidades do Brasil e da ferramenta de identificação de criadouros. Dessa forma, este trabalho contribui para o desenvolvimento de ferramentas inteligentes voltadas à saúde pública ao mesmo tempo em que já oferece ferramentas com impacto social concreto, permitindo uma preparação pessoal e institucional frente a picos de dengue e oferecendo a prefeituras um modelo que torna a eliminação de criadouros mais eficiente, levando a uma diminuição no número de casos da doença a nível municipal.
Palavras-chave: Dengue, Inteligência Artificial, Saúde Pública