Os surtos de doenças zoonóticas, que são aquelas transmitidas dos animais para os seres humanos, estão a aumentar globalmente devido às alterações climáticas. Em particular, a propagação de doenças transmitidas por mosquitos é altamente sensível às alterações climáticas, e Taiwan, na China, registou um aumento preocupante no número de casos de dengue nos últimos anos.
Tal como acontece com a maioria das doenças conhecidas, o ditado popular “um grama de prevenção vale um quilo de cura” também se aplica à dengue. Dado que ainda não existe uma vacina que seja segura e eficaz para todos à escala global, os esforços de prevenção da dengue baseiam-se em limitar os locais onde os mosquitos podem depositar os seus ovos e em avisar as pessoas com antecedência quando é provável que ocorra um surto. No entanto, até o momento, não existem modelos matemáticos que possam prever com precisão a localização dos surtos de dengue com antecedência.
Para resolver esta questão, uma equipa de investigação, incluindo a professora Sumiko Anno, da Universidade Sophia, no Japão, procurou combinar inteligência artificial (IA) com dados de detecção remota para prever a distribuição espaço-temporal dos surtos de dengue em Taiwan. O trabalho, que foi publicado na Geo-spatial Information Science.
Primeiro, a equipe coletou dados climáticos de Taiwan entre os anos de 2002 a 2020, incluindo dados sobre precipitação, temperatura da superfície do mar e radiação de ondas curtas. Também coletaram informações sobre o local de residência de todos os casos de dengue registrados no Centro Chinês de Controle de Doenças de Taiwan. Isso permitiu que os pesquisadores preparassem um conjunto de dados de treinamento rotulado para o modelo de IA, que idealmente deveria ser capaz de encontrar padrões ocultos entre casos de dengue e parâmetros climáticos.
O modelo de IA em questão era uma rede neural convolucional (CNN) com arquitetura codificador-decodificador baseada em U-Net. “O modelo U-Net funciona com pouquíssimas imagens de treinamento e produz segmentação semântica mais precisa quando fornecido com informações de localização”, explicaou o professor Anno sobre a escolha do modelo de IA para seu estudo. Esse design bem estabelecido geralmente funciona bem para tarefas de segmentação de imagens, mesmo quando treinado com poucas amostras. Após treinar o modelo, a equipe tentou validá-lo utilizando os demais dados coletados.
Infelizmente, o modelo não funcionou tão bem quanto os pesquisadores esperavam. A maioria dos pixels no mapa que foram marcados como locais previstos para o surto de dengue não correspondiam aos dados originais. No entanto, a esperança não estava perdida com esta abordagem, como destacou o Professor Anno: “Embora a maioria dos pixels previstos do surto não se sobrepusessem à realidade terrestre, alguns deles estavam localizados bastante perto das localizações reais. Isto significou que a previsão espaço-temporal de surtos de dengue usando dados de sensoriamento remoto era possível”.
Apesar da baixa precisão do modelo de IA, o estudo trouxe à luz alguns dos desafios atuais do uso de dados de sensoriamento remoto para prever a distribuição espaço-temporal de surtos de doenças zoonóticas. A equipe de pesquisa acredita que usar uma arquitetura de modelo diferente, encontrar uma maneira de equilibrar o conjunto de dados de treinamento e coletar dados de satélite de alta resolução podem ser formas promissoras de alcançar o desempenho necessário.
Será necessário mais trabalho antes de podermos utilizar a aprendizagem automática como ferramenta para identificar zonas potenciais de surtos de doenças com base em dados climáticos, mas não devemos vacilar. “As visualizações espaço-temporais geradas por modelos de aprendizagem profunda poderiam potencialmente orientar a implementação de medidas eficazes contra surtos de doenças no momento e local ideais para prevenção e controle de doenças”, conclui o professor Anno, com otimismo.
Esperamos que mais estudos neste campo nos ajudem a manter as pessoas protegidas contra doenças zoonóticas em breve.