Vigilância epidemiológica: uso de aprendizado de máquina na predição de surtos de Síndrome Respiratória Aguda Grave

Abstract

Introdução: Surtos de Síndrome Respiratória Aguda Grave (SRAG) ocorrem anualmente em diversas regiões geográficas, com o período dos picos de notificação de casos de internação variando de região para região. Os gestores da saúde necessitam de ferramentas para planejamento de recursos adequados a cada temporada de SRAG. Objetivo: Com o uso de Aprendizado de Máquina (AM), gerar modelos para a predição de surtos de SRAG para um próximo período (ano). Método: Foram utilizados dados de notificação de casos de internação por SRAG no Brasil, do período de 2013 a 2021, excluindo casos de SRAG ocasionados por Covid-19. Esses dados foram preparados de forma a alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline que permitiu, de forma rápida, a simulação de inúmeros modelos. Foram gerados modelos para as cinco regiões brasileiras, porém são destacados os modelos preditivos para as regiões Sul e Sudeste. A validação dos modelos gerados foi feita para diferentes anos de ocorrência de surtos de SRAG. Na validação de temporadas com menor número de períodos (anos), os modelos preditivos tiveram menor desempenho devido à menor quantidade de dados disponíveis para treinamento. Resultados: Com o uso de redes neurais foi possível gerar modelos preditivos que possibilitam predizer curvas com picos de SRAG, volume de casos por temporada e início do período pré epidêmico com boa qualidade (R² = 0,91, considerando a temporada observada de 2019). Conclusão: Mesmo com uma quantidade deficiente de dados é possível, com o uso de AM, gerar modelos preditivos para SRAG, contribuindo para medidas de controle de surtos e epidemias.