O estudo "Integrating machine learning and spatial clustering for malaria case prediction in Brazil's Legal Amazon" foi conduzido por pesquisadores brasileiros do Instituto Todos pela Saúde, da Universidade de Pernambuco e outros centros acadêmicos e de pesquisa. Os resultados foram publicados na revista científica BMC Infectious Diseases.
Métodos
A pesquisa avaliou o desempenho de diferentes modelos de aprendizado de máquina para prever o número de casos semanais de malária em estados da Amazônia Legal. Foram analisados seis algoritmos — Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Support Vector Regression (SVR), Random Forest, eXtreme Gradient Boosting (XGBoost) e ARIMA — aplicados a séries temporais de dados epidemiológicos. Para incorporar diferenças regionais na dinâmica de transmissão da doença, os pesquisadores utilizaram técnicas de clusterização espacial por meio do método K-means, agrupando áreas com padrões semelhantes de ocorrência de malária. O desempenho dos modelos foi avaliado com base em métricas estatísticas de erro, como Root Mean Squared Error (RMSE) e Mean Absolute Error (MAE).
Achados principais
Os resultados mostraram que os modelos baseados em aprendizado de máquina superaram abordagens tradicionais de séries temporais na previsão de casos de malária. Entre os algoritmos testados, o modelo Random Forest apresentou desempenho consistentemente superior na maioria dos estados analisados, com menores valores de erro nas previsões semanais. A incorporação da clusterização espacial aos modelos aumentou a precisão das estimativas ao permitir a identificação de padrões regionais de transmissão, evidenciando que a dinâmica da malária varia de forma significativa entre diferentes áreas da Amazônia Legal.
Interpretação
Os achados indicam que a combinação de inteligência artificial e análise espacial pode fortalecer os sistemas de vigilância epidemiológica da malária, especialmente em regiões com grande heterogeneidade geográfica, como a Amazônia Legal. Ao permitir previsões mais precisas e antecipadas, esses modelos podem apoiar o planejamento de ações de controle e prevenção, contribuindo para respostas mais rápidas e eficientes da saúde pública em áreas de maior risco de transmissão.
