A dengue é uma doença viral transmitida principalmente pelo mosquito Aedes aegypti e representa um desafio significativo para a saúde pública devido à sua rápida disseminação e impacto na população. Segundo registros históricos, a dengue afeta o Brasil fortemente desde o início do século XX, embora há registros que os primeiros casos tenham sido ainda no período colonial.
Por isso, o trabalho do cientista de dados, nesse sentido, é auxiliar as autoridades de saúde a tomar medidas preventivas e de controle de forma mais eficaz, direcionando melhor os recursos e intervenções necessárias.
Este trabalho foi realizado em uma competição de dados, o Hackday. Portanto, abaixo você pode acompanhar como o grupo BugOff solucionou o problema proposto: criar um modelo de regressão informando a previsão da quantidade de casos de dengue para os próximos 1500 dias. A métrica que baseou os resultados para rankeamento desta competição é o RMSE.
Para este projeto, os dados foram obtidos de acordo com um banco de dados. Após acesso a este banco, foram encontradas 6 tabelas, que o grupo as uniu pela coluna Date. Assim, as variáveis/atributos originais (e seus significados) do conjunto de dados são:
| Nome da Variável | Descrição |
|---|---|
| Date | Data das informações |
| Presença de Criadouros | Porcentagem da área com presença de mosquitos |
| Falta de Coleta de Lixo | Taxa de coleta de lixo realizada |
| Água Parada em Terrenos Baldios | Porcentagem da área com presença de água parada |
| Presença de Piscinas sem Manutenção | Número de piscinas sem manutenção observadas |
| Área com Acúmulo de Entulho | Porcentagem da área com entulho |
| Conscientização da População | Nível de conscientização sobre a dengue |
| Condições de Moradia Precárias | Taxa de moradias precárias na área observada |
| Falta de Acesso a Serviços de Saúde | Taxa de moradores sem acesso a serviços de saúde |
| Migração de Pessoas de Áreas Endêmicas | Taxa de migração entre áreas |
| Transporte de Mercadorias em Áreas Urbanas | Porcentagem de veículos de transporte de cargas |
| Falta de Controle de Pragas | Porcentagem da área observada sem controle de pragas |
| Presença de Recipientes sem Tampas | Número de recipientes observados no dia |
| Precipitação | Água proveniente do vapor de água atmosférica depositada na superfície |
| Taxa de Tratamento de Esgoto | Porcentagem de esgoto não tratado na área observada |
| Umidade | Relação entre a pressão parcial da água contida no ar e a pressão de vapor da água à temperatura do ar |
| Temperatura | Calor da atmosfera, medido em graus Celsius (ºC) |
| Presença de mosquito | Quantidade de mosquitos observada |
| Casos de dengue | Total de número de casos observados no dia |
- O modelo será construído em Python.
- Metodologia cíclica CRISP, dividido em 10 ações:
- Compreender o Problema de Negócio
- Coletar os dados
- Limpar os Dados
- Realizar Análise Exploratória dos Dados
- Preparação dos Dados.
- Selecionar as variáveis mais relevantes
- Treinar algoritmos de Machine Learning
- Avaliar a performance desses algoritmos
- Gerar o arquivo de resultado
- Propor a solução final
-
A qualidade do modelo será baseada na métrica RMSE, calculado pela seguinte equação:
-
O resultado será apresentado em arquivo CSV
Durante a análise exploratória de dados, foram gerados insights, através da validação das hipóteses. Insights são informações novas, ou que contrapõem crenças que o time de negócios, ou neste caso, a opinião pública, têm em mente.
VERDADEIRA. Meses do verão realmente tem mais casos.
- Aproximadamente 90% dos casos foram registrados nos meses de Janeiro, Fevereiro, Março e Dezembro:
- Vacinas e prevenção devem ser feitas antes desse período;
- Os recursos de atendimento nos hospitais e leitos devem ser preparados para receber um aumento de pessoas.
- Existirá um aumento nos custos hospitalares e locais de atendimento.
- Nesses meses, as campanhas de combate ao mosquito devem ser intensificadas e os cuidados com locais que se acumulam águas devem ser ampliados.
FALSA. Em qualquer nível de conscientização, a média de casos registrados é muito próxima.
- Campanhas não estão atingindo o público correto ou de forma clara;
- As campanhas estão sendo feitas de forma tardia ou apenas nos meses com mais casos, impedindo a criação de uma cultura na atitude das pessoas que realmente impeça criadouros de mosquitos.
- Mesmo que a população esteja consciente em relação às medidas de combate ao mosquito, pode ser que os desafios na implementação dos cuidados sejam maiores.
VERDADEIRA. Os dados mostram que quanto menor a presença de mosquitos, menos casos são registrados
- Impedir a criação do mosquito ainda pode ser considerado uma forma de evitar a doença.
- Locais abandonados devem ter um tratamento diferenciado para que o trabalho de prevenção não seja prejudicado por estes locais.
- Para a diminuição dos mosquitos transmissores, podem ser tomadas medidas como maior uso de repelentes, inseticidas, telas de proteção, tentar eliminar o máximo de criadouros de água, entre outros cuidados.
VERDADEIRA. Menos de 1% dos casos ocorre quando a umidade está abaixo de 50% e mais de 82% dos casos ocorrem quando a umidade está acima de 65%
- A umidade mais alta facilita criadouro de mosquitos e dificulta a evaporação de água parada.
- Nos dias mais úmidos, o cuidado deve ser intensificado.
Após a preparação dos dados, foram treinados 5 modelos de Aprendizado de Máquina com objetivo de encontrar o melhor algoritmo que descreva e explique o problema proposto. Antes disso, também foi verificado o Baseline Model, que é a situação esperada sem a utilização de Machine Learning, baseada na média histórica de casos.
- CatBoost Regressor
- Random Forest
- LGBM Regressor
- XGBoost Regressor
- Modelo Baseline
O RMSE (Root Mean Squared Error) é uma métrica de avaliação de desempenho em modelos de regressão, calculando a raiz quadrada da média dos quadrados das diferenças entre os valores previstos e os valores observados. Ele serve para quantificar o quão bem um modelo de regressão está performando em relação aos dados reais, fornecendo uma medida de dispersão dos erros de previsão.
Cross-Validation é uma técnica usada para avaliar o desempenho de um modelo de aprendizado de máquina. Assim, o algoritmo é destado em diferentes partições (dados de validação) dos dados de treino, para garantir que o modelo seja robusto e generalize bem para novos dados.
Desta forma, foi escolhido para o modelo final o XGBoost Regressor, pois apresentou melhor desempenho para o nosso problema. Em seguida, finalmente obtemos o arquivo com as predições e foi possível submetê-la na plataforma da competição Kaggle para cálculo do RMSE nos dados de produção. Os dados foram enviados em arquivo .csv e abaixo você confere uma representação em Excel dos primeiros 10 dias da predição.
Quantidade Total de casos Baseline = 67216214 Quantidade Total de casos Modelo XGBoost = 58396191
De acordo com o modelo, 8.820.023 de casos serão previstos a menos que o esperado pelo modelo baseline.
1 O governo federal investe em média R$ 1,5 bilhão por ano no combate a dengue. (Ministério da Saúde, 2024)
2 Cada brasileiro contaminado com dengue custa, em média, R$ 100,00.
-
100,00*8820023 = R$ 882.002.300 ao longo dos 1500 dias.
-
Alocação de Recursos: 214,6 milhões de reais por ano
Os resultados mostram que o objetivo do projeto foi alcançado e, portanto, as autoridades sanitárias poderão ter mais condições para tratar desse grande problema de saúde pública, baseada em muitos fatores.
O verão marca um aumento significativo nos casos de dengue, exigindo antecipação de vacinas, preparação de recursos hospitalares e intensificação das campanhas de conscientização. A consistência na média de casos independentemente do nível de conscientização sugere falhas na abordagem das campanhas.
Além disso, a redução da presença de mosquitos é crucial para diminuir os casos, destacando a importância de medidas preventivas em locais abandonados. Umidade alta também está correlacionada a mais casos, exigindo uma atenção especial nos dias mais úmidos. Em suma, a prevenção precoce, campanhas eficazes e controle do mosquito são fundamentais para reduzir a incidência de dengue e seus custos associados.
Em projetos seguintes, além do que já foi feito, podem ser incrementados:
- Trabalhar com uma gama maior de parâmetros e de algoritmos.
- Analisar a viabilidade de obter dados sobre geolocalização
- Analisar a viabilidade de obter dados da faixa etária dos contaminados
- O enunciado do projeto e os datasets estão em: Kaggle
- A imagem de capa: Pixabay
- Imagem CRISP: Arte dos Dados