Predição das taxas de incidência de leishmaniose visceral utilizando algoritmos de aprendizado de máquina.

Abstract

A Leishmaniose Visceral representa uma doença tropical negligenciada, registrando anualmente entre 50.000 e 90.000 novos casos em todo o mundo. Originalmente concebida como uma enfermidade predominantemente rural, essa condição evoluiu devido à urbanização e à adaptação bem-sucedida do vetor ao ambiente doméstico, emergindo agora também em grandes centros urbanos. Atualmente, várias cidades de médio e grande porte são consideradas endêmicas para essa enfermidade. Diversos fatores estão impulsionando a disseminação da doença, incluindo elementos como temperatura, precipitação, umidade, desmatamento, urbanização e condições socioeconômicas, entre outros. Com esse cenário em mente, o presente estudo utilizou dois modelos de aprendizado de maquina, um modelo de rede neural profunda, o Long Short Term Memory (LSTM) e o Extreme Gradient Boosting (XGBoost) para prever a incidência de Leishmaniose Visceral a partir de series temporais de incidência e variáveis socioeconômicas dos municípios. Os resultados do modelo XGBoost foram insatisfatórios, apresentando um coeficiente de determinação (R2 ) de −0, 27. Em contrapartida, o modelo LSTM mostrou-se promissor, com um R2 de 0, 231. Apesar de parecer baixo em primeira análise, esse valor é significativo, considerando as complexas características da doença e o emprego de um modelo com variáveis limitadas. O Erro Percentual Absoluto Médio (MAPE) do LSTM foi de 1,73%, evidenciando um baixo nível de erro nas predições. É importante notar que grande parte das observações de incidência era nula. Essa predominância de valores nulos pode ter influenciado o modelo a prever incidências mais baixas, sendo um ponto a ser considerado na interpretação dos resultados.