Correlations Between COVID-19 and Dengue

Este artigo apresenta um modelo baseado em redes neurais e LSTM que demonstra a forte correlação entre as tendências de casos de COVID-19 e Dengue, permitindo estimar infecções por Dengue em países com dados insuficientes utilizando informações da COVID-19.

O essencial

Imagine que você é um detetive tentando entender duas grandes epidemias que aconteceram ao mesmo tempo: a Dengue (transmitida por mosquitos) e a COVID-19 (um vírus respiratório).

O problema é que, em muitos lugares do mundo, os dados sobre a Dengue são confusos ou inexistentes. A COVID-19, por outro lado, foi monitorada em tempo real em todo o planeta.

Os autores deste artigo (Paula, Laura e Grace) tiveram uma ideia brilhante: "E se usarmos a história da COVID-19 para adivinhar o que aconteceu com a Dengue?"

Eles criaram um "cérebro digital" (um modelo de Inteligência Artificial) para fazer essa conexão. Vamos explicar como eles fizeram isso usando analogias simples:

1. O "Cérebro" que Aprende (Redes Neurais)

Pense no modelo deles como um aluno muito estudioso.

• O que ele estudou? Ele olhou para dados do Brasil, Peru e Colômbia.
• O que ele aprendeu? Ele percebeu que, quando a COVID-19 subia, a Dengue também tendia a subir (e vice-versa). Não é que um vírus cause o outro, mas eles parecem seguir o mesmo "ritmo" da vida das pessoas e do clima.

2. Os Ingredientes da Receita (Variáveis)

Para o "aluno" não apenas chutar, eles deram a ele ingredientes extras para entender melhor a receita da epidemia:

• Feriados (O "Fator Festa"): Imagine que, durante o Natal ou o Carnaval, as pessoas se reúnem mais. Isso pode espalhar a COVID-19. Mas, e a Dengue? O modelo descobriu que os feriados também afetam a Dengue, talvez porque as pessoas fiquem em casa ou porque a vigilância de mosquitos diminua durante as festas.
• Clima (O "Fator Tempo"): Mosquitos adoram calor e chuva. A COVID-19 também tem padrões relacionados à temperatura. O modelo aprendeu a "sentir" a umidade e o calor para prever os picos das doenças.

3. O Grande Truque: Adivinhar o Invisível

A parte mais mágica do trabalho deles foi usar esse "aluno" para olhar para países onde ninguém sabia quantos casos de Dengue existiam, como Camboja e Quênia.

• A Analogia da Sombra: Imagine que a Dengue é uma pessoa que está escondida no escuro, e a COVID-19 é uma lanterna brilhante. Mesmo que você não veja a pessoa (Dengue), você consegue ver a sombra dela projetada pela lanterna (COVID-19).
• Ao analisar a "sombra" da COVID-19 nesses países, o modelo conseguiu prever quando e onde a Dengue provavelmente estava explodindo, mesmo sem dados oficiais. É como se eles tivessem usado a história de um crime conhecido para resolver um crime frio.

4. O "Memória de Longo Prazo" (LSTM)

Além do aluno básico, eles usaram uma versão mais avançada chamada LSTM.

• Pense no modelo básico como alguém que olha apenas para o dia de hoje.
• O LSTM é como alguém que tem uma memória de longo prazo. Ele lembra do que aconteceu há 3 meses, 6 meses ou um ano. Isso é crucial para doenças, porque o clima de hoje afeta os mosquitos de amanhã, e as festas de dezembro afetam os vírus de janeiro. Esse modelo consegue prever o futuro com mais precisão, dizendo: "Olha, daqui a 3 semanas vamos ter um pico de Dengue".

Por que isso é importante?

Imagine que você é um prefeito de uma cidade pobre que não tem dinheiro para contar todos os casos de Dengue.

• Sem este modelo: Você fica no escuro, esperando a doença chegar para reagir.
• Com este modelo: Você olha para os dados de COVID-19 (que você já tem) e o modelo diz: "Atenção! Daqui a 2 semanas, a Dengue vai subir. Prepare seus sprays de inseticida e seus hospitais."

Resumo da Ópera

Os cientistas criaram uma ferramenta que usa a inteligência artificial para conectar os pontos entre duas doenças diferentes. Eles descobriram que, embora sejam vírus diferentes, eles dançam na mesma pista, influenciados pelas mesmas coisas: clima, feriados e comportamento humano.

A grande lição é que, às vezes, para entender o que está escondido (a Dengue), precisamos olhar para o que está mais visível (a COVID-19) e usar a tecnologia para traduzir essa linguagem. Isso pode salvar vidas ao ajudar governos a se prepararem antes que as epidemias aconteçam.

Resumo técnico

Título: Correlações entre COVID-19 e Dengue

Autores: Paula Bergero, Laura P. Schaposnik e Grace Wang.

---

1. Problema e Contexto

O artigo aborda a necessidade urgente de compreender a correlação entre duas doenças infecciosas de grande impacto global: a COVID-19 (causada pelo SARS-CoV-2) e a Dengue (transmitida pelo mosquito Aedes aegypti).

• Contexto: A Dengue tem apresentado um aumento dramático de surtos, com projeções de expansão geográfica devido às mudanças climáticas. Simultaneamente, a pandemia de COVID-19 afetou globalmente.
• Desafio: Embora existam muitos estudos individuais sobre ambas as doenças, há uma lacuna significativa na literatura sobre a sua correlação direta e transmissão simultânea (sinemia).
• Motivação: Em muitas regiões, especialmente na América Latina, a falta de dados robustos de Dengue (devido a subnotificações ou desvio de recursos para a COVID-19) dificulta a formulação de políticas de saúde. O objetivo é desenvolver modelos preditivos que utilizem dados de COVID-19 (geralmente mais abundantes) para inferir tendências de Dengue.

2. Metodologia

Os autores utilizam técnicas de Aprendizado de Máquina (Machine Learning), especificamente Redes Neurais Artificiais e Redes Neurais Recorrentes, para modelar as correlações.

A. Coleta e Pré-processamento de Dados

• Fontes: Dados de Dengue da Organização Pan-Americana da Saúde (OPAS) e dados de COVID-19 do painel da Organização Mundial da Saúde (OMS).
• Período: Semanas epidemiológicas 30 a 100 (início de 2020 até 2022).
• Normalização: Devido à grande diferença de magnitude entre os casos de COVID-19 e Dengue, os autores aplicaram o logaritmo na base 10 dos números de casos para normalizar as escalas e facilitar a visualização de tendências.
• Países Analisados: Brasil (foco principal), Peru, Colômbia, Camboja e Quênia.

B. Modelos Utilizados

1. Modelo de Correlação (Rede Neural Feedforward):

   • Arquitetura: Uma camada de entrada, quatro camadas ocultas e uma camada de saída.
   • Funções de Ativação: ReLU nas camadas ocultas e Linear na saída.
   • Variáveis de Entrada (Features):
     • Número de casos de Dengue (para prever COVID-19 e vice-versa).
     • Fatores Sociais: Variável booleana indicando se a semana contém feriados nacionais.
     • Fatores Climáticos: Temperatura, umidade e precipitação (médias semanais ponderadas pela população das cidades principais, como São Paulo, Salvador, Lima e Bogotá).
   • Treinamento: Utilização de Mean Absolute Error (MAE) como função de perda, com conjuntos de treinamento e validação cruzada.

2. Modelo LSTM (Long Short-Term Memory):

   • Objetivo: Capturar dependências temporais de longo prazo e "lags" que redes neurais padrão não conseguem.
   • Aplicação: Análise de séries temporais para prever valores futuros baseados apenas em valores passados observados de ambas as doenças, incorporando fatores externos.
   • Processamento: Uso de MinMaxScaler para normalizar dados entre 0 e 1 antes do treinamento.

3. Principais Contribuições e Resultados

A. Correlação entre as Doenças

• Tendências Similares: Os gráficos de correlação (especialmente no Brasil) mostram uma correlação positiva entre os picos de COVID-19 e Dengue. Os picos de ambas as doenças tendem a coincidir (ex.: entre as semanas 60 e 80 de 2021).
• Variação Regional: A correlação não é uniforme. No Peru, os dados parecem mais aleatórios, enquanto na Colômbia observa-se uma leve correlação negativa, sugerindo que fatores locais influenciam a dinâmica.

B. Impacto das Variáveis Externas

• Feriados: A inclusão de variáveis de feriados resultou em uma curva de perda (loss curve) que diminuiu rapidamente, indicando que os feriados são um preditor forte para a variação dos casos (possivelmente devido a mudanças no comportamento social e vigilância).
• Clima (Temperatura/Umidade): A adição de fatores climáticos sozinhos gerou resultados menos precisos (perda maior) do que os feriados. No entanto, a combinação de feriados + clima melhorou a estabilidade do modelo, embora tenha introduzido um viés (o modelo subestimou ligeiramente os valores em uma escala logarítmica, deslocando a previsão para baixo).
• Contração de Variância: O modelo tende a suavizar a amplitude das flutuações, prevendo picos e vales com a mesma tendência, mas com menor variância que os dados reais.

C. Predição em Países com Dados Limitados (Aplicação Prática)

• Transferência de Aprendizado: O modelo foi treinado com dados da América do Sul (Brasil, Peru) e aplicado para prever surtos de Dengue em países com dados escassos: Camboja (Sudeste Asiático) e Quênia (África).
• Resultados: O modelo conseguiu identificar padrões sazonais e picos de infecção de Dengue nesses países baseando-se apenas nos dados de COVID-19 e variáveis climáticas locais, demonstrando utilidade para políticas de saúde em regiões com infraestrutura de monitoramento deficiente.

D. Análise de Séries Temporais (LSTM)

• O modelo LSTM forneceu uma visão mais abrangente do futuro, prevendo que, após o pico da variante Omicron (início de 2022), os casos de COVID-19 diminuiriam gradualmente, enquanto a Dengue apresentaria um aumento inicial seguido de queda, alinhando-se com as tendências sazonais esperadas.

4. Significância e Conclusões

• Ferramenta para Políticas Públicas: O trabalho demonstra que é possível utilizar a abundância de dados de COVID-19 como um proxy para estimar a carga da Dengue em regiões onde a vigilância da Dengue é falha.
• Sinergia de Doenças: A pesquisa reforça a hipótese de que fatores externos (clima, comportamento social/feriados) afetam ambas as doenças de maneira correlacionada, mesmo sem imunidade cruzada direta (o estudo refuta a imunidade cruzada, citando que infecções prévias de Dengue podem até aumentar o risco de COVID-19 sintomática).
• Futuro da Pesquisa: Os autores sugerem a exploração de novos parâmetros, como o Fluxo de Calor Latente (relacionado à evaporação e condensação), e o desenvolvimento de "Índices de Pico" para identificar melhor os momentos críticos de epidemias virais.
• Impacto do Lockdown: O artigo discute como o lockdown da COVID-19 pode ter inadvertidamente aumentado a transmissão de Dengue ao interromper o controle de vetores (mosquitos) e a vigilância, além de subnotificar casos devido à sobrecarga do sistema de saúde.

Em suma, o artigo oferece uma abordagem inovadora combinando dados epidemiológicos, climáticos e sociais através de redes neurais para criar modelos preditivos robustos que podem auxiliar na gestão de crises sanitárias simultâneas.