Suitable seasons: Global monthly habitat suitability for the arbovirus vectors Aedes aegypti and Aedes albopictus in 1975-2024

Este estudo apresenta o Modelo de Adequação Climática, uma ferramenta de aprendizado de máquina que mapeia a habitabilidade global mensal para os vetores *Aedes aegypti* e *Aedes albopictus* entre 1975 e 2024, revelando uma expansão acelerada de habitats que já afeta mais de 5 bilhões de pessoas e destacando a temperatura e a temperatura do ponto de orvalho como fatores determinantes.

O essencial

Imagine que os mosquitos Aedes aegypti e Aedes albopictus são como "viajantes" que carregam malas cheias de vírus perigosos, como Dengue, Zika e Chikungunya. Antigamente, esses viajantes só viviam em lugares quentes e úmidos (trópicos), mas com as mudanças climáticas e o mundo ficando mais conectado, eles estão começando a se mudar para novas casas em todo o planeta.

Este artigo apresenta uma ferramenta incrível chamada Modelo de Adequação Climática (ou "Climademic", uma mistura de "Clima" e "Acadêmico"). Pense nele como um GPS superinteligente que não apenas diz onde os mosquitos estão hoje, mas prevê onde eles podem viver mês a mês, desde 1975 até 2024.

Aqui está uma explicação simples de como eles fizeram isso e o que descobriram:

1. O Detetive que Aprende com o Passado (A Tecnologia)

Normalmente, para ensinar um computador a reconhecer algo, você precisa mostrar exemplos do que é "sim" e do que é "não". Mas, com mosquitos, é difícil saber onde eles não estão (porque ninguém vai até o meio da floresta para confirmar que não há mosquito ali).

Os cientistas usaram um truque de inteligência artificial chamado Máquina de Vetores de Suporte de Uma Classe.

• A Analogia: Imagine que você quer ensinar um guarda de segurança a reconhecer apenas "amigos". Você não precisa mostrar fotos de "inimigos". Você apenas mostra muitas fotos de "amigos" e diz: "Aprenda como é um amigo". Se algo não parecer um amigo, o guarda assume que não é.
• O modelo aprendeu apenas com os locais onde os mosquitos foram vistos (fotos dos "amigos") e, com base no clima, solo e população, aprendeu a desenhar o mapa de onde eles poderiam viver.

2. O Que o GPS Descobriu?

Ao analisar 50 anos de dados, o modelo revelou algumas notícias importantes:

• A Expansão: Os mosquitos estão conquistando novos territórios. Áreas que antes eram muito frias ou secas para eles agora estão ficando "confortáveis".
• O Fator Chave: O que mais importa para o mosquito? Temperatura e umidade do ar (ponto de orvalho). É como se o mosquito tivesse um termostato e um umidificador na cabeça. Se estiver muito frio ou muito seco, eles não conseguem sobreviver.
• A Surpresa Populacional: Este é o ponto mais crítico. O estudo diz que mais de 5 bilhões de pessoas (quase 60% da humanidade) já vivem em áreas onde o clima se tornou perfeito para esses mosquitos.
  • A Metáfora: Antes, os cientistas achavam que esse número de 5 bilhões só seria atingido em 2050. O modelo mostrou que já aconteceu. É como se o mapa de risco tivesse sido atualizado e a "zona de perigo" já estivesse cheia de gente, muito antes do previsto.

3. Como o Modelo Funciona na Prática?

O modelo não é apenas um mapa estático; ele é como um calendário dinâmico.

• Ele mostra que no verão do Hemisfério Norte (como em junho), a "zona de conforto" dos mosquitos sobe para o norte (Europa, Canadá).
• No inverno, eles recuam para o sul.
• Isso ajuda a prever quando o risco é maior em cada lugar. Por exemplo, em Berlim, o risco pode ser alto apenas em agosto, mas em São Paulo, o mosquito pode estar ativo o ano todo.

4. Por que isso é importante?

Imagine que você é um bombeiro. Você não quer esperar o incêndio começar para saber onde colocar os hidrantes.

• Este modelo funciona como um sistema de alerta precoce. Ele diz às autoridades de saúde: "Olhe, daqui a 3 meses, a temperatura na região X vai ficar perfeita para os mosquitos. Preparem as campanhas de controle agora, antes que eles se estabeleçam."
• Ele ajuda a entender que a mudança climática não é apenas sobre derretimento de gelo; é sobre reorganizar quem vive onde, e infelizmente, os mosquitos transmissores de doenças estão ganhando terreno onde mais gente vive.

Resumo em uma frase

Os cientistas criaram um "oráculo digital" que usa inteligência artificial para mapear, mês a mês, onde os mosquitos transmissores de doenças estão se mudando, revelando que 5 bilhões de pessoas já vivem em áreas onde o clima se tornou perfeito para esses vetores, muito antes do que os especialistas imaginavam.

O que fazer com isso?
Agora, em vez de apenas reagir a surtos de dengue, os governos podem usar esses mapas para planejar onde e quando combater os mosquitos, protegendo a saúde de bilhões de pessoas em um mundo que está mudando rapidamente.

Resumo técnico

Resumo Técnico: Modelo de Adequabilidade Climática para Vetores Aedes (1975–2024)

1. Problema e Contexto

As espécies de mosquitos Aedes aegypti e Aedes albopictus são os vetores primários de arbovírus como dengue, Zika e chikungunya. Devido às mudanças climáticas e ambientais, bem como ao aumento do transporte global, a distribuição desses vetores expandiu-se para regiões anteriormente não endêmicas, acelerando a carga global de doenças.

Apesar dos esforços de vigilância, existem lacunas críticas:

• Resolução Temporal Limitada: A maioria dos modelos anteriores estava restrita a resoluções anuais devido à escassez de dados de observação temporalmente resolvidos.
• Viés de Dados: A falta de dados de "ausência" (apenas dados de presença) torna difícil o uso de classificadores binários tradicionais, exigindo o uso de dados de ausência pseudo-gerados que podem introduzir viés.
• Falta de Explicabilidade: Muitos modelos de "caixa preta" não conseguem identificar quais fatores ambientais (clima, uso do solo, população) estão dirigindo a dinâmica do habitat em escalas sazonais e de longo prazo.

2. Metodologia: O Modelo de Adequabilidade Climática (Climademic Suitability Model)

Os autores desenvolveram um modelo de aprendizado de máquina orientado a dados, dinâmico no espaço e no tempo, capaz de prever a adequação do habitat em escala global com resolução espacial de 0,25° (aprox. 31 km) e resolução mensal (1975–2024).

Principais Componentes Metodológicos:

• Dados de Entrada:
  • Observações de Mosquitos: Integração de múltiplas fontes, incluindo o compêndio global de Kraemer et al. (2015), o Global Mosquito Observations Dashboard (GMOD, 2015-2023) e dados compilados de 2024 (ECDC, GBIF, Taiwan, Brasil).
  • Variáveis Ambientais: Dados climáticos do ERA5 (temperatura do ar, temperatura do ponto de orvalho, precipitação, velocidade do vento), dados de uso e cobertura do solo (HILDA+) e dados de densidade populacional (GHS-POP).
• Algoritmo de Aprendizado de Máquina:
  • Classificação de Uma Classe (OCC): Utilizou-se uma Máquina de Vetores de Suporte de Uma Classe (One-Class SVM - OCSVM). Como os dados de mosquitos consistem predominantemente em registros de presença, o OCSVM aprende a distribuição dos dados de "presença" (inliers) e identifica desvios (outliers), evitando a necessidade de dados de ausência rotulados.
  • Aprendizado Incremental: O modelo foi refinado sequencialmente integrando novos dados do GMOD (2015-2023) ao modelo base treinado com dados históricos (1975-2014), permitindo atualizações anuais e adaptação a novas fronteiras de distribuição.
  • Conversão de Probabilidade: Os decision scores do OCSVM foram convertidos em probabilidades utilizando uma abordagem de binning quântil (baseada em Que e Lin, 2024), mapeando a distância ao limite de decisão para valores de probabilidade.
• Análise de Explicabilidade:
  • Utilização do método SHAP (Shapley Additive exPlanations) para quantificar a importância das características e entender a contribuição de cada variável (clima, uso do solo, população) para a previsão de adequação do habitat.

3. Principais Contribuições

1. Resolução Mensal Global: Primeira modelagem global de adequação de habitat para Ae. aegypti e Ae. albopictus com resolução mensal para o período de 50 anos (1975–2024).
2. Abordagem de Uma Classe: Superação da limitação de dados de ausência através do uso de OCSVM, permitindo o uso direto de dados de vigilância de presença.
3. Framework de Atualização Contínua: Implementação de um pipeline de aprendizado incremental que permite a integração de novos dados de vigilância (incluindo ciência cidadã) para refinar o modelo anualmente.
4. Explicabilidade Mecanística: Uso de SHAP para revelar que a temperatura e a temperatura do ponto de orvalho são os principais impulsionadores, superando variáveis de uso do solo em importância global.

4. Resultados Chave

• Variabilidade Sazonal: O modelo captura com precisão a expansão e contração latitudinal dos habitats. No Hemisfério Norte, a adequação aumenta no verão e diminui no inverno; no Hemisfério Sul, o padrão é inverso.
• Mudanças de Longo Prazo (1975–2024):
  • Expansão: Houve um aumento significativo na adequação do habitat em regiões como Europa Central e Oriental, leste dos EUA, sul do Brasil, partes da Índia, leste da China e sudeste da Ásia.
  • Contração: Regiões como oeste dos EUA, norte do Brasil, partes da África e Austrália Ocidental apresentaram declínio na adequação, correlacionado principalmente com a diminuição da temperatura do ponto de orvalho.
• Impacto Populacional Crítico:
  • Atualmente, mais de 5 bilhões de pessoas vivem em áreas que se tornaram mais adequadas para ambos os vetores desde meados da década de 1970.
  • Este número supera as projeções anteriores que estimavam que essa população de risco atingiria 5 bilhões apenas em 2050.
  • A maior parte desse crescimento populacional em áreas de risco ocorre na Ásia e na África, impulsionado pela urbanização e expansão demográfica.
  • Cerca de 34% da população mundial (2,7 bilhões de pessoas) vive em áreas onde o habitat é adequado o ano todo.
• Fatores Determinantes: A análise SHAP identificou a temperatura e a temperatura do ponto de orvalho como as características mais importantes. A densidade populacional e variáveis urbanas tiveram menor impacto na decisão do modelo em escala global (0,25°), possivelmente devido à resolução espacial.

5. Significância e Implicações

• Preparação para Epidemias: O modelo fornece uma ferramenta de vigilância em tempo quase real para identificar áreas onde as condições para o estabelecimento de Aedes estão surgindo, permitindo intervenções de controle vetorial proativas antes da colonização.
• Revisão de Riscos Globais: A descoberta de que o limiar de 5 bilhões de pessoas em risco já foi ultrapassado altera a percepção da urgência para políticas de saúde pública e controle vetorial coordenado em escala global.
• Aplicabilidade: Os dados de alta resolução e sazonalidade podem ser integrados a modelos de transmissão de doenças para melhorar a previsão de surtos de dengue, Zika e chikungunya.
• Limitações e Futuro: O modelo assume que a adequação do habitat não equivale à presença confirmada (pode haver superestimação devido a introduções transitórias) e que as condições de meses anteriores não são consideradas (dependência temporal). Futuras versões planejam incorporar mais covariáveis climáticas e projeções de cenários climáticos.

Em suma, o Climademic Suitability Model representa um avanço significativo na epidemiologia espacial, oferecendo uma visão dinâmica e explicável de como as mudanças ambientais estão reconfigurando o nicho ecológico dos principais vetores de doenças tropicais, com implicações diretas para a segurança sanitária global.