Fuzzy Logic-Based GIS Modeling of Malaria Risk in the Gedeo–Abaya Landscape of the Ethiopian Rift Valley

Resumo Técnico: Modelagem de Risco de Malária Baseada em Lógica Fuzzy via SIG na Paisagem Gedeo–Abaya

Definição do Problema
A malária continua sendo um desafio crítico de saúde pública na Etiópia, particularmente dentro da paisagem Gedeo–Abaya, no Vale do Rift Etíope, onde a transmissão é persistente e espacialmente heterogênea. Embora os Sistemas de Informação Geográfica (SIG) e a Análise de Decisão Multicritério (MCDA) sejam ferramentas padrão para a modelagem de risco de malária, as abordagens convencionais dependem de uma classificação "crisp" (rígida). Este método impõe fronteiras artificiais e rígidas aos preditores ambientais (ex: temperatura, elevação) que, naturalmente, transitam de forma gradual. Atribuir um valor marginalmente acima de um limiar a uma classe de "alto risco" e um valor logo abaixo para uma classe de "risco moderado" cria descontinuidades ecologicamente irreais que podem distorcer mapas de risco e induzir estratégias de intervenção equivocadas. Além disso, estudos anteriores na Etiópia careceram, em grande parte, de validação quantitativa do modelo, deixando uma lacuna na estabelecer ferramentas espaciais confiáveis e baseadas em evidências para a eliminação direcionada da malária.

Metodologia
Este estudo empregou uma estrutura de lógica fuzzy espacial dentro de um ambiente ArcGIS para modelar o risco de malária, abordando as limitações da classificação crisp por meio de quatro etapas sequenciais:

1. Aquisição e Pré-processamento de Dados: Dez variáveis preditoras candidatas foram compiladas de diversas fontes, incluindo imagens Landsat 8, SRTM DEM, dados de precipitação CHIRPS, dados de temperatura CHIRTS e registros de saúde locais (Incidência Anual de Parasitas por Kebele). Todas as camadas foram reamostradas para uma resolução de 3m e projetadas para UTM Zona 37N.
2. Triagem de Preditores: As variáveis foram avaliadas quanto à sua capacidade discriminatória usando análise de Curva ROC (Receiver Operating Characteristic) e AUC (Área Sob a Curva) contra os dados de API. Duas variáveis — distância de estradas (AUC = 0,48) e distância de instalações de saúde (AUC = 0,44) — foram excluídas por apresentarem desempenho abaixo do limiar de escolha aleatória. Oito variáveis foram retidas: Elevação, Temperatura, Distância de rios, Precipitação, Declividade, Índice de Umidade Topográfica (TWI), Uso e Cobertura da Terra (LULC) e Densidade Populacional.
3. Fuzzificação: Os oito fatores retidos foram convertidos em valores de pertinência fuzzy contínuos (0 a 1) usando funções de pertinência específicas baseadas em relações ecológicas:
   • Fuzzy Small (Pequeno): Aplicado à Declividade, Elevação e Distância de rios (valores menores indicam maior risco).
   • Fuzzy Large (Grande): Aplicado ao TWI, Temperatura e Densidade Populacional (valores maiores indicam maior risco).
   • Fuzzy Gaussian (Gaussiana): Aplicado à Precipitação (risco ideal dentro de um intervalo específico, 800–1.300 mm).
   • Atribuição Manual: Aplicada aos dados categóricos de LULC.
4. Sobreposição Fuzzy e Defuzzificação: As camadas fuzzificadas foram integradas usando o operador Fuzzy Gamma ($\gamma = 0,9$). Este operador equilibra efeitos multiplicativos e compensatórios, garantindo que a identificação de alto risco ocorra apenas onde múltiplas condições favoráveis coincidem. A superfície de risco contínua resultante foi defuzzificada em cinco classes de risco discretas usando a classificação de Jenks Natural Breaks.
5. Validação: A precisão do modelo foi validada contra dados de API coletados independentemente usando análise ROC/AUC.

Principais Resultados

• Desempenho dos Preditores: A Elevação foi o preditor individual mais forte (AUC = 0,83), seguida pela Temperatura (0,78) e Distância de rios (0,72). Gradientes físicos e climáticos foram identificados como determinantes dominantes, enquanto a proximidade de infraestrutura mostrou baixo valor discriminatório.
• Características da Superfície de Risco: A sobreposição fuzzy gamma produziu uma superfície de risco espacialmente contínua com valores de pertinência variando de 0,20 a 0,94.
• Distribuição Espacial:
  • Risco Alto e Muito Alto: Estas zonas cobrem coletivamente 76,2% da área de estudo. Estão concentradas nas áreas de baixas e médias altitudes de Abaya Woreda (limítrofe ao Lago Abaya), Dilla Town, Wonago, Kochore e partes de Yirgacheffe Woreda. Estas áreas são caracterizadas por elevações abaixo de 1.800 m, precipitação moderada (800–1.300 mm) e temperaturas quentes.
  • Risco Baixo e Muito Baixo: Restrito às áreas de altitude (Bule e Raphe woredas) com elevações acima de 1.800 m, cobrindo 14,4% da área.
• Validação do Modelo: O modelo alcançou um AUC de 0,79, indicando um bom desempenho discriminatório. As zonas de alto risco previstas alinharam-se estreitamente com os altos valores de API registrados pelos escritórios de saúde.

Contribuições Principais e Significância
O artigo reivindica várias contribuições significativas para a vigilância da malária e modelagem geoespacial:

• Novidade Metodológica: Este é o primeiro estudo a aplicar uma estrutura de lógica fuzzy espacial dentro de um SIG para a previsão de risco de malária na paisagem Gedeo–Abaya e em nível nacional na Etiópia. Ele aborda a lacuna metodológica das descontinuidades artificiais da classificação crisp convencional ao produzir superfícies de risco espacialmente contínuas e ecologicamente realistas.
• Benchmarking Quantitativo: Diferente de estudos de malária baseados em SIG anteriores na Etiópia, que frequentemente careciam de estatísticas de desempenho quantitativo, este estudo estabelece o primeiro benchmark quantitativo (AUC = 0,79) para tais modelos na região. Este desempenho compara-se favoravelmente com modelos fuzzy ou ponderados semelhantes em Madagascar e Butão.
• Inteligência Acionável: Os mapas de risco resultantes permitem a "microestratificação" dentro de unidades administrativas (Kebeles). Ao fornecer valores de pertinência contínuos em vez de categorias administrativas amplas, o modelo permite que as autoridades de saúde direcionem intervenções (como Pulverização de Resíduo Intradomiciliar e Redes Mosquiteiras Tratadas com Inseticida) para localidades específicas, em vez de distritos inteiros.
• Replicabilidade: O estudo utiliza dados de sensoriamento remoto gratuitamente disponíveis (Landsat, CHIRPS, CHIRTS, SRTM), garantindo que a metodologia seja totalmente replicável em contextos de recursos limitados.

Limitações
Os autores reconhecem que o modelo é transversal e não captura a dinâmica de transmissão sazonal ou interanual. Além disso, fatores relacionados à intervenção (ex: cobertura de redes mosquiteiras, taxas de vacinação) foram excluídos devido à falta de dados espacialmente explícitos ao nível de Kebele, limitando a capacidade do modelo de considerar a carga real da malária além da adequabilidade ambiental. A parametrização das funções de pertinência fuzzy retém um elemento de subjetividade, embora seja informada pela literatura ecológica.