A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

No complex mundo da saúde pública, prever o futuro é frequentemente uma questão de vida ou morte. Quando um vírus se espalha, os governos precisam saber não apenas quantas pessoas estão doentes hoje, mas quantas poderão adoecer amanhã. Este é o domínio da modelagem de séries temporais, um método de observar padrões passados para prever o que vem a seguir. Durante décadas, cientistas têm usado ferramentas estatísticas para traçar linhas através de pontos de dados, esperando ver a forma das coisas que virão. No entanto, a propagação de doenças raramente é uma linha reta; é um fenômeno caótico e mutável, influenciado pelo comportamento humano, mudanças de políticas e fatores biológicos. Para navegar nesta complexidade, pesquisadores recorreram à inteligência artificial, especificamente a um tipo de programa de computador chamado rede neural. Pense em uma rede neural como um cérebro digital que aprende com exemplos, ajustando suas conexões internas até que consiga reconhecer padrões que a matemática tradicional poderia perder. No entanto, mesmo esses cérebros digitais podem ficar presos ou cometer erros se não forem guiados corretamente. É aqui que entra uma classe mais recente de ferramentas de resolução de problemas, conhecidas como algoritmos meta-heurísticos. Estas são estratégias computacionais inspiradas na natureza — como a forma como os pássaros voam em bandos ou como as baleias caçam — que ajudam os computadores a pesquisar entre vastas possibilidades para encontrar a melhor solução possível, evitando becos sem saída e armadilhas locais.

Contra este pano de fundo de necessidade urgente e inovação tecnológica, um pesquisador da Universidade Khatam, em Teerã, propôs-se a refinar a forma como prevemos o saldo mortal da pandemia de COVID-19. Focando nos Países Baixos, um país que vivenciou ondas significativas de infecção, o estudo analisou registros diários de mortes desde o início do surto, em fevereiro de 2020, até abril de 2021. O objetivo não era meramente contar os mortos, mas construir uma máquina de previsão mais precisa. O pesquisador começou alimentando o computador com uma ampla gama de pontos de dados derivados dos números de mortes diárias. Em vez de usar apenas a contagem bruta de mortes, a equipe transformou esses dados em dezesseis indicadores matemáticos diferentes, de forma semelhante a como um analista financeiro poderia observar médias móveis ou momentum para prever preços de ações. Esses indicadores ajudaram o computador a visualizar as tendências, a velocidade de mudança e a volatilidade da curva da pandemia. Para garantir que o computador não fosse sobrecarregado por informações desnecessárias, o pesquisador empregou um algoritmo genético, um processo que mimetiza a evolução biológica, para filtrar os dados e selecionar apenas os indicadores mais relevantes para o modelo final.

Com os dados preparados, o estudo testou diversas formas de treinar o modelo de previsão. A base foi uma rede neural artificial padrão, uma ferramenta poderosa por si só. No entanto, o pesquisador introduziu então quatro algoritmos meta-heurísticos diferentes para ver se eles poderiam guiar a rede neural para uma resposta melhor. Estes incluíam a Otimização de Moth-Flame (Mariposa-Chama), que simula como as mariposas navegam pela luz; o Algoritmo de Otimização de Baleia, que modela a estratégia de caça em rede de bolhas das baleias jubarte; o algoritmo de Construção das Pirâmides de Gizé, que se baseia na física de mover pedras pesadas por uma rampa; e um método mais novo chamado Otimização de Busca Futura (Future Search Optimization). Este último algoritmo é único em sua abordagem, modelando como as pessoas na sociedade tentam melhorar suas vidas ao emular os indivíduos mais bem-sucedidos, ajustando constantemente seu caminho em direção a um ideal global. O computador foi solicitado a executar essas diferentes estratégias milhares de vezes, tentando a cada vez minimizar o erro entre sua previsão e os dados históricos reais.

Os resultados deste extenso experimento digital foram claros e decisivos. Embora a rede neural padrão tenha fornecido uma previsão decente, ela foi superada pelos algoritmos que utilizaram orientação inspirada na natureza. Entre os vários métodos testados, o algoritmo de Otimização de Busca Futura emergiu como a ferramenta mais precisa. Ele alcançou um nível de precisão ordens de magnitude melhor do que os outros métodos, incluindo as estratégias inspiradas em baleias e mariposas. O estudo descobriu que este algoritmo poderia navegar pelos dados caóticos da pandemia com um grau de precisão que os outros modelos não conseguiram igualar, encontrando efetivamente o caminho ideal através do ruído das flutuações diárias. A pesquisa demonstrou que, ao combinar o poder de reconhecimento de padrões das redes neurais com a capacidade de busca estratégica desses algoritmos avançados, é possível criar um modelo que seja tanto mais rápido quanto mais preciso. O estudo conclui que, para futuras pandemias, confiar nestes métodos híbridos poderá fornecer aos governos a previsão confiável necessária para tomar decisões oportunas, potencialmente salvando vidas ao permitir intervenções mais precoces e eficazes. O trabalho sugere que a chave para compreender o futuro da propagação de doenças reside não apenas em olhar para o passado, mas em usar as ferramentas computacionais certas para interpretá-lo.