Modelagem de doenças transmitidas por vetores

• Processo: 19/26595-7
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2020
• Data de Término da vigência: 31 de dezembro de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física Geral
• Pesquisador responsável: Francisco Aparecido Rodrigues
• Beneficiário: Kirstin Roster
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 21/11608-6 - Heterogeneidade geográfica e socioeconômica na incidência e tratamento de doenças infecciosas, BE.EP.DR
• Assunto(s): Epidemiologia Doenças transmissíveis Vetores de doenças Matemática Aprendizado computacional Redes complexas Brasil
• Palavra(s)-Chave do Pesquisador: complex networks | Epidemiology | machine learning | Mathematical epidemiology

Resumo

Modelos de doenças transmitidas por vetores são tradicionalmente baseados em conhecimento detalhado do patógeno, hospedeiro, vetor e processo de transmissão. Modelos compartimentais amplamente usados, por exemplo, contêm várias equações diferenciais e parâmetros para cada espécie de vetor e hospedeiro. Abordagens alternativas usam métodos de big data e aprendizado de máquina para prever a incidência de doenças, mas fornecem poucas informações sobre as causas que precisam ser abordadas para prevenir e controlar epidemias. Onde os fatores causadores de doenças foram identificados, a literatura está focada nas correlações de pequenos conjuntos de variáveis com a incidência da doença. Embora os pontos de dados correlacionados possam ajudar a prever doenças, eles não são confiáveis em um ambiente em mudança, como é produzido, por exemplo, pelas mudanças climáticas e pelo desenvolvimento tecnológico. Este projeto tem como objetivo examinar os fatores causais de doenças transmitidas por vetores no Brasil. Compilaremos dados sobre fatores conhecidos, tais como dados climáticos e socioeconômicos, e analisaremos suas relações causais com a incidência de doenças em municípios e estados, utilizando abordagens de redes complexas. Com esses resultados, construiremos um modelo de aprendizado de máquina para previsão de epidemias. Este estudo visa aumentar a compreensão dos fatores causadores de doenças, o que ajudará a ajustar melhor os modelos existentes, selecionar fontes de dados relevantes para previsões mais precisas e aprimorar decisões de saúde pública. (AU)

Publicações científicas

(6)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

ALVES, CAROLINE L.; PINEDA, ARUANE M.; ROSTER, KIRSTIN; THIELEMANN, CHRISTIANE; RODRIGUES, FRANCISCO A.. EEG functional connectivity and deep learning for automatic diagnosis of brain disorders: Alzheimer's disease and schizophrenia. JOURNAL OF PHYSICS-COMPLEXITY, v. 3, n. 2, p. 13-pg., 2022-06-01. (19/23293-0, 19/26595-7, 19/22277-0)

ROSTER, K. O.. Data-rich modeling helps answer increasingly complex questions on variant and disease interactions Comment on "Mathematical models for dengue fever epidemiology: A 10-year systematic review" by Aguiar et al.. PHYSICS OF LIFE REVIEWS, v. 44, p. 4-pg., 2023-02-09. (19/26595-7)

ALVES, CAROLINE L.; CURY, RUBENS GISBERT; ROSTER, KIRSTIN; PINEDA, ARUANE M.; RODRIGUES, FRANCISCO A.; THIELEMANN, CHRISTIANE; CIBA, MANUEL. Application of machine learning and complex network measures to an EEG dataset from ayahuasca experiments. PLoS One, v. 17, n. 12, p. 26-pg., 2022-12-16. (19/22277-0, 19/23293-0, 19/26595-7)

ALVES, CAROLINE L.; TOUTAIN, THAISE G. L. DE O.; AGUIAR, PATRICIA DE CARVALHO; PINEDA, ARUANE M.; ROSTER, KIRSTIN; THIELEMANN, CHRISTIANE; PORTO, JOEL AUGUSTO MOURA; RODRIGUES, FRANCISCO A.. Diagnosis of autism spectrum disorder based on functional brain networks and machine learning. SCIENTIFIC REPORTS, v. 13, n. 1, p. 20-pg., 2023-05-18. (19/26595-7, 19/23293-0, 19/22277-0)

ROSTER, KIRSTIN; CONNAUGHTON, COLM; RODRIGUES, FRANCISCO A.. Machine-Learning-Based Forecasting of Dengue Fever in Brazilian Cities Using Epidemiologic and Meteorological Variables. AMERICAN JOURNAL OF EPIDEMIOLOGY, v. 191, n. 10, p. 10-pg., 2022-05-18. (19/26595-7)

ROSTER, KIRSTIN; CONNAUGHTON, COLM; RODRIGUES, FRANCISCO A.. Forecasting new diseases in low-data settings using transfer learning. CHAOS SOLITONS & FRACTALS, v. 161, p. 8-pg., 2022-08-01. (19/26595-7)