Inteligência artificial no controle da dengue e seu vetor aedes aegypti: uma revisão integrativa
Keywords:
inteligencia artificial, dengue, saude publicaAbstract
Objetiva-se destacar os principais desafios e restrições da implementação da Inteligência Artificial e analisar suas implicações para a saúde pública. Trata-se de uma revisão integrativa na qual adotou-se os seguintes passos: definição do problema, busca na literatura, coleta de dados, análise crítica dos estudos, discussão dos resultados e apresentação da revisão. Foram incluídos estudos relevantes indexados em bases acadêmicas reconhecidas, como PubMed e Google Scholar, publicados entre 2018 e 2023, em português e inglês, e disponíveis eletronicamente e gratuitamente. Inicialmente, 106 estudos foram encontrados, dos quais 70 foram revisados preliminarmente e 38 excluídos. Entre os 34 estudos restantes, 16 foram descartados por falta de relevância ou por não abordarem Inteligência Artificial . Assim, 18 estudos foram selecionados para a revisão. O uso de Inteligência Artificial oferece um caminho promissor para enfrentar a dengue e outras arboviroses, representando uma inovação significativa na área da saúde pública e apontando para um futuro mais eficaz no controle dessas doenças transmitidas por vetores. Constatou-se que a aplicação de algoritmos de aprendizado de máquina no controle da dengue representa um avanço crucial e a inteligência artificial poderá revolucionar o combate às arboviroses, contribuindo significativamente para a saúde pública.
References
BRAVO, D. T. Identificação automática de possíveis criadouros do mosquito Aedes aegypti a partir de imagens aéreas adquiridas por Vants. 2019.
COSTA, S.; COSTA, E.; RIVALDO. Desafios da prevenção e controle da dengue na fronteira Brasil/Bolívia: representações sociais de gestores e profissionais da saúde. Physis, 28, n. 4, 2018.
CUNHA, H.; SCLAUSER, B.; WILDEMBERG, P.; AUGUSTO, E. et al. Water tank and swimming pool detection based on remote sensing and deep learning: Relationship with socioeconomic level and applications in dengue control. PLOS ONE, 16, n. 12, p. e0258681-e0258681, 2021.
DE CASTRO ALMEIDA, S. M. T.; CALIMAN, D. R. TRANSFER OF THE MANAGEMENT OF PUBLIC HEALTH SERVICES TO SOCIAL ORGANIZATIONS: CASE STUDY OF CENTRAL STATE HOSPITAL/TRANSFERENCIA DO GERENCIAMENTO DE SERVICOS PUBLICOS DE SAUDE A ORGANIZACOES SOCIAIS: ESTUDO DE CASO DO HOSPITAL ESTADUAL CENTRAL. Revista de gestão em sistemas de saúde, 7, n. 2, p. 92, 2018.
DIOGO, E. A. C. Aprendizado de máquina profundo aplicado a estimação pela densidade de ovos em palhetas ovitrampas. 2023. -, Universidade Federal do Rio Grande do Norte.
ESPÍNDOLA, B. M. Desenvolvimento de um Modelo de Classificação de Imagens de Larvas de Mosquitos usando Deep Learning. 2023.
FERNANDES, N.; ALVES, E.; ÁDRIA JANE, A.; FÁTIMA, M. et al. Análise das campanhas de prevenção às arboviroses dengue, zika e chikungunya do Ministério da Saúde na perspectiva da educação e comunicação em saúde. Saúde em Debate, 44, n. 126, p. 871-880, 2020.
FRANCISCO, M. E.; CARVAJAL, T. M.; RYO, M.; NUKAZAWA, K. et al. Dengue disease dynamics are modulated by the combined influences of precipitation and landscape: A machine learning approach. Sci Total Environ, 792, p. 148406, Oct 20 2021.
KAKARLA, S. G.; KONDETI, P. K.; VAVILALA, H. P.; BODDEDA, G. S. B. et al. Weather integrated multiple machine learning models for prediction of dengue prevalence in India. Int J Biometeorol, 67, n. 2, p. 285-297, Feb 2023.
LIMA, G. A. Sistema de visão computacional para identificação automática de potenciais focos do mosquito Aedes aegypti a partir de imagens adquiridas por drones. 2021.
LIMA, J. G. D. S.; PRATA, P. L.; FILHO, J.; FRANCA, R. R. D. et al., 2022, Algoritmos de Regressão Aplicados à Predição de Casos de Arboviroses no Cariri Paraibano. SBC. 9-12.
MESSINA, J. P.; BRADY, O. J.; GOLDING, N.; MORITZ et al. The current and future global distribution and population at risk of dengue. Nature microbiology, 4, n. 9, p. 1508-1515, 2019.
MUDELE, O.; FRERY, A. C.; ZANANDREZ, L. F. R.; EIRAS, A. E. et al. Modeling dengue vector population with earth observation data and a generalized linear model. Acta Trop, 215, p. 105809, Mar 2021.
OLIVEIRA, V.; MOURA, L.; DE, T.; MENDES, G. et al. Use of ovitraps for the seasonal and spatial monitoring of Aedes spp. in an area endemic for arboviruses in Northeast Brazil. Journal of Infection in Developing Countries, 14, n. 04, p. 387-393, 2020.
PAOLO. The Challenges Imposed by Dengue, Zika, and Chikungunya to Brazil. Frontiers in Immunology, 9, 2018.
PATAKI, B. A.; GARRIGA, J.; ERITJA, R.; PALMER, J. R. B. et al. Deep learning identification for citizen science surveillance of tiger mosquitoes. Sci Rep, 11, n. 1, p. 4718, Feb 25 2021.
PLESS, E.; SAARMAN, N. P.; POWELL, J. R.; CACCONE, A. et al. A machine-learning approach to map landscape connectivity in Aedes aegypti with genetic and environmental data. Proc Natl Acad Sci U S A, 118, n. 9, Mar 2 2021.
RAKOTONIRINA, A.; CARUZZO, C.; BALLAN, V.; KAINIU, M. et al. Wolbachia detection in Aedes aegypti using MALDI-TOF MS coupled to artificial intelligence. Sci Rep, 11, n. 1, p. 21355, Nov 1 2021.
ROCHA, C. D. F.; BIZERRA, A. M. C.; MAGALHÃES, D. A. Contagem automática de ovos do Aedes Aegypti em palhetas de ovitrampas: um sistema para aquisição e processamento de imagens. Encontro Internacional de Jovens Investigadores (JOIN), p. 67-74, 2019.
SANCHEZ-GENDRIZ, I.; SOUZA, G. F.; ANDRADE, I. G. M.; NETO, A. D. D. et al. Data-driven computational intelligence applied to dengue outbreak forecasting: a case study at the scale of the city of Natal, RN-Brazil. Sci Rep, 12, n. 1, p. 6550, Apr 21 2022.
SANTOS, I. G. D. S.; JÚNIOR, J. F. D. O.; BARBOSA, I. I.; SILVA, L. F. F. F. D. et al. Rede neural artificial aplicada aos casos notificados de dengue cases em Maceió–Alagoas. Research, Society and Development, 11, n. 14, p. e406111436382-e406111436382, 2022.
OUZZANI, M., HAMMADY, H., FEDOROWICZ, Z. et al. Rayyan—a web and mobile app for systematic reviews. Syst Rev v. 5, n. 210 (2016).
XU, J.; XU, K.; LI, Z.; MENG, F. et al. Forecast of Dengue Cases in 20 Chinese Cities Based on the Deep Learning Method. Int J Environ Res Public Health, 17, n. 2, Jan 10 2020.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Estação Científica
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
