Tecnologia desenvolvida no Brasil pela UFMG e Kunumi atesta o impacto de variáveis socioeconômicas e culturais na mortalidade e espalhamento da doença
A pandemia da Covid-19 se comporta de formas diferentes ao redor do mundo e uma plataforma de Inteligência Artificial desenvolvida no Brasil conseguiu compilar e quantificar essas variáveis, possibilitando a previsão e planejamento de ações de combate à expansão do contágio.
Realizado pela Kunumi — uma organização dedicada ao desenvolvimento de inteligência artificial (IA) e tecnologias emergentes junto ao meio científico — em parceria com o Laboratório de Inteligência Artificial da Universidade Federal de Minas Gerais (LIA-UFMG), o estudo consistiu no treinamento de uma IA a partir de dezenas de fontes de dados disponíveis publicamente para identificar padrões imperceptíveis para humanos. O modelo então previu os números da pandemia e indicou quais variáveis levaram a uma piora ou melhora em taxas de mortalidade. Atualmente o modelo inclui resultados para 22 países, e outros mais devem ser incluídos nas próximas semanas.
A ideia é que a ferramenta sirva de base de consulta para identificar o que está levando a pandemia a expandir ou enfraquecer, considerando a realidade de cada país. Os dados podem ser acessados de forma interativa online e o estudo está disponível em formato de artigo preprint (aguardando revisão) no medRxiv.
A FERRAMENTA
A ferramenta online está disponível pelo link. Ao selecionar um país no menu, o sistema exibe o mesmo conjunto de gráficos para os dois valores do estudo: a taxa diária de mortalidade por Covid e a variação dessa taxa.
O portal inclui também uma aba de perguntas e respostas comuns e metodologia.
QUAIS SÃO OS ACHADOS?
A metodologia utilizada no estudo permite analisar os fatores influentes na mortalidade de cada país analisado considerando sua realidade local, e cruzando um volume de dados alto demais para ser analisado manualmente.
No caso do Brasil, o modelo identifica a alta porcentagem de pessoas vivendo em favelas como um dos fatores mais influentes na aceleração do crescimento das taxas diárias de Covid-19 a cada 100 mil habitantes.
Isso se deve, entre outros fatores, à alta densidade populacional, limitação de acesso a serviços de saúde e falta de saneamento das favelas que, ao lado da impossibilidade de trabalho remoto de seus habitantes, dificultam a adoção de medidas de prevenção, como o distanciamento social e a higienização das mãos, tornando as favelas incubadores da Covid-19.
A demanda por leitos de UTI também teve papel importante em diversos países, conforme aponta o gráfico abaixo:
Já na Bélgica, por exemplo, cerca de um terço das mortes por Covid-19 aconteceram em asilos e casas de repouso — padrão reforçado pela análise do modelo, que identificou o alto número de leitos para idosos em instituições de terceira idade como um dos fatores mais importantes no aumento da velocidade de crescimento das taxas diárias de infectados a cada 100 mil habitantes. Isso se deve à vulnerabilidade desses pacientes em grupo de risco, que têm contato com funcionários e cuidadores que podem contrair e transmitir o vírus:
O padrão compartilhado entre EUA e Brasil é a presença da alta desigualdade de renda como uma das principais influências na velocidade de crescimento das taxas diárias da doença a cada 100 mil habitantes. Medida pelo índice de Gini (em que 0 é igualdade completa e 1 é desigualdade completa), essa métrica é diretamente ligada ao acesso ao sistema de saúde, condições sanitárias, entre outros:
O estudo identificou também a importância do sistema de saúde robusto na Alemanha, com farta disponibilidade de leitos de UTI, para reduzir a mortalidade por Covid-19 no país, bem como o tempo necessário para que políticas públicas como isolamento social, fechamento de escolas e interrupção de transporte público passassem a ser efetivamente adotadas e fazerem efeito em países como Itália, Reino Unido e Países Baixos.
COMO FUNCIONA?
O modelo de inteligência artificial é alimentado com dados disponíveis publicamente e obtidos online das seguintes fontes: Banco Mundial, World Life Expectancy, Universidade de Oxford, Our World In Data e ECDC (Centro Europeu de Prevenção e Controle de Doenças).
Cruzando centenas de variáveis, a máquina identifica padrões nos dados imperceptíveis para humanos, devido à sua escala. Ela é então programada pelos pesquisadores para tentar acertar dois valores em datas do passado — sem saber as respostas corretas:
O número diário de mortos a cada 100 mil habitantes (definido no artigo como "velocidade")
A variação nessa taxa diária de mortos a cada 100 mil entre uma data e outra (definida no artigo como "aceleração")
O modelo é atualizado regularmente para incluir novos conjuntos de dados e seu código-fonte será disponibilizado abertamente nas próximas semanas. A ferramenta online serve como base de consulta para identificar quais fatores estão exercendo influência na mortalidade por Covid-19 em cada país no pico da pandemia local. Todas as variáveis consideradas no estudo estão na aba de metodologia.
QUEM FEZ O TRABALHO?
A iniciativa foi liderada pela Kunumi, em parceria com o LIA-UFMG. O estudo foi conduzido pelo Dr. Adriano Veloso, professor e chefe do departamento de ciência da computação da UFMG. Assina também o artigo o Dr. Nivio Ziviani, professor emérito do mesmo departamento e pioneiro no estudo e desenvolvimento de inteligência artificial no Brasil.
Dada a urgência da Covid-19, esse estudo foi publicado como pre-print, um artigo que ainda aguarda revisão por pares do meio acadêmico. A ferramenta serve também como um convite para a comunidade científica para colaborar com a Kunumi em nossos esforços de pesquisa contra a pandemia.
Sobre Adriano Veloso
Adriano é doutor em Ciência da Computação pela UFMG, e foi pesquisador de pós-doutorado na Cornell University. Também foi pesquisador no Rensselaer Polytechnic Institute (2007) e na Ohio-State University (2003). Ele foi diretor de pesquisa e produção científica da UFMG (2012-14) e é pesquisador associado a dois Institutos Nacionais de Ciência e Tecnologia (INCT-Web e INCT-Cyber). Professor de Ciência da Computação na UFMG, coordena grupos de pesquisa de Machine Learning e NLP (Natural Language Processing). Adriano é chefe de pesquisa científica na KUNUMI.
