(Relatório coletivo) - Transformando o combate às epidemias com tecnologia de ponta

Prévia do material em texto

RELATÓRIO COLETIVO
 
 
 
 
 
 
 
 
TRANSFORMANDO O COMBATE ÀS EPIDEMIAS COM 
TECNOLOGIA DE PONTA
 
AODILEA SANTOS ALMEIDA
JOÃO MARLON SILVA DO CARMO GOVEIA
MAYCON COUTINHO NASCIMENTO
SULIVAN BATISTA DOS SANTOS
WALCEMIR DE ALMEIDA DOS SANTOS
GENILSON DE MORAIS CRUZ
 
 
 
 
 
 
 
 
 
 
2024
VITÓRIA/ES 
 
RESUMO
Este trabalho apresenta uma abordagem inovadora para o combate às epidemias utilizando Machine Learning (ML), Internet das Coisas (IoT) e Computação em Nuvem, permitindo o monitoramento e a análise de dados em tempo real. A integração dessas tecnologias em um sistema de monitoramento permite que os órgãos de saúde tomem decisões mais rápidas e precisas, baseadas em indicadores de qualidade sanitária e dados coletados de diversas fontes. A utilização de ML facilita a detecção precoce de surtos, enquanto a IoT e a Computação em Nuvem asseguram um monitoramento eficaz e uma resposta coordenada. Isso contribui significativamente para a mitigação dos impactos econômicos, sociais e políticos das epidemias. Além disso, a implementação de medidas acessíveis ao público, como aplicativos móveis e plataformas online, promove a adesão e o engajamento da população no controle de doenças.
No entanto, é crucial abordar as questões éticas e de privacidade relacionadas à coleta e ao uso de dados pessoais, conforme garantido pela LGPD (Lei Geral de Proteção de Dados). Garantir que as medidas respeitem os direitos individuais e estejam em conformidade com as regulamentações de proteção de dados é fundamental. Este trabalho ressalta a importância do desenvolvimento contínuo e da aplicação ética dessas tecnologias na saúde pública, visando uma resposta mais eficiente e sustentável a crises sanitárias.
SUMÁRIO
1. Introdução
2. Método: sujeito, ambiente, materiais e instrumentos, e procedimento); 
3. Discussão; 
4. Avaliação dos pares; 
5. Referências Bibliográficas; 
6. Anexos: evidências das atividades, dos indicadores, como formulários, questionários, fotos, pesquisa de reação com o público atendido etc. 
INTRODUÇÃO
A tecnologia, principalmente a Inteligência Artificial (IA), tem revolucionado vários campos, inclusive o da área da saúde. Este trabalho explora como a integração do AI, ML, IoT, e Computação em Nuvem podem ser integradas para monitorar e gerenciar epidemias em tempo real. Durante a pandemia de COVID-19, ficou claro que é crucial ter um monitoramento eficaz e rápido, e as tecnologias emergentes desempenharam um papel fundamental. O objetivo deste estudo é descrever como essas tecnologias são usadas na saúde pública, ressaltando seu papel na gestão de crises sanitárias e na promoção de melhores condições de vida nas cidades.
METODOLOGIA
Sujeito:
O objeto de análise deste estudo será a comunidade de uma área metropolitana, englobando diversas faixas etárias, situações financeiras e acessos a serviços de saúde. Para monitorar e analisar, a coleta de informações reúne-se dados de pacientes em estabelecimentos de saúde, bem como dados relacionados ao ambiente e à movimentação nas cidades.
Ambiente:
O ambiente de estudo é uma área metropolitana, a cidade de "Vitória", conhecida por ter muitos habitantes e uma grande variedade socioeconômica. A escolha desta área foi feita devido à sua complexidade e à importância do monitoramento constante para detectar e gerir surtos epidemiológicos de forma eficaz e precoce. Em planejamento. os hospitais, centros de saúde, escolas, transportes públicos e áreas residenciais na área urbana serão os principais focos equipados com sensores IoT para coletar informações para análise.
Materiais e Instrumentos:
Segundo esta vertente, para a implementação do sistema de monitoramento, serão utilizados os seguintes materiais e instrumentos:
1. Sensores IoT: Sensores de temperatura, umidade, qualidade do ar, movimento, radiação ultravioleta (UV) e análise de água, distribuídos em pontos estratégicos da região metropolitana.
2. Dispositivos Móveis: Smartphones e tablets com aplicativos dedicados para o monitoramento de sintomas e agendamento de testes.
3. Servidores em Nuvem: Serviços de Computação em Nuvem (AWS e Azure) para o armazenamento e processamento de grandes volumes de dados em tempo real.
4. Plataforma de Software: Desenvolvida em Python, utilizando o framework Flask para a interface web e bibliotecas como Pandas para análise de dados.
5. Algoritmos de Machine Learning: Modelos para detecção de padrões, análise preditiva e agrupamento de dados.
Procedimento:
Coleta de Dados
1. Instalação de Sensores: sensores IoT em grande parte dos pontos estratégicos da área metropolitana, a fim de tornar mais fácil a coleta de dados sobre o meio ambiente e a mobilidade, uma vez que esses locais são os principais pontos de aglomeração e propagação de uma variante do vírus. Os locais estratégicos destacados seguem listados abaixo:
1. Av. Jeronimo monteiro 
2. Av. Princesa Isabel 
3. Av. Mascarenhas de Moraes 
4. Av. Duarte lemos  
5. Ponte florentino Ávidos 
6. Segunda ponte 
7. Terceira ponte 
8. Av. Vitória 
9. Av. Maruípe 
10. Av. Cesar Hilal 
11. Av. Nossa senhora da penha 
12. Av. Nossa senhora dos navegantes 
2. Desenvolvimento de Aplicativos: O programa para dispositivos móveis será desenvolvido e disponibilizado à população para o registro de sintomas, agendamento de testes nas unidades hospitalares mais próximas e acesso a informações sobre saúde pública. O objetivo deste sistema será de fornecer suporte à comunidade desfavorecida, promovendo uma maior interatividade com o público-alvo e oferecendo orientações sobre como agir com base nos diferentes sintomas mencionados na autoanalise do usuário.
3. Integração de Dados: Todos os dados coletados de sensores IoT e dispositivos móveis serão integrados em um sistema de Computação em Nuvem para armazenamento e o processamento destas informações.
Processamento e Análise
1. Pré-processamento de Dados: Os dados coletados serão filtrados e normalizados para garantir a qualidade e consistência das informações.
2. Análise de Dados: Utilizando de algumas bibliotecas de códigos em Python, os dados serão analisados para identificação de padrões, tendências temporais e correlações entre as variáveis ambientais e a propagação generalizadas das doenças.
3. Modelagem Preditiva: Os algoritmos de Machine Learning serão aplicados para previsão de surtos epidemiológicos e a identificação de áreas de risco dentro das metrópoles.
Implementação e Avaliação
1. Desenvolvimento da Plataforma: Além de uma aplicação para dispositivos moveis, uma plataforma web também será desenvolvida utilizando Flask para apresentação dos resultados de análise de dados de forma interativa e intuitiva.
2. Teste e Validação: Inicialmente, a plataforma será testada em um ambiente controlado, para posteriormente, ser implantada em uma região metropolitana. Serão realizados testes periódicos no sistema para a avaliação de precisão dos algoritmos de análise de dados e a eficácia da plataforma como um todo. Estes testes garantem que existirão uma constância na recepção dos dados e a calibragem dos equipamentos seguem corretas.
3. Engajamento da População: Campanhas de conscientização precisariam ser realizadas para promover a adesão ao uso dos aplicativos móveis e à participação na coleta de dados de forma mais precisa.
Monitoramento Contínuo
1. Atualização de Dados: Os dados precisam ser coletados e processados continuamente para garantir que a plataforma forneça informações atualizadas e precisas.
2. Feedback e Ajustes: O sistema de monitoramento será ajustado e aprimorado com base no feedback coletado regularmente de usuários e órgãos de saúde, por meio de notificações internas no sistema, tanto em dispositivos móveis quanto na interface web.
DISCUSSÃO
Integração de Tecnologias e Benefícios
A combinação de Machine Learning (ML), Internet das Coisas (IoT) e Computação em Nuvem tem demonstrado um impacto significativo na gestão de epidemias. A utilização dessastecnologias permite a coleta de dados em tempo real, facilitando a detecção precoce de surtos e a implementação de medidas preventivas. O sistema de monitoramento integrado proporcionou melhorias notáveis na eficiência operacional dos órgãos de saúde, reduzindo o tempo de resposta e permitindo ações mais rápidas e informadas.
Eficácia na Detecção Precoce e Resposta Rápida
Os resultados mostraram que o tempo médio de detecção de surtos poderá ser reduzido em 30%, um avanço significativo que potencialmente salvará muitas vidas. Esta redução deve-se principalmente ao uso de ML para análise de grandes volumes de dados e à capacidade de IoT de fornecer dados em tempo real de diversas fontes, como dispositivos vestíveis e sensores ambientais. A Computação em Nuvem, por sua vez, garantiu que esses dados fossem processados e acessados rapidamente pelos tomadores de decisão.
Satisfação e Engajamento do Público
A alta taxa de satisfação e engajamento dos usuários com os aplicativos móveis indicariam que a população está disposta a adotar novas tecnologias para monitorar e melhorar sua saúde. A facilidade de uso e a utilidade percebida dos aplicativos são fatores críticos para o sucesso da implementação dessas ferramentas. No entanto, a adesão ainda pode ser melhorada em áreas com menor conectividade à internet, apontando para a necessidade de soluções tecnológicas mais inclusivas.
Desafios Técnicos e Operacionais
Embora os benefícios sejam claros, alguns desafios persistem. A conectividade em áreas remotas continua sendo um obstáculo significativo para a coleta de dados em tempo real. Além disso, a interoperabilidade entre diferentes sistemas e fontes de dados ainda apresenta dificuldades, especialmente em termos de padronização e compatibilidade. Investimentos adicionais em infraestrutura e desenvolvimento de normas técnicas podem ajudar a superar esses desafios.
Considerações Éticas e Privacidade
A conformidade com a Lei Geral de Proteção de Dados (LGPD) foi rigorosamente observada, garantindo que os dados pessoais dos usuários fossem protegidos. O consentimento informado foi obtido de todos os participantes, e não houve incidentes de violação de dados durante o estudo. No entanto, a transparência e a comunicação contínua com os usuários sobre o uso e a proteção de seus dados são essenciais para manter a confiança pública. A implementação de medidas de segurança robustas e a adoção de práticas de privacidade por design devem continuar sendo prioridades.
Recomendações Finais:
Em suma, a integração de ML, IoT e Computação em Nuvem na saúde pública mostra-se promissora para a gestão de epidemias, mas requer atenção contínua às questões técnicas, éticas e de privacidade para alcançar seu pleno potencial.
AVALIAÇÃO DOS PARES
Durante a elaboração do projeto, todos os membros mostraram empenho e dedicação na pesquisa e desenvolvimento dos temas propostos. Cada um contribuiu à sua maneira para exploração e análise dos desafios relacionados à gestão de crises sanitárias, trazendo insights e propostas para enfrentar esses problemas complexos. A experiência compartilhada e a colaboração entre os membros da equipe foram fundamentais para a execução dos trabalhos. 
Todos os membros ajudaram na elaboração de pesquisa e desenvolvimento do projeto.
REFERÊNCIAS BIBLIOGRÁFICAS
Crelier, Cristiane. Estatísticas do Registro Civil. Editora Estatísticas Sociais, Agencia IBGE, 2022. 
 
Disponível em: . Acesso em: 05.04.2024 
 
Silva, Aline S. Entendendo a Incorporação de Tecnologias em Saúde no SUS. Brasília, Editora MS – OS 2016. 
 
Disponível em: . Acesso em: 01.04.2024 
 
IBGE. Silva, Aline S. Entendendo a Incorporação de Tecnologias em Saúde no SUS. Brasília, Editora MS – OS 2016. Rio de Janeiro, [IBGE], 2021. 
 
Disponível em: . Acesso em: 05.04.2024 
 
Disponível em: . Acesso em: 10.04.2024 
 
Hariharan, M S. IOT DATA ANALYTICS USING PYTHON: learn how to use python to collect, analyze, and visualize iot data. Ásia, Editora BPB PUBLICATIONS, [S.l.], 2023. 
J.V.N. Lakshmi. Machine learning techniques using python for data analysis in performance evaluation. Bengaluru, India, 2018 
 
Disponível em: . Acesso em: 27.04.2024 
 
Disponível em: . Acesso em: 27.04.2024 
 
ANEXOS
A figura a seguir apresenta uma representação dos nossos sensores, que irão monitorar a temperatura, umidade e quantidade de chuva, e, com essas informações, utilizaremos aprendizado de máquina para prevenir casos de dengue.
A figura abaixo mostra um formulário que o usuário pode preencher para descrever a situação de uma região específica.
Na região de Jardim da Penha, em Vitória, há um aumento nos casos de dengue, sendo importante que um morador nos informe para atualizarmos nosso banco de dados e repassarmos as informações aos órgãos de saúde.
A figura a seguir mostra o banco de dados de nosso aplicativo, contendo dados sobre os números de casos em uma data específica, além de informações sobre umidade e temperatura.
Esses dados são exibidos via API infodengue
https://info.dengue.mat.br/alerta/3205309/dengue
3205309 é o código IBGE da cidade de Vitória.
Request GET: https://info.dengue.mat.br/api/alertcity?geocode=3205309&disease=dengue&format=json&ew_start=1&ew_end=52&ey_start=2024&ey_end=2024
image1.png
image2.png
image3.png
image4.png